[发明专利]目标重识别方法、模型训练方法、装置、设备及存储介质

说明书

本申请公开了一种目标重识别方法、模型训练方法、装置、设备及存储介质，属于图像处理领域。所述方法包括：获取第一目标框图像，第一目标框图像是对待检测图像进行目标检测得到；通过空间变换网络模型对第一目标框图像进行校正，得到第二目标框图像；通过重识别模型对第二目标框图像进行重识别，得到目标特征。如此，可以先通过空间变换网络模型将检测的非标准目标框图像校正为标准目标框图像，再作为重识别模型的输入图像进行重识别，这样可以保证重识别模型的输入图像与其训练过程中使用的标准目标框图像保持一致，避免重识别模型的输入图像与其训练过程中使用的标准目标框图像不一致对重识别模型精度的影响，提高重识别结果的准确度。

技术领域

本申请涉及图像处理领域，特别涉及一种目标重识别方法、模型训练方法、装置、设备及存储介质。

背景技术

目标ReID(Re-Identification，重识别)是指利用图像处理技术来识别图像中的特定目标，其在智能视频监控、机器人以及自动驾驶等领域发挥着必不可少的作用。目标ReID主要包括行人ReID或车辆ReID等。比如，在行人ReID中，可以利用图像处理技术来判定某一摄像头下的行人是否出现在其他摄像头中，以描绘行人的活动路径，实现跨镜头追踪等目的。

相关技术中，可以利用重识别模型进行重识别，重识别模型的输入为目标框图像，输出为目标框图像中目标的目标特征，目标特征用于确定目标的类别。在进行重识别之前，需要预先基于训练数据训练得到该重识别模型，该训练数据包括多个标准目标框图像以及每个标准目标框对应的目标类别。其中，该训练数据可以通过人工标注得到，标准目标框图像中包括完整的目标，且目标与目标框的位置匹配。在训练得到重识别模型之后进行重识别时，可以先通过检测器对待检测图像进行目标检测，得到目标框图像，再通过重识别模型对目标框图像进行重识别，得到目标特征。

但是，检测器输出的目标框图像与训练过程中所使用的标准目标框图像可能不一致，比如检测器输出的目标框图像中存在不完整的目标或者存在目标框漂移等情况，这些情况将会影响重识别模型的精度，进而影响重识别结果的准确度。

发明内容

本申请实施例提供了一种目标重识别方法、模型训练方法、装置、设备及存储介质，可以用于解决相关技术中存在的重识别结果准确度较低的问题。所述技术方案如下：

一方面，提供了一种目标重识别方法，所述方法包括：

获取第一目标框图像，所述第一目标框图像是对待检测图像进行目标检测得到；

通过空间变换网络模型对所述第一目标框图像进行校正，得到第二目标框图像；

通过重识别模型对所述第二目标框图像进行重识别，得到目标特征。

可选地，所述空间变换网络模型包括参数预测网络、坐标映射网络和像素采集网络；所述通过空间变换网络模型对所述第一目标框图像进行校正，得到第二目标框图像，包括：

将所述第一目标框图像作为所述参数预测网络的输入，通过所述参数预测网络对所述第一目标框图像进行参数预测，得到空间变换参数；

基于所述空间变换参数，通过所述坐标映射网络，构建所述第一目标框图像与校正后的第一目标框图像之间的空间映射关系；

基于所述空间映射关系，通过所述像素采集网络，对所述第一目标框图像进行像素采集，得到所述第二目标框图像。

可选地，所述通过所述参数预测网络对所述第一目标框图像进行参数预测，得到空间变换参数，包括：

通过所述空间变换网络模型对所述第一目标框图像进行参数预测，得到初始变换矩阵；

对所述初始变换矩阵进行矩阵变换，将矩阵变换后的初始变换矩阵作为所述空间变换参数。

可选地，所述参数预测网络包括卷积层、池化层和全连接层。