对象的识别方法、装置、计算机可读存储介质和系统与流程

1.本发明涉及对象识别领域，具体而言，涉及一种对象的识别方法、装置、计算机可读存储介质和系统。


背景技术：

2.目前，在对对象进行识别时，k相互近邻(k-reciprocal)方法需要较大的计算量，一些图模型方法需要将样本间关系学习与人体表观学习融入到训练过程，从而增大了图模型的使用难度，另一些基于相似度传播的方法，也只能获得相似度而无法获得特征，从而存在对对象进行重识别的效率低的技术问题。
3.针对上述的对对象进行重识别的效率低的技术问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种对象的识别方法、装置、计算机可读存储介质和系统，以至少解决对对象进行重识别的效率低的技术问题。
5.根据本发明实施例的一个方面，提供了一种对象的识别方法。该方法可以包括：获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
6.根据本发明实施例的一个方面，还提供了另一种对象的识别方法。该方法可以包括：获取包括待识别的目标行人的目标图像；从目标图像中识别出目标行人的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标行人进行重识别，得到重识别结果。
7.根据本发明实施例的一个方面，还提供了另一种对象的识别方法。该方法可以包括：在目标界面显示包括待识别的目标对象的目标图像；在目标界面显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立。
8.根据本发明实施例的一个方面，还提供了另一种对象的识别方法。该方法可以包括：在目标界面的录入界面中录入包括待识别的目标对象的目标图像；在目标界面内感应到特征生成指令，显示目标对象的目标特征，其中，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立；在目标界面内感应到识别指令，显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到。
9.根据本发明实施例的一个方面，还提供了另一种对象的识别方法。该方法可以包括：前端客户端向服务器上传包括待识别的目标对象的目标图像；前端客户端接收服务器
返回的重识别结果，其中，重识别结果为服务器基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立。
10.根据本发明实施例的一个方面，还提供了一种对象的识别装置。该装置可以包括：第一获取单元，用于获取包括待识别的目标对象的目标图像；第一识别单元，用于从目标图像中识别出目标对象的原始特征；第一变换单元，用于通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；第二识别单元，用于基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
11.根据本发明实施例的一个方面，还提供了另一种对象的识别装置。该装置可以包括：第二获取单元，用于获取包括待识别的目标行人的目标图像；第三识别单元，用于从目标图像中识别出目标行人的原始特征；第二变换单元，用于通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；第四识别单元，用于基于目标特征对目标图像中的目标行人进行重识别，得到重识别结果。
12.根据本发明实施例的一个方面，还提供了另一种对象的识别装置。该装置可以包括：第一显示单元，用于在目标界面显示包括待识别的目标对象的目标图像；第二显示单元，用于在目标界面显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立。
13.根据本发明实施例的一个方面，还提供了另一种对象的识别装置。该装置可以包括：录入单元，用于在目标界面的录入界面中录入包括待识别的目标对象的目标图像；第三显示单元，用于在目标界面内感应到特征生成指令，显示目标对象的目标特征，其中，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立；第四显示单元，用于在目标界面内感应到识别指令，显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到。
14.根据本发明实施例的一个方面，还提供了另一种对象的识别装置。该装置可以包括：上传单元，用于使前端客户端向服务器上传包括待识别的目标对象的目标图像；接收单元，用于使前端客户端接收服务器返回的重识别结果，其中，重识别结果为服务器基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立。
15.根据本发明实施例的一个方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序被处理器运行时控制计算机可读存储介质所在设备执行本发明实施例的对象的识别方法。
16.根据本发明实施例的一个方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的对象的识别方法。
17.根据本发明实施例的另一方面，还提供了一种对象的识别系统。该系统可以包括：处理器；存储器，与处理器相连接，用于为处理器提供处理以下处理步骤的指令：获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
18.在本发明实施例中，采用获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。也就是说，本技术将对象重识别模型应用在对象重识别中，相关计算仅为矩阵基本运算，避免了复杂的邻居关系计算，因此可以达到应用要求，并且该实施例通过对象重识别模型将目标对象的原始特征变化为目标对象的精度更高的目标特征，实现了特征传播的目的，避免了相似度传播方法由于仅仅在传播相似度，难以与特征变换类方法融合，降低了对象识别精度；图优化方法将表观特征和结构化信息共同学习，破坏表观特征，从而导致降低了对对象识别的精度，从而解决了对对象进行重识别的效率低的技术问题，达到了提高对对象进行重识别的效率的技术效果。
附图说明
19.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
20.图1是根据本发明实施例的一种用于实现对象的识别方法的计算机终端(或移动设备)的硬件结构框图；
21.图2是根据本发明实施例的一种对象的识别方法的流程图；
22.图3是根据本发明实施例的一种对象的识别方法的流程图；
23.图4是根据本发明实施例的另一种对象的识别方法的流程图；
24.图5是根据本发明实施例的另一种对象的识别方法的流程图；
25.图6是根据本发明实施例的另一种对象的识别方法的流程图；
26.图7是根据本发明实施例的一种对象的识别方法的场景示意图；
27.图8是根据本发明实施例的另一种对象的识别方法的场景示意图；
28.图9是根据本发明实施例的一种对象的识别装置的示意图；
29.图10是根据本发明实施例的另一种对象的识别装置的示意图；
30.图11是根据本发明实施例的另一种对象的识别装置的示意图；
31.图12是根据本发明实施例的另一种对象的识别装置的示意图；
32.图13是根据本发明实施例的另一种对象的识别装置的示意图；
33.图14是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
34.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
35.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
36.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
37.k近邻算法，为在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别；
38.行人重识别(person re-identification)，也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术；
39.图卷积网络(graph convolutional network，简称为gcn)，为将深度学习中常用于图像的卷积神经网络应用到图数据上的网络；
40.无监督学习，输入数据无标签的算法。
41.实施例1
42.根据本发明实施例，还提供了一种对象的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
43.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1是根据本发明实施例的一种用于实现对象的识别方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
44.应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
45.存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的一种对象的识别方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的对象的识别方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机
终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
46.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
47.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
48.此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
49.在图1所示的运行环境下，本技术提供了如图2所示的对象的识别方法。需要说明的是，该实施例的对象的识别方法可以由图1所示实施例的移动终端执行。
50.图2是根据本发明实施例的一种对象的识别方法的流程图。如图2所示，该对象的识别方法可以包括以下步骤：
51.步骤s202，获取包括待识别的目标对象的目标图像。
52.在本发明上述步骤s202提供的技术方案中，目标对象为需要进行识别的特定对象(感兴趣对象)，获取该目标对象的目标图像，可以是通过图像采集设备获取目标图像，比如，通过摄像头获取目标图像，该目标图像可以为图片，也可以为视频序列，此处不做具体限制。
53.步骤ss204，从目标图像中识别出目标对象的原始特征。
54.在本发明上述步骤s204提供的技术方案中，在获取包括待识别的目标对象的目标图像之后，可以从目标图像中识别出目标对象的原始特征。
55.在该实施例中，目标对象可以由原始特征进行表征，从目标图像中识别出目标对象的原始特征，该原始特征可以为在变换为高精度的目标特征之前，所需要传播的特征x
t
。
56.步骤s206，通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
57.在本发明上述步骤s206提供的技术方案中，在从目标图像中识别出目标对象的原始特征之后，可以通过对象重识别模型将原始特征变换为目标特征。其中，对象重识别模型可以应用在计算机视觉领域中，适合进行关系建模，比如，该对象重识别模型优选为图卷积网络模型，其为将深度学习中常用于图像的卷积神经网络应用到图数据上的网络。该实施例将对象重识别模型应用在对对象进行识别中，比如，对对象的图片进行重排序，以使得重识别结果有所提升，其可以用于表示变换前的原始特征和变换后的目标特征之间的映射关系，可以是通过目标样本的相似度矩阵建立，其中，目标样本为预先采集的用于建立对象重识别模型的样本数据，可以为同相机下的目标样本，相似度矩阵在建立对象重识别模型时起到至关重要的作用，考虑到对象重识别的特点，该实施例可以基于目标样本的传播信息生成上述相似度矩阵，其中，传播信息用于表征目标样本能够传播的满足目标相似度的数
据，可以包括目标样本的k近邻且满足目标相似度的数据，和/或，目标样本的跨相机且满足目标相似度的数据。
58.可选地，该实施例的目标样本的k近邻且满足目标相似度的数据，可以是目标样本附近的k个与目标样本之间的相似度大于目标相似度的样本数据，如果目标样本附近的k个样本数据的大多数属于某一个类别，则可以确定该目标样本也属于这个类别，其中，目标相似度可以指目标样本附近的k个样本数据与目标样本之间的相似程度需要达到的标准，以提高生成的相似度矩阵的准确度，其可以根据对相似度矩阵要求的准确度来进行确定，需要说明的是，这里的传播可以理解为将上述k个样本数据按照某一网络结构进行传播，以在对应的网络结构上进行使用，可以是将上述k个样本数据和目标样本之间的相似度按照某一网络结构进行传播，比如，按照网络拓扑结构传播到全局，以充分利用样本数据。
59.可选地，该实施例的目标样本的跨相机且满足目标相似度的数据，其中，跨相机可以是处于不同场景的相机，也即，传播信息可以是目标样本中通过处于不同场景的相机拍摄到的且大于目标相似度的数据，其中，目标相似度可以指通过处于不同场景的相机拍摄到的数据之间的相似程度需要达到的标准，以提高生成的相似度矩阵的准确度，其可以根据对相似度矩阵要求的准确度来进行确定，需要说明的是，这里的传播可以理解为将上述通过处于不同场景的相机拍摄到的数据按照网络结构进行传播，可以是将上述通过处于不同场景的相机拍摄到的数据之间的相似度按照某一网络结构进行传播，以在对应的网络结构上进行使用，从而充分利用该数据。
60.在该实施例中，上述对象重识别模型可以通过相似度矩阵和对角矩阵将目标对象的原始特征转化为目标特征，其中，对角矩阵可以通过相似度矩阵得到，比如，对象重识别模型通过下述公式进行表示：
[0061][0062]
其中，x
t+1
可以用于表示目标特征，d可以用于表示目标样本的对角矩阵，a可以用于表示相似度矩阵，x
t
可以用于表示原始特征，也即，该实施例的对象重识别模型可以通过将原始特征x
t
变换为目标特征x
t+1
，相当于将原始特征x
t
通过进行了特征传播以及处理，得到目标特征x
t+1
，从而可以将精度较低的原始特征，变换为精度更高的目标特征，也即，该实施例通过目标特征对目标对象进行重识别的精度高于通过原始特征对目标对象进行重识别的精度。而在相关技术中，在对对象进行重识别时，相似度传播方法由于仅仅在传播相似度，其难以与特征变换类方法融合，其精度低于该实施例上述通过对象重识别模型进行处理的方法，而图优化方法将表观特征和结构化信息共同学习，这往往会破坏表观特征，也会降低对对象进行重识别的精度。因而，该实施例通过对象重识别模型将目标对象的原始特征变换为目标特征，达到了提高对对象进行重识别的精度的技术效果。
[0063]
步骤s208，基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
[0064]
在本发明上述步骤s208提供的技术方案中，在通过对象重识别模型将原始特征变换为目标特征之后，可以基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
[0065]
在该实施例中，基于目标特征对目标图像中的目标对象进行重识别，可以是基于目标特征判定目标图像中是否存在目标对象。由于目标对象的目标特征的精度高于原始特
征，从而该实施例基于目标特征对目标图像中的目标对象进行重识别，大大提升了对目标对象进行重识别的精度。
[0066]
通过本技术上述步骤s202至步骤s208，获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。也就是说，该实施例将对象重识别模型应用在对象重识别中，相关计算仅为矩阵基本运算，避免了复杂的邻居关系计算，因此可以达到应用要求，并且该实施例通过对象重识别模型将目标对象的原始特征变化为目标对象的精度更高的目标特征，实现了特征传播的目的，避免了相似度传播方法由于仅仅在传播相似度，难以与特征变换类方法融合，降低了对象识别精度；图优化方法将表观特征和结构化信息共同学习，破坏表观特征，从而导致降低了对对象识别的精度，从而解决了对对象进行重识别的效率低的技术问题，达到了提高对对象进行重识别的效率的技术效果。
[0067]
下面对该实施例的上述方法进行进一步介绍。
[0068]
作为一种可选的实施方式，对象重识别模型为无学习参数的网络模型。
[0069]
在相关技术中，图卷积网络模型可以通过下述公式建立：
[0070][0071]
其中，x∈rn×d可以用于表示特征，n可以用于表示样本数据，d可以用于表示特征维度，a可以用于表示n
×
n的相似度矩阵，d可以用于表示对角矩阵，w可用于表示图卷积网络模型的参数，z可以用于表示最终输出。
[0072]
需要说明的是，上述建立图卷积网络模型所需要的参数w为在建立图卷积网络模型时的学习参数，该学习参数为图卷积网络模型自行学习或自动更新的参数，比如，为权重和偏置参数。
[0073]
然而，在该实施例中，针对对象重排序的问题，该实施例的对象重识别模型可以为无学习参数的网络模型，可以无学习参数地传播特征，也即，对象重识别模型不存在用于使对象重识别模型自行学习或自动更新的参数，从而通过无学习参数来实现基于对象重识别模型的轻量化即插即用的对象重识别方法，从而对象重识别模型可以通过下述公式进行表示：
[0074][0075]
其中，x
t+1
可以用于表示目标特征，d可以用于表示目标样本的对角矩阵，a可以用于表示相似度矩阵，x
t
可以用于表示原始特征。
[0076]
下面对该实施例的建立对象重识别模型的方法进行进一步介绍。
[0077]
作为一种可选的实施方式，在步骤s206，通过对象重识别模型将原始特征变换为目标特征之前，该方法还包括：确定第一相似度矩阵对应的对角矩阵；基于相似度矩阵和对角矩阵建立对象重识别模型。
[0078]
在该实施例中，在通过对象重识别模型将原始特征变换为目标特征之前，需要建立对象重识别模型。该实施例可以确定相似度矩阵对应的对角矩阵，比如，该对角矩阵可以通过d进行表示。在确定相似度矩阵对应的对角矩阵之后，可以基于相似度矩阵和对角矩阵
来建立对象重识别模型。
[0079]
作为一种可选的实施方式，在确定相似度矩阵对应的对角矩阵之前，该方法还包括：基于传播信息将目标样本和全局变量参数建立为指数矩阵；将指数矩阵确定为相似度矩阵。
[0080]
在该实施例中，在确定相似度矩阵对应的对角矩阵之前，可以设定一全局变量参数，比如，该全局变量参数可以通过γ
global
进行表示，可以基于传播信息将目标样本和全局变量参数建立为指数矩阵，比如，指数矩阵其中，xi可以用于表示目标样本，进而将指数矩阵确定为该实施例的相似度矩阵。
[0081]
作为一种可选的实施方式，确定相似度矩阵对应的对角矩阵，包括：将相似度矩阵每一行的和，确定为第一对角矩阵对应行上的值；将相似度矩阵每一列的和，确定为第二对角矩阵对应列上的值。
[0082]
在该实施例中，在实现确定相似度矩阵对应的对角矩阵时，可以是先获取相似度矩阵每一行的和，比如，∑
jai,j
，进而将相似度矩阵每一行的和，确定为第一对角矩阵对应行上的值，比如，该第一对角矩阵d
row
(i,i)＝∑
jai,j
；可选地，该实施例还可以获取相似度矩阵每一列的和，比如，∑
iai,j
，进而将相似度矩阵每一列的和，确定为第二对角矩阵对应列上的值，比如，该第二对角矩阵d
col
(j,j)＝∑
iai,j
。
[0083]
作为一种可选的实施方式，基于相似度矩阵和对角矩阵建立对象重识别模型，包括：基于第一对角矩阵、相似度矩阵和第二对角矩阵三者之间的第一积，建立对象重识别模型。
[0084]
在该实施例中，在实现基于相似度矩阵和对角矩阵建立对象重识别模型时，可以获取第一对角矩阵、相似度矩阵和第二对角矩阵三者之间的第一积，可以是获取第一对角矩阵的n次幂、相似度矩阵和第二对角矩阵的n次幂三者之间的第一积，比如，第一积为其中，上述n为-1/2，d
row
可以用于表示第一对角矩阵，可以用于表示相似度矩阵，d
col
可以用于表示第二对角矩阵。
[0085]
该实施例基于上述第一积建立全局变换公式，进而将该全局变换公式确定为对象重识别模型。可选地，该实施例的全局变换公式为其中，x
t
可以用于表示原始特征，x
t+1
可以用于表示目标特征，将该全局变换公式确定为基于全局传播的对象重识别模型。
[0086]
在该实施例中，上述对象重识别模型未考虑相机信息，该实施例可以引入另一针对跨相机的相似度矩阵，基于其进一步确定包括相机信息的对象重识别模型，下面对其进行介绍。
[0087]
作为一种可选的实施方式，在基于第一对角矩阵、跨相机的相似度矩阵和第二对角矩阵三者之间的第一积，建立对象重识别模型，包括：基于传播信息确定跨相机的相似度矩阵；将跨相机的相似度矩阵每一行的和，确定为第三对角矩阵对应行上的值；将跨相机的相似度矩阵每一列的和，确定为第四对角矩阵对应列上的值；获取第三对角矩阵、跨相机的相似度矩阵和第四对角矩阵三者之间的第二积；基于第一参数和第一积二者之间的第三
积，以及第二参数和第二积之间的第四积，建立对象重识别模型。
[0088]
在该实施例中，在实现基于第一对角矩阵、相似度矩阵和第二对角矩阵三者之间的第一积，建立对象重识别模型时，可以基于传播信息确定跨相机的相似度矩阵，可以用进行表示，类似于上述第一对角矩阵和第二对角矩阵，该实施例可以将跨相机的相似度矩阵每一行的和，确定为第三对角矩阵对应行上的值，可以将跨相机的相似度矩阵每一列的和，确定为第四对角矩阵对应列上的值，从而得到第三对角矩阵和第四对角矩阵，进而获取第三对角矩阵、跨相机的相似度矩阵和第四对角矩阵三者之间的第二积，可以是获取第三对角矩阵的n次幂、跨相机的相似度矩阵和第四对角矩阵的n次幂三者之间的第二积。该实施例可以将全局传播和跨相机传播进行组合，可以是基于第一参数和第一积二者之间的第三积，以及第二参数和第二积之间的第四积，建立对象重识别模型。其中，n可以为-1/2，第一参数和第二参数之间的和可以为1。
[0089]
可选地，该实施例的对象重识别模型为其中，x
t+1
可以用于表示目标特征α，可以用于表示第一参数，d
row:global
可以用于表示第一对角矩阵，可以用于表示相似度矩阵，d
col:global
可以用于表示第二对角矩阵，(1-α)可以用于表示第二参数，d
row:cross
可以用于表示第三对角矩阵，可以用于表示跨相机的相似度矩阵，d
col:cross
可以用于表示第二对角矩阵，x
t
可以用于表示原始特征。
[0090]
作为一种可选的实施方式，在通过对象重识别模型将原始特征变换为目标特征之前，该方法还包括：对目标样本进行归一化处理；基于归一化处理后的目标样本、超参数、目标样本的数目和单位矩阵建立对象重识别模型。
[0091]
在该实施例中，为了进一步提高重识别精度，该实施例引入类似特征归一化的操作，可以对目标样本进行归一化处理，然后基于归一化处理后的目标样本、超参数、目标样本的数目和单位矩阵建立对象重识别模型。
[0092]
可选地，p＝(xx
t
+λni)-1
，其中，xi可以用于表示同相机下的目标，x可以用于表示目标样本的特征集合，λ可以用于表示超参数，n可以用于表示目标样本的样本数量，i可以用于表示单位矩阵，则可以用类似特征归一化的方式获得更好的目标特征wc＝p(x-mean)，该过程相当于推远了同相机下的干扰数据。
[0093]
作为一种可选的实施方式，相似度矩阵为对称矩阵。
[0094]
在该实施例中，可以结合对象重识别的特性，对该实施例的相似度矩阵进行进一步改进，可以将相似度矩阵设定为对称矩阵，可以逐样本使用该对称矩阵。
[0095]
可选地，该实施例还可以对跨相机的相似度矩阵进行改进，将上述跨相机的相似度矩阵设定为对称矩阵，可以逐样本使用该对称矩阵。
[0096]
作为一种可选的实施方式，在基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果之后，在目标界面上显示重识别结果；接收作用于目标界面上的确认操作指令，其中，确认操作指令用于确认重识别结果是否满足目标条件；在响应确认操作指令，确认重识别结果不满足目标条件的情况下，在目标界面上显示提示信息，其中，提示信
息用于提示对重识别结果进行修正。
[0097]
在该实施例中，在基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果之后，在目标界面上显示重识别结果，也即，可以将目标识别结果通过目标界面反馈给用户，接收作用于目标界面上的确认操作指令，也即，该实施例可以由用户在目标界面上确认当前的重识别结果是否符合目标条件，该目标条件可以为当前的重识别结果是否准确的条件，如果响应确认操作指令，确认重识别结果不满足目标条件，比如，如果重识别结果不准确，则可以在目标界面上显示提示信息，比如，提供给用户修正重识别结果的方式，可以是使用户重新输入另一包括目标对象的目标图像，比如，重新输入包括目标对象的视频，用户可以在视频中标出目标对象，进而通过对象重识别模型对该目标对象进行重识别。
[0098]
本发明实施例还提供了另一种应用于行人重识别场景的对象的识别方法。
[0099]
图3是根据本发明实施例的一种对象的识别方法的流程图。如图3所示，该对象的识别方法可以包括以下步骤：
[0100]
步骤s302，获取包括待识别的目标行人的目标图像。
[0101]
在本发明上述步骤s302提供的技术方案中，目标行人为需要进行识别的特定行人(感兴趣行人)，获取该目标行人的目标图像，可以是通过图像采集设备获取目标图像，比如，通过摄像头获取目标图像，该目标图像可以为图片，也可以为视频序列，此处不做具体限制。
[0102]
步骤s304，从目标图像中识别出目标行人的原始特征。
[0103]
在本发明上述步骤s304提供的技术方案中，在获取包括待识别的目标行人的目标图像之后，可以从目标图像中识别出目标行人的原始特征。
[0104]
在该实施例中，目标行人可以由原始特征进行表征，从目标图像中识别出目标行人的原始特征，该原始特征可以为变换前的需要传播的特征x
t
。
[0105]
步骤s306，通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0106]
在本发明上述步骤s306提供的技术方案中，在从目标图像中识别出目标行人的原始特征之后，可以通过对象重识别模型将原始特征变换为目标特征。其中，对象重识别模型应用在对行人进行识别中，比如，对行人进行重排序，可以用于表示变换前的原始特征和变换后的目标特征之间的映射关系，可以是通过目标样本的相似度矩阵建立，其中，目标样本为预先采集的用于建立对象重识别模型的样本数据，相似度矩阵在建立对象重识别模型时起到至关重要的作用，考虑到行人重识别的特点，该实施例可以基于目标样本的传播信息生成上述相似度矩阵。
[0107]
该实施例通过对象重识别模型将原始特征变换为目标对象的目标特征，比如，目标特征可以通过x
t+1
进行表示，其精度高于目标对象的原始特征，从而该实施例通过对象重识别模型将目标行人的原始特征变换为更好的特征，以提升对目标行人进行重识别的精度。
[0108]
步骤s308，基于目标特征对目标图像中的目标行人进行重识别，得到重识别结果。
[0109]
在本发明上述步骤s308提供的技术方案中，在通过对象重识别模型将原始特征变换为目标特征之后，可以基于目标特征对目标图像中的目标行人进行重识别，得到重识别
结果。
[0110]
在该实施例中，基于目标特征对目标图像中的目标行人进行重识别，可以是基于目标特征判定目标图像中是否存在目标行人。由于目标行人的目标特征的精度高于原始特征，从而该实施例基于目标特征对目标图像中的目标行人进行重识别，大大提升了对目标行人进行重识别的精度。
[0111]
本发明实施例还从人机交互角度提供了另一种对象的识别方法。
[0112]
图4是根据本发明实施例的另一种对象的识别方法的流程图。如图4所示，该方法可以包括以下步骤：
[0113]
步骤s402，在目标界面显示包括待识别的目标对象的目标图像。
[0114]
在本发明上述步骤s402提供的技术方案中，目标对象为需要进行识别的特定对象(感兴趣对象)，获取该目标对象的目标图像，进而在目标界面显示包括待识别的目标对象的目标图像，其中，目标图像可以是通过图像采集设备获得，比如，通过摄像头获取目标图像，该目标图像可以为图片，也可以为视频序列，此处不做具体限制。
[0115]
步骤s404，在目标界面显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到。
[0116]
在本发明上述步骤s404提供的技术方案中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0117]
在该实施例中，可以通过对象重识别模型将目标对象的原始特征变换为目标特征。其中，对象重识别模型应用在对对象进行识别中，可以用于表示变换前的原始特征和变换后的目标特征之间的映射关系，可以是通过目标样本的相似度矩阵建立，其中，目标样本为预先采集的用于建立对象重识别模型的样本数据，相似度矩阵在建立对象重识别模型时起到至关重要的作用，考虑到对象重识别的特点，该实施例可以基于目标样本的传播信息生成上述相似度矩阵，其中，传播信息用于表征目标样本能够传播的满足目标相似度的数据，比如，只有目标样本的k近邻的相似度能够被传播，跨相机的相似度需要被传播。
[0118]
该实施例的目标特征可以通过对象重识别模型将原始特征变换得到，可以基于目标特征对目标图像中的目标对象进行重识别，在目标界面显示重识别结果。其中，目标特征的精度高于目标对象的原始特征，从而该实施例通过对象重识别模型将目标对象的原始特征变换为更好的特征，以提升对目标对象进行重识别的精度。
[0119]
本发明实施例还提供了另一种对象的识别方法。
[0120]
图5是根据本发明实施例的另一种对象的识别方法的流程图。如图5所示，该方法可以包括以下步骤：
[0121]
步骤s502，在目标界面的录入界面中录入包括待识别的目标对象的目标图像。
[0122]
在本发明上述步骤s502提供的技术方案中，目标对象为需要进行识别的特定对象(感兴趣对象)，在目标界面的录入界面中录入包括待识别的目标对象的目标图像，可以是通过图像采集设备获取目标图像，进而在目标界面的录入界面中录入目标图像，其中，可以通过摄像头获取目标图像，该目标图像可以为图片，也可以为视频序列，此处不做具体限制。
[0123]
步骤s504，在目标界面内感应到特征生成指令，显示目标对象的目标特征，其中，目标特征为通过对象重识别模型将目标对象的原始特征变换得到。
[0124]
在本发明上述步骤s504提供的技术方案中，在目标界面的录入界面中录入包括待识别的目标对象的目标图像之后，可以在目标界面内感应到特征生成指令，在目标界面显示目标对象的目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0125]
该实施例在目标界面内感应到特征生成指令，可以通过对象重识别模型将目标对象的原始特征变换为目标特征。其中，对象重识别模型应用在对对象进行识别中，可以用于表示变换前的原始特征和变换后的目标特征之间的映射关系，可以是通过目标样本的相似度矩阵建立，其中，目标样本为预先采集的用于建立对象重识别模型的样本数据，相似度矩阵在建立对象重识别模型时起到至关重要的作用，考虑到对象重识别的特点，该实施例可以基于目标样本的传播信息生成上述相似度矩阵，其中，传播信息用于表征目标样本能够传播的满足目标相似度的数据，比如，只有目标样本的k近邻的相似度能够被传播，跨相机的相似度需要被传播。
[0126]
该实施例通过对象重识别模型将原始特征变换为目标对象的目标特征，该目标特征的精度高于目标对象的原始特征，从而该实施例通过对象重识别模型将目标对象的原始特征变换为更好的特征，以提升对目标对象进行重识别的精度。
[0127]
步骤s506，在目标界面内感应到识别指令，显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到。
[0128]
在本发明上述步骤s506提供的技术方案中，在目标界面内感应到特征生成指令，显示目标对象的目标特征之后，在目标界面内感应到识别指令，显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到。
[0129]
在该实施例中，可以在目标界面内感应到识别指令，基于目标特征对目标图像中的目标对象进行重识别，可以是基于目标特征判定目标图像中是否存在目标对象，然后在目标界面显示重识别结果。由于目标对象的目标特征的精度高于原始特征，从而该实施例基于目标特征对目标图像中的目标对象进行重识别，大大提升了对目标对象进行重识别的精度。
[0130]
本发明实施例还从前端客户端侧提供了另一种对象的识别方法。
[0131]
图6是根据本发明实施例的另一种对象的识别方法的流程图。如图6所示，该方法可以包括以下步骤：
[0132]
步骤s602，前端客户端向服务器上传包括待识别的目标对象的目标图像。
[0133]
在本发明上述步骤s602提供的技术方案中，目标对象为需要进行识别的特定对象(感兴趣对象)，前端客户端获取该目标对象的目标图像，进而向服务器上传包括待识别的目标对象的目标图像，可以是通过图像采集设备获取目标图像，比如，通过摄像头获取目标图像，该目标图像可以为图片，也可以为视频序列，此处不做具体限制。
[0134]
需要说明的是，该实施例的上述服务器可以本地服务器也可以是云端服务器。
[0135]
步骤s604，前端客户端接收服务器返回的重识别结果，其中，重识别结果为服务器基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型
将目标对象的原始特征变换得到。
[0136]
在本发明上述步骤s604提供的技术方案中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0137]
在该实施例中，在前端客户端向服务器上传包括待识别的目标对象的目标图像之后，服务器可以通过对象重识别模型将目标对象的原始特征变换为目标特征。其中，对象重识别模型应用在对对象进行识别中，可以用于表示变换前的原始特征和变换后的目标特征之间的映射关系，可以是通过目标样本的相似度矩阵建立，其中，目标样本为预先采集的用于建立对象重识别模型的样本数据，相似度矩阵在建立对象重识别模型时起到至关重要的作用，考虑到对象重识别的特点，该实施例可以基于目标样本的传播信息生成上述相似度矩阵，其中，传播信息用于表征目标样本能够传播的满足目标相似度的数据，比如，只有目标样本的k近邻的相似度能够被传播，跨相机的相似度需要被传播。
[0138]
在服务器通过对象重识别模型将原始特征变换为目标特征之后，可以基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果，前端客户端接收服务器返回的重识别结果。由于目标对象的目标特征的精度高于原始特征，从而该实施例的服务器基于目标特征对目标图像中的目标对象进行重识别，大大提升了对目标对象进行重识别的精度。
[0139]
作为另一种可选的实施方式，服务器获取前端客户端上传的包括待识别的目标对象的目标图像；服务器通过对象重识别模型对目标对象的原始特征进行变换，得到目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据；服务器基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果；服务器向所述前端客户端返回重识别结果。
[0140]
该实施例可以通过服务器对外提供服务，用户在前端客户端上传目标图像之后，可以通过服务器进行目标图像的目标对象的重识别，并将得到的重识别结果反馈给前端客户端。
[0141]
需要说明的是，该实施例的上述对象的识别方法可以应用于无人超市场景、线下零售场景、企业安保场景、教学管理(比如，成人教育)场景、农场管理场景、工业园区管理场景等需要进行对象识别的场景。
[0142]
该实施例的对象的识别方法可以基于对象重识别模型实现了无监督学习、轻量化、高精度的行人重排序方法，可以将相机信息融入进特征对齐的过程中。相关技术在实现对象的重识别时，k-reciprocal方法速度慢，而该实施基于矩阵批(batch)处理，相关计算仅为矩阵基本运算，并未涉及到复杂的邻居关系计算，因此可以达到应用要求；相关技术的相似度传播方法由于仅仅在传播相似度，难以与特征变换类方法融合，其精度低于该实施例的对象的识别方法；相关技术的图优化方法可以将表观特征和结构化信息共同学习，但这往往会破坏表观特征，精度降低，而该实施例的对象的识别方法通过特征传播，基于后处理方式获得了更好的目标特；相关技术的图优化方法实现复杂，而该实施例的对象的识别方法可以仅用少数几行代码即可实现，从而解决了对对象进行重识别的效率低的技术问题，达到了提高对对象进行重识别的效率的技术效果。
[0143]
实施例2
[0144]
下面结合优选的实施方式对本发明的技术方案进行举例说明，具体以对象为行人，对象重识别模型为图卷积网络模型进行举例说明。
[0145]
行人重排序技术是一种行人重识别的加强技术，对于任意的行人重识别方法均可大幅提升精度。在相关技术的行人重识别中，k-reciprocal方法需要较大的计算量，需要对每一对probe-gallery都分别计算k-reciprocal近邻，并且一些图模型方法需要将样本间关系学习与人体表观学习融入到训练过程，由于其涉及训练过程，使用繁琐且将表观特征学习与样本关系学习融合在一起，不利于表观学习，从加大了使用难度；另一些基于相似度传播的方法，但只能获得相似度而无法获得变换后的特征；另外，上述方法都忽略了行人重识别特有的相机信息；相关技术单纯地使用行人重识别技术，识别精度可能会受到光照、视角、遮挡等因素的影响。
[0146]
而基于已有的排序，利用样本之间的邻接信息，仅需要少量后处理即可获得更好的排序，具有较强的应用意义。另外，图卷积网络模型在计算机视觉领域开始广泛应用，其非常适合关系建模，相关技术尚无将之用于行人重排序的相关方法。
[0147]
而该实施例提出了一种基于图卷积的无监督学习、轻量化即插即用、高精度的行人重排序的方法，可以将相机信息融入进特征对齐过程中。下面对其进行进一步介绍。
[0148]
经典的图卷积操作可以如下表示：
[0149][0150]
其中，x∈rn×d可以用于表示特征，n可以用于表示样本数据，d可以用于表示特征维度，a可以用于表示n
×
n的相似度矩阵，d可以用于表示对角矩阵，w可用于表示图卷积网络模型的参数，z可以用于表示最终输出。
[0151]
对于重排序问题，可以希望无学习参数地传播特征，从而上式可以进一步地写为：
[0152][0153]
上述过程中相似度矩阵a起到至关重要的作用，考虑到行人重识别的特定，该实施例可以向图卷积网络模型添加以下条件：
[0154]
(1)只有k近邻的相似度能够被传播；
[0155]
(2)跨相机的相似度需要被传播。
[0156]
基于此，该实施例可以建立如下相似度矩阵a，并求出对角矩阵d。
[0157][0158]drow
(i,i)＝∑
jai,j
；d
col
(j,j)＝∑
iai,j
[0159]
则全局变换公式可以为：
[0160][0161]
但是，上述全局变换公式未考虑到相机信息，类似地，该实施例可以引入另一个针对跨相机的相似度矩阵a，将全局传播与跨相机传播结合，则图卷积网络模型最终的变换公式可以为：
[0162][0163]
该实施例结合行人重识别的特性，可以对上述相似度矩阵a进行改进，比如，将相似度矩阵a写为对称矩阵，可以逐样本使用相似度矩阵a。
[0164]
可选地，为了进一步提升重识别精度，该实施例可以额外引入了类似归一化的操作，记为：
[0165]
p＝(xx
t
+λni)-1
[0166]
其中，xi可以用于表示同相机下的样本，x可以用于表示这些样本的特征的集合，λ可以用于表示超参数，n可以用于表示样本数目，i可以用于表示单位矩阵，则该实施例可以用类似特征归一化的方式获取更好的特征表示wc＝p(x-mean)，该过程相当于推远了同相机下的干扰数据。
[0167]
图7是根据本发明实施例的一种对象的识别方法的场景示意图。如图7所示，该实施例可以通过图像采集设备获取目标对象的目标图像，进而向计算设备输入该目标图像，可以在计算设备的显示界面显示该目标图像。可选地，计算设备从目标图像中识别出目标对象的原始特征，该原始特征可以为变换前的需要传播的特征x
t
，进而通过图卷积网络模型将原始特征变换为目标特征，其中，图卷积网络模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据，比如，目标特征可以通过x
t+1
进行表示，其精度高于目标对象的原始特征，从而该实施例通过图卷积网络模型将目标对象的原始特征变换为更好的特征，以提升对目标对象进行重识别的精度。
[0168]
该实施例的计算设备可以基于上述得到的目标特征对目标图像中的目标对象进行重识别，得到重识别结果，进而将该重识别结果显示在计算设备的显示界面上。
[0169]
图8是根据本发明实施例的另一种对象的识别方法的场景示意图。如图8所示，该实施例获取目标对象的目标图像，可以在显示界面显示该目标图像，响应作用在显示界面上的重识别操作，可以从目标图像中识别出目标对象的原始特征，该原始特征可以为变换前的需要传播的特征x
t
，进而通过图卷积网络模型将原始特征变换为目标特征，可以基于上述得到的目标特征对目标图像中的目标对象进行重识别，得到重识别结果，进而将该重识别结果显示在计算设备的显示界面上。
[0170]
该实施例的对象的识别方法可以基于图卷积网络模型实现了无监督学习、轻量化、高精度的行人重排序方法，可以将相机信息融入进特征对齐的过程中。相关技术在实现对象的重识别时，k-reciprocal方法速度慢，而该实施基于矩阵批(batch)处理，相关计算仅为矩阵基本运算，并未涉及到复杂的邻居关系计算，因此可以达到应用要求；相关技术的相似度传播方法由于仅仅在传播相似度，难以与特征变换类方法融合，其精度低于该实施例的对象的识别方法；相关技术的图优化方法可以将表观特征和结构化信息共同学习，但这往往会破坏表观特征，精度降低，而该实施例的对象的识别方法通过特征传播，基于后处理方式获得了更好的目标特；相关技术的图优化方法实现复杂，而该实施例的对象的识别方法可以仅用少数几行代码即可实现，从而解决了对对象进行重识别的效率低的技术问题，达到了提高对对象进行重识别的效率的技术效果。
[0171]
该实施例的对象重识别方法在学术数据集中精度超过基线精度10％，在eccv学术竞赛visda 2020中为最终精度提升3％，在场景数据中的计算量低、方便实现且能与已有行人重排序方法进行互补。
[0172]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0173]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0174]
实施例3
[0175]
根据本发明实施例，还提供了一种用于实施上述图2所示的对象的识别方法的对象的识别装置。
[0176]
图9是根据本发明实施例的一种对象的识别装置的示意图。如图9所示，该对象的识别装置90可以包括：第一获取单元91、第一识别单元92、第一变换单元93和第二识别单元94。
[0177]
第一获取单元91，用于获取包括待识别的目标对象的目标图像。
[0178]
第一识别单元92，用于从目标图像中识别出目标对象的原始特征。
[0179]
第一变换单元93，用于通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0180]
第二识别单元94，用于基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
[0181]
此处需要说明的是，上述第一获取单元91、第一识别单元92、第一变换单元93和第二识别单元94分别对应于实施例1的步骤s202至步骤s208，四个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0182]
根据本发明实施例，还提供了一种用于实施上述图3所示的对象的识别方法的对象的识别装置。
[0183]
图10是根据本发明实施例的另一种对象的识别装置的示意图。如图10所示，该对象的识别装置100可以包括：第二获取单元101、第三识别单元102、第二变换单元103和第四识别单元104。
[0184]
第二获取单元101，用于获取包括待识别的目标行人的目标图像。
[0185]
第三识别单元102，用于从目标图像中识别出目标行人的原始特征。
[0186]
第二变换单元103，用于通过对象重识别模型将原始特征变换为目标特征，其中，
对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0187]
第四识别单元104，用于基于目标特征对目标图像中的目标行人进行重识别，得到重识别结果。
[0188]
此处需要说明的是，上述第二获取单元101、第三识别单元102、第二变换单元103和第四识别单元104分别对应于实施例1的步骤s302至步骤s308，四个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0189]
根据本发明实施例，还提供了一种用于实施上述图3所示的对象的识别方法的对象的识别装置。
[0190]
图11是根据本发明实施例的另一种对象的识别装置的示意图。如图11所示，该对象的识别装置110可以包括：第一显示单元111和第二显示单元112。
[0191]
第一显示单元111，用于在目标界面显示包括待识别的目标对象的目标图像。
[0192]
第二显示单元112，用于在目标界面显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0193]
此处需要说明的是，上述第一显示单元111和第二显示单元112分别对应于实施例1的步骤s402至步骤s404，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0194]
根据本发明实施例，还提供了另一种用于实施上述图4所示的对象的识别方法的对象的识别装置。
[0195]
图12是根据本发明实施例的另一种对象的识别装置的示意图。如图12所示，该对象的识别装置120可以包括：录入单元121、第三显示单元122和第四显示单元123。
[0196]
录入单元121，用于在目标界面的录入界面中录入包括待识别的目标对象的目标图像。
[0197]
第三显示单元122，用于在目标界面内感应到特征生成指令，显示目标对象的目标特征，其中，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0198]
第四显示单元123，用于在目标界面内感应到识别指令，显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到。
[0199]
此处需要说明的是，上述录入单元121、第三显示单元122和第四显示单元123分别对应于实施例1的步骤s502至步骤s506，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0200]
根据本发明实施例，还提供了另一种用于实施上述图5所示的对象的识别方法的
对象的识别装置。
[0201]
图13是根据本发明实施例的另一种对象的识别装置的示意图。如图13所示，该对象的识别装置130可以包括：上传单元131和接收单元132。
[0202]
上传单元131，用于使前端客户端向服务器上传包括待识别的目标对象的目标图像。
[0203]
接收单元132，用于使前端客户端接收服务器返回的重识别结果，其中，重识别结果为服务器基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0204]
此处需要说明的是，上述上传单元131和接收单元132分别对应于实施例1的步骤s602至步骤s604，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0205]
在该实施例的对象的识别装置中，将对象重识别模型应用在对象重识别中，相关计算仅为矩阵基本运算，避免了复杂的邻居关系计算，因此可以达到应用要求，并且该实施例通过对象重识别模型将目标对象的原始特征变化为目标对象的精度更高的目标特征，实现了特征传播的目的，避免了相似度传播方法由于仅仅在传播相似度，难以与特征变换类方法融合，降低了对象识别精度；图优化方法将表观特征和结构化信息共同学习，破坏表观特征，从而导致降低了对对象识别的精度，从而解决了对对象进行重识别的效率低的技术问题，达到了提高对对象进行重识别的效率的技术效果。
[0206]
实施例4
[0207]
本发明的实施例可以提供一种对象的识别系统，该系统可以包括计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
[0208]
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
[0209]
在本实施例中，上述计算机终端可以执行应用程序的对象的识别方法中以下步骤的程序代码：获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
[0210]
可选地，图14是根据本发明实施例的一种计算机终端的结构框图。如图14所示，该计算机终端a可以包括：一个或多个(图中仅示出一个)处理器142、存储器144、以及传输装置146。
[0211]
其中，传输装置，用于传输目标对象的目标图像，存储器可用于存储软件程序以及模块，如本发明实施例中的对象的识别方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的对象的识别方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或
者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端a。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0212]
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
[0213]
可选地，上述处理器还可以执行如下步骤的程序代码：在确定相似度矩阵对应的对角矩阵之前，基于目标样本的传播信息将目标样本和全局变量参数建立为指数矩阵，其中，传播信息用于表征目标样本能够传播的满足目标相似度的数据；将指数矩阵确定为相似度矩阵。
[0214]
可选地，上述处理器还可以执行如下步骤的程序代码：在基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果之后，在目标界面上显示重识别结果；接收作用于目标界面上的确认操作指令，其中，确认操作指令用于确认重识别结果是否满足目标条件；在响应确认操作指令，确认重识别结果不满足目标条件的情况下，在目标界面上显示提示信息，其中，提示信息用于提示对重识别结果进行修正。
[0215]
作为一种可选的实施方式，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取包括待识别的目标行人的目标图像；从目标图像中识别出目标行人的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标行人进行重识别，得到重识别结果。
[0216]
作为另一种可选的实施方式，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：在目标界面显示包括待识别的目标对象的目标图像；在目标界面显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立。
[0217]
作为另一种可选的实施方式，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：在目标界面的录入界面中录入包括待识别的目标对象的目标图像；在目标界面内感应到特征生成指令，显示目标对象的目标特征，其中，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立；在目标界面内感应到识别指令，显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到。
[0218]
作为另一种可选的实施方式，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：前端客户端向服务器上传包括待识别的目标对象的目标图像；前端客户端接收服务器返回的重识别结果，其中，重识别结果为服务器基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立。
[0219]
采用本发明实施例，提供了一种对象的识别方法。通过获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特
征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。也就是说，该实施例将对象重识别模型应用在对象重识别中，相关计算仅为矩阵基本运算，避免了复杂的邻居关系计算，因此可以达到应用要求，并且该实施例通过对象重识别模型将目标对象的原始特征变化为目标对象的精度更高的目标特征，实现了特征传播的目的，避免了相似度传播方法由于仅仅在传播相似度，难以与特征变换类方法融合，降低了对象识别精度；图优化方法将表观特征和结构化信息共同学习，破坏表观特征，从而导致降低了对对象识别的精度，从而解决了对对象进行重识别的效率低的技术问题，达到了提高对对象进行重识别的效率的技术效果。
[0220]
本领域普通技术人员可以理解，图14所示的结构仅为示意，计算机终端也可以是智能手机(如android手机、ios手机等)、平板电脑、掌声电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图14其并不对上述计算机终端a的结构造成限定。例如，计算机终端a还可包括比图14中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图14所示不同的配置。
[0221]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0222]
实施例5
[0223]
本发明的实施例还提供了一种计算机存储介质。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例一所提供的对象的识别方法所执行的程序代码。
[0224]
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
[0225]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取包括待识别的目标对象的目标图像；从目标图像中识别出目标对象的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立；基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果。
[0226]
可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：在通过对象重识别模型将原始特征变换为目标特征之前，确定相似度矩阵对应的对角矩阵；基于相似度矩阵和对角矩阵建立对象重识别模型。
[0227]
可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：在确定相似度矩阵对应的对角矩阵之前，基于目标样本的传播信息将目标样本和全局变量参数建立为指数矩阵，其中，传播信息用于表征目标样本能够传播的满足目标相似度的数据；将指数矩阵确定为相似度矩阵。
[0228]
可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：在基于目标特征对目标图像中的目标对象进行重识别，得到重识别结果之后，在目标界面上显示重识别结果；接收作用于目标界面上的确认操作指令，其中，确认操作指令用于确认重识别结果是否满足目标条件；在响应确认操作指令，确认重识别结果不满足目标条件的情况下，在目标界面上显示提示信息，其中，提示信息用于提示对重识别结果进行修正。
[0229]
作为一种可选的实施方式，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取包括待识别的目标行人的目标图像；从目标图像中识别出目标行人的原始特征；通过对象重识别模型将原始特征变换为目标特征，其中，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据；基于目标特征对目标图像中的目标行人进行重识别，得到重识别结果。
[0230]
作为另一种可选的实施方式，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在目标界面显示包括待识别的目标对象的目标图像；在目标界面显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0231]
作为另一种可选的实施方式，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在目标界面的录入界面中录入包括待识别的目标对象的目标图像；在目标界面内感应到特征生成指令，显示目标对象的目标特征，其中，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据；在目标界面内感应到识别指令，显示重识别结果，其中，重识别结果为基于目标特征对目标图像中的目标对象进行重识别得到。
[0232]
作为另一种可选的实施方式，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：前端客户端向后台服务器服务器上传包括待识别的目标对象的目标图像；前端客户端接收服务器返回的重识别结果，其中，重识别结果为后台服务器服务器基于目标特征对目标图像中的目标对象进行重识别得到，目标特征为通过对象重识别模型将目标对象的原始特征变换得到，对象重识别模型通过目标样本的相似度矩阵建立，相似度矩阵基于目标样本的传播信息生成，传播信息用于表征目标样本能够传播的满足目标相似度的数据。
[0233]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0234]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0235]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0236]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0237]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0238]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0239]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。