[发明专利]图像处理的方法、装置、系统及计算机存储介质

说明书

本发明实施例提供了一种图像处理的方法、装置、系统及计算机存储介质。该方法包括：通过如下方式训练得到生成对抗网络，该生成对抗网络包括生成模型和对抗模型：将输入图像和该输入图像中目标对象的N通道数据输入至生成模型，得到输出图像，其中该输出图像中的目标对象与该输入图像中的目标图像具有不同的姿态；将该输出图像和该输入图像输入至判别模型，得到两者之间的相似度；根据预定义的损失函数，对生成模型和判别模型进行训练，直到收敛。由此，本发明实施例能够通过训练得到用于生成具有不同姿态的图像的生成对抗网络，其生成模型可以进一步用于得到不同姿态的目标图像，进而用于扩充用于重识别检测的数据集，提高进行重识别的精度。

技术领域

本发明涉及图像处理领域，更具体地涉及一种图像处理的方法、装置、系统及计算机存储介质。

背景技术

行人、车辆等的重识别(re-identification，ReID)，是安防、行人追踪、车辆追踪等众多领域的基础。行人及车辆追踪的效果的一个决定因素是重识别模型的性能，而重识别模型的训练依赖于大量的训练数据，即数据集。若数据集中的数据不足可能会导致模型过拟合，从而无法适应更广泛的应用场景和人群。

因此，在对象重识别的场景中，期望数据集中存在各种对象姿态的数据，因此，如何获取各种对象姿态的数据是急需解决的问题之一。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种图像处理的方法、装置、系统及计算机存储介质，能够通过训练得到用于生成具有不同姿态的图像的生成对抗网络。

根据本发明的一方面，提供了一种图像处理的方法，所述方法包括：

通过如下方式训练得到生成对抗网络，所述生成对抗网络包括生成模型和对抗模型：

将输入图像和所述输入图像中目标对象的N通道数据输入至所述生成模型，得到输出图像，其中，所述输出图像中的目标对象与所述输入图像中的目标图像具有不同的姿态，N为正整数；

将所述输出图像和所述输入图像输入至所述判别模型，得到所述输入图像与所述输出图像的相似度；

根据预定义的损失函数，对所述生成模型和所述判别模型进行训练，直到收敛。

在本发明的一个实施例中，所述训练好的所述生成模型根据输入图像生成与所述输入图像具有不同姿态的目标图像。

在本发明的一个实施例中，所述预定义的损失函数包括训练所述生成模型的第一损失函数和训练所述判别模型的第二损失函数，

所述根据预定义的损失函数，对所述生成模型和所述判别模型进行训练，直到收敛，包括：

对所述生成模型和所述判别模型交替训练，直至所述第一损失函数和所述第二损失函数都达到收敛；

其中，所述第一损失函数表示为：|D(I,I_g)-D(I,J)+α1|，所述第二损失函数表示为：|D(I,I’)-D(I,I_g)+α2|，I表示所述输入图像，I_g表示所述输出图像，I’表示与所述输入图像属于同一目标图像的第一图像，J表示与所述输入图像属于不同目标图像的第二图像，D(I,I_g)表示I与I_g之间的相似度，D(I,J)表示I与J之间的相似度，D(I,I’)表示I与I’之间的相似度，α1，α20且为预先定义的值。

在本发明的一个实施例中，所述目标对象的N通道数据包括：与所述目标对象的N个关键点的位置对应的N通道数据。

在本发明的一个实施例中，所述对象为行人，还包括：

将所述目标图像添加至已有数据集以生成新的数据集；

基于所述新的数据集进行行人重识别检测。