[发明专利]对象识别方法、装置及存储介质

权利要求书

1.一种对象识别方法，其特征在于，所述方法包括：

获取目标图像；

将所述目标图像输入对象识别模型，得到所述目标图像的对象特征和属性分类结果；所述对象识别模型是使用多组样本数据对神经网络模型进行多级训练得到的，每组样本数据包括样本图像、所述样本图像的类别标签和属性标签；所述多级训练包括第一级训练和第二级训练，在进行第一级训练时将多组样本数据中的样本图像输入神经网络模型，得到第一模型输出结果，并按照第一学习率对神经网络模型进行第一级训练，得到第一神经网络模型；在进行第二级训练时将多组样本数据中的样本图像输入所述第一神经网络模型，并按照第二学习率对所述第一神经网络模型进行第二级训练，得到所述对象识别模型；

确定所述属性分类结果对应的目标特征库；

在所述目标特征库中搜索与所述对象特征相匹配的模板特征；

将所述模板特征对应的对象类别信息确定为所述目标图像的对象类别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取目标图像，包括：

对原始图像进行对象检测，得到所述原始图像中的对象关键点；

基于所述对象关键点在所述原始图像中的位置，将所述原始图像缩放至预设尺寸，得到所述目标图像。

3.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入对象识别模型，得到所述目标图像的对象特征和属性分类结果之前，还包括；

使用所述多组样本数据对所述神经网络模型进行多级训练，得到所述对象识别模型；

其中，至少存在相邻的两级训练对应的学习率逐级下降；存在至少两级训练使用的损失函数不同。

4.根据权利要求3所述的方法，其特征在于，所述多级训练包括第一级训练和第二级训练，所述使用多组样本数据对所述神经网络模型进行多级训练，得到所述对象识别模型，包括：

将所述多组样本数据中的样本图像输入所述神经网络模型，得到第一模型输出结果；所述神经网络模型包括第一特征提取层、位于所述第一特征提取层之后的属性分类层和位于所述第一特征提取层和所述属性分类层之后的第二特征提取层，所述第一特征提取层用于提取所述样本图像中的对象特征，得到中间特征；所述属性分类层用于基于所述中间特征确定属性分类，得到第一属性训练结果；所述第二特征提取层用于基于所述中间特征和所述第一属性训练结果提取第一训练特征，所述第一模型输出结果包括所述第一训练特征和所述第一属性训练结果；

将所述第一训练特征和所述样本图像对应的类别标签输入第一对象识别损失函数，得到第一函数结果；

将所述第一属性训练结果和所述样本图像对应的属性标签输入属性分类损失函数，得到第二函数结果；

根据所述第一函数结果和所述第二函数结果按照第一学习率对所述神经网络模型进行第一级训练，得到第一神经网络模型；

将所述多组样本数据中的样本图像输入所述第一神经网络模型，得到第二模型输出结果；所述第二模型输出结果包括第二训练特征和第二属性训练结果；

将所述第二训练特征和所述样本图像对应的类别标签分别输入所述第一对象识别损失函数和第二对象识别损失函数，得到第三函数结果和第四函数结果；

将所述第二属性训练结果和所述样本图像对应的属性标签输入属性分类损失函数，得到第五函数结果；

根据所述得到第三函数结果、第四函数结果和所述第五函数结果按照第二学习率对所述第一神经网络模型进行第二级训练，得到所述对象识别模型。

5.根据权利要求4所述的方法，其特征在于，所述第一对象识别损失函数为ArcFace损失函数，所述ArcFace损失函数通过下式表示：

其中，N为样本图像的总数，i为第i个样本图像，y_i为第i个样本图像所属的类别标签，s为缩放系数，θ为网络模型的权重向量和所述第i个样本图像的训练特征的特征向量之间的角度间隔，t为角度边缘；所述训练特征包括所述第一训练特征和所述第二训练特征；1≤i≤N。