[发明专利]对象识别方法、装置及存储介质

说明书

本申请涉及一种对象识别方法、装置及存储介质，属于计算机技术领域，该方法包括：将目标图像输入对象识别模型得到目标图像的对象特征和属性分类结果；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、样本图像的类别标签和属性标签；在属性分类结果对应的目标特征库中搜索与对象特征相匹配的模板特征，得到该模板特征对应的对象类别信息；由于对象识别模型共同学习了对象特征和对象属性两种任务，在训练时对象特征和对象属性可以相互辅助以提高模型性能；两种任务网络参数共享可以减少模型个数、提高提取特征速度；从目标特征库中查找模板特征可以减少比对次数，提高匹配效率。

技术领域

本申请涉及一种对象识别方法、装置及存储介质，属于计算机技术领域。

背景技术

人脸识别实现了图像或视频中人脸的检测、分析和比对，包括人脸检测定位、人脸特征提取和人脸比对等服务模块。

现有的人脸识别方式包括使用基于深度学习的人脸识别模型对图像进行人脸识别。这种识别方式在控制和配合条件下，人脸识别可以取得比较高的识别率，但是在运动、光照、姿态等存在巨大变化、以及清晰度低下等场景下，识别准确率急剧下降。

发明内容

本申请提供了一种对象识别方法、装置及存储介质，可以解决如何提升现有的对象识别模型的识别结果准确率的问题。本申请提供如下技术方案：

第一方面，提供了一种对象识别方法，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；

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。

可选地，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。

可选地，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识别结果之前，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。

可选地，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；