[发明专利]基于小物体检测的图像识别方法、装置以及介质

说明书

本发明涉及目标重识别技术领域，具体涉及基于小物体检测的图像识别方法及装置。旨在解决目前通过人力搜索需要大量人力物力的问题，缓解了传统图像算法识别准确性不高的问题。本发明的小物体检测模型，具有共同的主干网络和两个不同的分支网络，在进行目标重识别时，在每个分支中，都会达到一个特征向量，将两个特征向量进行组合，从而形成最终的特征向量，再计算通过小物体检测网络分支确定的候选图像数据的特征向量的相似度，从而得到最终的结果，通过本发明技术方案的方法，能够检测出目标上的小物体，减小目标重识别的搜索范围，获得更高的准确度。相比传统方法能够提高检测速度。

技术领域

本发明涉及目标重识别技术领域，具体涉及一种基于小物体检测的图像识别方法、装置以及计算机可读存储介质。

背景技术

目前，在智能交通领域，随着计算机技术和人工智能技术的飞速发展，图像处理已经被大量应用，道路上的视频监控十分普及，这有利于图像识别技术在交通领域的应用。但是随着监控数据越来越多，想要从中寻找线索往往需要投入大量的人力物力，对视频数据进行比对和搜索。而且通过人眼或者简单的图像识别的方法对视频进行检索准确率也不会很高。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分解决如何在图像识别中缩小搜索范围而更快速更准确地找到目标的技术问题，以避免现有的图像检测搜索范围广、识别准确率低的情况。本发明内容为一种检测跟踪方法、装置以及介质。

第一方面，提供一种基于小物体检测的图像识别方法，包括：根据已标注的图像数据对基于小物体检测的识别模型进行迭代训练；根据所述迭代训练中检测到的小物体的种类，将具有各个所述小物体的种类的已标注的图像数据作为候选图像数据；将待识别的图像数据及所述候选图像数据输入至经过训练的所述基于小物体检测的识别模型中以提取各个图像数据的特征向量；根据提取的所述特征向量将待识别图像数据与所述候选图像数据进行相似度匹配，以获得对应待识别的图像数据的识别结果。

其中，所述基于小物体检测的识别模型包括：ReID卷积神经网络和小物体检测网络；其中，所述ReID卷积神经网络包括：主干网络、头部网络；所述头部网络包括三元组损失和分类损失两个分支；其中，所述小物体检测网络包括：与所述ReID卷积神经网络共用的所述主干网络，并具有小物体检测网络的头部网络；所述小物体检测网络的头部网络包括：回归损失和分类损失两个分支。

其中，根据已标注的图像数据对基于小物体检测的识别模型进行迭代训练，具体包括：每次选择minibatch个已标注的图像数据，提供给所述基于小物体检测的识别模型进行卷积神经网络的迭代训练；每次迭代后，检测是否迭代训练达到预定的迭代次数n；如果否，则根据损失函数计算的所述基于小物体检测的识别模型的总体损失，进行反向传播以更新所述基于小物体检测的识别模型的参数，并根据更新了参数的所述基于小物体检测的识别模型进行下一次迭代训练；如果是，则结束所述迭代训练，并通过所述基于小物体检测的识别模型的小物体检测网络，输出在迭代训练中检测到的所有检测框和对应的置信度。

其中，“根据损失函数计算的所述基于小物体检测的识别模型的总体损失，进行反向传播以更新所述基于小物体检测的识别模型的参数”，具体包括：基于每次选择的minibatch个已标注的图像数据，分别通过损失函数计算所述ReID卷积神经网络的头部网络的分支损失和所述小物体检测网络的头部网络的分支损失；将两个所述分支损失之和作为所述基于小物体检测的识别模型的总体损失；根据所述总体损失，利用动量梯度下降法或直接替换法对所述基于小物体检测的识别模型的参数进行一次更新；其中，所述ReID卷积神经网络的头部网络的分支损失具体包括：三元损失和ID分类的交叉熵损失；其中，所述小物体检测网络的头部网络的分支损失具体包括：检测框的回归损失和类别的交叉熵损失。