CN113762279A - 目标图像识别方法、模型训练方法、装置、设备和介质 - Google Patents
目标图像识别方法、模型训练方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113762279A CN113762279A CN202110062822.2A CN202110062822A CN113762279A CN 113762279 A CN113762279 A CN 113762279A CN 202110062822 A CN202110062822 A CN 202110062822A CN 113762279 A CN113762279 A CN 113762279A
- Authority
- CN
- China
- Prior art keywords
- image
- image feature
- feature extraction
- extraction model
- loss function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 claims abstract description 271
- 230000000875 corresponding Effects 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims abstract description 20
- 239000003086 colorant Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003702 image correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000000034 method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000003287 optical Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003623 enhancer Substances 0.000 description 2
- 230000002708 enhancing Effects 0.000 description 2
- 230000000644 propagated Effects 0.000 description 2
- 210000003666 Nerve Fibers, Myelinated Anatomy 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006011 modification reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001131 transforming Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K9/00—Methods or arrangements for recognising patterns
- G06K9/62—Methods or arrangements for pattern recognition using electronic means
- G06K9/6217—Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06K9/6256—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/006—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本公开的实施例公开了目标图像识别方法、模型训练方法、装置、设备和介质。该方法的一具体实施方式包括:对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组;将上述图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果,得到对比结果集合;响应于确定上述对比结果集合中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。该实施方式可以在一定程度上提高图像的特征提取的准确度。
Description
技术领域 本公开的实施例涉及图像识别技术领域,具体涉及目标图像识别方法、装置、电子设备和计算机可读介质。 背景技术 目标图像识别,是指对目标图像进行特征判别的一项技术。目前,常用的目标图像(例如,商标图像)识别方法主要是基于深度学习的目标图像识别方法。此种算法提取的图像特征对于正向视角的图像有较好的判别能力。 然而,当采用上述方式对目标图像进行识别操作时,经常会存在如下技术问题: 在遇到多角度、多形态、背景多样化和颜色复杂化的目标图像时,目标图像识别的结果的准确度会存在明显的下降。 发明内容 本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。 本公开的一些实施例提出了特征图像识别方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。 第一方面,本公开的一些实施例提供了一种目标图像识别方法,该方法包括:对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组,其中,上述预先训练的图像特征提取模型包括:第一损失函数和第二损失函数,上述第一损失函数用于对不同角度和形态的图像进行修正,上述第二损失函数用于对不同背景和颜色的图像进行修正;将上述图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果,得到对比结果集合;响应于确定上述对比结果集合中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。 第二方面,本公开的一些实施例提供了一种图像特征提取模型训练方法,该方法包括:基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练,得到训练后的图像特征提取模型,作为第一图像特征提取模型,其中,上述第一损失函数用于对不同角度和形态的图像进行修正;将预设的第二损失函数添加至上述第一图像特征提取模型中,得到添加后的图像特征提取模型,作为第二图像特征提取模型,其中,上述第二损失函数用于对不同背景和颜色的图像进行修正;利用上述训练样本集,对上述第二图像特征提取模型进行模型调整,得到调整后的图像特征提取模型,作为第三图像特征提取模型;对上述第三图像特征提取模型进行网络结构提取,得到图像特征提取模型,其中,上述图像特征提取模型用于对图像进行特征提取。 第三方面,本公开的一些实施例提供了一种目标图像识别装置,该装置包括:特征提取单元,被配置成对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组,其中,上述预先训练的图像特征提取模型包括:第一损失函数和第二损失函数,上述第一损失函数用于对不同角度和形态的图像进行修正,上述第二损失函数用于对不同背景和颜色的图像进行修正;对比单元,被配置成将上述图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果,得到对比结果集合;确定单元,被配置成响应于确定上述对比结果集合中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。 第四方面,本公开的一些实施例提供了一种图像特征提取模型训练装置,该装置包括:模型训练单元,被配置成基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练,得到训练后的图像特征提取模型,作为第一图像特征提取模型,其中,上述第一损失函数用于对不同角度和形态的图像进行修正;添加单元,被配置成将预设的第二损失函数添加至上述第一图像特征提取模型中,得到添加后的图像特征提取模型,作为第二图像特征提取模型,其中,上述第二损失函数用于对不同背景和颜色的图像进行修正;模型调整单元,被配置成利用上述训练样本集,对上述第二图像特征提取模型进行模型调整,得到调整后的图像特征提取模型,作为第三图像特征提取模型;模型生成单元,被配置成对上述第三图像特征提取模型进行网络结构提取,得到图像特征提取模型,其中,上述图像特征提取模型用于对图像进行特征提取。 第五方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面和上述第二方面任一实现方式所描述的方法。 第六方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面和上述第二方面任一实现方式所描述的方法。 本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的目标图像识别方法得到的目标图像,目标图像识别的准确度有所提高。具体来说,造成相关的目标图像识别方法的图像识别结果不够精确的原因在于:在对图像进行特征提取时,由于图像存在多角度、多形态、背景多样化和颜色复杂化的问题,导致图像的特征提取结果不够精确。基于此,本公开的一些实施例的目标图像识别方法中,首选对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组,其中,上述预先训练的图像特征提取模型包括两个损失函数。由于图像存在多角度、多形态、背景多样化和颜色复杂化的问题。所以引入了预先训练的图像特征提取模型。可以通过对该图像特征提取模型添加具有针对性的损失函数,解决上述图像存在的问题。其中,一个损失函数可以提高对图像特征多角度和多形态的识别准确度。另一个损失函数可以提高对图像特征多形态和背景颜色复杂化的识别精度。由此,在一定程度上降低了由于图像存在多角度、多形态、背景多样化和颜色复杂化的问题对目图像识别的影响。从而,可以在一定程度上提高图像的特征提取的准确度。 附图说明 结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。 图1是本公开的一些实施例的目标图像识别方法的应用场景的示意图; 图2是根据本公开的目标图像识别方法的一些实施例的流程图; 图3是本公开的一些实施例的图像特征提取模型训练方法的应用场景的示意图; 图4是根据本公开的图像特征提取模型训练方法的一些实施例的流程图; 图5是本公开的图像特征提取模型训练方法的模型提取示意图; 图6是根据本公开的目标图像识别装置的一些实施例的结构示意图; 图7是根据本公开的图像特征提取装置的一些实施例的结构示意图; 图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。 具体实施方式 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。 另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。 需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。 需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。 本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。 下面将参考附图并结合实施例来详细说明本公开。 图1是根据本公开一些实施例的目标图像识别方法的一个应用场景的示意图。 如图1所示,计算设备101可以将图像组102中的每个图像(例如,商标图像)输入至预先训练的图像特征提取模型103以生成该图像对应的图像特征(例如,可以是图像二值化特征、图像颜色特征、图像背景特征和图像角度特征),得到图像特征组104,其中,上述预先训练的图像特征提取模型103包括两个损失函数(例如,逻辑回归代价函数和交并比损失函数)。然后,计算设备101可以将上述图像特征组104中每个图像特征与预设的图像特征105进行对比以生成对比结果,得到对比结果集合106。例如,图像特征1可以是:[1010,1011,0001,1100]和图像特征2可以是:[1110,0110,0101,1101]。预设的图像特征105可以是:[1010,1010,0001,1100]。其中,上述图像特征中的“1110”等参数可以仅仅是示意性的,用于解释图像特征与预设图像特征的对比过程。那么,上述图像特征1与上述预设的图像特征对比的对比结果可以是[100%,75%,100%,100%]。其中,75%可以是上述图像特征1中的参数:“1011”与上述预设的图像特征中的参数“1010”中对应位置子参数的对比结果。上述图像特征2与上述预设的图像特征对比的对比结果可以是[75%,50%,75%,75%]。最后,计算设备101可以响应于确定上述对比结果集合106中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。可以得到目标图像集107。例如,上述第一预定条件可以是图像特征与预设图像特征的对比结果中的最小值大于75%。上述图像特征1与上述预设的图像特征对比的对比结果满足上述预定条件。那么,可以将图像特征1对应的图像确定为目标图像。 需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。 应该理解,图1中的计算设备101数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备101。 继续参考图2,图2示出了根据本公开的目标图像识别方法的一些实施例的流程200。该目标图像识别方法,包括以下步骤: 步骤201,对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组。 在一些实施例中,目标图像识别方法的执行主体(例如图1所示的计算设备101)可以对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到对应图像组的图像特征组。其中,上述图像组可以通过有线或无线的方式获取得到的。上述预先训练的图像特征提取模型可以包括第一损失函数和第二损失函数,上述第一损失函数可以用于对不同角度和形态的图像进行修正,上述第二损失函数可以用于对不同背景和颜色的图像进行修正。上述图像可以是任意图像,也可以是包括物品图标(例如,商标)的图像。上述图像特征可以包括但不限于以下至少一项:图像二值化特征、图像背景特征、图像角度特征和图像颜色特征。上述图像二值化特征可以用于凸显图像的轮廓。上述图像颜色特征可以用于表征图像中各个像素点的像素值变化。上述图像背景特征可以用于区分图像的背景,使得降低图像背景对图像特征提取的影响。上述图像角度特征可以用于表征图像旋转变换的角度。上述图像特征可以用于选择哪种方式训练相应的图像特征提取模型,以及,选择哪种更加适用的损失函数。例如,两个损失函数可以是逻辑回归代价函数和交并比损失函数。由此,可以提高上述预设的图像特征提取模型对图像特征提取的准确度。从而,降低了图像存在多角度、多形态、背景多样化和颜色复杂化的问题对图像特征提取的影响。 步骤202,将图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果,得到对比结果集合。 在一些实施例中,上述执行主体可以将上述图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果,得到对比结果集合。其中,上述对比可以是将图像特征中的各个参数与上述预设的图像特征中对应的参数进行对比。其中,预设的图像特征可以包括与上述图像特征对应图像二值化特征和图像颜色特征。上述图像二值化特征可以是对图像进行二值化所生成的。上述图像颜色特征可以是根据经验设定的颜色特征。 作为示例,图像特征1可以是:[1010,1011,0001,1100]和图像特征2可以是:[1110,0110,0101,1101]。预设的图像特征105可以是:[1010,1010,0001,1100]。其中,上述图像特征1中的参数:“1011”与上述预设的图像特征中的参数:“1010”中对应位置子参数的对比结果可以是75%。由此,上述图像特征1与上述预设的图像特征对比的对比结果可以是[100%,75%,100%,100%]。 步骤203,响应于确定对比结果集合中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。 在一些实施例中,上述执行主体可以响应于确定上述对比结果集合中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。其中,上述第一预定条件可以是图像特征与预设图像特征的对比结果中的最小值大于75%。当上述图像特征与上述预设的图像特征对比的对比结果满足上述预定条件,可以将图像特征对应的图像确定为目标图像。 本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的目标图像识别方法得到的目标图像,目标图像识别的准确度有所提高。具体来说,造成相关的目标图像识别方法的图像识别结果不够精确的原因在于:在对图像进行特征提取时,由于图像存在多角度、多形态、背景多样化和颜色复杂化的问题,导致图像的特征提取结果不够精确。基于此,本公开的一些实施例的目标图像识别方法中,首选对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组,其中,上述预先训练的图像特征提取模型包括两个损失函数。由于图像存在多角度、多形态、背景多样化和颜色复杂化的问题。所以引入了预先训练的图像特征提取模型。可以通过对该图像特征提取模型添加具有针对性的损失函数,解决上述图像存在的问题。其中,一个损失函数可以提高对图像特征多角度和多形态的识别准确度。另一个损失函数可以提高对图像特征多形态和背景颜色复杂化的识别精度。由此,在一定程度上降低了由于图像存在多角度、多形态、背景多样化和颜色复杂化的问题对目图像识别的影响。从而,可以在一定程度上提高图像的特征提取的准确度。 继续参考图3,图3是根据本公开的一些实施例的图像特征提取模型训练方法的应用场景的示意图。 如图3所示,首先,计算设备301可以基于训练样本集302和预设的第一损失函数303,对初始图像特征提取模型304进行训练,得到训练后的图像特征提取模型,作为第一图像特征提取模型305。然后,计算设备301可以将预设的第二损失函数306添加至上述第一图像特征提取模型305中,得到添加后的图像特征提取模型,作为第二图像特征提取模型307。之后,计算设备301可以利用上述训练样本集302,对上述第二图像特征提取模型307进行模型调整,得到调整后的图像特征提取模型,作为第三图像特征提取模型308。最后,计算设备301可以对上述第三图像特征提取模型308进行网络结构提取,得到图像特征提取模型309,其中,上述图像特征提取模型309可以用于对图像进行特征提取。(例如,可以对图1所示的图像组中的每个图像进行特征提取)。 需要说明的是,上述计算设备301可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。 应该理解,图3中的计算设备301数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备301。 进一步参考图4,图4示出了根据本公开的图像特征提取模型训练方法的一些实施例的流程400。该图像特征提取模型训练,包括以下步骤: 步骤401,基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练,得到训练后的图像特征提取模型,作为第一图像特征提取模型。 在一些实施例中,上述执行主体可以基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练,得到训练后的图像特征提取模型,作为第一图像特征提取模型。其中,上述训练样本集可以是预先获取的待使用训练样本集。然后可以从该待使用训练样本集中去除相同的训练样本,得到上述训样本集,减少数据冗余。上述初始图像特征提取模型可以包括但不限于以下内容:卷积层,池化层,全连接层,上采样层,下采样层,激活函数和损失函数等。训练样本集可以是预先获取的,可以包括训练样本图像和训练样本图像标签。上述预设的第一损失函数可以是针对图像存在的多形态和多角度的问题引入的损失函数。上述预设的第一损失函数可以是逻辑回归代价函数,用于对不同角度和形态的图像进行修正。在上述初始图像特征提取模型的训练过程中,上述逻辑回归代价函数可以用于调整模型的参数。使得上述第一图像特征提取模型在对存在多形态和多角度问题的图像进行图像特征识别时,也可以具备较好的特征提取效果。从而,达到提高图像特征提取准确度的目的。 在一些实施例的一些可选的实现方式中,上述执行主体在上述基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练之前,还可以包括以下步骤: 获取待训练样本集,其中,上述待训练样本集中的训练样本包括:样本图像和样本图像的标签,上述标签包括上述样本图像的识别结果。其中,样本图像的识别结果可以包括图像的二值图像。上述二值图像在图像特征提取模型训练中可以降低样本图像的噪点对训练参数调整的影响。提高图像特征提取模型的准确度。上述预设的第一损失函数可以是像素级交叉熵损失函数,用于根据二值图像调整上述图像特征提取模型生成实际二值图像的上述第一参数。 在一些实施例的一些可选的实现方式中,上述执行主体在上述基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练之前,还可以包括以下步骤: 对上述待训练样本集进行样本增强,得到增强后的训练样本集,作为上述训练样本集。其中,对样本增强可以是对样本图像进行随机角度的旋进,保存多个不同角度的样本图像,达到扩充样本图像多样性的目的。使得训练好的图像特征提取模型可以具有降低图像旋进角度对图像特征提取结果的影响的特性。由此,可以提高图像特征提取模型的鲁棒性。 在一些实施例的一些可选的实现方式中,上述执行主体基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练,得到训练后的图像特征提取模型,可以包括以下步骤: 第一步,从上述训练样本集中选取训练样本。其中,选取训练样本可以是随机选取,也可以是从上述训练样本集中顺序选取。 第二步,将所选取的训练样本包括的样本图像输入至上述初始图像特征提取模型,以生成实际二值图像。其中,上述初始图像特征提取模型可以将输入的样本图像进行编码得到图像特征,然后可以对图像特征进行降维,得到稀疏特征对,转换为二值图像。弱化了图像背景和颜色等噪点对图像特征提取模型训练的影响。提高图像特征提取模型的鲁棒性。 第三步,基于上述第一损失函数,确定上述实际二值图像和上述标签包括的二值图像的差异,得到第一损失值。其中,上述第一损失函数可以是像素级交叉熵损失函数。可以从像素级别上确定实际二值图和上述标签包括的二值图像的差异,得到第一损失值。由此,得到的第一损失值可以更具准确性。 第四步,响应于确定上述第一损失值不满足第二预定条件,基于上述第一损失值,调整上述初始图像特征提取模型的第一参数。其中,上述第二预定条件可以是根据实际需要的损失值设定的第一损失值标准值。不满足第二预定条件可以是上述第一损失值小于上述第一损失值标准值。 在一些实施例的一些可选的实现方式中,上述执行主体基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练,得到训练后的图像特征提取模型,还可以包括以下步骤: 响应于确定上述第一损失值满足上述第二预定条件,将上述初始图像特征提取模型确定为训练后的图像特征提取模型。在实际情况中,当确定上述第一损失值满足上述第二预条件时,可以确定上述初始图像特征提取模型的 步骤402,将预设的第二损失函数添加至第一图像特征提取模型中,得到添加后的图像特征提取模型,作为第二图像特征提取模型。 在一些实施例中,上述执行主体将预设的第二损失函数添加至上述第一图像特征提取模型中,得到添加后的图像特征提取模型,作为第二图像特征提取模型。其中,上述预设的第二损失函数可以是针对图像存在的背景多样化和颜色复杂化的问题引入的损失函数。上述预设的第二损失函数可以是交并比损失函数,用于对不同背景和颜色的图像进行修正。在上述第一图像特征提取模型的训练过程中,上述交并比损失函数可以对图像的特征进行分类,并调整图像特征提取模型的参数。使得上述第二图像特征提取模型在对存在背景多样化和颜色复杂化的问题时,也可以具备较好的特征提取效果。从而,达到提高图像特征提取的准确度的目的。 步骤403,利用训练样本集,对第二图像特征提取模型进行模型调整,得到调整后的图像特征提取模型,作为第三图像特征提取模型。 在一些实施例中,上述执行主体可以利用上述训练样本集,对上述第二图像特征提取模型进行模型调整,得到调整后的图像特征提取模型,作为第三图像特征提取模型。其中,对第二图像特征提取模型进行模型调整可以利用上述第二损失函数和上述第一损失函数,同时调整上述第二图像特征提取模型中的参数,使得图像特征提取模型生成的实际二值图像更加符合样本标签包括的二值图像。由此,可以进一步提高图像特征提取模型的准确度。 在一些实施例的一些可选的实现方式中,上述样本图像的识别结果还可以包括识别特征三元组。其中,上述特征识别三元组可以包括:图像特征类别,与上述图像特征类别同一类别的样本,以及与上述图像特征类别不同类别的样本。上述执行主体利用上述训练样本集,对上述第二图像特征提取模型进行模型调整,得到调整后的图像特征提取模型,可以包括以下步骤: 第一步,从上述训练样本集中选取训练样本。其中,选取训练样本可以是随机选取,也可以是从上述训练样本集中顺序选取。 第二步,将所选取的训练样本包括的样本图像输入至上述第二图像特征提取模型,得到实际识别特征三元组。其中,上述实际识别特征三元组可以是图像提取特征模型识别出来的实际识别特征三元组。上述实际识别特征三元组可以用于表征图像提取特征模型对样本集合的分类情况。 第四步,基于上述第一损失函数,确定上述实际二值图像和上述标签包括的二值图像的差异,得到第二损失值。其中,确定上述实际二值图像和上述标签包括的二值图像的差异,即得到的第二损失值可以用于调整图像特征提取模型的参数。 第五步,基于上述第二损失函数,确定上述实际识别特征三元组和上述标签包括的识别特征三元组的差异,得到第三损失值。其中,上述第二损失函数可以是三元组损失函数,用于根据上述识别特征三元组调整上述图像特征提取模型对上述训练样本集中的各个训练样本进行分类。上述第二损失函数可以将经过上述第二图像特征提取模型卷积降维之后的图像特征在特征空间中相同类别的特征的距离更加接近。从而,提高图像特征提取模型对图像特征的区分度,提高图像特征提取的准确度。确定上述实际识别特征三元组和上述标签包括的识别特征三元组的差异,可以确定图像特征提取模型对样本集合中样本的分类情况。 第六步,响应于确定上述第二损失值和上述第三损失值不满足第三预定条件,基于上述第二损失值,调整上述第二图像特征提取模型的上述第一参数和第二参数。其中,上述第三预定条件可以是第二损失值满足上述第二预定条件,同时上述第三损失值满足根据实际需求设定的第二损失标准值。 在一些实施例的一些可选的实现方式中,上述执行主体利用上述训练样本集,对上述第二图像特征提取模型进行模型调整,得到调整后的图像特征提取模型,还可以包括以下步骤: 响应于确定上述第二损失值和上述第三损失值满足上述第三预定条件,将上述第二图像特征提取模型确定为调整后的图像特征提取模型。其中,当确定上述第二损失值和上述第三损失值满足上述第三预定条件时,可以确定上述图像特征提取模型在存在多角度、多形态、背景多样化和颜色复杂化的问题图像时也可以具备较好的特征提取能力。 步骤404,对第三图像特征提取模型进行网络结构提取,得到图像特征提取模型。 在一些实施例中,上述执行主体可以对上述第三图像特征提取模型进行网络结构提取,得到图像特征提取模型。其中,上述图像特征提取模型用于对图像进行特征提取。如图5所示,网络结构提取可以是将上述第三图像特征模型501中损失函数层之前的网络结构以及加入第二损失函数后所对应的网络结构分支提取出来,作为图像特征提取模型502。具体的,提取上述第三图像特征模型中损失函数层之前的网络结构是由于可以对图像特征进行降维,减少背景和颜色等图像噪点对图像特征提取的影响。另外,提取加入第二损失函数后所对应的网络结构分支是由于可以对降维操作后的图像特征进行分类,提高图像特征提取的区分度。提取网络结构后可以包括特征分类提取部分的功能,也可以减少模型的计算量,提高图像特征提取的速度。 需要说明的是,上述图像特征提取模型和上述训练过程中的产生图像特征提取模型可以组合起来构成一个大的图像特征提取模型,具体根据实际需要而定。 可选地,上述一些实施例的图像特征提取模型训练方法得到的图像特征提取模型可以用于上述本公开的一些实施例的目标图像识别方法中。也可以用于其它图像特征提取领域,在此不做具体限定。 本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的图像特征提取模型训练方法得到的图像特征提取模型,图像特征提取的准确度有所提高。具体来说,造成相关的图像特征提取模型图像特征提取不够精确的原因在于:图像存在多角度、多形态、背景多样化和颜色复杂化的问题,导致图像的特征提取结果不够精确。基于此,本公开的一些实施例的图像特征提取算法不仅包括样本图像的二值图像,还包括样本图像的识别特征三元组。在训练过程中,损失值值不仅包括二值图像的差异,还包括识别特征三元组的差异。也因为有了识别特征三元组的参与,可以有效地对图像中存在多角度、多形态、背景多样化和颜色复杂化的问题进行监督和约束。最后,从训练好的图像特征提取模型中提取出图像特征提取分类分支的网络结构。可以降低模型在图像特征提取时的计算量,提高图像特征提取的速度。也可以减少上采样层级的图像差值对图像特征的影响,提高图像特征提取的准确度。由此,在一定程度上降低了由于图像存在多角度、多形态、背景多样化和颜色复杂化的问题对目图像识别的影响。从而,提高图像的特征提取的准确度。进而,在用于图像识别领域时,可以提高图像识别的准确度。 进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种目标图像识别装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。 如图6所示,一些实施例的目标图像识别装置600包括:特征提取单元601、对比单元602和确定单元603。其中,特征提取单元601,被配置成对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组,其中,上述预先训练的图像特征提取模型包括:第一损失函数和第二损失函数,上述第一损失函数用于对不同角度和形态的图像进行修正,上述第二损失函数用于对不同背景和颜色的图像进行修正。对比单元602,被配置成将上述图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果,得到对比结果集合。确定单元603,被配置成响应于确定上述对比结果集合中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。 接着参考图7,作为对上述各图所示方法的实现,本公开提供了一种图像特征提取模型训练装置的一些实施例,这些装置实施例与图4所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。 如图7所示,一些实施例的图像特征提取模型训练装置700包括:模型训练单元701、添加单元702、模型调整单元703和模型生成单元704。其中,模型训练单元701,被配置成基于训练样本集和预设的第一损失函数,对初始图像特征提取模型进行训练,得到训练后的图像特征提取模型,作为第一图像特征提取模型,其中,上述第一损失函数用于对不同角度和形态的图像进行修正;添加单元702,被配置成将预设的第二损失函数添加至上述第一图像特征提取模型中,得到添加后的图像特征提取模型,作为第二图像特征提取模型,其中,上述第二损失函数用于对不同背景和颜色的图像进行修正;模型调整单元703,被配置成利用上述训练样本集,对上述第二图像特征提取模型进行模型调整,得到调整后的图像特征提取模型,作为第三图像特征提取模型;模型生成单元704,被配置成对上述第三图像特征提取模型进行网络结构提取,得到图像特征提取模型,其中,上述图像特征提取模型用于对图像进行特征提取。 在一些实施例的可选实现方式中,在上述模型训练单元701之前,上述方法还可以包括:获取子单元(图中未示出)。其中,获取子单元,被配置成获取待训练样本集,其中,上述待训练样本集中的训练样本包括:样本图像和样本图像的标签,上述标签包括上述样本图像的识别结果。 在一些实施例的可选实现方式中,在上述模型训练单元701之前,上述方法可以还包括:样本增强子单元(图中未示出)。其中,样本增强子单元,被配置成对上述待训练样本集进行样本增强,得到增强后的训练样本集,作为上述训练样本集。 在一些实施例的可选实现方式中,上述图像的识别结果包括图像的二值图像。上述模型训练单元701可以包括:第一选取子单元(图中未示出)、实际二值图像生成子单元(图中未示出)、第一损失值获取子单元(图中未示出)和第一参数调整子单元(图中未示出)。其中,第一选取子单元,被配置成从上述训练样本集中选取训练样本。实际二值图像生成子单元,被配置成将所选取的训练样本包括的样本图像输入至上述初始图像特征提取模型,以生成实际二值图像。第一损失值获取子单元,被配置成基于上述第一损失函数,确定上述实际二值图像和上述标签包括的二值图像的差异,得到第一损失值。第一参数调整子单元,被配置成响应于确定上述第一损失值不满足第二预定条件,基于上述第一损失值,调整上述初始图像特征提取模型的第一参数。 在一些实施例的可选实现方式中,上述模型训练单元701还可以包括:图像特征提取模型子单元(图中未示出)。其中,图像特征提取模型子单元,被配置成响应于确定上述第一损失值满足上述第二预定条件,将上述初始图像特征提取模型确定为训练后的图像特征提取模型。 在一些实施例的可选实现方式中,上述样本图像的识别结果还可以包括识别特征三元组。上述模型调整单元703可以包括:第二选取子单元(图中未示出)、实际识别特征三元组获取子单元(图中未示出)、第二损失值获取子单元(图中未示出)、第三损失值获取子单元(图中未示出)和第一参数和第二参数调整子单元(图中未示出)。其中,第二选取子单元,被配置成从上述训练样本集中选取训练样本。实际识别特征三元组获取子单元,被配置成将所选取的训练样本包括的样本图像输入至上述第二图像特征提取模型,得到实际识别特征三元组。第二损失值获取子单元,被配置成基于上述第一损失函数,确定上述实际二值图像和上述标签包括的二值图像的差异,得到第二损失值。第三损失值获取子单元,被配置成基于上述第二损失函数,确定上述实际识别特征三元组和上述标签包括的识别特征三元组的差异,得到第三损失值。第一参数和第二参数调整子单元,被配置成响应于确定上述第二损失值和上述第三损失值不满足第三预定条件,基于上述第二损失值,调整上述第二图像特征提取模型的上述第一参数和第二参数。 在一些实施例的可选实现方式中,上述模型调整单元703还以包括:图像特征提取模型子单元(图中未示出)。其中,图像特征提取模型子单元,被配置成响应于确定上述第二损失值和上述第三损失值满足上述第三预定条件,将上述第二图像特征提取模型确定为调整后的图像特征提取模型。 在一些实施例的可选实现方式中,上述预设的第一损失函数可以用于根据二值图像调整上述图像特征提取模型生成实际二值图像的上述第一参数,上述预设的第二损失函数可以用于根据上述识别特征三元组调整上述图像特征提取模型对上述训练样本集中的各个训练样本进行分类。 可以理解的是,该装置700中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元,在此不再赘述。 如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。 通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。 特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。 需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。 在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。 上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对于图像组中的每个图像,将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征,得到图像特征组,其中,上述预先训练的图像特征提取模型包括两个损失函数;将上述图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果,得到对比结果集合;响应于确定上述对比结果集合中的对比结果满足第一预定条件,将所满足第一预定条件的对比结果对应的图像确定为目标图像。 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。 附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。 描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括特征提取单元、对比单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,特征提取单元还可以被描述为“用于提取图像特征的单元”。 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。 以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。