CN109726756A - 图像处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质，涉及图像处理技术领域。方法包括：获得包含第一对象的第一图像；获得包含第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含第二对象的多个第二对象特征参数的第二特征参数集；对第一特征参数集和第二特征参数集进行相似度计算，获得计算结果；根据计算结果，确定第一对象和第二对象是否为同一对象。那么就算第一对象或第二对象出现被部分遮挡或被部分覆盖的情况，这些对象特征也难以被全部遮挡或覆盖，故也不影响特征的相似度计算，从而还是能够对第一对象和第二对象是否为同一对象进行准确的识别。

Description

图像处理方法、装置、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像处理方法、装置、电子设备及存储介质。

背景技术

在图像处理中，往往需要对对象进行重识别。目前对对象进行重识别往往是基于目标对象的整体或局部进行分析。这样虽然能够准确的对对象进行重识别，但一旦出现对象被部分遮挡或部分覆盖的情况，便难以对对象的整体或局部进行有效的分析，导致无法进行准确的识别。

发明内容

本申请在于提供一种图像处理方法、装置、电子设备及存储介质，以实现在对象被遮挡或覆盖的情况下，还可以准确对对象进行识别。

为了实现上述目的，本申请的实施例通过如下方式实现：

第一方面，本申请实施例提供了一种图像处理方法，所述方法包括：

获得包含第一对象的第一图像；

获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集；

对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果；

根据所述计算结果，确定所述第一对象和所述第二对象是否为同一对象。

在本申请实施例中，由于对第一对象和第二对象是否为同一对象的识别是基于对第一对象上的多个第一对象特征的参数和对第二对象上的多个第二对象特征的参数进行相似度计算，那么就算第一对象或第二对象出现被部分遮挡或被部分覆盖的情况，这些对象特征也难以被全部遮挡或覆盖，故也不影响特征的相似度计算，从而还是能够对第一对象和第二对象是否为同一对象进行准确的识别。

结合第一方面，在第一种可能的实现方式中，对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果，包括：

将相同特征类型对应的每个所述第一对象特征参数和每个所述二对象特征参数均输入到多个相似度神经网络中对应的一个相似度神经网络中；

利用每个所述相似度神经网络对每个所述第一对象特征参数和对每个所述第二对象特征参数进行相似度计算，获得每个所述相似度神经网络输出的相似度值，共获得多个相似度值，其中，每个所述相似度值表示特征类型相同的每个所述第一对象特征和每个所述第二对象特征之间的相似度；

根据所述多个相似度值确定出计算结果。

本申请实施例中，由于多个相似度神经网络中的每个相似度神经网络是针对一类对象特征进行相似度识别，故通过每个相似度神经网络中对相同特征类型的每个第一对象特征参数和每个第二对象特征参数进行处理，可以使得获得的每个相似度值能够更加准确的反应出每一类对象特征的相似度。

结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，利用每个所述相似度神经网络对每个所述第一对象特征参数和对每个所述第二对象特征参数进行相似度计算，获得每个所述相似度神经网络输出的相似度值，包括：

利用每个所述相似度神经网络中的网络参数对每个所述第一对象特征参数进行全连接计算，获得每个第一全连接参数集；以及利用每个所述相似度神经网络中的网络参数对每个所述第二对象特征参数进行全连接计算，获得每个第二全连接参数集；

利用每个所述相似度神经网络对每个所述相似度神经网络自身输出的每个所述第一全连接参数集和每个所述第二全连接参数集进行相似度计算，获得每个所述相似度神经网络输出的相似度值。

本申请实施例中，由于依次通过全连接和分类对同一类型的每个第一对象特征参数和每个第二对象特征参数进行计算，能够以分类的形式来直观的表示获得结果，且这样也便于确定出用于对网络进行优化的差值。

结合第一方面的第一种可能的实现方式，在第三种可能的实现方式中，根据所述多个相似度值确定出计算结果，包括：

确定出所述多个相似度值的相似度平均值，并将所述相似度平均值确定为计算结果，其中，所述相似度平均值越大表示所述第一对象和所述第二对象为同一对象的概率也越大。

本申请实施例中，由于可以通过计算平均的方式来确定计算结果，使得计算结果更能够从整体上反应出第一对象和第二对象是否为同一对象。

结合第一方面的第一种可能的实现方式，在第四种可能的实现方式中，获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集，包括：

利用多个第一预处理神经网络中每种特征类型对应的每个所述第一预处理神经网络对所述第一图像进行处理，获得所述第一对象的每个第一对象特征参数，以及获得包含多个第一对象特征参数的第一特征参数集；以及利用多个第二预处理神经网络中每种特征类型对应的每个所述第二预处理神经网络对包含第二对象的第二图像进行处理，获得所述第二对象的每个第二对象特征参数，以及获得包含多个第二对象特征参数的第二特征参数集，其中，处理的特征类型相同的每个所述第一预处理神经网络的网络参数与每个所述第二预处理神经网络的网络参数相同。

本申请实施例中，由于处理同一特征类型的每个第一预处理神经网络和每个第二预处理神经网络处理的网络参数，故保证了处理结果的一致，以便于后续能够更准确的确定第一对象和第二对象是否为同一对象。

结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，在获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集之后，所述方法还包括：

利用每个所述第一预处理神经网络对每个所述第一预处理神经网络自身输出的每个所述第一对象特征参数进行计算，获得每个所述第一预处理神经网络输出的每个所述第一对象特征的识别结果。

本申请实施例中，由于每个第一预处理神经网络还可以进行识别计算，故使得其不仅能够识别是否为同一对象，还能够通过分析判断这些第一特征是否存在，从而极大的扩展了方案在实际应用中的价值。

结合第一方面的第四种可能的实现方式，在第六种可能的实现方式中，在获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集之后，所述方法还包括：

利用每个所述第二预处理神经网络对每个所述第二预处理神经网络自身输出的每个所述第二对象特征参数进行计算，获得每个所述第二预处理神经网络输出的对每个所述第二对象特征的识别结果。

本申请实施例中，也由于每个第二预处理神经网络还可以进行识别计算，故使得其不仅能够识别是否为同一对象，还能够通过分析判断这些第二特征是否存在，从而极大的扩展了方案在实际应用中的价值

结合第一方面，以及第一方面的第一种至第六种可能的实现方式中任一种可能的实现方式，在第七种可能的实现方式中，

多个所述对象特征包括：所述对象的外形特征、所述对象的整体颜色特征、所述对象的局部颜色特征和所述对象上的标识特征中的至少一种特征。

本申请实施例，由于多个对象特征包括的对象的外形特征、对象的整体颜色特征、对象的局部颜色特征和对象上的标识特征基本上全方位的涵盖了对象上能够用于识别的特征，故可以有效的提高识别的准确度。

第二方面，本申请实施例提供了一种图像处理装置，所述装置包括：

图像获得模块，用于获得包含第一对象的第一图像。

特征提取模块，用于获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集。

相似度计算模块，用于对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果。

对象判断模块，用于根据所述计算结果，确定所述第一对象和所述第二对象是否为同一对象。

结合第二方面，在第一种可能的实现方式中，所述相似度计算模块，还用于将相同特征类型对应的每个所述第一对象特征参数和每个所述二对象特征参数均输入到多个相似度神经网络中对应的一个相似度神经网络中。利用每个所述相似度神经网络对每个所述第一对象特征参数和对每个所述第二对象特征参数进行相似度计算，获得每个所述相似度神经网络输出的相似度值，共获得多个相似度值，其中，每个所述相似度值表示特征类型相同的每个所述第一对象特征和每个所述第二对象特征之间的相似度。根据所述多个相似度值确定出计算结果。

结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述相似度计算模块，还用于利用每个所述相似度神经网络中的网络参数对每个所述第一对象特征参数进行全连接计算，获得每个第一全连接参数集；以及利用每个所述相似度神经网络中的网络参数对每个所述第二对象特征参数进行全连接计算，获得每个第二全连接参数集。利用每个所述相似度神经网络对每个所述相似度神经网络自身输出的每个所述第一全连接参数集和每个所述第二全连接参数集进行相似度计算，获得每个所述相似度神经网络输出的相似度值。

结合第二方面的第一种可能的实现方式，在第三种可能的实现方式中，所述相似度计算模块，还用于确定出所述多个相似度值的相似度平均值，并将所述相似度平均值确定为计算结果，其中，所述相似度平均值越大表示所述第一对象和所述第二对象为同一对象的概率也越大。

结合第二方面的第一种可能的实现方式，在第四种可能的实现方式中，所述特征提取模块，还用于利用多个第一预处理神经网络中每种特征类型对应的每个所述第一预处理神经网络对所述第一图像进行处理，获得所述第一对象的每个第一对象特征参数，以及获得包含多个第一对象特征参数的第一特征参数集。以及利用多个第二预处理神经网络中每种特征类型对应的每个所述第二预处理神经网络对包含第二对象的第二图像进行处理，获得所述第二对象的每个第二对象特征参数，以及获得包含多个第二对象特征参数的第二特征参数集，其中，处理的特征类型相同的每个所述第一预处理神经网络的网络参数与每个所述第二预处理神经网络的网络参数相同。

结合第二方面的第四种可能的实现方式，在第五种可能的实现方式中，所述装置还包括：

第一概率计算模块，用于利用每个所述第一预处理神经网络对每个所述第一预处理神经网络自身输出的每个所述第一对象特征参数进行计算，获得每个所述第一预处理神经网络输出的每个所述第一对象特征的识别结果。

结合第二方面的第四种可能的实现方式，在第六种可能的实现方式中，所述装置还包括：

第二概率计算模块，用于利用每个所述第二预处理神经网络对每个所述第二预处理神经网络自身输出的每个所述第二对象特征参数进行计算，获得每个所述第二预处理神经网络输出的对每个所述第二对象特征的识别结果。

第三方面，本申请实施例提供了一种电子设备，所述电子设备包括：处理器，存储器，总线和通信模块。

所述处理器、所述通信模块和存储器通过所述总线连接。

所述存储器，用于存储程序。

所述处理器，用于通过调用存储在所述存储器中的程序以执行如第一方面、以及第一方面的第一种至第十一种可能的实现方式中任一种所述的图像处理方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如第一方面、以及第一方面的第一种至第十一种可能的实现方式中任一种所述的图像处理方法。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例提供的一种电子设备的第一结构框图；

图2示出了本申请实施例提供的一种电子设备的第二结构框图；

图3示出了本申请实施例提供的一种图像处理方法的流程图；

图4示出了本申请实施例提供的一种图像处理方法的第一应用场景图；

图5示出了本申请实施例提供的一种图像处理方法的第二应用场景图；

图6示出了本申请实施例提供的一种图像处理方法的第三应用场景图；

图7示出了本申请实施例提供的一种图像处理装置的结构框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部位的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

请参阅图1和图2，本申请一些实施例提供了一种电子设备10，该电子设备10可是终端或者服务器。

若电子设备10为终端，终端可以是具体图像或视频采集能力终端设备，例如可以是手机、个人电脑、平板电脑、个人数字助理(PersonalDigital Assistant，PDA)或监控摄像头等。

若电子设备10为服务器，服务器则可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器20可以是分布式***)。作为一示例，服务器存储的信息和/或数据可以被终端访问。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。

图1示出了根据本申请的电子设备10在为终端情况下的结构框图，电子设备10用于执行本申请中的功能。

电子设备10可以包括连接到网络的网络端口11、用于执行程序指令的一个或多个处理器12、通信总线13、摄像头14和不同形式的存储介质15例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备10还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口16。

在这种情况下，电子设备10的摄像头14可以采集图像或者视频，使得处理器12调用并运行存储在存储介质15中的程序来处理该图像或者视频，以执行本申请所述的图像处理方法。

图2示出了根据本申请的电子设备10在为服务器情况下的结构框图，电子设备10也用于执行本申请中的功能。

电子设备10也可以包括连接到网络的网络端口101、用于执行程序指令的一个或多个处理器102、通信总线103、不同形式的存储介质104和输入/输出接口105。

在这种情况下，电子设备10可以与摄像设备实现分布式设置，例如，摄像设备设置在被监控区域，而电子设备10则可以位于远程的后台。故电子设备10可以不用设置摄像头。电子设备10的输入/输出接口105可以获得外部位的摄像设备采集的图像或者视频，使得处理器102调用并运行存储在存储介质105中的程序来处理该图像或者视频，也执行本申请所述的图像处理方法。

为了便于说明，在电子设备10中仅描述了一个处理器。然而，应当注意，本申请中的电子设备10还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备10的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。

请参阅图3，本申请一些实施例提供了图像处理方法，该图像处理方法可以由电子设备执行，该图像处理方法可以包括：步骤S100、步骤S200、步骤S300和步骤S400。

步骤S100：获得包含第一对象的第一图像。

步骤S200：获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集。

步骤S300：对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果。

步骤S400：根据所述计算结果，确定所述第一对象和所述第二对象是否为同一对象。

下面将结合图3至图6，对本申请的图像处理方法进行详细的描述。

本申请实施例可以通过一个对象识别模型来对本申请的图像处理方法的执行，这样，该对象识别模型中则可以包含多个神经网络，以在图像处理方法的执行过程中，通过相应的每个神经网络来实现对各种步骤的执行。或者，也通过至少两个对象别模型来对本申请的图像处理方法的执行，这样，该每个对象识别模型中则可以至少一个神经网络，从也实现在图像处理方法的执行过程，通过相应的每个神经网络来实现对各种步骤的执行。

为便于说明和理解本方案，本实施例将以采用一个包含多个神经网络的对象识别模型执行本申请的为例来进行说明，但并不作为限定。

步骤S100：获得包含第一对象的第一图像。

电子设备可以获得自身的摄像头或外部的摄像设备采集的包含第一对象的初始图像或者初始视频。

作为一种方式，若电子设备获得的是初始图像，那么电子设备可以直接对该包含了第一对象的初始图像进行处理。

作为另一种方式，若电子设备获得的是初始视频，则由于视频所包含的帧数比较多，故电子设备可以对初始视频按间隔预设帧的方式进行抽帧，从而获得从初始视频抽出的一帧包含了第一对象的初始图像，并也对该初始图像进行处理。其中，间隔预设帧的数量可以根据实际应用场景进行选择，例如，若需要对某个对象进行跟踪识别时，间隔预设帧的数量则可以比较少，如间隔5帧左右；若需要对某个对象进行单次识别时，间隔预设帧的数量则可以比较多，如间隔30帧左右。

本实施例中，由于初始图像中可能包含有其它的对象，例如图4所示，假设初始图像X中包含了对象A，而初始图像X中还包含了对象A将其部分遮挡住的对象B，以及还包含了对象A未遮挡住的对象C。那么，为了便于对每个对象进行准确的识别，则可以对初始对象进行目标对象识别处理，即可以通过识别出初始图像中包含的每个对象，从而在初始图像的基础上分割出每张仅包含对应的一个对象的图像。

因此，于本实施例中，身体识别模型中预设了目标对象识别网络，该目标对象识别网络可以是CNN网络(Convolutional Neural Networks，卷积神经网络)，当然也不限于CNN网络，目标对象识别网络还可以是基于CNN网络所演变的网络，例如为RCNN网络、Fast-RCNN网络或Faster-RCN网络等。电子设备通过身体识别模型中设置了的目标对象识别网络对初始图像进行目标对象识别处理，则可以获得在初始图像的基础上分割出的包含第一对象的第一图像。也例如图5所示，继续前述假设，通过对初始图像X进行目标对象识别处理，则可以得到3张图像，其可以分别为包含对象A的图像A1，包含对象B的图像B1，以及包含对象C的图像C1。

本实施例中的对象可以为有机的生命体例如为人、动物或植物等，或者，对象也可以非生命体例如为物品、建筑物或载具等。

在获得包含第一对象的第一图像后，电子设备可以继续执行步骤S200。

步骤S200：获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集。

本实施例中，第一对象对于电子设备来说可以是不知道身份的对象，而数据库中可以预设已经确定了身份的多个预设对象的多张预设图像。那么，电子设备则可以将第一对象依次与数据库中多个预设对象中的每个预设对象进行相似度匹配，以判断第一对象是否为多个预设对象中的某一个预设对象，这样就能够确定第一对象的身份了。其中，数据库可以是设置在电子设备中的数据库；或者，数据库也可以独立与电子设备存在的存储设备，并与电子设备建立通信关系。

本实施例中，第一图像中的第一对象上有多个第一对象特征，多个第一对象特征可以包括：该第一对象的外形特征、第一对象的局部颜色特征，第一对象的整体颜色特征和第一对象上的标识特征中的至少一种特征。

例如，若该第一对象是人，那么第一对象的外形特征可以是人的身体轮廓，或者也可以是人的五官轮廓；若该第一对象是载具，那么第一对象的外形特征可以是载具的外形轮廓，或者也可以是载具的前脸款式的轮廓。

也例如，若该第一对象是人，那么第一对象的局部颜色特征可以是各身体部位上衣物的颜色；若该第一对象是载具，那么第一对象的局部颜色特征可以是载具上不同区域的颜色。

也例如，若该第一对象是人，那么第一对象的整体颜色特征可以是各身体部位的衣物在整体上构成的颜色；若该第一对象是载具，那么第一对象的局部颜色特征可以是载具整体上的颜色。

再例如，若该第一对象是人，那么第一对象上的标识特征可以配带的饰品，如：耳环、眼镜、帽子、领带和手表等，或者第一对象上的标识特征还可以衣物的款式；若该第一对象是载具，那么第一对象上的标识特征可以是载具上的载具品牌标志、载具的车牌、载具内的遮阳板、载具内的安全带、载具上的年检标识、载具内的挂件和载具内的摆件等。

可以理解到，上述的例举说明的目的在于便于理解本方案，但并不作为对本实施例的限定。

故为减少电子设备的运算量，电子设备可以先对第一图像上多个第一对象特征进行预识别，并基于对多个第一对象特征的预识别结果去缩小在多个预设图像中的匹配范围。

详细地，电子设备的对象识别模型中按照需要识别出的对象特征的所有种类，设置了多个第一预处理神经网络，且每个第一预处理神经网络对应识别一种特征类型。例如，对象特征的所有种类包括：载具上的载具品牌标志、载具的车牌、载具内的遮阳板、载具内的安全带、载具上的年检标识、载具内的挂件和载具内的摆件，那么多个第一预处理神经网络的数量则可以为7个，每个第一预处理神经网络针对一种对象特征进行识别。本实施例中，每个第一预处理神经网络也可以是CNN网络(Convolutional Neural Networks，卷积神经网络)，当然也不限于CNN网络，每个第一预处理神经网络也还可以是基于CNN网络所演变的网络，例如为RCNN网络、Fast-RCNN网络或Faster-RCN网络等。

这样，电子设备便可以利用每个第一预处理神经网络对第一图像进行处理，例如，每个第一预处理神经网络可以对输入到该第一预处理神经网络的第一图像进行预设尺度卷积和池化处理，其中，预设尺度的可以根据实际情况进行调整，例如，若希望第一图像在平面维度上的分辨率信息多一些，则预设尺度可以小一些，但若希望第一图像在空间维度上的语义信息多一些，则预设尺度可以大一些。这样在卷积和池化处理后，便可以获得第一图像的第一图像特征参数，例如，在卷积核是3*3的情况下第一图像特征参数可以是3*3*128，或者，在卷积核是4*4的情况下第一图像特征参数又可以是4*4*128。那么，在获得每个第一预处理神经网络输出的第一图像特征参数，电子设备还可以利用每个第一预处理神经网络的全连接层继续对每个第一预处理神经网络自身输出的第一图像特征参数进行处理，那么便可以获得每个第一预处理神经网络输出的该第一对象的每个第一对象特征参数。这样一共可以获得多个第一预处理神经网络输出的多个第一对象特征参数，这样也就可以获得包含这多个第一对象特征参数的第一特征参数集。

可以理解到，电子设备利用每个第一预处理神经网络的全连接层对自身输出的每个第一图像特征参数进行处理可以是：每个第一预处理神经网络的全连接层中设置了第一预处理神经网络的网络参数，该网络参数可以是由每个神经元的权值构成的权值矩阵，电子设备可以利用网络参数对每个第一预处理神经网络自身输出的每个第一图像特征参数进行计算，即可以利用权值矩阵与该第一图像特征参数相乘，然后再根据神经元之间的关联对相乘得到的结果进行整理，从而便可以获得由多维的向量，例如由1024维向量构成的第一对象特征参数。

当然，上述处理方式是可以CNN网络为例进行举例说明，不作为对本实施例的限定。采用其它类型的神经网络时，自然基于其它类型的神经网络来进行处理。

那么，在获得每个第一对象特征参数，电子设备还可以利用每个第一预处理神经网络中的分类层对每个第一预处理神经网络自身输出的每个第一对象特征参数进行例如二分类计算，从而便可以获得每个第一预处理神经网络输出的每个第一对象特征的识别结果，其中，每个第一对象特征的识别结果中包含对每个第一对象特征的识别分数，且每个第一对象特征的识别分数越高表示每个第一对象特征的识别结果越准确。例如，对第一对象上的载具内的摆件这一第一对象特征的识别分数为0.2分，则其表示对应的第一预处理神经网络的识别结果为未能够准确识别出载具内的摆件，反之，第一对象特征的识别分数为0.8分，则其表示对应的第一预处理神经网络的识别结果为能够准确识别出载具内的摆件。那么，在模型实际应用前的训练过程中，通过对每个第一预处理神经网络的不断训练优化，使得在相应的第一对象特征实际存在的情况下，每个第一预处理神经网络输出的该第一对象特征的识别分数能够越来越趋近于1。

还可以理解到的是，电子设备利用每个第一预处理神经网络的分类层对对应的第一对象特征参数进行二分类计算的方式可以是：分类层中设置有Softmax函数，Softmax函数在处理相应的第一对象特征参数时，Softmax函数可以将该离散的该第一对象特征参数进行归一化处理，即将该第一对象特征参数归一到0至1。这样，将第一特征参数集分别输入到每个Softmax函数，若该Softmax函数所针对的一类对象特征实际上是存在的，那么该Softmax函数的输出便可以是趋近于1，反之，则为0。这样，将每个Softmax函数的输出作为对该第一对象特征的识别结果，故便可以获得多个第一对象特征中每个第一对象特征的识别结果。。

于本实施例中，电子设备中还设置了一个分数识别值，高于该分数识别值便可以认为特征存在，反之，则不存在。那么，通过该分数识别值对获得的每个第一对象特征的识别结果中的识别分数进行筛选，便可以确定出高于分数识别值的识别分数所对应的对象特征便可以是第一对象所具备的对象特征。

此外，需要说明的是，Softmax函数的输出本身可以是由第一预处理神经网络的全连接层所决定的，即调整第一预处理神经网络的全连接层中网络参数，便可以使得Softmax函数的输出改变，即这也是优化第一预处理神经网络的目的。

还需要说明的是，由于通过多个第一预处理神经网络可以识别出第一对象上存在的第一对象特征，故识别出的多个第一对象特征可以作为第一对象的标识。

继续前述假设，如图6所示，通过分数识别值进行筛选，可以确定该对象B所具备的多个第一对象特征包括：载具上的载具品牌标志1、载具上的年检标识2和载具内的挂件3。

那么，电子设备基于第一对象上所具备的对象特征，在对每个预设对象的每张预设图像处理时，便可以从多个预设对象筛选出具备第一对象所具备的对象特征中的至少部分特征的预设对象，并将这些预设对象用于与第一对象进行是否为同一对象的匹配。

当然，为便于确定每个预设对象上所具备的对象特征，对象识别模型中还预设了每个第一预处理神经网络对应的孪生网络，即网络参数与每个第一预处理神经网络相同的每个第二预处理神经网络。这样，对象识别模型中则预设了多个第二预处理神经网络，且每个第二预处理神经网络也对应识别一种特征类型。那么，电子设备便也可以利用每个第二预处理神经网络对每个预设图像进行处理。

本实施例中，由于电子设备利用每个第二预处理神经网络对每个预设图像进行处理的流程可以大致相同，故本实施例以电子设备利用每个第二预处理神经网络对某一个预设图像为例来进行说明，以便于理解本方案。其中，为便于与第一对象区分，本实施例将每个第二预处理神经网络所处理的预设对象命名为第二对象，并将预设图像命名为第二图像，但不作为对本实施例的限定。

这样，电子设备便可以利用每个第二预处理神经网络对第二图像进行处理，例如，每个第二预处理神经网络可以对输入到该第二预处理神经网络的第二图像进行预设尺度卷积和池化处理，其中，每个第二预处理神经网络的预设尺度的也可以与该第二预处理神经网络识别的特征类型相同的一个第一预处理神经网络的相同。这样在卷积和池化处理后，便可以获得每个第二预处理神经网络输出的该第二对象的每个第二对象特征参数。这样一共可以获得多个第二预处理神经网络输出的多个第二对象特征参数，这样也就可以获得包含这多个第二对象特征参数的第二特征参数集。

可以理解到，第二预处理神经网络的全连接层的处理原理与第一预处理神经网络的全连接层的处理原理相同，为避免累述，关于第二预处理神经网络的全连接层的处理原理，在此就不再重复说明。

那么，在获得每个第二对象特征参数，电子设备还可以利用每个第二预处理神经网络中的分类层对每个第二预处理神经网络自身输出的每个第二对象特征参数进行例如二分类计算，从而便可以获得每个第二预处理神经网络输出的每个第二对象特征的识别结果，其中，每个第二对象特征的识别结果中包含对每个第二对象特征的识别分数，且每个第二对象特征的识别分数越高也表示每个第二对象特征的识别结果越准确。例如，第二对象为载具，对载具上的载具内的挂件这一第二对象特征的识别分数为0.3分，则其表示对应的第二预处理神经网络的识别结果为未能够准确识别出载具内的挂件，反之，第二对象特征的识别分数为0.9分，则其表示对应的第二预处理神经网络的识别结果为能够准确识别出载具内的挂件。那么，在模型实际应用前的训练过程中，也通过对每个第二预处理神经网络的不断训练优化，使得在相应的第二对象特征实际存在的情况下，每个第二预处理神经网络输出的该第二对象特征的识别分数能够越来越趋近于1。

还可以理解到的是，第二预处理神经网络的分类层的处理原理与第一预处理神经网络的分类层的处理原理相同，为避免累述，关于第二预处理神经网络的分类层的处理原理，在此就不再重复说明。

于本实施例中，电子设备还可以通过该分数识别值对获得的每个第二对象特征的识别结果的识别分数进行筛选，便可以确定出高于分数识别值的识别分数所对应的对象特征便可以是第二对象所具备的对象特征。

这样，电子设备便可以基于将第一对象所具备的对象特征与第二对象所具备的对象特征进行匹配，从而确定第二对象所具备的对象特征中是否具有第一对象所具备的对象特征中的至少部分特征。

若否，那么电子设备便确定不可以将该第二对象用于与第一对象进行用于判断是否为同一对象的相似度匹配。

若是，那么电子设备确定可以将该第二对象用于与第一对象进行用于判断是否为同一对象的相似度匹配。

继续前述假设，通过分数识别值进行筛选，可以确定该对象D所具备的多个第二对象特征包括：载具上的载具品牌标志1’、载具的车牌2’、载具上的年检标识3’和载具内的挂件4’。那么，电子设备便可以确定将对象B与对象D进行相似度匹配。

需要说明的是，本实施例也可以不采用上述的对第二对象筛选方式，其也可以直接将该第二对象用于与第一对象进行用于判断是否为同一对象的相似度匹配。

还需要说明的是，在实际应用中，电子设备还可以利用多个第一预处理神经网络或多个第二预处理神经网络对数据库中的预设图像进行筛选处理，从而可以从各预设图像中确定出对象特征满足选择的条件的预设对象，即实现对对象的查找。例如，用户设定的查找条件可以包括：载具颜色为红色，载具内有挂件和载具内有摆件。那么，电子设备基于查找条件，并利用多个第一预处理神经网络或多个第二预处理神经网络对数据库中的预设图像进行筛选处理，便可以查找所以的包含载具颜色为红色，载具内有挂件且载具内有摆件的对象的预设图像。

电子设备的对象识别模型中还设置了多个相似度神经网络，其中，多个相似度神经网络中每个相似度神经网络可以针对一类对象特征进行识别，且任意两个相似度神经网络对应计算的任意两个对象特征的特征类型不同。例如，相似度神经网络A是针对两个载具上的载具品牌标志是否为同一标志进行分析，但相似度神经网络B则是针对两个载具内的挂件是否为同一挂件进行分析。其中，多个相似度神经网络的数量也可以与特征的全部类型所对应的数量相同。

但需要说明的是，由于每个相似度神经网络获得的是特征参数集，而并非图像，故每个相似度神经网络可以不用包含卷积层和池化层，而可以直接包含全连接层和分类层。

基于此，电子设备便可以利用多个相似度神经网络中的每个相似度神经网络均对第一特征参数集和第二特征参数集进行处理，从而根据每个相似度神经网络输出对每一类对象特征是否相同结果来确定第一对象和第二对象是否为同一对象。

那么，在电子设备获得了第一特征参数集和第二特征参数集后，电子设备便可以继续执行步骤S300。

步骤S300：对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果。

电子设备可以将第一对象特征参数和第二对象特征参数中，相同特征类型对应的每个第一对象特征参数和每个第二对象特征参数均输入到多个相似度神经网络中特征类型对应的一个相似度神经网络中。这样，电子设备便可以利用每个相似度神经网络的全连接层中的网络参数对每个第一对象特征参数和每个第二对象特征参数进行全连接计算。

本实施例中，电子设备利用每个相似度神经网络的全连接层中的网络参数对每个相似度神经网络中的第一对象特征参数进行全连接计算也可以是：每个相似度神经网络的全连接层中设置了每个相似度神经网络的网络参数，该每个相似度神经网络的网络参数也可以是由每个神经元的权值构成的权值矩阵，那么，电子设备也可以利用每个相似度神经网络的网络参数对每个相似度神经网络中的第一对象特征参数进行计算，即可以利用每个相似度神经网络的权值矩阵与第一对象特征参数相乘，然后再根据神经元之间的关联对相乘得到的结果进行整理，从而便可以获得由新的多个向量构成的第一全连接参数集。

也于本实施例中，电子设备利用每个相似度神经网络的全连接层中的网络参数对每个相似度神经网络中的第二对象特征参数进行全连接计算也可以是：电子设备也可以利用每个相似度神经网络的网络参数对每个相似度神经网络中的第二对象特征参数进行计算，即可以利用每个相似度神经网络的权值矩阵与第二对象特征参数相乘，然后再根据神经元之间的关联对相乘得到的结果进行整理，从而便可以获得由新的多个向量构成的第二全连接参数集。

那么，在获得每个相似度神经网络输出的每个第一全连接参数集和每个第二全连接参数集后，电子设备还可以利用每个相似度神经网络中的分类层对每个相似度神经网络自身输出的每个第一全连接参数集和每个第二全连接参数集进行例如二分类的相似度计算，从而便可以获得每个所述相似度神经网络输出的相似度，其中，每个相似度值可以表示同一特征类型的每个第一对象特征和每个第二对象特征之间的相似度，而每个相似度值越高则表示同一特征类型的每个第一对象特征和每个第二对象特征为同一特征的概率也越大。例如，对应的两个第一对象特征和第二对象特征分别是载具内的挂件A和载具内的挂件B这两个第二对象特征，那么对应的两个第一对象特征和第二对象特征的相似度值为0.3分，则其可以表示载具内的挂件A和载具内的挂件B不是同一个挂件，反之，相似度值则可能为0.9分，则其可以表示载具内的挂件A和载具内的挂件B是同一个挂件。

还需要说明的是，电子设备利用每个相似度神经网络中的分类层对每个相似度神经网络自身输出的每个第一全连接参数集和每个第二全连接参数集进行二分类计算的方式也可以是：每个相似度神经网络中的二分类层中设置有对应每个相似度神经网络所处理的一类对象特征的Softmax函数。这样，将每个相似度神经网络自身输出的每个第一全连接参数集和每个第二全连接参数集均输入到该相似度神经网络中的Softmax函数，若该每个第一对象特征和每个第二对象特征为同一类特征，那么每个相似度神经网络的Softmax函数的输出便可以是趋近于1，反之，则为0。这样，将每个相似度神经网络中的Softmax函数的输出作为相似度值。因此，电子设备可以获得多个第一对象特征和多个第二对象特征中为相同的每两个第一对象特征和第二对象特征之间的相似度值为趋近于1，例如，载具内的挂件A和载具内的挂件B是同一挂件，那么其相似度值可以为0.8。以及，电子设备还可以获得多个第一对象特征和多个第二对象特征中为不相同的每两个第一对象特征和第二对象特征之间的相似度值为趋近于0，例如，载具内的挂件A和载具内的挂件B是不同一挂件，那么其相似度值可以为0.2，或者载具1中有载具内的挂件A，但载具B中没有载具内的挂件，那么其相似度值可以为0.1。此外，针对全部特征的类型中多个第一对象特征和多个第二对象特征均没有的其它对象特征，那么与这些其它对象特征对应的每个相似度神经网络参数中的Softmax函数处理后输出的相似度值也可以是趋近于0。

于本实施例中，电子设备通过获得每个相似度神经网络输出的相似度值，那么电子设备总共便可以获得多个相似度值，从而电子设备便可以基于多个相似度值计算出相似度平均值，从而将相似度平均值确定为计算结果。

但为避免趋近于0的无效相似度值对计算结果产生不利的影响，那么电子设备可以将多个相似度值中趋近于0相似度值去掉，并基于剩下的相似度值来计算相似度平均值。

那么，电子设备获得计算结果后，电子设备则可以继续执行步骤S400。

步骤S400：根据所述计算结果，确定所述第一对象和所述第二对象是否为同一对象。

电子设备中设置了平均相似度的阈值，那么电子设备可以将该相似度平均值与平均相似度的阈值匹配。

若通过匹配判定该相似度平均值小于平均相似度的阈值，那么电子设备则可以确定第一对象和第二对象不是同一对象。

但若通过匹配判定该相似度平均值大于等于平均相似度的阈值，那么电子设备则可以确定第一对象和第二对象是同一对象。

本实施例中，若对象识别模型处于实际应用的阶段，那么电子设备利用对象识别模型对图像处理方法执行到步骤S400后，本次对图像处理方法的执行便可以结束了。但若在模型实际应用前的训练过程中，那么在本次对图像处理方法的执行过程中，还可以对象识别模型中的各神经网络进行优化。

针对对象识别模型中的每个第一预处理神经网络和每个第二预处理神经网络，可以利用对第一图像的处理结果来优化每个第一预处理神经网络和每个第二预处理神经网络。

详细地，由于在训练阶段电子设备是可以知道训练图像中训练对象特征的真实存在情况，即训练图像中到底存在哪些训练对象特征。故电子设备可以基于训练对象特征的真实存在情况，设置了每种特征类型的预设分数阈值。例如，真实存在的一种特征类型的预设分数阈值设置为1，反之则为0。

在获得每个训练对象特征的识别结果后，电子设备便可以基于每种特征类型的预设分数阈值与特征类型相同的每个训练对象特征的识别分数之间的分数差值，那么，多个训练对象特征便可以获得多个分数差值，这样基于每种特征类型的分数差值便可以调整每种特征类型对应的每个第一预处理神经网络中的网络参数和每个第二预处理神经网络中的网络参数，从而获得优化后的每个第一预处理神经网络和优化后的每个第二预处理神经网络。

能够理解到的是，在训练过程中，也通过不断的重复上述过程，对每个第一预处理神经网络中的网络参数和每个第二预处理神经网络中的网络参数进行优化调整，则可以使得每个第一预处理神经网络和每个第二预处理神经网络对其所识别的且真实存在的对象特征的识别分数越来越趋近于1，而对真实不存在的对象特征的识别分数越来越趋近于0。

还需要说明的是，每一次对处理的特征类型相同的每个第一预处理神经网络中的网络参数和每个第二预处理神经网络中的网络参数进行调整时，对处理的特征类型相同的每个第一预处理神经网络中的网络参数和对每个第二预处理神经网络中的网络参数进行的是相同的调整，这样才能保证处理的特征类型相同每个第一预处理神经网络和每个第二预处理神经网络的一致性。

而针对对象识别模型中的每个相似度神经网络，则可以利用处理两张训练图像获得的相似度平均值来优化相似度神经网络。

详细地，也由于在训练阶段电子设备是可以知道在真实情况下一张训练图像中的第一训练对象与另一张训练图像中的第二训练第二对象是否为同一对象。故在第一训练对象与第二训练对象为同一对象时，电子设备则可以将预设分数阈值设置为例如为1，反之则设置为例如为0。

这样，在真实情况下第一训练对象与第二训练对象为同一训练对象时，电子设备便可以确定出真实情况为同一训练对象而设置的预设分数阈值和该相似度平均值之间的相似度差值。从而电子设备便可以根据相似度差值，去调整多个相似度神经网络中至少部分相似度神经网络中的网络参数，获得优化后的至少部分相似度神经网络。

而在真实情况下第一训练对象与第二训练对象不为同一训练对象时，电子设备便也可以确定出真实情况为不同一训练对象而设置的预设分数阈值和该相似度平均值之间的相似度差值。这样，电子设备便也可以根据相似度差值，去调整多个相似度神经网络中至少部分相似度神经网络中的网络参数，获得优化后的至少部分相似度神经网络。

需要说明的是，需要被优化至少部分相似度神经网络可以是多个相似度神经网络中的每个相似度神经网络；或者，需要被优化至少部分相似度神经网络也可以那些准确度还不达标的相似度神经网络。

还能够理解到的是，在训练过程中，也通过不断的重复上述过程，对每个相似度神经网络的网络参数进行优化调整，则可以使得每个相似度神经网络对每个相似度神经网络能够识别的一类对象特征中，真实相同的两个第一对象特征和第二对象特征输出的相似度值越来越趋近于1，而对真实不相同的两个第一对象特征和第二对象特征输出的相似度值越来越趋近于0。

还需要说明的是，本实施例还可以利用一个相似度神经网络来实现对多个第一对象特征和多个第二对象特征进行相似度计算，即通过该一个相似度神经网络处理第一特征参数集和第二特征参数集，便可以输出多个第一对象特征和多个第二对象特征中每两个相同或者不相同的第一对象特征和第二对象特征的相似度值。

但在采用一个相似度神经网络实现时，训练过程中便需要利用所有类型的对象特征对该相似度神经网络进行训练，使得该相似度神经网络能够识别到所有类型的对象特征。此外，在采用一个相似度神经网络实现时，该一个相似度神经网络的二分类层中则要设置数量与全部类型的对象特征的数量相同的Softmax函数。

此外，还需要说明的是，若采用一个相似度神经网络，其较于采用多个相似度神经网络，该一个相似度神经网络对每一类的对象特征的识别准确度则会稍低一些。

请参阅图7，本申请实施例提供了一种图像处理装置100，该图像处理装置100可以应用于电子设备，该图像处理装置100可以包括：

图像获得模块110，用于获得包含第一对象的第一图像。

特征提取模块120，用于获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集。

相似度计算模块130，用于对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果。

对象判断模块140，用于根据所述计算结果，确定所述第一对象和所述第二对象是否为同一对象。

需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质，该计算机可读存储介质上存储有程序代码，该程序代码被计算机运行时执行上述任一实施方式的图像处理方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的程序代码被运行时，能够执行上述施例的图像处理方法的步骤，以准确的提取出所属于每个对象的各身体部位。

本申请实施例所提供的图像处理方法的程序代码产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

综上所述，本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质。方法包括：获得包含第一对象的第一图像；获得包含第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含第二对象的多个第二对象特征参数的第二特征参数集；对第一特征参数集和第二特征参数集进行相似度计算，获得计算结果；根据计算结果，确定第一对象和第二对象是否为同一对象。

由于对第一对象和第二对象是否为同一对象的识别是基于对第一对象上的多个第一对象特征的参数和对第二对象上的多个第二对象特征的参数进行相似度计算，那么就算第一对象或第二对象出现被部分遮挡或被部分覆盖的情况，这些对象特征也难以被全部遮挡或覆盖，故也不影响特征的相似度计算，从而还是能够对第一对象和第二对象是否为同一对象进行准确的识别。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种图像处理方法，其特征在于，所述方法包括：

获得包含第一对象的第一图像；

获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集；

对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果；

根据所述计算结果，确定所述第一对象和所述第二对象是否为同一对象。

2.根据权利要求1所述的图像处理方法，其特征在于，对所述第一特征参数集和所述第二特征参数集进行相似度计算，获得计算结果，包括：

将相同特征类型对应的每个所述第一对象特征参数和每个所述第二对象特征参数均输入到多个相似度神经网络中对应的一个相似度神经网络中；

利用每个所述相似度神经网络对每个所述第一对象特征参数和对每个所述第二对象特征参数进行相似度计算，获得每个所述相似度神经网络输出的相似度值，共获得多个相似度值，其中，每个所述相似度值表示特征类型相同的每个所述第一对象特征和每个所述第二对象特征之间的相似度；

根据所述多个相似度值确定出计算结果。

3.根据权利要求2所述的图像处理方法，其特征在于，利用每个所述相似度神经网络对每个所述第一对象特征参数和对每个所述第二对象特征参数进行相似度计算，获得每个所述相似度神经网络输出的相似度值，包括：

利用每个所述相似度神经网络中的网络参数对每个所述第一对象特征参数进行全连接计算，获得每个第一全连接参数集；以及利用每个所述相似度神经网络中的网络参数对每个所述第二对象特征参数进行全连接计算，获得每个第二全连接参数集；

利用每个所述相似度神经网络对每个所述相似度神经网络自身输出的每个所述第一全连接参数集和每个所述第二全连接参数集进行相似度计算，获得每个所述相似度神经网络输出的相似度值。

4.根据权利要求2所述的图像处理方法，其特征在于，根据所述多个相似度值确定出计算结果，包括：

确定出所述多个相似度值的相似度平均值，并将所述相似度平均值确定为计算结果，其中，所述相似度平均值越大表示所述第一对象和所述第二对象为同一对象的概率也越大。

5.根据权利要求2所述的图像处理方法，其特征在于，获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集，包括：

利用多个第一预处理神经网络中每种特征类型对应的每个所述第一预处理神经网络对所述第一图像进行处理，获得所述第一对象的每个第一对象特征参数，以及获得包含多个第一对象特征参数的第一特征参数集；以及利用多个第二预处理神经网络中每种特征类型对应的每个所述第二预处理神经网络对包含第二对象的第二图像进行处理，获得所述第二对象的每个第二对象特征参数，以及获得包含多个第二对象特征参数的第二特征参数集，其中，处理的特征类型相同的每个所述第一预处理神经网络的网络参数与每个所述第二预处理神经网络的网络参数相同。

6.根据权利要求5所述的图像处理方法，其特征在于，在获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集之后，所述方法还包括：

利用每个所述第一预处理神经网络对每个所述第一预处理神经网络自身输出的每个所述第一对象特征参数进行计算，获得每个所述第一预处理神经网络输出的对每个所述第一对象特征的识别结果。

7.根据权利要求5所述的图像处理方法，其特征在于，在获得包含所述第一对象的多个第一对象特征参数的第一特征参数集，以及基于包含第二对象的第二图像，获得包含所述第二对象的多个第二对象特征参数的第二特征参数集之后，所述方法还包括：

利用每个所述第二预处理神经网络对每个所述第二预处理神经网络自身输出的每个所述第二对象特征参数进行计算，获得每个所述第二预处理神经网络输出的对每个所述第二对象特征的识别结果。

8.根据权利要求1-7任一权项所述的图像处理方法，其特征在于，

多个所述对象特征包括：所述对象的外形特征、所述对象的整体颜色特征、所述对象的局部颜色特征和所述对象上的标识特征中的至少一种特征。

9.一种图像处理装置，其特征在于，所述装置包括：

图像获得模块，用于获得包含第一对象的第一图像；

特征提取模块，用于获得所述第一对象上的多个第一对象特征，以及基于包含第二对象的第二图像，获得所述第二对象上的多个第二对象特征；

相似度计算模块，用于对所述多个第一对象特征和所述多个第二对象特征进行相似度计算，获得计算结果；

对象判断模块，用于根据所述计算结果，确定所述第一对象和所述第二对象是否为同一对象。

10.一种电子设备，其特征在于，所述电子设备包括：处理器，存储器，总线和通信模块；

所述处理器、所述通信模块和存储器通过所述总线连接；

所述存储器，用于存储程序；

所述处理器，用于通过调用存储在所述存储器中的程序以执行如权利要求1-8任一权项所述的图像处理方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如权利要求1-8任一权项所述的图像处理方法。