CN114417959B - 特征提取的相关方法、目标识别方法、相关设备以及装置 - Google Patents

特征提取的相关方法、目标识别方法、相关设备以及装置 Download PDF

Info

Publication number
CN114417959B
CN114417959B CN202111478775.6A CN202111478775A CN114417959B CN 114417959 B CN114417959 B CN 114417959B CN 202111478775 A CN202111478775 A CN 202111478775A CN 114417959 B CN114417959 B CN 114417959B
Authority
CN
China
Prior art keywords
feature
conversion
image
features
image feature
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.)
Active
Application number
CN202111478775.6A
Other languages
English (en)
Other versions
CN114417959A (zh
Inventor
张坤
朱树磊
殷俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202111478775.6A priority Critical patent/CN114417959B/zh
Publication of CN114417959A publication Critical patent/CN114417959A/zh
Application granted granted Critical
Publication of CN114417959B publication Critical patent/CN114417959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种特征提取的相关方法、目标识别方法、相关设备以及装置，其中，特征提取方法包括：获取到训练样本，并分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征；利用训练中的特征转换模型基于第二特征的特征类型对第一特征进行特征转换，得到第一特征的转换特征；基于第二特征与转换特征之间的差异，调整训练中的特征转换模型，得到训练后的特征转换模型。通过上述方式，本发明能够利用训练后的特征转换模型能够实现特征的类型转换，提高特征的适用范围和应用场景。

Description

特征提取的相关方法、目标识别方法、相关设备以及装置
技术领域
本发明涉及特征提取领域，特别是涉及特征提取的相关方法、目标识别方法、相关设备以及装置。
背景技术
目前，随着深度学习方法的发展，各种特征处理技术已成功用于生活中的各个角落。比如特征识别、特征对比或特征提取已经在安保、门禁、大数据等场景广泛应用。
但是，目前不同特征提取算法模型提取到的相关特征的类型并不相同，而不同类型的特征之间并不兼容，比如：图像算法A提取到的图像特征无法和图像算法B提取到的图像特征进行比对，从而进行识别。声音算法C提取到的语音特征就无法和声音算法D提取到的语音特征进行比对，从而进行识别。
因此，一旦特征所采用的特征提取算法与目标应用场景特征提取算法的不同，就需要重新提取相应的特征，从而极大的浪费了存储空间，增加了特征应用难度，局限了特征的适用范围。
发明内容
本发明提供了一种特征提取的相关方法、目标识别方法、相关设备以及装置，以降低特征的应用难度，提高特征的适用范围和应用场景。
为解决上述技术问题，本发明提供一种特征提取方法，包括：获取到训练样本，并分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征；利用训练中的特征转换模型基于第二特征的特征类型对第一特征进行特征转换，得到第一特征的转换特征；基于第二特征与转换特征之间的差异，调整训练中的特征转换模型，得到训练后的特征转换模型。
其中，训练样本的数量包括N个，N为大于1的整数；基于第二特征与转换特征之间的差异，调整训练中的特征转换模型，得到训练后的特征转换模型，包括：分别确定N个训练样本中各训练样本对应的第二特征与转换特征之间的个体特征差异；综合各训练样本的个体特征差异，确定N个训练样本的整体特征差异；利用整体特征差异，调整训练中的特征转换模型，得到训练后的特征转换模型。
其中，综合各训练样本的个体特征差异，确定N个训练样本的整体特征差异，包括：通过计算各训练样本的个体特征差异之间的均值，确定N个训练样本的整体特征差异。
其中，分别确定N个训练样本中各训练样本对应的第二特征与转换特征之间的个体特征差异，包括：对第一特征的转换特征进行转置，得到转换特征的转置，并将转换特征与转换特征的转置进行相乘，得到第一乘积；以及对第二特征进行转置，得到第二特征的转置，并将第二特征与第二特征的转置进行相乘，得到第二乘积；基于第一乘积与第二乘积之间的差值确定个体特征差异。
其中，利用训练中的特征转换模型基于第二特征的特征类型对第一特征进行特征转换，得到第一特征的转换特征的步骤包括：利用训练中的特征转换模型基于第二特征的特征类型调整第一特征的特征维度，以及对调整后的第一特征进行非线性映射，得到转换特征。
为解决上述技术问题，本发明还提供了一种图像特征提取方法，图像特征提取方法包括：获取到待处理图像，并对待处理图像进行特征提取，得到待处理图像的图像特征；通过图像特征转换模型对图像特征进行转换，得到与图像特征的特征类型不同的转换图像特征；其中，图像特征转换模型包括上述任一项的特征提取方法中的特征转换模型。
为解决上述技术问题，本发明还提供了一种目标识别方法，目标识别方法包括：获取到待识别对象，并对待识别对象进行特征提取，得到待识别对象中待识别目标的目标特征；将目标特征输入到特征转换模型中进行特征转换，得到与目标特征的特征类型不同的转换特征；利用转换特征对待识别目标进行识别；其中，特征转换模型包括上述任一项的特征提取方法中的特征转换模型。
其中，利用转换特征对待识别目标进行识别，包括：基于转换特征与至少一个标准特征之间的相似度，对待识别目标进行识别；其中，转换特征的特征类型与标准特征的特征类型相同。
其中，标准特征包括具备预设标签的特征；基于转换特征与至少一个标准特征之间的相似度，对待识别目标进行识别，包括：分别确定转换特征与各标准特征之间的相似度；响应于转换特征与各标准特征之间的相似度中存在大于预设阈值的目标相似度，将目标相似度对应的标准特征的标签确定为待识别目标的标签；其中，预设标签包括身份信息、操作权限以及身份权限中的一种或多种。
其中，利用转换特征对待识别目标进行识别，包括：利用识别算法或识别模型对待识别目标进行识别；其中，识别算法和识别模型与转换特征的特征类型相匹配。
为解决上述技术问题，本发明还提供了一种电子设备，电子设备包括：相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述任一项的特征提取方法或图像特征提取方法或目标识别方法。
为解决上述技术问题，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有程序数据，程序数据能够被执行以实现如上述任一项的特征提取方法或图像特征提取方法或目标识别方法。
本发明的有益效果是：区别于现有技术的情况，本发明通过分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征，并利用训练中的特征转换模型基于第二特征的特征类型对第一特征进行特征转换，得到第一特征的转换特征，然后基于第二特征与转换特征之间的差异，调整训练中的特征转换模型，得到训练后的特征转换模型，从而能够利用特征转换模型实现特征类型的转换，进而提高特征的适用范围和应用场景，且在特征提取算法更换的情况下，无需重新提取特征，而是通过特征转换模型对既有特征进行转换，得到能够直接进行应用的转换特征，进而降低了特征的应用难度，节省了多种特征的存储空间，降低了特征提取算法更换难度和周期，提高了特征的应用效率和可靠性。
附图说明
图1是本发明提供的特征提取方法一实施例的流程示意图；
图2是本发明提供的特征提取方法另一实施例的流程示意图；
图3是图2实施例中训练中的特征转换模型一实施方式的结构示意图；
图4是本发明提供的图像特征提取方法一实施例的流程示意图；
图5是本发明提供的目标识别方法一实施例的流程示意图；
图6是本发明提供的电子设备一实施例的结构示意图；
图7是本发明提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1是本发明提供的特征提取方法一实施例的流程示意图。
步骤S11：获取到训练样本，并分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征。
先获取到训练样本。其中，本实施例的训练样本可以包括图像、音频、指纹、气味等任意形式的数据。
分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征。其中，第一特征提取和第二特征提取所采用的特征提取算法不同，具体地，可以通过不同类型的特征提取模型、特征识别模型或特征提取算法分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征。
由于不同的特征提取算法在进行特征提取时的具体步骤不相同，其所得到的特征的维度、展现形式或侧重内容等特征数据也不相同，本实施例的特征类型基于特征的上述特征数据进行划分。
其中，特征提取算法需要与训练样本的类型对应。在一个具体的应用场景中，当训练样本为图像数据时，可以通过相应的图像特征提取算法分别对训练样本进行特征提取，得到第一图像特征和第二图像特征。在另一个具体的应用场景中，当训练样本为声音数据时，可以通过相应的语音提取算法分别对训练样本进行特征提取，得到第一语音特征和第二语音特征。具体地训练样本和特征提取模型或特征提取算法的类型可以基于实际需求进行设置，在此不做限定。
步骤S12：利用训练中的特征转换模型基于第二特征的特征类型对第一特征进行特征转换，得到第一特征的转换特征。
得到训练样本的第一特征和第二特征后，利用训练中的特征转换模型基于第二特征的特征类型对第一特征进行特征转换，得到第一特征的转换特征。
其中，训练中的特征转换模型用于基于第二特征的特征类型或其所对应特征提取算法对第一特征进行转换，本实施例通过对训练中的特征转换进行训练直至其能够实现上述转换功能，得到特征转换模型。
步骤S13：基于第二特征与转换特征之间的差异，调整训练中的特征转换模型，得到训练后的特征转换模型。
得到第一特征的转换特征后，基于第二特征与转换特征之间的差异，调整训练中的特征转换模型，得到训练后的特征转换模型。
在一个具体的应用场景中，可以通过损失函数计算第二特征与转换特征之间的差异，并调整训练中的特征转换模型，具体地，可以采取分布损失函数、交叉熵损失函数、指数损失函数、L2损失函数、Log-Cosh损失函数或其他损失函数等，具体在此不做限定。在另一个具体的应用场景中，也可以通过相关系数或其他数学工具确定第二特征与转换特征之间的差异。
计算得到第二特征与第一特征的转换特征之间的差异后，基于差异调整训练中的特征转换模型，得到训练后的特征转换模型。
在一个具体的应用场景中，可以基于差异通过优化算法调整训练中的特征转换模型，直至优化算法收敛，得到训练后的特征转换模，优化算法可以包括梯度下降法、回归损失函数、均方误差或其他优化算法等，具体在此不做限定。
在另一个具体的应用场景中，也可以基于差异调整训练中的特征转换模型，直至特征转换模型满足预设条件，其中，预设条件可以包括特征转换模型转换的转换特征与对应的第二特征之间的差异在预设差异范围内或者小于预设阈值。
训练后的特征转换模型能够基于第二特征的特征类型对第一特征进行转换，从而实现不同特征提取算法所提取出的特征之间的对应转换，进而能够提高特征的适用范围和应用场景，降低特征的局限性。
进行转换后的特征可以应用于特征识别或特征对比等应用场景。
通过上述步骤，本实施例的特征提取方法通过分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征，并利用训练中的特征转换模型基于第二特征的特征类型对第一特征进行特征转换，得到第一特征的转换特征，然后基于第二特征与转换特征之间的差异，调整训练中的特征转换模型，得到训练后的特征转换模型，从而能够利用特征转换模型实现特征类型的转换，进而提高特征的适用范围和应用场景，且在特征提取算法更换的情况下，无需重新提取特征，而是通过特征转换模型对既有特征进行转换，得到能够直接进行应用的转换特征，进而降低了特征的应用难度，节省了多种特征的存储空间，降低了特征提取算法更换难度和周期，提高了特征的应用效率和可靠性。
请参阅图2，图2是本发明提供的特征提取方法另一实施例的流程示意图。
步骤S21：获取到训练样本，并分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征。
获取到训练样本，并分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征。在一个具体的应用场景中，可以将训练样本分别输入到第一特征提取模型与第二特征提取模型中进行特征提取，得到训练样本的第一特征与第二特征。其中，第一特征提取模型与第二特征提取模型的特征提取算法不同。在一个具体的应用场景中，也可以直接通过不同的特征提取算法分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征。
其中，本实施例针对的是两种不同的特征提取算法之间的特征转换，当针对多种不同的特征提取算法之间的特征转换时，可以通过新增特征提取算法或特征提取模型进行特征提取，再基于所提取出的特征与目标特征之间的差异对新的特征转换模型进行训练，得到多个能够基于不同的特征提取算法进行转换的特征转换模型。在一个具体的应用场景中，当需要进行A、B、C三种特征提取算法之间的特征转换时，可以通过重复本实施例的特征提取方法，训练得到能够实现A-B转换的特征转换模型以及C-B转换的特征转换模型，从而实现A、B、C三种特征提取算法之间的特征转换。其他数量的特征提取算法之间的特征转换与本应用场景类似，在此不再赘述。
本实施例的训练样本的数量为包括N个，N为大于1的整数。具体地，训练样本的数量可以为10000、20000、50000等，训练样本的数量越多，最终得到的特征转换模型的精度越高，具体数量不做限定，而训练样本的获取可以基于性别、年纪等属性进行对应获取，以提高训练样本的多样性，进而提高最终所获得的特征转换模型在实际识别过程中的转换精度。例如：男性样本5000份，女性样本5000份，0-10岁样本1000份、10-20样本1000份、20-30岁样本1000份......依次类推。
本步骤分别对N个训练样本进行第一特征提取和第二特征提取，得到N个训练样本分别对应的N个第一特征与N个第二特征。
步骤S22：利用训练中的特征转换模型基于第二特征的特征类型调整第一特征的特征维度，以及对调整后的第一特征进行非线性映射，得到转换特征。
获取到N个第一特征与N个第二特征后，利用训练中的特征转换模型分别基于N个第二特征的特征类型调整对应的第一特征的特征维度，以及对调整后的第一特征进行非线性映射，直至得到N个转换特征。
在一个具体的实施方式中，本实施例的特征转换模型包括层级互联的第一全连接层、第一激活函数、第二全连接层以及第二激活函数。
先通过训练中的特征转换模型的第一全连接层与第一激活函数对各训练样本的第一特征进行特征维度调整以及非线性映射，得到调整特征，再依次通过训练中的特征转换模型的第二全连接层与第二激活函数对各训练样本的调整特征再次进行特征维度调整以及非线性映射，得到各训练样本的第一特征对应的转换特征。其中，全连接层用于基于第二特征的维度或第二特征对应的特征提取算法的提取维度对第一特征的特征维度进行调整，而激活函数用于基于第二特征或第二特征对应的特征提取算法对第一特征进行非线性映射。
在一个具体的应用场景中，当第二特征的维度为16*16，而第一特征的维度为20*20时，通过特征转换模型的全连接层基于第二特征的维度将第一特征的维度转换为16*16。激活函数的调整与本应用场景类似。
本实施例设置双重全连接层和激活函数对第一特征进行两次特征维度调整以及非线性映射，从而再对第一特征进行特征维度调整以及非线性映射后，再次进行特征维度调整以及非线性映射，从而提高特征转换模型调整特征的精度与准确率。
请参阅图3，图3是图2实施例中训练中的特征转换模型一实施方式的结构示意图。
本实施例的训练中的特征转换模型30包括层级互联的第一全连接层31、第一激活函数32、第二全连接层33以及第二激活函数34。
当训练中的特征转换模型30接收到训练样本的第一特征时，先依次通过训练中的特征转换模型30的第一全连接层31与第一激活函数32对第一特征进行特征维度调整以及非线性映射，得到调整特征；再依次通过训练中的特征转换模型30的第二全连接层33与第二激活函数34对调整特征再次进行特征维度调整以及非线性映射，得到转换特征。
最终得到的训练后的特征转换模型与训练中的特征转换模型30的结构以其作用相同。
其中，激活函数包括Prelu激活函数。即第一激活函数32和第二激活函数34都可以包括Prelu激活函数，从而能够利用Prelu激活函数收敛较快、可学习性提高初始模型对特征进行转化的效率和可靠性。在其他实施例中，激活函数也可以包括其他激活函数。
步骤S23：分别确定N个训练样本中各训练样本对应的第二特征与转换特征之间的个体特征差异；综合各训练样本的个体特征差异，确定N个训练样本的整体特征差异；利用整体特征差异，调整训练中的特征转换模型，得到训练后的特征转换模型。
得到N个转换特征后，分别确定N个训练样本中各训练样本对应的第二特征与转换特征之间的个体特征差异，再综合各训练样本的个体特征差异，确定N个训练样本的整体特征差异，最后利用训练样本的整体特征差异，调整训练中的特征转换模型，得到训练后的特征转换模型。
具体地，确定各训练样本对应的第二特征与转换特征之间的个体特征差异的步骤可以包括：先对某个训练样本的第一特征的转换特征进行转置，得到转换特征的转置，并将转换特征与转换特征的转置进行相乘，得到第一乘积；以及对与第一特征对应的第二特征进行转置，得到第二特征的转置，并将第二特征与第二特征的转置进行相乘，得到第二乘积；并基于第一乘积与第二乘积之间的差值确定该训练样本的个体特征差异。
通过上述方法得到N个训练样本的个体差异后，通过计算各训练样本的个体特征差异之间的均值，确定N个训练样本的整体特征差异。
在一个具体的实施方式中，可以通过下列公式计算各第二特征与对应的转换特征之间的整体特征差异：
Figure BDA0003394621990000091
其中，Ldis为各第二特征与对应的第一特征的转换特征之间的整体特征差异，N为训练样本的数量，f(F1)为第一特征的转换特征，f(F1)′为
第一特征的转换特征的转置，F2为第二特征，F′2为第二特征的转置，ABS表示取绝对值，SUM表示求和。ABS(f(F1)*f(F1)′-F2*F2′)为个体特征差异。
其中，N所指的训练样本的特征数量同样为第一特征和第二特征的个数，当训练样本为10个时，第一特征和第二特征的个数也为10个，则N为10。
在其他实施方式中，计算各第二特征与对应的转换特征之间的整体特征差异的步骤也可以采用其他公式进行，在此不做限定。
最后利用整体特征差异，调整训练中的特征转换模型的参数，得到训练后的特征转换模型，本步骤的特征转换模型的训练，利用基于个体特征差异获得的整体特征差异进行，能够在考虑了单个个体特征差异进行训练的同时，增加整体特征差异的差异训练，从而能够通过双重监督，提升最终得到的特征转换模型的精度。
在一个具体的应用场景中，获取到各第一特征对应的转换特征后，也可以基于分布损失函数计算各训练样本的第二特征与对应的转换特征之间的差异。其中，分布损失函数既可以表征各转换特征和对应的第二特征之间的分布的差异，也可以表征整体转换特征和整体第二特征之间的分布的差异。因此，通过分布损失函数来监督特征转换模型的训练，能够在考虑了单个训练样本的差异训练的同时，增加整体样本的分布差异训练，从而能够通过双重监督，提升最终得到的特征转换模型的精度。
训练完成后的图像特征转换模型能够准确地进行两种不同的图像识别算法所提取出的图像特征之间的转换，从而提高对应的图像特征提取模型的应用范围和适用场景，使得图像特征提取模型既能够基于自身所提取出的特征进行图像识别，还能将自身所提取出的特征通过图像特征转换模型进行转换后再进行图像识别。
通过上述步骤，本实施例的特征提取方法通过分别对训练样本进行第一特征提取和第二特征提取，得到特征类型不同的第一特征和第二特征，再利用训练中的特征转换模型基于第二特征的特征类型调整第一特征的特征维度，以及对调整后的第一特征进行非线性映射，得到转换特征，能够通过双重全连接层与激活函数对第一特征进行重复特征维度调整以及非线性映射来提高特征转换模型的转换精度和准确率。最后分别确定N个训练样本中各训练样本对应的第二特征与转换特征之间的个体特征差异；综合各训练样本的个体特征差异，确定N个训练样本的整体特征差异；利用整体特征差异，调整训练中的特征转换模型，得到训练后的特征转换模型，既能够在考虑了训练样本的个体特征差异的差异训练的同时，增加训练样本的整体特征差异训练，从而能够通过双重监督，提升最终得到的特征转换模型的精度。本实施例能够利用特征转换模型实现特征类型的转换，进而提高特征的适用范围和应用场景，且在特征提取算法更换的情况下，无需重新提取特征，而是通过特征转换模型对既有特征进行转换，得到能够直接进行应用的转换特征，进而降低了特征的应用难度，节省了多种特征的存储空间，降低了特征提取算法更换难度和周期，提高了特征的应用效率和可靠性。而本实施例还无需训练样本本身具备身份标签，从而避免了身份标签有误而对特征转换模型的精度的影响，且简化了训练数据，提高的训练的效率和准确性。最终得到的特征转换模型简单，易于训练和部署，实际使用过程中的耗时较短。
请参阅图4，图4是本发明提供的图像特征提取方法一实施例的流程示意图。
步骤S41：获取到待处理图像，并对待处理图像进行特征提取，得到待处理图像的图像特征。
先获取到待处理图像，并对待处理图像进行特征提取，得到待处理图像的图像特征。其中，特征提取的图像特征提取算法可以包括LBP(Local Binary Pattern，局部二值模式)算法、Haar-like特征算法或方向梯度直方图(Histogram of Oriented Gradient，HOG)特征算法等，具体在此不做限定。
步骤S42：通过图像特征转换模型对图像特征进行转换，得到与图像特征的特征类型不同的转换图像特征。
通过图像特征转换模型对图像特征进行转换，得到与图像特征的特征类型不同的转换图像特征。即转换图像特征的特征类型与图像特征的特征类型不同，本实施例可以利用转换图像特征进行特征识别或特征对比等多种应用场景的应用。
本实施例的图像特征转换模型包括上述任意一实施例的特征提取方法中的特征转换模型，从而能够利用图像特征转换模型实现图像特征类型的转换，进而提高图像特征的适用范围和应用场景，且在图像特征提取算法更换的情况下，无需重新提取特征，而是通过图像特征转换模型对既有的图像特征进行转换，得到能够直接进行应用的图像转换特征，进而降低了图像特征的应用难度，节省了多种图像特征的存储空间，降低了图像特征提取算法更换难度和周期，提高了图像特征的应用效率和可靠性。
请参阅图5，图5是本发明提供的目标识别方法一实施例的流程示意图。
步骤S51：获取到待识别对象，并对待识别对象进行特征提取，得到待识别对象中待识别目标的目标特征。
先获取到待识别对象，并对待识别对象进行特征提取，得到待识别对象中待识别目标的目标特征。本实施例的待识别对象可以包括图像、音频、指纹、气味等任意形式的数据。而待识别目标可以基于实际需求进行选择，例如为：人脸、目标频率或目标分子等，具体在此不做限定。
在一个具体的应用场景中，当待识别对象为图像时，可以通过安装在指定场所的摄像头实时拍摄待识别目标的待识别图像，进而对待识别图像进行特征提取，从而实时得到待识别图像中待识别目标的目标特征。在另一个具体的应用场景中，也可以在通过安装在指定场所的摄像头拍摄待识别目标的待识别图像的数量达到预设数量后，对预设数量的待识别图像进行特征提取，从而得到各待识别对象的目标特征。
步骤S52：将目标特征输入到特征转换模型中进行特征转换，得到与目标特征的特征类型不同的转换特征。
将待识别对象的目标特征输入到特征转换模型中进行特征转换得到转换特征。其中，特征转换模型包括上述任一实施例中训练得到的特征转换模型。
特征转换模型能够对目标特征进行转换，得到与目标特征的特征类型不同的转换特征。
步骤S53：利用转换特征对待识别目标进行识别。
在一个具体的实施方式中，利用转换特征对待识别目标进行识别的步骤可以包括：基于转换特征与至少一个标准特征之间的相似度，对待识别目标进行识别，其中，至少一个标准特征可以为识别底库中所存储的标准特征。
其中，转换特征的特征类型与标准特征的特征类型相同，本实施例通过特征转换模型对目标特征进行转换，得到特征类型与标准特征的特征类型相同的转换特征，从而便于利用至少一个标准特征对待识别目标进行识别。
在一个具体的实施方式中，可以先分别确定转换特征与各标准特征之间的相似度，并响应于转换特征与各标准特征之间的相似度中存在大于预设阈值的目标相似度，将目标相似度对应的标准特征的标签确定为待识别目标的标签，从而完成对待识别目标的识别。其中，预设阈值可以基于实际情况进行设置，在此不做限定。
其中，预设标签包括身份信息、操作权限以及身份权限或其他标签信息中的一种或多种。
在另一个具体的实施方式中，利用转换特征对待识别目标进行识别的步骤还可以包括：基于识别算法或识别模型直接利用所述转换特征对待识别目标进行识别，得到待识别目标的识别结果；其中，识别算法和识别模型与转换特征的特征类型相匹配。
通过上述步骤，本实施例的目标识别方法能够利用特征转换模型实现目标特征的特征类型的转换，从而能够提高目标特征的应用范围，使其既可以基于目标特征进行识别，也可以通过目标特征经转换后的转换特征进行识别，从而在识别算法更换的情况下避免重复特征提取，降低识别复杂度，节省存储空间。
在其他实施例中，获取到待识别对象，并对待识别对象进行特征提取，得到待识别对象中待识别目标的目标特征的步骤之前还包括：获取到多张标准图像，并对多张标准图像进行特征提取，得到标准特征，将标准特征及其对应的标签信息进行存储，得到识别底库。其中，本步骤对多张标准图像进行特征提取时，所采取的特征提取算法与步骤S51中的特征提取的特征提取算法不同。
本实施例的特征转换模型能够利于标准特征的特征类型对目标特征进行转换，从而与标准特征的特征类型相匹配，便于对比识别，能够提高目标特征的识别效率，降低目标特征的识别难度。
基于同样的发明构思，本发明还提出了一种电子设备，该电子设备能够被执行以实现上述任一实施例的特征提取方法或图像特征提取方法或目标识别方法，请参阅图6，图6是本发明提供的电子设备一实施例的结构示意图，电子设备包括处理器61以及存储器62。
处理器61用于执行存储器62中存储的程序指令，以实现上述任一特征提取方法实施例或图像特征提取方法实施例或目标识别方法实施例的步骤。在一个具体的实施场景中，电子设备可以包括但不限于：微型计算机、服务器，此外，电子设备还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器61用于控制其自身以及存储器62以实现上述任一实施例的步骤。处理器61还可以称为CPU(Central Processing Unit，中央处理单元)。处理器61可能是一种集成电路芯片，具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器61可以由集成电路芯片共同实现。
上述方案，能够利用训练后的特征转换模型能够实现特征的类型转换，提高特征的适用范围和应用场景。
基于同样的发明构思，本发明还提出了一种计算机可读存储介质，请参阅图7，图7是本发明提供的计算机可读存储介质一实施例的结构示意图。计算机可读存储介质70中存储有至少一个程序数据71，程序数据71用于实现上述任一方法。在一个实施例中，计算机可读存储介质70包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像特征提取方法，其特征在于，包括：
获取到训练样本，并分别对训练样本进行第一图像特征提取和第二图像特征提取，得到特征类型不同的第一图像特征和第二图像特征；
利用训练中的图像特征转换模型基于所述第二图像特征的特征类型对所述第一图像特征进行特征转换，得到所述第一图像特征的转换图像特征；
基于所述第二图像特征与所述转换图像特征之间的差异，调整所述训练中的图像特征转换模型，得到训练后的图像特征转换模型；
其中，所述训练样本的数量包括N个，所述N为大于1的整数；
所述基于所述第二图像特征与所述转换图像特征之间的差异，调整所述训练中的图像特征转换模型，得到训练后的图像特征转换模型，包括：
分别确定所述N个训练样本中各训练样本对应的第二图像特征与转换图像特征之间的个体特征差异；
通过计算各所述训练样本的个体特征差异之间的均值，确定所述N个训练样本的整体特征差异；
利用所述整体特征差异，调整所述训练中的图像特征转换模型，得到所述训练后的图像特征转换模型。
2.根据权利要求1所述的图像特征提取方法，其特征在于，所述分别确定所述N个训练样本中各训练样本对应的第二图像特征与转换图像特征之间的个体特征差异，包括：
对所述第一图像特征的转换图像特征进行转置，得到所述转换图像特征的转置，并将所述转换图像特征与所述转换图像特征的转置进行相乘，得到第一乘积；以及
对所述第二图像特征进行转置，得到所述第二图像特征的转置，并将所述第二图像特征与所述第二图像特征的转置进行相乘，得到第二乘积；
基于所述第一乘积与所述第二乘积之间的差值确定所述个体特征差异。
3.根据权利要求1或2所述的图像特征提取方法，其特征在于，所述利用训练中的图像特征转换模型基于所述第二图像特征的特征类型对所述第一图像特征进行特征转换，得到所述第一图像特征的转换图像特征的步骤包括：
利用训练中的图像特征转换模型基于所述第二图像特征的特征类型调整所述第一图像特征的特征维度，以及对调整后的所述第一图像特征进行非线性映射，得到所述转换图像特征。
4.一种图像特征提取方法，其特征在于，所述图像特征提取方法包括：
获取到待处理图像，并对待处理图像进行特征提取，得到所述待处理图像的图像特征；
通过图像特征转换模型对所述图像特征进行转换，得到与所述图像特征的特征类型不同的转换图像特征；
其中，所述图像特征转换模型包括权利要求1-3任一项所述的图像特征提取方法中的图像特征转换模型。
5.一种目标识别方法，其特征在于，所述目标识别方法包括：
获取到待识别对象，并对所述待识别对象进行特征提取，得到所述待识别对象中待识别目标的目标特征；
将所述目标特征输入到特征转换模型中进行特征转换，得到与所述目标特征的特征类型不同的转换特征；
利用所述转换特征对所述待识别目标进行识别；
其中，所述特征转换模型包括上述权利要求1-3任一项所述的图像特征提取方法中的图像特征转换模型。
6.根据权利要求5所述的目标识别方法，其特征在于，所述利用所述转换特征对所述待识别目标进行识别，包括：
基于所述转换特征与至少一个标准特征之间的相似度，对所述待识别目标进行识别；
其中，所述转换特征的特征类型与所述标准特征的特征类型相同。
7.根据权利要求6所述的目标识别方法，其特征在于，所述标准特征包括具备预设标签的特征；
基于所述转换特征与至少一个标准特征之间的相似度，对所述待识别目标进行识别，包括：
分别确定所述转换特征与各标准特征之间的相似度；
响应于所述转换特征与各标准特征之间的相似度中存在大于预设阈值的目标相似度，将所述目标相似度对应的标准特征的标签确定为所述待识别目标的标签；
其中，所述预设标签包括身份信息、操作权限以及身份权限中的一种或多种。
8.根据权利要求5所述的目标识别方法，其特征在于，所述利用所述转换特征对所述待识别目标进行识别，包括：
基于识别算法或识别模型利用所述转换特征对待识别目标进行识别；
其中，所述识别算法和所述识别模型与所述转换特征的特征类型相匹配。
9.一种电子设备，其特征在于，所述电子设备包括：相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现如权利要求1至3任一项所述的图像特征提取方法或如权利要求4所述的图像特征提取方法或如权利要求5-8任一项所述的目标识别方法。
10.一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存储有程序数据，所述程序数据能够被执行以实现如权利要求1至3任一项所述的图像特征提取方法或如权利要求4所述的图像特征提取方法或如权利要求5-8任一项所述的目标识别方法。
CN202111478775.6A 2021-12-06 2021-12-06 特征提取的相关方法、目标识别方法、相关设备以及装置 Active CN114417959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111478775.6A CN114417959B (zh) 2021-12-06 2021-12-06 特征提取的相关方法、目标识别方法、相关设备以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111478775.6A CN114417959B (zh) 2021-12-06 2021-12-06 特征提取的相关方法、目标识别方法、相关设备以及装置

Publications (2)

Publication Number Publication Date
CN114417959A CN114417959A (zh) 2022-04-29
CN114417959B true CN114417959B (zh) 2022-12-02

Family

ID=81264806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111478775.6A Active CN114417959B (zh) 2021-12-06 2021-12-06 特征提取的相关方法、目标识别方法、相关设备以及装置

Country Status (1)

Country Link
CN (1) CN114417959B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990432A (zh) * 2021-03-04 2021-06-18 北京金山云网络技术有限公司 目标识别模型训练方法、装置及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1161753A (zh) * 1994-10-24 1997-10-08 奥林公司 模型预测控制装置与方法
US20200085382A1 (en) * 2017-05-30 2020-03-19 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
CN111914908B (zh) * 2020-07-14 2023-10-24 浙江大华技术股份有限公司 一种图像识别模型训练方法、图像识别方法及相关设备
CN112633154B (zh) * 2020-12-22 2022-07-22 云南翼飞视科技有限公司 一种异源人脸特征向量之间的转换方法及***
CN112801014A (zh) * 2021-02-08 2021-05-14 深圳市华付信息技术有限公司 一种可兼容不同版本模型的特征对比识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990432A (zh) * 2021-03-04 2021-06-18 北京金山云网络技术有限公司 目标识别模型训练方法、装置及电子设备

Also Published As

Publication number Publication date
CN114417959A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN110362677B (zh) 文本数据类别的识别方法及装置、存储介质、计算机设备
CN108764195B (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
WO2017088432A1 (zh) 图像识别方法和装置
Kumar et al. Extraction of informative regions of a face for facial expression recognition
CN110598603A (zh) 人脸识别模型获取方法、装置、设备和介质
CN112233698A (zh) 人物情绪识别方法、装置、终端设备及存储介质
CN111400528B (zh) 一种图像压缩方法、装置、服务器及存储介质
CN112584062B (zh) 背景音频构建方法及装置
CN111476310B (zh) 一种图像分类方法、装置及设备
CN116580257A (zh) 特征融合模型训练及样本检索方法、装置和计算机设备
CN113255557A (zh) 一种基于深度学习的视频人群情绪分析方法及***
CN108108769B (zh) 一种数据的分类方法、装置及存储介质
CN114463805B (zh) 深度伪造检测方法、装置、存储介质及计算机设备
Hameed et al. Content based image retrieval based on feature fusion and support vector machine
CN111640438B (zh) 音频数据处理方法、装置、存储介质及电子设备
Yan et al. A parameter-free framework for general supervised subspace learning
CN114692809A (zh) 基于神经集群的数据处理方法及装置、存储介质、处理器
US20230350973A1 (en) Methods and Systems for Multilinear Discriminant Analysis Via Invariant Theory for Data Classification
CN114417959B (zh) 特征提取的相关方法、目标识别方法、相关设备以及装置
Lazebnik et al. An empirical bayes approach to contextual region classification
CN110765917A (zh) 适用于人脸识别模型训练的主动学习方法、装置、终端、介质
US11334772B2 (en) Image recognition system, method, and program, and parameter-training system, method, and program
CN111767710B (zh) 印尼语的情感分类方法、装置、设备及介质
Li et al. Multi-level Fisher vector aggregated completed local fractional order derivative feature vector for face recognition
CN114445916A (zh) 一种活体检测方法、终端设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant