目标识别模型的训练方法、目标识别方法及电子设备与流程

1.本发明涉及目标识别技术领域，具体涉及目标识别模型的训练方法、目标识别方法及电子设备。


背景技术：

2.目标识别技术已经被广泛应用，例如，人脸识别技术已被广泛地用于安防、金融等多个领域，它是利用计算机分析人脸图像从中获取有效的识别信息用于辨认身份的一门技术。目前使用的目标识别模型为了保证其识别效果，一般是使用高质量与低质量的图像进行训练，而在实际应用场合中，环境会更加复杂，会给目标识别带来很多干扰因素，进而影响其识别性能，导致识别效果不佳。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种目标识别模型的训练方法、目标识别方法及电子设备，以解决现有的在复杂环境下目标识别模型的识别效果不佳的问题。
4.根据第一方面，本发明实施例提供了一种目标识别模型的训练方法，包括：
5.获取预设识别模型以及获取样本数据集，所述预设识别模型是基于第一质量图像训练得到的，所述样本数据集包括第一质量图像以及第二质量图像，所述第一质量图像的质量高于所述第二质量图像的质量；
6.对所述样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于所述第一采样数据集训练所述预设识别模型，确定第一识别模型；
7.对所述样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，并基于所述第二采样数据集训练所述预设识别模型，确定第二识别模型；
8.对所述第一识别模型与所述第二识别模型进行特征层融合，确定目标识别模型。
9.本发明实施例提供的目标识别模型的训练方法，由于复杂环境下的样本一般都是第二质量图像，在训练中加入了低质域的训练样本，并结合训练方式和域损失，使第二质量图像的特征和第一质量图像的特征接近，使其识别效果靠近第一质量图像的识别效果，同时对具有互补性的两个模型进行结合，保证所得到的目标识别模型对于第一质量图像和第二质量图像的识别效果都会提高；且在训练过程中基于预设识别模型进行，在此基础上进行两个识别模型的训练，可以在提高识别效果的基础上不影响训练效率。
10.结合第一方面，在第一方面第一实施方式中，所述对所述样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，包括：
11.获取所述预设识别模型的输入样本数量；
12.基于所述输入样本数量按照1:1的比例，确定每次训练时所述第一质量图像以及所述第二质量图像的数量；
13.基于确定出的所述第一质量图像以及所述第二质量图像的数量，在所述样本数据集中进行采样，得到每次训练时的所述第一采样数据集。
14.本发明实施例提供的目标识别模型的训练方法，通过按照1:1的比例进行第一质量图像以及第二质量图像的提取，用于形成每次训练所采用的第一采样数据集，将第一质量图像作为原始域且第二质量图像作为目标域，使得第二质量图像的识别效果向第一质量图像靠近。
15.结合第一方面或第一方面第一实施方式，在第一方面第二实施方式中，所述对所述样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，包括：
16.获取所述预设识别模型的输入样本数量以及获取所述样本数据集中所述第一质量图像与所述第二质量图像的数量比例；
17.基于所述输入样本数量按照所述数量比例，确定每次训练时所述第一质量图像以及所述第二质量图像的数量；
18.基于确定出的所述第一质量图像以及所述第二质量图像的数量，在所述样本数据集中进行采样，得到每次训练时的所述第二采样数据集。
19.本发明实施例提供的目标识别模型的训练方法，依据样本数据集中第一质量图像与第二质量图像的数量比例进行第二采样数据集的确定，后续在训练时可以通过两种质量图像实现互补。
20.结合第一方面，在第一方面第三实施方式中，所述对所述第一识别模型与所述第二识别模型进行特征层融合，确定目标识别模型，包括：
21.将所述第一识别模型与所述第二识别模型中的特征层后分别接入归一化层；
22.将两个所述归一化层进行融合，以确定所述目标识别模型。
23.本发明实施例提供的目标识别模型的训练方法，在特征层进行归一化连接后进行融合，使得所得到的目标识别模型能够结合两个模型的优点，提高目标识别模型的识别准确性。
24.结合第一方面，在第一方面第四实施方式中，所述获取预设识别模型，包括：
25.将所述第一质量图像输入识别模型中，得到所述识别模型的特征层输出以及所述识别模型的分类层输出；
26.分别基于所述特征层输出以及所述分类层输出进行相应的损失函数计算，以更新所述识别模型的参数，确定所述预设识别模型。
27.本发明实施例提供的目标识别模型的训练方法，通过在特征层以及分类层分别进行损失函数计算，以对识别模型的参数进行更新，保证了所训练得到的预设识别模型的准确性。
28.根据第二方面，本发明实施例还提供了一种目标识别方法，包括：
29.获取待识别图像；
30.将所述待识别图像输入目标识别模型中，确定所述待识别图像的待匹配特征，所述目标识别模型是根据本发明第一方面，或第一方面任一实施方式中所述的目标识别模型的训练方法训练得到的；
31.将所述待匹配特征与各个目标特征进行匹配，确定所述待识别图像对应的目标识别结果。
32.本发明实施例提供的目标识别方法，由于目标识别模型是通过对具有互补性的两
个模型进行结合得到的，保证所得到的目标识别模型对于第一质量图像和第二质量图像的识别效果都会提高，基于此，利用该目标识别模型对待识别图像进行识别，可以提高待匹配特征的准确性，进而提高了目标识别结果的准确性。
33.根据第三方面，本发明实施例提供了一种目标识别模型的训练装置，包括：
34.第一获取模块，用于获取预设识别模型以及获取样本数据集，所述预设识别模型是基于第一质量图像训练得到的，所述样本数据集包括第一质量图像以及第二质量图像，所述第一质量图像的质量高于所述第二质量图像的质量；
35.第一训练模块，用于对所述样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于所述第一采样数据集训练所述预设识别模型，确定第一识别模型；
36.第二训练模块，用于对所述样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，并基于所述第二采样数据集训练所述预设识别模型，确定第二识别模型；
37.融合模块，用于对所述第一识别模型与所述第二识别模型进行特征层融合，确定目标识别模型。
38.根据第四方面，本发明实施例还提供了一种目标识别装置，包括：
39.第二获取模块，用于获取待识别图像；
40.确定模块，用于将所述待识别图像输入目标识别模型中，确定所述待识别图像的待匹配特征，所述目标识别模型是根据本发明第一方面，或第一方面任一实施方式中所述的目标识别模型的训练方法训练得到的；
41.匹配模块，用于将所述待匹配特征与各个目标特征进行匹配，确定所述待识别图像对应的目标识别结果。
42.根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的目标识别模型的训练方法，或执行第二方面或者第二方面的任意一种实施方式中所述的目标识别方法。
43.根据第六方面，本发明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存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的目标识别模型的训练方法，或执行第二方面或者第二方面的任意一种实施方式中所述的目标识别方法。
44.需要说明的是，本发明实施例提供的目标识别模型的训练装置、目标识别装置、电子设备以及计算机可读存储介质的相应有益效果，请参见上文关于目标识别模型的训练方法或目标识别方法的对应描述，在此不再赘述。
附图说明
45.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
46.图1是根据本发明实施例的目标识别模型的训练方法的流程图；
47.图2a是根据本发明实施例的预设识别模型的结构示意图；
48.图2b是根据本发明实施例的预设识别模型的训练结构示意图；
49.图3是根据本发明实施例的目标识别模型的训练方法的流程图；
50.图4是根据本发明实施例的目标识别模型的结构示意图；
51.图5是根据本发明实施例的目标识别模型的训练方法的流程图；
52.图6是根据本发明实施例的目标识别模型的训练装置的结构框图；
53.图7是根据本发明实施例的目标识别装置的结构框图；
54.图8是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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。
56.本发明实施例提供的目标识别方法，可以应用于人脸识别、车辆识别、标签识别等等，在此对其应用场景并不做任何限定，具体可以根据实际需求收集相应场景下的样本数据进行目标识别模型的训练即可。
57.根据本发明实施例，提供了一种目标识别模型的训练方法或目标识别方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
58.在本实施例中提供了一种目标识别模型的训练方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例的目标识别模型的训练方法的流程图，如图1所示，该流程包括如下步骤：
59.s11，获取预设识别模型以及获取样本数据集。
60.其中，所述预设识别模型是基于第一质量图像训练得到的，所述样本数据集包括第一质量图像以及第二质量图像，所述第一质量图像的质量高于所述第二质量图像的质量。
61.第一质量图像也可称之为高质量图像，即高质图像，其可以来源于公开的数据集或可控环境下采集的图像；第二质量图像也可以称之为低质量图像，即低质图像，其可以来源于复杂环境下采集的图像。当然，关于第一质量图像以及第二质量图像的来源并不限于上文所述，也可以通过其他方式采集得到，在此对其并不做任何限定。其中，将第一质量图像的集合称之为高质训练样本集，将第二质量图像的集合称之为低质训练样本集。样本数据集，就是高质训练样本集与低质训练样本集的组合。
62.预设识别模型可以是电子设备利用高质训练样本集中的高质图像训练得到的，也可以是其他设备训练后发送给电子设备的，在此对预设识别模型的获取方式并不限定，只需保证电子设备能够获取到该预设识别模型即可。其中，该预设识别模型的输入为图像，输
出为图像特征。
63.在本实施例的一些可选实施方式中，获取预设识别模型可以包括如下步骤：
64.(1)将第一质量图像输入识别模型中，得到识别模型的特征层输出以及识别模型的分类层输出。
65.(2)分别基于特征层输出以及分类层输出进行相应的损失函数计算，以更新识别模型的参数，确定预设识别模型。
66.识别模型包括特征提取网络以及分类层，其中，特征提取网络可以为残差网络，也可以为其他网络；分类层为全连接网络。电子设备将第一质量图像输入到识别模型中，分别获得识别模型的特征层输出以及识别模型的分类层输出。再分别基于特征层输出以及识别模型输出进行损失函数的计算，即，分别进行域损失计算以及分类损失计算，并基于损失函数的计算结果更新识别模型的参数，最终确定出预设识别模型。
67.如图2a所示，该识别模型包括输入层31(input)，卷积层32(conv)、池化层33(pooling)、残差单元34(resblock)、全连接层35(fc)，损失函数层36、37、归一化层38、连接层39，每层结构的描述参考下表1。
68.表1结构描述
69.层描述输入层输入图像数据卷积层提取输入的图像的特征池化层下采样resblock1 x 3连续3个残差单元相连resblock2 x 4连续4个残差单元相连resblock3 x 6连续6个残差单元相连resblock4 x 3连续3个残差单元相连全连层线性加权求和损失函数评估模型准确性归一化层将特征数据做归一化处理连接层将归一化后的特征进行连接
70.如图2b所示，在训练过程中，对全连接层fc1的输出即为特征层输出，fc2的输出即为分类层输出，分别对其进行损失函数的计算。fc1的输出进行域损失计算，fc2的输出进行分类损失计算。例如，分类损失函数为arcface损失函数，arcface损失函数通过下式表示：
[0071][0072]
其中，n为样本图像的总数，i为第i个样本图像，yi为第i个样本图像所属的类别标签，s为缩放系数，θ为识别模型的权重向量和第i个样本图像的训练特征的特征向量之间的角度间隔，t为角度边缘，训练特征包括第一训练特征，1≤i≤n。
[0073]
域损失函数为lmmd损失函数，lmmd损失函数通过下式表示：
[0074][0075]
其中p，q分别是原始域和目标域的分布，c是类别数，分别是分别是属于类c的权重，是特征层的输出。
[0076]
当然，具体损失函数的选择并不限于上文所述，可以根据采用其他损失函数，具体可以根据实际需求进行设置。
[0077]
通过在特征层以及分类层分别进行损失函数计算，以对识别模型的参数进行更新，保证了所训练得到的预设识别模型的准确性。
[0078]
s12，对样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于第一采样数据集训练预设识别模型，确定第一识别模型。
[0079]
第一采样即每次输入至预设识别模型的第一质量图像与第二质量图像的数量是相同的，将第一质量图像作为原始域，第二质量图像作为目标域。基于此，电子设备可以每次提取相同数量的第一质量图像与第二质量图像形成第一采样数据集。再利用第一采样数据集训练预设识别模型，对预设识别模型的参数进行更新，以确定出第一识别模型。
[0080]
第一采样数据集中不仅包括相应的图像，还包括图像标签以及图像特征，在训练过程中，将预设识别模型输出的图像类别以及图像特征分别与第一采样数据中对应的图像标签以及图像特征进行损失函数计算，从而实现对预设识别模型的参数更新，最终确定出第一识别模型。其中，利用第一采样数据集训练预设识别模型的训练截止条件可以是迭代次数，也可以是模型的准确率等满足预设条件。
[0081]
例如，如图2b所示，电子设备将第一采样数据集输入至输入层31，并利用特征层的输出以及分类层的输出进行损失函数的计算，更新预设识别模型的参数，得到第一识别模型。
[0082]
关于该步骤具体将在下文中进行详细描述。
[0083]
s13，对样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，并基于第二采样数据集训练预设识别模型，确定第二识别模型。
[0084]
第二采样，即依据一定的比例提取第一质量图像以及第二质量图像，形成第二采集数据集。其中，一定的比例可以是根据实际情况进行设置的，也可以是根据所有第一质量图像与所有第二质量图像的比例确定的。例如，所有第一质量图像与所有第二质量图像的比例为2:1，则上述一定的比例为2:1。
[0085]
电子设备在确定出第二采样数据集之后，利用与上述s12类似的方式训练预设识别模型，不同的是，训练所采用的数据集不同。通过对预设识别模型的参数进行更新，确定出第二识别模型。
[0086]
关于该步骤具体将在下文中进行详细描述。
[0087]
s14，对第一识别模型与第二识别模型进行特征层融合，确定目标识别模型。
[0088]
第一识别模型以及第二识别模型分别是包括特征提取模型以及特征提取模型后连接的分类模型，电子设备在进行特征层融合时，分别截取第一识别模型与第二识别模型的特征提取模型，将两者的特征层通过预设方式连接，从而实现将两个特征提取模型所提
取出的特征进行融合，确定出目标识别模型。该目标识别模型的输入为图像，输出为该图像对应的特征。
[0089]
本实施例提供的目标识别模型的训练方法，由于复杂环境下的样本一般都是第二质量图像，在训练中加入了低质域的训练样本，并结合训练方式和域损失，使第二质量图像的特征和第一质量图像的特征接近，使其识别效果靠近第一质量图像的识别效果，同时对具有互补性的两个模型进行结合，保证所得到的目标识别模型对于第一质量图像和第二质量图像的识别效果都会提高；且在训练过程中基于预设识别模型进行，在此基础上进行两个识别模型的训练，可以在提高识别效果的基础上不影响训练效率。
[0090]
在本实施例中提供了一种目标识别模型的训练方法，可用于电子设备，如电脑、手机、平板电脑等，图3是根据本发明实施例的目标识别模型的训练方法的流程图，如图3所示，该流程包括如下步骤：
[0091]
s21，获取预设识别模型以及获取样本数据集。
[0092]
其中，所述预设识别模型是基于第一质量图像训练得到的，所述样本数据集包括第一质量图像以及第二质量图像，所述第一质量图像的质量高于所述第二质量图像的质量。
[0093]
详细请参见图1所示实施例的s11，在此不再赘述。
[0094]
s22，对样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于第一采样数据集训练预设识别模型，确定第一识别模型。
[0095]
具体地，上述s22包括：
[0096]
s221，获取预设识别模型的输入样本数量。
[0097]
预设识别模型的输入样本数量，表示每次训练时输入至预设识别模型的输入量，例如，输入样本数量为n。该输入样本数量可以是在获取预设识别模型时获得的，也可以通过查询预设识别模型输入层的节点数量确定，等等。
[0098]
s222，基于输入样本数量按照1:1的比例，确定每次训练时第一质量图像以及第二质量图像的数量。
[0099]
如上文所述，若输入样本数量为n，那么依据1:1的比例，每次训练时第一质量图像的数量为n/2，第二质量图像的数量为n/2。
[0100]
s223，基于确定出的第一质量图像以及第二质量图像的数量，在样本数据集中进行采样，得到每次训练时的第一采样数据集。
[0101]
在第一质量图像的数量以及第二质量图像的数量确定之后，电子设备从样本数据集中进行数据采样，每次提取n/2个第一质量图像以及n/2个第二质量图像，即可形成第一采样数据集。
[0102]
s224，基于第一采样数据集训练预设识别模型，确定第一识别模型。
[0103]
关于该步骤具体请参见图1所示实施例的s22的相关描述，在此不再赘述。
[0104]
s23，对样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，并基于第二采样数据集训练预设识别模型，确定第二识别模型。
[0105]
具体地，上述s23包括：
[0106]
s231，获取预设识别模型的输入样本数量以及获取所述样本数据集中第一质量图像与第二质量图像的数量比例。
[0107]
电子设备统计样本数据集中第一质量图像的数量以及第二质量图像的数量，具体地，如上文所述，第一质量图像形成高质样本数据集，第二质量图像形成低质样本数据集，电子设备分别统计高质样本数据集中第一质量图像的数量，以及低质样本数据集中第二质量图像的数量，计算两者的比例即得到样本数据集中第一质量图像与第二质量图像的数量比例。例如，计算得到的数量比例为c1：c2。
[0108]
s232，基于输入样本数量按照数量比例，确定每次训练时第一质量图像以及第二质量图像的数量。
[0109]
电子设备在确定出数量比例为c1：c2之后，结合输入样本数量确定每次训练时第一质量图像以及第二质量图像的数量。
[0110]
s233，基于确定出的第一质量图像以及第二质量图像的数量，在样本数据集中进行采样，得到每次训练时的第二采样数据集。
[0111]
电子设备利用上述s232中确定出的数量在样本数据集中进行相应图像的采样，得到每次训练时的第二采样数据集。
[0112]
s234，基于第二采样数据集训练预设识别模型，确定第二识别模型。
[0113]
关于该步骤具体请参见图1所示实施例的s23的相关描述，在此不再赘述。
[0114]
s24，对第一识别模型与第二识别模型进行特征层融合，确定目标识别模型。
[0115]
具体地，上述s24包括：
[0116]
s241，将第一识别模型与第二识别模型中的特征层后分别接入归一化层。
[0117]
如上文所述，第一识别模型以及第二识别模型包括特征提取模块以及分类模块，电子设备将第一识别模型与第二识别模型的特征提取模块的输出，即两个特征层后分别接入一个归一化层。
[0118]
s242，将两个归一化层进行融合，以确定目标识别模型。
[0119]
关于两个归一化层的融合，可以是通过拼接的方式进行融合，也可以采用加权的方式进行融合，等等，在此对具体的融合方式并不做任何限定。电子设备在对两个归一化层进行融合后，即可确定出目标识别模型。
[0120]
如图4所示，左侧的层31-35为第一识别模型，右侧的层31-35为第二识别模型，在第一识别模型的全连接层35后接入归一化层38，且在第二识别模型的全连接层35后接入归一化层38，将两个归一化层38用concat层39进行融合，确定如4所示的目标识别模型。
[0121]
本实施例提供的目标识别模型的训练方法，通过按照1:1的比例进行第一质量图像以及第二质量图像的提取，用于形成每次训练所采用的第一采样数据集，将第一质量图像作为原始域且第二质量图像作为目标域，使得第二质量图像的识别效果向第一质量图像靠近。依据样本数据集中第一质量图像与第二质量图像的数量比例进行第二采样数据集的确定，后续在训练时可以通过两种质量图像实现互补。在特征层进行归一化连接后进行融合，使得所得到的目标识别模型能够结合两个模型的优点，提高目标识别模型的识别准确性。
[0122]
在本实施例中提供了一种目标识别模型的训练方法，可用于电子设备，如电脑、手机、平板电脑等，图5是根据本发明实施例的目标识别模型的训练方法的流程图，如图5所示，该流程包括如下步骤：
[0123]
s31，获取待识别图像。
[0124]
待识别图像可以是电子设备采集的，也可以是电子设备从第三方设备获取到的，等等。可选地，对于待识别图像可以通过如下方式确定：
[0125]
(1)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。
[0126]
(2)基于对象关键点在原始图像中的位置，将原始图像缩放至预设尺寸，得到待识别图像。
[0127]
通过将各个原始图像缩放至预设尺寸，使得预设识别模型只需要对预设尺寸的图像进行识别，可以提高预设识别模型的识别准确率。
[0128]
可选地，原始图像为监控场景下采集的图像。由于在监控场景下对象是不断运动的，连续静止的画面很少。因此，在对象检测时，电子设备仅在运动区域利用对象检测算法进行对象检测，从而提高对象检测速度。其中，对象检测算法为多任务卷积神经网络(multi-task convolutional neural network，mtcnn)算法；或者，densebox算法；或者，ssh算法等，本实施例不对对象检测算法的类型作限定。
[0129]
s32，将待识别图像输入目标识别模型中，确定待识别图像的待匹配特征。
[0130]
其中，所述目标识别模型是根据上述任一实施方式中所述的目标识别模型的训练方法训练得到的。关于目标识别模型的具体结构，请参见上文实施例中的详细描述，在此不再赘述。
[0131]
电子设备将待识别图像输入至目标识别模型中，通过该目标识别模型输出待识别图像的待匹配特征。
[0132]
s33，将待匹配特征与各个目标特征进行匹配，确定待识别图像对应的目标识别结果。
[0133]
在电子设备中可以设置有特征数据库，电子设备将待匹配特征在特征数据库中进行匹配，确定出待识别图像对应的目标识别结果。其中，目标识别结果根据应用场景进行具体设置，例如，身份信息，车辆信息等等。
[0134]
本实施例提供的目标识别方法，由于目标识别模型是通过对具有互补性的两个模型进行结合得到的，保证所得到的目标识别模型对于第一质量图像和第二质量图像的识别效果都会提高，基于此，利用该目标识别模型对待识别图像进行识别，可以提高待匹配特征的准确性，进而提高了目标识别结果的准确性。
[0135]
在本实施例中还提供了一种目标识别模型的训练或目标识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0136]
本实施例提供一种目标识别模型的训练装置，如图6所示，包括：
[0137]
第一获取模块41，用于获取预设识别模型以及获取样本数据集，所述预设识别模型是基于第一质量图像训练得到的，所述样本数据集包括第一质量图像以及第二质量图像，所述第一质量图像的质量高于所述第二质量图像的质量；
[0138]
第一训练模块42，用于对所述样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于所述第一采样数据集训练所述预设识别模型，确定第一识别模型；
[0139]
第二训练模块43，用于对所述样本数据集中的第一质量图像以及第二质量图像进
行第二采样得到第二采样数据集，并基于所述第二采样数据集训练所述预设识别模型，确定第二识别模型；
[0140]
融合模块44，用于对所述第一识别模型与所述第二识别模型进行特征层融合，确定目标识别模型。
[0141]
本实施例提供了一种目标识别装置，如图7所示，包括：
[0142]
第二获取模块51，用于获取待识别图像；
[0143]
确定模块52，用于将所述待识别图像输入目标识别模型中，确定所述待识别图像的待匹配特征，所述目标识别模型是根据本发明任意实施方式中所述的目标识别模型的训练方法训练得到的；
[0144]
匹配模块53，用于将所述待匹配特征与各个目标特征进行匹配，确定所述待识别图像对应的目标识别结果。
[0145]
本实施例中的目标识别模型的训练装置，或目标识别装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
[0146]
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0147]
本发明实施例还提供一种电子设备，具有上述图6所示的目标识别模型的训练装置，或具有上述图7所示的目标识别装置。
[0148]
请参阅图8，图8是本发明可选实施例提供的一种电子设备的结构示意图，如图8所示，该电子设备可以包括：至少一个处理器601，例如cpu(central processing unit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(display)、键盘(keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速ram存储器(random access memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图6或7所描述的装置，存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码，以用于执行上述任一方法步骤。
[0149]
其中，通信总线602可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0150]
其中，存储器604可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid-state drive，缩写：ssd)；存储器604还可以包括上述种类的存储器的组合。
[0151]
其中，处理器601可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
[0152]
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路
(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
[0153]
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本技术任一实施例中所示的目标识别模型的训练方法，或任一实施例中所示的目标识别方法。
[0154]
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的目标识别模型的训练方法，或目标识别方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0155]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。