物体重识别系统的训练方法、物体重识别方法及相关设备与流程

本发明涉及计算机深度学习领域，特别涉及一种物体重识别系统的训练方法及其装置、一种物体重识别方法及其装置、一种处理设备。

背景技术：

物体重识别技术在智能视频监控、机器人、自动驾驶等领域发挥着必不可少的作用。给定待检索物体图像，物体重识别技术旨在从不同相机拍摄到的图像中检索出与所述物体相同的相关图像。相机视角、物体姿态、遮挡等方面的影响使得物体重识别任务具有相当的挑战性。

得益于深度学习技术的涌现，物体重识别技术在近几年发展迅速。目前的先进方法大多都基于深度学习，主要由两部分组成，即特征提取器和损失函数。特征提取器一般由卷积神经网络构成，损失函数则作为监督信号引导特征提取器的训练。因此，特征提取器的性能好坏直接影响着物体重识别的准确性，目前特征提取器存在性能较差的技术问题，以及存在使用该特征提取器进行物体重识别的精度较差的技术问题。

技术实现要素：

本发明实施例第一方面，提供以下物体重识别系统的训练方法及其装置，以提高特征提取器的性能：

一种物体重识别系统的训练方法，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，根据多组训练样本图像依次对所述物体重识别系统进行以下训练：

将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；

将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；

根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

一种物体重识别系统的训练装置，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，所述装置包括：

输入单元，用于将多组训练样本图像依次输入到训练单元；

训练单元，用于根据接收到的当前组训练样本图像对所述物体重识别系统进行以下训练：

将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；

将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；

根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

一种处理设备，包括存储器，以及与所述存储器通信连接的一个或多个处理器；所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现前述物体重识别系统的训练方法。

本发明实施例第一方面提供的技术方案，在特征提取器与分类器之间设置有随机游走模块，通过该随机游走模块可以得到能够表示训练样本图像的特征向量之间的相似度的相似度矩阵，将训练样本图像的特征向量组成的特征向量组与相似度矩阵的乘积输入到分类器。采用本发明技术方案，一方面，将各训练样本图像的特征向量作为一个节点，通过随机游走模块进行处理，实际优化的是两个节点之间的通信距离(通信距离是指随机游走在两节点间完成一次来回的期望时间)，不像现有技术直接约束训练样本图像之间的距离，减缓了优化的难度，使得优化具有更大的灵活性；另一方面，随机游走使得同类间的差异变小，不同类间差异贡献的那部分损失变大，能够有利于学到训练样本图像中更具判别性的特征；再一方面，随机游走的结果不仅决定于单个训练样本图像，还决定于同一组训练样本图像中的其他训练样本图像，在训练过程中，一组训练样本图像的组成具有很多种可能，更加丰富和多样性，能够减缓过拟合。因此，采用本发明技术方案能够整体提高特征提取器的性能。

本发明实施例第二方面，提供物体重识别方法及其装置，以提高物体重识别的准确性：

一种物体重识别方法，所述方法包括：

将待搜索图像和图库中的图库图像输入到特征提取网络中，得到各待搜索图像和图库图像的特征向量；所述特征提取网络为预先通过前述第一方面提供的物体重识别系统的训练方法训练得到；

针对每张待搜索图像，执行以下步骤：计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；从所述图像序列中选取前m张图像，得到与所述待搜索图像对应的图像序列。

一种物体重识别装置，所述装置包括：

特征提取单元，用于将待搜索图像和图库中的图库图像输入到所述特征提取网络中，得到各待搜索图像和图库图像的特征向量；所述特征提取器为预先通过第一方面提供的物体重识别系统的训练装置训练得到；

重识别单元，用于针对每张待搜索图像，执行以下步骤：计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；从所述图像序列中选取前m张图像，得到与所述待搜索图像对应的图像序列。

本发明实施例第二方面提供的技术方案，用于进行物体重识别的特征提取器为通过前述实施例一提供的训练方法训练得到，由于特征提取器的性能较高，因此对图像进行特征提取的结果较为准确，根据该特征提取结果进行物体重识别，能够提高物体重识别的准确性。

本发明实施例第三方面，提供一种物体重识别方法及其装置，以提高物体重识别的准确性：

一种物体重识别方法，在特征提取网络之后设置有随机游走模型，方法包括：

将待搜索图像和图库中的图库图像输入到所述特征提取网络中，得到各待搜索图像和图库图像的特征向量；

针对每张待搜索图像，执行以下步骤：

计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；

从所述图像序列中选取前m张图像，所述m张图像的特征向量构成特征向量组；

将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

将所述特征向量组与所述相似度矩阵相乘，得到m张图像的新特征向量；

计算所述待搜索图像的特征向量分别与m张图像的新特征向量的相似度，将所述m张图像按照相似度从高到低的顺序进行重新排序，得到与所述待搜索图像对应的图像序列。

一种物体重识别装置，在特征提取网络之后设置有随机游走模型，所述装置包括：

特征提取单元，用于将待搜索图像和图库中的图库图像输入到所述特征提取网络中，得到各待搜索图像和图库图像的特征向量；

重识别单元，用于针对每张待搜索图像，执行以下步骤：计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；从所述图像序列中选取前m张图像，所述m张图像的特征向量构成特征向量组；将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；将所述特征向量组与所述相似度矩阵相乘，得到m张图像的新特征向量；计算所述待搜索图像的特征向量分别与m张图像的新特征向量的相似度，将所述m张图像按照相似度从高到低的顺序进行重新排序，得到与所述待搜索图像对应的图像序列。

本发明实施例第三方面，重识别单元在从图库中得到与待搜索图像对应的m张图像之后，还将该m张图像的特征向量输入到随机游走模块以得到表征m张图像的特征向量之间的相似度的相似度矩阵，再将m张图像的特征向量与相似度矩阵相乘后得到m张图像的新的特征向量，再基于新的特征向量计算待搜索图像与m张图像的相似度，并基于该相似度对m张图像进行重新排序，由于在重新排序的过程中考虑了m张图像的特征相似度，从而使得排序更为准确，能够得到与待搜索图像对应的更为准确的图像序列，从而提高物体重识别的准确性。

本发明实施例第四方面，提供一种处理设备，包括存储器，以及与所述存储器通信连接的一个或多个处理器；所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现前述第二方面或第三方面提供的物体重识别方法。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明实施例中构建的训练特征提取器的训练模型；

图2为本发明实施例中特征提取器的训练方法的流程图之一；

图3为本发明实施例中随机游走模块对特征向量组的处理过程的示意图之一；

图4为本发明实施例中基于图3所示的处理过程得到相似度矩阵的流程图之一；

图5为本发明实施例中随机游走模块对特征向量组的处理过程的示意图之二；

图6为本发明实施例中基于图3所示的处理过程得到相似度矩阵的流程图之二；

图7为本发明实施例中物体重识别的示意图；

图8为本发明实施例中物体重识别的方法流程图之一；

图9为本发明实施例中确定待搜索图像对应的相关图像的一个具体示例；

图10为本发明实施例中物体重识别的方法流程图之二；

图11为本发明实施例中物体重识别系统的训练装置的结构示意图；

图12为本发明实施例中物体重识别装置的结构示意图之一；

图13为本发明实施例中物体重识别装置的结构示意图之二。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅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，都应当属于本发明保护的范围。

本发明技术方案中，物体重识别的具体应用场景可以是行人重识别、车辆重识别等，本申请不作严格限定。

实施例一

本发明实施例一提供一种物体重识别系统的训练方法，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，如图1所示，所述特征提取器的输出为随机游走模块的输入，特征提取器的输出与随机游走模块的输出的乘积为分类器的输入。

参见图2，为本发明实施例提供的物体重识别系统的训练方法的流程图，根据多组训练样本图像依次对物体重识别系统进行以下训练，为便于描述，本发明实施例将每次正在处理的一组训练样本图像称为当前组训练样本图像：

步骤101、将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；

步骤102、将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

步骤103、将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；

步骤104、根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

本发明实施例中，每一组训练样本图像中可以包含多个不同的目标物体，每个目标物体对应多张图像，例如，在行人重识别应用场景下，目标物体为行人，一组训练样本图像可以包含16个行人，每个行人对应8张图像。

在一些可选的实施例中，根据多组训练样本图像对特征提取器进行训练，可以采用随机梯度下降作为优化器，动量设为0.9。当然也可以采用现有的训练方式进行训练，本申请对训练方式不做严格限定。

在一些可选的实施例中，所述随机游走模块对特征向量组的处理过程如图3所示，所述步骤102中，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体可通过如图4所示的流程实现，该流程包括：

步骤a1、将所述特征向量组进行规范化处理，得到第一特征向量组；

步骤a2、将所述第一特征向量组进行转置，得到第二特征向量组；

步骤a3、将所述第一特征向量组与第二特征向量组相乘得到相似度矩阵；

步骤a4、对所述相似度矩阵进行规范化处理。

在一些可选的实施例中，所述步骤a1中的规范化处理可以为l2规范化处理或者l1规范化处理等。

在一些可选的实施例中，所述随机游走模块对特征向量组的处理过程如图5所示，所述步骤102中，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体可通过如图6所示的流程实现，该流程包括：

步骤b1、采用预置的第一非线性处理算法对所述特征向量组进行非线性处理，得到第三特征向量组；

步骤b2、对所述第三特征向量组进行规范化处理，得到第四特征向量组；

步骤b3、对所述第四特征向量组进行转置，得到第五特征向量组；

步骤b4、采用预置的第二非线性处理算法对所述特征向量组进行非线性处理，得到第六特征向量组；

步骤b5、对所述第六特征向量组进行规范化处理，得到第七特征向量组；

步骤b6、将所述第五特征向量组与所述第七特征向量组相乘，得到相似度矩阵；

步骤b7、对所述相似度矩阵进行规范化处理。

本发明实施例中，步骤b1～步骤b3具有严格的先后执行顺序，步骤b4～步骤b6具有严格的先后执行顺序，但是b1～步骤b3与步骤b4～步骤b6之间没有严格的先后执行顺序，也可以先执行步骤b1～步骤b3再执行步骤b4～步骤b6，也可以是先执行骤b4～步骤b6再执行步骤b1～步骤b3，也可以是步骤b1～步骤b3与步骤b4～步骤b6并行执行，本申请不做严格限定。

本发明实施例中，所述第一非线性处理算法和第二非线性处理算法可以相同也可以不相同，例如可以采用无参数的非线性函数、有参数的神经网络等。

本发明实施例中，图3和图5中的n为特征向量组的数量，d为每个特征向量所包含的特征维度数量。特征提取器输出的特征向量组用x表示，随机游走模块得到的相似度矩阵用w表示，w的度矩阵用d表示，度矩阵d为一个对角矩阵，对角线元素定义为w每一行元素之和，即p表示规范化后的相似度矩阵，特征向量组与相似度矩阵的乘积用x’表示，则可以表示为：

p＝d^-1w式(1)

x'＝px式(2)

在一些可选的实施例中，在前述步骤a3中将所述第一特征向量组与第二特征向量组相乘得到相似度矩阵的过程中，在步骤b6中将所述第五特征向量组与所述第七特征向量组相乘得到相似度矩阵的过程中，计算分别来自于两个不同的特征向量组中的两个特征向量之间的相似度时可以采用带高斯核的余弦相似度来计算，具体计算可如下式(3)：

式(3)中，wij表示来自两个不同特征向量组中的第i个特征向量xi与第j个特征向量yj之间的相似度，n为一个特征向量组所包含的特征向量的数量，σ为高斯核的宽带系数。

当然，本发明实施例中，还可以通过现有的相似度计算算法来计算分别来自于两个不同的特征向量组中的两个特征向量之间的相似度，本申请不做严格限定。

在一些可选的实施例中，前述图4和图6的方法流程中，在步骤a4和步骤b7中，具体可以采用softmax规范化、max-min标准化或者0均值标准化等规范化方式对相似度矩阵进行规范化处理。

以采用softmax规范化对相似度矩阵进行规范化处理为例，根据下式(4)进行计算：

实施例二

本发明实施例二，提供一种物体重识别方法，在特征提取网络之后设置有随机游走模型，如图7所示。物体重识别方法的流程如图8所示，包括：

步骤201、将待搜索图像和图库中的图库图像输入到所述特征提取网络中，得到各待搜索图像和图库图像的特征向量；

步骤202、针对每张待搜索图像，执行以下步骤202a～步骤202e，以得到每张待搜索图像对应的图像序列：

步骤202a、计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；

步骤202b、从所述图像序列中选取前m张图像，所述m张图像的特征向量构成特征向量组；

步骤202c、将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

步骤202d、将所述特征向量组与所述相似度矩阵相乘，得到m张图像的新特征向量；

步骤202e、计算所述待搜索图像的特征向量分别与m张图像的新特征向量的相似度，将所述m张图像按照相似度从高到低的顺序进行重新排序，得到与所述待搜索图像对应的图像序列。

本发明实施例中，m可以为一个预先根据经验值设置的固定常数，也可以是预置的比例阈值与图库中图库图像总数量的乘积，例如图库图像总数为n，预置的比例阈值为10％，则m为n乘以10％。

如图9所示，假设有待搜索图库a和图库b，图库b中包含了多个摄像机传回的图像，假设待搜索图库a中包含d张待搜索图像(用p1、p2、…、pd表示)，图库b中包含n张图库图像(用t1、t2、…、tn表示)，以某一张待搜索图像pi为例，在图库b中搜索与该待搜索图像pi相关的图像进行详细描述：

首先，将d张待搜索图像和n张图库图像输入特征提取网络中，得到各图像的特征向量；

其次，计算待搜索图像pi的特征向量分别与n张图库图像的特征向量之间的相似度，按照相似度从高到低的顺序对n张图库图像进行排序得到图像序列；

然后，将从前述图像序列中选取前m张图像，所述m张图像的特征向量构成特征向量组；的特征向量输入到所述游走模块中，得到m张图像的新特征向量；

再然后，将前述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

最后，将所述特征向量组与所述相似度矩阵相乘，得到m张图像的新特征向量；计算所述待搜索图像pi的特征向量分别与m张图像的新特征向量的相似度，将所述m张图像按照相似度从高到低的顺序进行重新排序，得到与所述待搜索图像pi对应的图像序列。

在一些可选的实施例中，所述步骤202c中，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：将所述特征向量组进行规范化处理，得到第一特征向量组；将所述第一特征向量组进行转置，得到第二特征向量组；将所述第一特征向量组与第二特征向量组相乘得到相似度矩阵；对所述相似度矩阵进行规范化处理。具体可参见实施例一中的相关内容，在此不再赘述。

在一些可选的实施例中，所述步骤202c中，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：采用预置的第一非线性处理算法对所述特征向量组进行非线性处理，得到第三特征向量组；对所述第三特征向量组进行规范化处理，得到第四特征向量组；对所述第四特征向量组进行转置，得到第五特征向量组；采用预置的第二非线性处理算法对所述特征向量组进行非线性处理，得到第六特征向量组；对所述第六特征向量组进行规范化处理，得到第七特征向量组；将所述第五特征向量组与所述第七特征向量组相乘，得到相似度矩阵；对所述相似度矩阵进行规范化处理。具体可参见实施例一中相关的内容，在此不再赘述。

在一些可选的实施例中，本发明实施例二中的特征提取器可以是预先通过其他训练方式训练得到，也可以是预先通过实施例一提供的任意一种物体重识别系统的训练方法训练得到，本申请不作严格限定。

实施例三

基于前述实施例一相同的构思，本发明实施例三提供一种物体重识别方法，该方法的流程如图10所示，包括：

步骤301、将待搜索图像和图库中的图库图像输入到特征提取网络中，得到各待搜索图像和图库图像的特征向量；所述特征提取网络为预先通过实施例一提供的任意一种物体重识别系统的训练方法训练得到(具体可详见实施例一中的相关内容，在此不再赘述)；

步骤302、针对每张待搜索图像，执行以下步骤302a～步骤302b，以得到每张待搜索图像对应的图像序列：

步骤302a、计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；

步骤302b、从所述图像序列中选取前m张图像，得到与所述待搜索图像对应的图像序列。

实施例四

基于前述实施例一提供的物体重识别系统的训练方法的相同构思，本发明实施例四提供一种物体重识别系统的训练装置1，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，该装置1的结构如图11所示，包括：

输入单元11，用于将多组训练样本图像依次输入到训练单元12；

训练单元12，用于根据接收到的当前组训练样本图像对所述物体重识别系统进行以下训练：

将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；

将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；

根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

在一些可选的实施例中，所述训练单元12通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：将所述特征向量组进行规范化处理，得到第一特征向量组；将所述第一特征向量组进行转置，得到第二特征向量组；将所述第一特征向量组与第二特征向量组相乘得到相似度矩阵；对所述相似度矩阵进行规范化处理。具体可详见实施例一中的相关内容，在此不再赘述。

在一些可选的实施例中，所述训练单元12通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：采用预置的第一非线性处理算法对所述特征向量组进行非线性处理，得到第三特征向量组；对所述第三特征向量组进行规范化处理，得到第四特征向量组；对所述第四特征向量组进行转置，得到第五特征向量组；采用预置的第二非线性处理算法对所述特征向量组进行非线性处理，得到第六特征向量组；对所述第六特征向量组进行规范化处理，得到第七特征向量组；将所述第五特征向量组与所述第七特征向量组相乘，得到相似度矩阵；对所述相似度矩阵进行规范化处理。具体可详见实施例一中的相关内容，在此不再赘述。

实施例五

基于前述实施例二提供的物体重识别方法的相同构思，本发明实施例五提供一种物体重识别装置2，在特征提取网络之后设置有随机游走模块，所述装置2如图12所示，包括：

特征提取单元21，用于将待搜索图像和图库中的图库图像输入到所述特征提取网络中，得到各待搜索图像和图库图像的特征向量；

重识别单元22，用于针对每张待搜索图像，执行以下步骤：计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；从所述图像序列中选取前m张图像，所述m张图像的特征向量构成特征向量组；将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；将所述特征向量组与所述相似度矩阵相乘，得到m张图像的新特征向量；计算所述待搜索图像的特征向量分别与m张图像的新特征向量的相似度，将所述m张图像按照相似度从高到低的顺序进行重新排序，得到与所述待搜索图像对应的图像序列。

在一些可选的实施例中，重识别单元22通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：将所述特征向量组进行规范化处理，得到第一特征向量组；将所述第一特征向量组进行转置，得到第二特征向量组；将所述第一特征向量组与第二特征向量组相乘得到相似度矩阵；对所述相似度矩阵进行规范化处理。具体可详见实施例一中的相关内容，在此不再赘述。

在一些可选的实施例中，重识别单元22通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：采用预置的第一非线性处理算法对所述特征向量组进行非线性处理，得到第三特征向量组；对所述第三特征向量组进行规范化处理，得到第四特征向量组；对所述第四特征向量组进行转置，得到第五特征向量组；采用预置的第二非线性处理算法对所述特征向量组进行非线性处理，得到第六特征向量组；对所述第六特征向量组进行规范化处理，得到第七特征向量组；将所述第五特征向量组与所述第七特征向量组相乘，得到相似度矩阵；对所述相似度矩阵进行规范化处理。具体可详见实施例一中的相关内容，在此不再赘述。

本发明实施例五中，所述特征提取器可以为预先通过其他训练方式训练得到，也可以通过实施例四提供的物体重识别系统的训练装置训练得到。

实施例六

基于前述实施例三提供的物体重识别方法的相同构思，本发明实施例六提供一种物体重识别装置3，该装置3结构如图13所示，包括：

特征提取单元31，用于将待搜索图像和图库中的图库图像输入到所述特征提取网络中，得到各待搜索图像和图库图像的特征向量；所述特征提取器为预先通过前述实施例四提供的物体重识别系统的训练装置训练得到(具体详见实施例的内容，在此不再赘述)；

重识别单元32，用于针对每张待搜索图像，执行以下步骤：计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；从所述图像序列中选取前m张图像，得到与所述待搜索图像对应的图像序列。

实施例七

基于前述实施例一提供的物体重识别系统的训练方法的相同构思，本发明实施例七提供一种处理设备，所述处理设备包括存储器，以及与所述存储器通信连接的一个或多个处理器；

所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现实施例一中提供的任意一种特征提取器的训练方法。

实施例八

基于前述实施例二提供的物体重识别方法的相同构思，本发明实施例八提供一种处理设备，所述处理设备包括：存储器，以及与所述存储器通信连接的一个或多个处理器；

所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现如实施例二中任意一个实施例所提供的物体重识别方法。

实施例九

基于前述实施例三提供的物体重识别方法的相同构思，本发明实施例九提供一种处理设备，所述处理设备包括：存储器，以及与所述存储器通信连接的一个或多个处理器；

所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现如实施例三提供的物体重识别方法。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，对本领域普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件固件、软件或者他们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用它们的基本编程技能就能实现的。

本领域普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的上述实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括上述实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。