一种测试方法、装置、可读存储介质及电子设备与流程

本说明书涉及图像识别领域，尤其涉及一种测试方法、装置、可读存储介质及电子设备。

背景技术：

1、目前，随着计算机技术的发展和业务融合的需要，重识别技术由于其可在跨摄像头、跨场景的情况下，从图像集或视频序列中检索出特定目标物的特点，被广泛应用于智能安防、智能监控等多种领域。

2、常见的重识别方法通常需要确定各摄像头采集到的图像集或视频序列。并将包含特定目标物的图像输入到识别模型中，再由重识别模型从该图像集或视频序列中，确定包含该特定目标物的目标图像进行输出。

3、但是，由于任务复杂性和隐私保护等问题，目前训练该重识别模型时的训练样本的数量较少，且训练样本对应的采集环境较为单一，因此，基于训练样本训练得到的该重识别模型的鲁棒性较差，准确性较低。

4、基于此，本说明书提供一种测试方法，以在使用重识别模型确定目标图像前，对该重识别模型进行测试。

技术实现思路

1、本说明书提供一种测试方法、装置、可读存储介质及电子设备，以部分的解决现有技术存在的上述问题。

2、本说明书采用下述技术方案：

3、本说明书提供一种测试方法，所述方法包括：

4、获取基于训练集训练得到的重识别模型，并获取若干带标注的目标物图像；

5、针对预设的各类型的图像属性，将该类型的图像属性作为目标属性，并将其他类型的图像属性作为其他属性，以及从各目标物图像中，确定其他属性均满足筛选条件的各目标物图像，作为该类型的图像属性对应的测试集包含的各目标物图像；

6、从该类型的图像属性对应的测试集中，确定测试样本，并确定与所述测试样本包含相同目标物的目标物图像，作为所述测试样本的标注；

7、根据所述测试样本及其标注，对所述重识别模型进行测试，确定测试结果。

8、可选地，预设的各类型的图像属性包括拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性中的至少一种。

9、可选地，所述方法还包括：

10、确定预设的各姿态与各拍摄角度之间的关联关系；

11、针对每个目标物图像，确定该目标物图像中包含的目标物的拍摄姿态；

12、将所述拍摄姿态和预设的各姿态进行匹配，并根据匹配结果确定所述拍摄姿态对应的拍摄角度，作为该目标物图像的拍摄角度属性。

13、可选地，所述方法还包括：

14、当所述目标物为人体时，确定人体各部位分别对应的遮挡比例；

15、针对每个目标物图像，确定该目标物图像中包含的人体的遮挡部位；

16、根据所述遮挡部位和所述各部位分别对应的遮挡比例，确定该目标物图像对应的遮挡情况，作为该目标物的遮挡情况属性。

17、可选地，从各目标物图像中，确定其他属性均满足筛选条件的各目标物图像，作为该类型的图像属性对应的测试集包含的各目标物图像，具体包括：

18、确定其他属性分别对应的筛选条件，作为所述目标属性对应的指定筛选条件；

19、根据所述各目标物图像分别对应的拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性，从所述各目标物图像中，确定满足所述指定筛选条件的各目标物图像，作为该类型的图像属性对应的测试集包含的各目标物图像。

20、可选地，根据所述测试样本及其标注，对所述重识别模型进行测试，确定测试结果，具体包括：

21、将所述测试样本输入所述重识别模型中，得到所述重识别模型输出的重识别结果；

22、根据所述重识别结果和所述测试样本的标注，确定所述重识别模型的准确度指标；

23、根据所述准确度指标，确定测试结果。

24、可选地，根据所述准确度指标，确定测试结果，具体包括：

25、根据将所述测试样本输入所述重识别模型的开始时刻，以及所述重识别模型输出重识别结果的输出时刻，确定所述重识别模型的处理耗时；

26、根据各测试样本分别包含的像素，以及各测试集中分别包含的各目标物图像的像素，确定所述处理耗时对应的总像素；

27、根据所述总像素和所述处理耗时，确定所述重识别模型的单位处理耗时；

28、确定所述准确度指标和所述单位处理耗时的比值，作为测试结果，所述测试结果和所述重识别模型的准确度指标正相关。

29、本说明书提供一种测试装置，所述装置包括：

30、模型确定模块，用于获取基于训练集训练得到的重识别模型，并获取若干带标注的目标物图像；

31、测试集确定模块，用于针对预设的各类型的图像属性，将该类型的图像属性作为目标属性，并将其他类型的图像属性作为其他属性，以及从各目标物图像中，确定其他属性均满足筛选条件的各目标物图像，作为该类型的图像属性对应的测试集包含的各目标物图像；

32、样本确定模块，从该类型的图像属性对应的测试集中，确定测试样本，并确定与所述测试样本包含相同目标物的目标物图像，作为所述测试样本的标注；

33、测试模块，用于根据所述测试样本及其标注，对所述重识别模型进行测试，确定测试结果。

34、本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述测试方法。

35、本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述测试方法。

36、本说明书采用的上述至少一个技术方案能够达到以下有益效果：

37、在重识别模型上线前，针对预设的各类型的图像属性，从各目标物图像中，确定其他类型的图像属性均满足筛选条件的各目标物图像，构建该类型的图像属性对应的测试集，进而基于各类型的图像属性分别对应的测试集，对该重识别模型进行测试。

38、从上述方法可以看出，本说明书中的该测试方法，可构建各类型的图像属性分别对应的测试集对该重识别模型进行测试，则测试结果可准确评估该重识别模型的准确性和鲁棒性，避免出现模型上线后在实际使用过程中缺乏泛化性的情况。

技术特征：

1.一种测试方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，预设的各类型的图像属性包括拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性中的至少一种。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

4.如权利要求2所述的方法，其特征在于，所述方法还包括：

5.如权利要求2所述的方法，其特征在于，从各目标物图像中，确定其他属性均满足筛选条件的各目标物图像，作为该类型的图像属性对应的测试集包含的各目标物图像，具体包括：

6.如权利要求1所述的方法，其特征在于，根据所述测试样本及其标注，对所述重识别模型进行测试，确定测试结果，具体包括：

7.如权利要求6所述的方法，其特征在于，根据所述准确度指标，确定测试结果，具体包括：

8.一种测试装置，其特征在于，所述装置包括：

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。

技术总结
本说明书公开了一种测试方法、装置、可读存储介质及电子设备，在重识别模型上线前，针对预设的各类型的图像属性，从各目标物图像中，确定其他类型的图像属性均满足筛选条件的各目标物图像，构建该类型的图像属性对应的测试集，进而基于各类型的图像属性分别对应的测试集，对该重识别模型进行测试。本说明书中的该测试方法，可构建各类型的图像属性分别对应的测试集对该重识别模型进行测试，则测试结果可准确评估该重识别模型的准确性和鲁棒性，避免出现模型上线后在实际使用过程中缺乏泛化性的情况。

技术研发人员：杨穷千,张建锋,刘萌萌,乔波,崔伟群,李振廷
受保护的技术使用者：之江实验室
技术研发日：
技术公布日：2024/1/12