[发明专利]特征学习的方法、目标物体的识别方法和对应装置

权利要求书

1.一种特征学习的方法，其特征在于，包括：

获取待提取图像；其中，所述待提取图像中包括目标物体，所述目标物体为被提取特征向量的物体；

调用训练好的特征向量提取模型处理所述待提取图像，得到所述待提取图像中的目标物体的特征向量；其中，所述特征向量提取模型为基于图像样本中所包含目标物体的特征向量对应的第一损失值和第二损失值，对神经网络模型训练得到的；其中，所述第一损失值和所述第二损失值为基于预定中心损失函数对图像样本中所包含目标物体的特征向量进行处理得到，所述预定中心损失函数的类中心为所述神经网络模型的全连接层的权重；所述第一损失值用于表征图像样本与所述图像样本所属类别对应的类中心的差距，所述第二损失值用于表征不同的图像样本所属类别对应的类中心之间的相关性。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

调用所述神经网络模型处理图像样本，得到所述图像样本中目标物体的特征向量；

利用所述预定中心损失函数处理所述图像样本中目标物体的特征向量，得到所述第一损失值和所述第二损失值；

计算所述第一损失值和所述第二损失值，得到损失总值，并以所述损失总值作为训练参数，训练所述神经网络模型，并将训练好的神经网络模型作为所述特征向量提取模型。

3.根据权利要求2所述的方法，其特征在于，所述利用所述预定中心损失函数处理所述图像样本中目标物体的特征向量，得到第一损失值和第二损失值，包括：

利用所述预定中心损失函数的最小化类内距离的计算公式，计算所述图像样本中所包含目标物体的特征向量，得到所述第一损失值；并利用所述预定中心损失函数的正交化减小类内距离的计算公式，计算所述图像样本中所包含目标物体的特征向量，得到所述第二损失值。

4.根据权利要求2所述的方法，其特征在于，所述调用所述神经网络模型处理图像样本，得到所述图像样本中目标物体的特征向量之后，还包括：

利用第一损失函数处理所述图像样本中目标物体的特征向量，得到第三损失值、利用第二损失函数处理所述图像样本中目标物体的特征向量得到第四损失值；

其中：所述计算所述第一损失值和所述第二损失值，得到损失总值，包括：

以所述第三损失值、所述第四损失值的校正值、所述第一损失值的校正值和所述第二损失值校正值的和，作为所述损失总值；其中，所述第一损失值的校正值为所述第一损失值和预设值的积，所述第二损失值的校正值为所述第二损失值和预设值的积，所述第四损失值的校正值为所述第四损失值和预设值的积。

5.一种目标物体的识别方法，其特征在于，包括：

利用权利要求1至4中任意一项所述的特征学习方法，处理待识别图像，得到所述待识别图像中目标物体的特征向量；其中，所述待识别图像中包括目标物体；

获取所述待识别图像的图像质量参数；其中，所述图像质量参数用于表征所述待识别图像的质量高低；

在所述待识别图像的图像质量参数表征所述待识别图像的图像质量高时，在检索库中对所述目标物体的特征向量进行检索，得到所述检索库中与所述待目标物体的特征向量相似度最高的物体。

6.根据权利要求5所述的方法，其特征在于，所述获取所述待识别图像的图像质量参数，包括：

调用图像质量评估模型处理所述目标物体的特征向量，得到所述待识别图像的图像质量参数；其中，所述图像质量参数用于表征所述待识别图像的质量高低，所述图像质量评估模型由利用图像样本对神经网络模型训练得到，所述神经网络模型包括全连接层和与全连接层并行运行的质量权重层，所述全连接层得到所述图像样本的输出值，所述质量权重层得到质量评估参数；训练所述神经网络模型得到图像质量评估模型的过程中的损失值由所述图像样本的输出值和所述质量评估参数计算得到损失总值。

7.根据权利要求5所述的方法，其特征在于，所述获取所述待识别图像的图像质量参数，包括：

获取所述待识别图像的置信度，其中，所述待识别图像的置信度用于表征所述待识别图像中包含有目标物体的概率。