[发明专利]一种目标识别方法、装置、终端设备和可读存储介质

权利要求书

1.一种目标识别方法，其特征在于，包括：

获取待识别目标的目标图像；

对所述目标图像进行特征提取，得到所述目标图像中的图像特征；

将所述图像特征输入至目标识别网络模型中，得到所述待识别目标所属分类的识别结果，其中，所述目标识别网络模型的损失函数用于约束样本图像的样本图像特征与所述样本图像所属视角的视角中心之间的距离，以及约束不同视角的所述视角中心与所有视角的特征中心之间的距离。

2.如权利要求1所述的目标识别方法，其特征在于，所述损失函数的损失值的计算过程，包括：

基于所述样本图像特征，确定每个视角的所述视角中心；

根据每个所述样本图像的样本图像特征与对应所属视角的所述视角中心之间的距离，确定每个视角分别对应的第一损失值；

基于每个视角的所述视角中心，确定所述特征中心；

根据每个视角的所述视角中心分别与所述特征中心之间的距离，确定第二损失值；

对每个视角分别对应的所述第一损失值，以及所述第二损失值进行累加，得到所述损失函数的损失值。

3.如权利要求2所述的目标识别方法，其特征在于，所述基于所述样本图像特征，确定每个视角的所述视角中心，包括：

基于所述样本图像特征，以及视角中心计算公式，确定每个视角的所述视角中心；

其中，所述视角中心计算公式表示为：f_i表示第i个视角的所述视角中心，N_i表示第i个视角的所述样本图像的总数量，f_i^v表示第i个视角的第v张所述样本图像的所述样本图像特征。

4.如权利要求2所述的目标识别方法，其特征在于，所述根据每个所述样本图像的样本图像特征与对应所属视角的所述视角中心之间的距离，确定每个视角分别对应的第一损失值，包括：

基于所述样本图像特征与对应所属视角的所述视角中心之间的距离，以及第一损失值计算公式，确定每个视角分别对应所述第一损失值；

其中，所述第一损失值计算公式表示为：L_i表示第i个视角对应所述第一损失值，N_i表示第i个视角的所述样本图像的总数量，f_i表示第i个视角的所述视角中心，f_i^v表示第i个视角的第v张所述样本图像的所述样本图像特征，D(f_i,f_i^v)表示第i个视角的第v张所述样本图像的所述样本图像特征与第i个视角的所述视角中心之间的距离。

5.如权利要求2所述的目标识别方法，其特征在于，所述基于每个视角的所述视角中心，确定所述特征中心，包括：

基于每个视角的所述视角中心，以及特征中心计算公式，确定所述特征中心；

其中，所述特征中心计算公式表示为：f表示所述特征中心，K表示视角的总数，f_i表示第i个视角的所述视角中心。

6.如权利要求2所述的目标识别方法，其特征在于，根据每个视角的所述视角中心分别与所述特征中心之间的距离，确定第二损失值，包括：

根据每个视角的所述视角中心分别与所述特征中心之间的距离，以及第二损失值计算公式，确定所述第二损失值；

其中，所述第二损失值计算公式表示为：L表示所述第二损失值，K表示视角的总数，f表示所述特征中心，f_i表示第i个视角的所述视角中心，D(f_i,f)表示第i个视角的所述视角中心与所述特征中心之间的距离。

7.如权利要求1至6任意一项所述的目标识别方法，其特征在于，所述目标识别网络模型的训练过程，包括：

获取所述样本图像；

以使所述损失函数最小化为目标，利用所述样本图像对待训练的识别网络模型进行迭代训练，直至所述损失函数的损失值小于或等于预设的损失值阈值，或者，直至所述待训练的识别网络模型的迭代次数大于或等于次数阈值，得到所述目标识别网络模型。