图像识别方法及装置与流程

技术特征：
1.一种图像识别方法，其特征在于，包括：调用图神经网络、以及训练后的图像识别网络；其中，所述图神经网络中节点的节点特征与节点对应图像对中参考图像和候选图像的型号特征和个体特征相关，节点间的连边权重与相关节点对中的候选图像之间的相似度相关，所述图像对由参考图像和候选图像组成；所述图像识别网络包括型号特征提取网络、个体特征提取网络、以及图节点分类网络；通过所述型号特征提取网络和所述个体特征提取网络对所述参考图像和所述候选图像进行特征提取，得到所述参考图像的型号特征和个体特征、以及所述候选图像的型号特征和个体特征；根据所述图神经网络、所述参考图像的型号特征和个体特征、以及所述候选图像的型号特征和个体特征，构建所述参考图像对应的待分类图神经网络；通过所述图节点分类网络处理所述待分类图神经网络，得到节点对应图像对中图像之间的相似度参数。2.根据权利要求1所述的图像识别方法，其特征在于，根据预设的图神经网络、所述参考图像的型号特征和个体特征、以及所述候选图像的型号特征和个体特征，构建所述参考图像对应的待分类图神经网络的步骤，包括：确定由参考图像和候选图像组成的多个图像对，并将图像对确定为待分类图神经网络中节点对应的图像对；根据图像对中参考图像和候选图像的型号特征和个体特征的差异值，确定节点的节点特征；根据连边相关节点对中的候选图像的型号特征和个体特征的差异值，确定连边权重。3.根据权利要求2所述的图像识别方法，其特征在于，所述根据图像对中参考图像和候选图像的型号特征和个体特征的差异值，确定节点的节点特征的步骤，包括：将图像对中参考图像的个体特征和候选图像的个体特征的特征向量差，确定为节点的节点特征。4.根据权利要求2所述的图像识别方法，其特征在于，所述根据图像对中参考图像和候选图像的型号特征和个体特征的差异值，确定节点的节点特征的步骤，包括：将图像对中参考图像的型号特征和候选图像的型号特征的特征向量差，确定为节点的节点特征。5.根据权利要求2所述的图像识别方法，其特征在于，所述根据图像对中参考图像和候选图像的型号特征和个体特征的差异值，确定节点的节点特征的步骤，包括：根据预设的拼接权重，将参考图像的型号特征和个体特征进行特征拼接，得到参考图像的拼接特征，将候选图像的型号特征和个体特征进行特征拼接，得到候选图像的拼接特征；将图像对中参考图像的拼接特征和候选图像的拼接特征的特征向量差，确定为节点的节点特征。6.根据权利要求2所述的图像识别方法，其特征在于，所述根据连边相关节点对中的候选图像的型号特征和个体特征的差异值，确定连边权重的步骤，包括：根据所述连边相关节点对中的第一候选图像和第二候选图像的型号特征及个体特征的差异值，确定所述连边相关节点对中的第一候选图像和第二候选图像之间的相似性度量
参数；根据所述第一候选图像与其他候选图像之后的相似性度量参数、以及所述第一候选图像和第二候选图像之间的相似性度量参数，确定所述连边的连边权重。7.根据权利要求1所述的图像识别方法，其特征在于，所述通过所述图节点分类网络处理所述待分类图神经网络，得到节点对应图像对中图像之间的相似度参数的步骤，包括：对所述待分类图神经网络中各节点的节点特征进行映射迭代处理，得到各节点处理后的节点特征；对各节点处理后的节点特征进行概率映射，得到各节点对应图像对中参考图像和候选图像之间的相似度参数。8.根据权利要求1所述的图像识别方法，其特征在于，在所述通过所述图节点分类网络处理所述待分类图神经网络，得到节点对应图像对中图像之间的相似度参数的步骤之后，还包括：获取候选图像对之间的相似度参数；根据所述候选图像对之间的相似度参数、以及所述参考图像和候选图像之间的相似度参数，从所述候选图像中确定与所述参考图像属于相同对象的目标图像。9.根据权利要求1至8任一项所述的图像识别方法，其特征在于，在调用训练后的图像识别网络的步骤之前，还包括：获取样本图像，并组合得到样本图像对；所述样本图像标记有型号特征标签和个体特征标签，所述样本图像对标记有相似匹配标签；根据样本图像及型号特征标签，采用有监督训练方式对待训练的型号特征提取网络进行训练，得到训练后的型号特征提取网络；所述待训练的型号特征提取网络的输入为样本图像，输出为型号特征标签预测结果，所述训练后的型号特征提取网络的输出为型号特征向量；根据样本图像及个体特征标签，采用有监督训练方式对待训练的个体特征提取网络进行训练，得到训练后的个体特征提取网络；所述待训练的个体特征提取网络的输入为样本图像，输出为个体特征标签预测结果，所述训练后的个体特征提取网络的输出为个体特征向量；通过训练后的型号特征提取网络和训练后的个体特征提取网络，处理样本图像对中的样本图像，得到样本图像的型号特征向量和个体特征向量；根据所述图神经网络、所述样本图像的型号特征向量和个体特征向量，构建各样本图像对的样本图神经网络；根据所述样本图神经网络以及样本图像对标记的相似匹配标签，采用有监督训练方式对待训练的图节点分类网络进行训练，得到训练后的图节点分类网络；所述待训练的图节点分类网络的输入为样本图像对的样本图神经网络，输出为样本图像对相似匹配标签预测结果，所述训练后的图节点分类网络的输入为图像对的图神经网络，输出为图像对中图像之间的相似度参数。10.一种图像识别装置，其特征在于，包括：调用模块，用于调用图神经网络、以及训练后的图像识别网络；其中，所述图神经网络中节点的节点特征与节点对应图像对中参考图像和候选图像的型号特征和个体特征相关，
节点间的连边权重与相关节点对中的候选图像之间的相似度相关，所述图像对由参考图像和候选图像组成；所述图像识别网络包括型号特征提取网络、个体特征提取网络、以及图节点分类网络；提取模块，用于通过所述型号特征提取网络和所述个体特征提取网络对所述参考图像和所述候选图像进行特征提取，得到所述参考图像的型号特征和个体特征、以及所述候选图像的型号特征和个体特征；构建模块，用于根据所述图神经网络、所述参考图像的型号特征和个体特征、以及所述候选图像的型号特征和个体特征，构建所述参考图像对应的待分类图神经网络；识别模块，用于通过所述图节点分类网络处理所述待分类图神经网络，得到节点对应图像对中图像之间的相似度参数。

技术总结
本申请实施例公开了一种图像识别方法及装置；该方法重新定义了图神经网络的参数以及后续的图像识别网络，之后通过所述型号特征提取网络和所述个体特征提取网络对所述参考图像和所述候选图像进行特征提取，并根据提取结果构建所述参考图像对应的待分类图神经网络，最后通过所述图节点分类网络处理所述待分类图神经网络，得到节点对应图像对中图像之间的相似度参数；本发明基于图像的型号特征和个体特征、候选图像之间的相似度来确定参考图像和候选图像之间的相似度，这样就可以提升图像识别的准确性，进而可以提高车辆重识别的效率等。等。等。


技术研发人员：何政 叶刚 石超英
受保护的技术使用者：武汉邦拓信息科技有限公司
技术研发日：2021.10.27
技术公布日：2021/11/23