目标对象识别方法、装置、计算设备及介质与流程

1.本公开涉及图像识别领域，更具体地，涉及一种目标对象识别方法、装置、计算设备及介质。


背景技术：

2.行人重识别技术是指根据目标行人的图像或视频片段，在拍摄区域不重叠的多个摄像头所组成的监控网络中搜索与该目标行人身份相同的行人。步态识别是行人重识别的一种特例。步态是一种极具潜质的生物特征，它反映了行人的行走模式。由于存在运动差异和体型差异，每个人的步态都是唯一的，利用步态可以唯一识别视频中的目标行人。近些年，深度学习在图像、视频、语音等方面取得了突破性的进展，并展现了强大的特征学习能力。相关技术利用深度学习技术进行步态识别，相对于传统的步态识别方法识别性能得到了显著提高。
3.尽管深度学习对步态识别有了很大的改进，但相关技术只考虑在单个步态数据集上进行模型的训练和测试，而忽略了跨域(交叉数据集)的情况。由于跨域会存在域间类别数不对等和数据风格不一致等问题，所以将一个步态数据集上训练的模型直接应用于其他步态数据集进行测试，通常会获得较差的结果。


技术实现要素：

4.有鉴于此，本公开提供了一种目标对象识别方法、装置、计算设备及介质。
5.本公开的一个方面提供了一种目标对象识别方法，包括：获取多个待识别图像，所述多个待识别图像包括至少一个目标对象的步态信息；以及利用经训练的深度学习模型，识别所述多个待识别图像，以得到针对所述至少一个目标对象的识别结果；其中，通过以下操作训练深度学习模型：利用源域步态轮廓序列，训练所述深度学习模型，得到第一学习模型；以及利用目标域步态轮廓序列训练所述第一学习模型，得到所述经训练的深度学习模型。
6.根据本公开的实施例，所述深度学习模型包括深度卷积神经网络模块、池化模块和水平金字塔映射模块；所述利用源域步态轮廓序列，训练深度学习模型，包括：初始化所述深度学习模型的参数，并重复执行以下操作第一预设次数：获取源域步态轮廓序列；利用所述深度卷积神经网络模块，从所述源域步态轮廓序列中提取多个帧级特征；利用所述池化模块，根据所述多个帧级特征，确定序列级特征；利用所述水平金字塔映射模块，根据所述序列级特征，生成目标序列特征；以及根据所述目标序列特征，调整所述深度学习模型的参数。
7.根据本公开的实施例，所述初始化所述深度学习模型的参数包括：将所述深度学习模型的参数设置为随机数。
8.根据本公开的实施例，所述根据所述目标序列特征，调整所述深度学习模型的参数包括：根据以下公式计算第一损失函数值，
[0009][0010]
其中，所述l为第一损失函数值，所述n是源域步态轮廓序列中的源域步态图像数，所述是所述源域步态轮廓序列中的第i个源域步态图像，所述和所述分别是相对于所述第i个源域步态图像的正样本和负样本，所述m是裕度参数，符号“|| ||”表示计算该符号内的两向量之间的距离，符号“[ ]
”表示该符号内的运算结果取正数；以及根据所述损失函数调整所述深度学习模型的参数。
[0011]
根据本公开的实施例，所述利用目标域步态轮廓序列训练所述第一学习模型包括重复执行预设轮次的模型更新操作；其中，所述预设轮次的模型更新操作中的每轮模型更新操作包括：重复执行以下操作第二预设次数：利用所述第一学习模型，从所述目标域步态轮廓序列中提取多个特征样本；确定所述多个特征样本中每个特征样本的信息熵；根据所述信息熵，从所述多个特征样本中确定预设比例的特征样本作为锚样本；确定所述锚样本的邻域；根据所述锚样本的邻域，计算第二损失函数值；以及根据所述损失函数值，调整所述深度学习模型的参数。
[0012]
根据本公开的实施例，所述预设比例根据以下公式确定：
[0013]
q＝(r/r)
×
100％
[0014]
其中，q为所述预设比例，r为所述预设轮次，r为当前正在执行的轮数。
[0015]
根据本公开的实施例，所述确定所述多个特征样本中每个特征样本的信息熵包括：根据以下公式计算所述每个特征样本的信息熵：
[0016][0017]
其中，
[0018][0019]
其中所述x
i
为所述多个特征样本中的第i个特征样本，所述为所述x
i
的转置，所述h(x
i
)为所述x
i
的信息熵，所述τ为密度参数，所述n为所述多个特征样本的总数。
[0020]
根据本公开的实施例，所述确定所述锚样本的邻域包括：利用k-最近邻算法，确定所述每个锚样本的邻域。
[0021]
根据本公开的实施例，所述根据所述锚样本的邻域，计算第二损失函数值，包括：根据以下公式计算所述第二损失函数值：
[0022][0023]
其中，所述l
an
为所述第二损失函数值，所述x
i
为所述多个特征样本中的第i个特征样本，所述n
i
为所述多个特征样本总数，所述n
k
(x
i
)为与x
i
距离最近的前k个邻域。
[0024]
本公开的另一个方面提供了一种目标对象识别装置，包括：获取模块，用于获取多个待识别图像，所述多个待识别图像包括至少一个目标对象的步态信息；识别模块，用于利用经训练的深度学习模型，识别所述多个待识别图像，以得到针对所述至少一个目标对象的识别结果；第一训练模块，用于利用源域步态轮廓序列，训练所述深度学习模型，得到第一学习模型；以及第二训练模块，用于利用目标域步态轮廓序列训练所述第一学习模型，得到所述经训练的深度学习模型。
[0025]
本公开的另一个方面提供了一种计算设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
[0026]
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
[0027]
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
[0028]
根据本公开的实施例，通过在有标签的数据域(即源域)中训练深度学习模型，然后利用另一个无标签的数据域(即目标域)，对经源域数据训练的深度学习模型进行训练，以得到经训练的深度学习模型。利用该经训练的深度学习模型可以有效地解决目标域类别数未知情况下的跨域步态识别问题。
附图说明
[0029]
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
[0030]
图1示意性示出了根据本公开实施例的可以应用目标对象识别方法和装置的示例性应用场景；
[0031]
图2示意性示出了根据本公开的实施例的目标对象识别方法的流程图；
[0032]
图3a示意性示出了根据本公开的实施例的训练深度学习模型的流程图；
[0033]
图3b示意性示出了根据本公开的实施例的利用源域步态轮廓序列，训练深度学习模型的流程图；
[0034]
图3c示意性示出了根据本公开的实施例的每轮模型更新操作的流程图；
[0035]
图4示意性示出了根据本公开的实施例的目标对象识别装置的结构框图；以及
[0036]
图5示意性示出了根据本公开实施例的适于实现本实施例描述的方法的计算机系统的方框图。
具体实施方式
[0037]
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0038]
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用
的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0039]
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0040]
在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
[0041]
本公开的实施例提供了一种目标对象识别方法以及能够应用该方法的装置。该方法包括获取多个待识别图像，多个待识别图像包括至少一个目标对象的步态信息；以及利用经训练的深度学习模型，识别多个待识别图像，以得到针对至少一个目标对象的识别结果；其中，通过以下操作训练深度学习模型：利用源域步态轮廓序列，训练深度学习模型，得到第一学习模型；以及利用目标域步态轮廓序列训练第一学习模型，得到经训练的深度学习模型。
[0042]
图1示意性示出了根据本公开实施例的可以应用目标对象识别方法和装置的示例性应用场景100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
[0043]
如图1所示，根据该实施例的应用场景100可以包括目标对象10，多个图像采集设备20和服务器30。
[0044]
其中，目标对象10例如可以为行走或奔跑中的行人。图像采集设备20例如可以为摄像头、摄像机、相机、扫描仪、其他带有图像采集功能的电子设备(例如手机、笔记本电脑、平板电脑等)。每个图像采集设备20具有各自的图像采集范围，当目标对象10进入图像采集设备20的图像采集范围中时，该图像采集设备20将采集目标对象10的图像。服务器30可以是提供各种服务的服务器，例如对图像采集设备20所采集的图像进行分析识别等处理，并生成识别结果。
[0045]
需要说明的是，本公开实施例所提供的目标对象识别方法一般可以由服务器30执行。相应地，本公开实施例所提供的目标对象识别装置一般可以设置于服务器30中。本公开实施例所提供的目标对象识别方法也可以由不同于服务器30且能够与图像采集设备20和/或服务器30通信的服务器或服务器集群执行。相应地，本公开实施例所提供的目标对象识别装置也可以设置于不同于服务器30且能够与图像采集设备20和/或服务器30通信的服务器或服务器集群中。
[0046]
应该理解，图1中的图像采集设备和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的图像采集设备和服务器。
[0047]
图2示意性示出了根据本公开的实施例的目标对象识别方法的流程图。
[0048]
如图2所示，该方法包括在操作s210，获取多个待识别图像，多个待识别图像包括至少一个目标对象的步态信息。
[0049]
根据本公开的实施例，可以获取由拍摄区域彼此不重叠的多个图像采集设备采集的图像或视频，然后根据这些图像或视频，确定多个步态轮廓图，作为待识别图像。
[0050]
然后，在操作s220，利用经训练的深度学习模型，识别多个待识别图像，以得到针对目标对象的识别结果。
[0051]
根据本公开的实施例，可以将多个带有各个对象标签的图像和待识别图像输入经训练的深度学习模型中，深度学习模型将输出待识别图像中的目标对象所对应的标签，从而实现对目标对象身份的识别。
[0052]
根据本公开的实施例，通过在有标签的数据域(即源域)中训练深度学习模型，然后利用另一个无标签的数据域(即目标域)，对经源域数据训练的深度学习模型进行训练，以得到经训练的深度学习模型。利用该经训练的深度学习模型可以有效地解决目标域类别数未知情况下的跨域步态识别问题。
[0053]
示例性地，本实施例中，深度学习模型可以以gaitset网络为主干网络。gaitset网络包括深度卷积神经网络模块、池化模块和水平金字塔映射模块。gaitset网络的原理在于将步态轮廓图当作没有时序关系的图像集，让深度神经网络自身去提取并利用步态轮廓图之间的时序关系，从而充分利用时间-空间信息，以取得当前在单个步态数据集上最好的步态识别效果。
[0054]
根据本公开的实施例，可以先在源域数据集上有监督的训练gaitset网络，并将此作为目标域上的先验知识。接着，以纯数据驱动的聚类方法，在完全不清楚目标域类别数的前提下，根据样本熵的分布来自动选择合适的锚数据，并通过k-最近邻算法寻找每个锚数据对应的邻数据，以达到聚类的效果。需要指出的是，在选择锚数据时，可以采用高熵优先选择策略，从而有效地将源域中学到的先验知识迁移到目标域，并让模型在目标域中得到增强。然后，可以利用关于锚数据和邻数据的损失函数对模型进行更新。通过上述方法训练后的深度学习模型可以有效的解决目标域类别数未知情况下的跨域步态识别问题。
[0055]
下面参考图3a～3c，结合具体实施例对训练深度学习模型的方法做进一步说明。本领域技术人员可以理解，以下示例实施例仅用于理解本公开，本公开并不局限于此。
[0056]
图3a示意性示出了根据本公开的实施例的训练深度学习模型的流程图。如图3a所示，可以通过以下操作s310～s320训练深度学习模型。
[0057]
在操作s310，利用源域步态轮廓序列，训练深度学习模型，得到第一学习模型。
[0058]
根据本公开的实施例，gaitset网络直接以步态轮廓序列作为输入，它将序列看作一个集合。通过这种方法，既可以保留所有帧的空间特征，又可以让深度神经网络模型自身优化去提取序列中的时间信息，从而对步态的特征表示进行综合建模。
[0059]
示例性地，若给定一个源域步态轮廓序列x＝{x
k
}
k
，其中xk代指该序列中任意一张步态轮廓图，k是源域步态轮廓序列的长度，gaitset网络的总体过程可以用f(
·
)来表示，具体地，f(
·
)可以表示为如下公式：
[0060]
f(x)＝h(g({f(x
k
)}
k
))
[0061]
其中f(
·
)代表利用深度卷积神经网络(cnn)模块提取帧级特征。g(
·
)代表利用池化模块执行set pooling操作，以生成的序列级特征。h(
·
)代表利用水平金字塔映射
(hpm)模块根据序列级特征，生成可区分性的目标序列特征。
[0062]
图3b示意性示出了根据本公开的实施例的利用源域步态轮廓序列，训练深度学习模型的流程图。如图3b所示，操作s310例如可以包括以下操作s311～s318。
[0063]
更具体地，在操作s311，初始化深度学习模型的参数。
[0064]
根据本公开的实施例，可以针对深度学习模型的每个参数，在其其取值范围内随机取一个数值，将该数值设置为该参数的初始值，以实现初始化。
[0065]
在操作s312，读取源域步态轮廓序列。
[0066]
根据本公开的实施例，源域步态轮廓序列例如可以包括多个带有标签的步态轮廓图，这些步态轮廓图包含多个对象的步态信息。本实施例中，源域步态轮廓序列中的每个步态轮廓图具有一个标签，标签用于表示该步态轮廓图中对象的身份。
[0067]
在操作s313，利用深度卷积神经网络模块，从源域步态轮廓序列中提取多个帧级特征。
[0068]
在操作s314，利用池化模块，根据多个帧级特征，确定序列级特征。
[0069]
在操作s315，利用水平金字塔映射模块，根据所述序列级特征，生成目标序列特征。
[0070]
在操作s316，根据目标序列特征，确定第一损失函数值。
[0071]
根据本公开的实施例，由于只有源域数据的标签，导致模型没有目标域的相关知识，因此有必要充分利用从源域数据中学到的步态模型，将其作为目标域的先验知识。因为源域数据和目标域数据中的类别数是不相同的，所以可以让模型学习样本之间的相似性或差异，而不是对它们进行分类学习。因此，可以采用triplet loss(三元组损失函数)进行源域数据集上的先验知识学习。triplet loss的数学定义为：
[0072][0073]
其中，l为第一损失函数值，l为正数，n是源域步态轮廓序列中的源域步态图像数，是源域步态轮廓序列中的第i个源域步态图像，和分别是相对于第i个源域步态图像的正样本和负样本，m是裕度参数，符号“|| ||”表示计算该符号内的两向量之间的距离，符号“[]
”表示该符号内的运算结果取正数。
[0074]
在操作s317，根据第一损失函数值，调整深度学习模型的参数。
[0075]
根据本公开的实施例，可以采用adam算法根据第一损失函数值优化深度学习模型的参数。
[0076]
在操作s318，确定是否到达迭代上限(即第一预设次数)，若已到达迭代上限，则结束本阶段的训练，若未到达迭代上限，则令迭代次数加一，并跳转执行操作s312。
[0077]
根据本公开的实施例，迭代上限(即第一预设次数)可以根据实际需要进行设置。
[0078]
继续回到图3a，在操作s320，利用目标域步态轮廓序列训练第一学习模型，得到经训练的深度学习模型。
[0079]
根据本公开的实施例，利用目标域步态轮廓序列训练第一学习模型的过程可以分为多轮进行，在每一轮中重复执行多次模型更新操作。训练轮数和每轮模型更新操作的执
行次数(即第二预设次数)可以根据实际需要确定。
[0080]
图3c示意性示出了根据本公开的实施例的每轮模型更新操作的流程图。如图3c所示，操作s320例如可以包括以下操作s3201～s3210。
[0081]
在操作s3201，加载第一学习模型。
[0082]
根据本公开的实施例，操作s3201例如可以包括加载源域训练后的网络参数，初始化参数r、r，以加载第一学习模型。
[0083]
在操作s3202，读取目标域步态轮廓序列。
[0084]
根据本公开的实施例，目标域步态轮廓序列包含多个步态轮廓图，与源域步态轮廓序列中的步态轮廓图不同的是，这些步态轮廓图所对应的标签未知。
[0085]
在操作s3203，利用第一学习模型，从目标域步态轮廓序列中提取多个特征样本。
[0086]
根据本公开的实施例，可以利用第一学习模型的gaitset网络将目标域步态轮廓序列映射到特征空间中，得到多个特征样本。
[0087]
在操作s3204，计算预设比例。
[0088]
根据本公开的实施例，预设比例可以根据以下公式确定：
[0089]
q＝(r/r)
×
100％
[0090]
其中，q为预设比例，r为预设轮次，r为当前正在执行的轮数。例如预设轮次为5次，当前正在执行的轮数为1，则q＝(1/5)
×
100％＝20％。
[0091]
在操作s3205，确定多个特征样本中每个特征样本的信息熵，并根据信息熵，从多个特征样本中确定预设比例的特征样本作为锚样本。
[0092]
根据本公开的实施例，在先验知识的基础上进行领域选择时，为了解决源域数据集和目标域数据集之间严重的域间隙问题，可以采用类一致性指示器h(x)，即信息熵。
[0093]
示例性地，可以根据以下公式计算每个特征样本的信息熵：
[0094][0095]
其中，
[0096][0097]
其中x
i
为多个特征样本中的第i个特征样本，为x
i
的转置，h(x
i
)为x
i
的信息熵，τ为密度参数，决定特征空间的稠密程度，n为多个特征样本的总数。根据本公开的实施，特征样本的信息熵越大，则表示特征样本的置信度越高。
[0098]
根据本公开的实施例，如果样本x处在密集区域，则h(x)的熵值较高。在跨域步态识别中，由于模型已经从源域数据中学习到了一定的先验知识，所以目标域的样本在特征空间中的类间相似性具有一种潜在的对应关系。因此可以认为处在较密集区域的样本具有较高的类一致性，这些样本应该被选择做为置信度较高的锚数据，并以此使用k-最近邻算法寻找每个锚数据对应的邻域。因此，在本实施例中，可以采用高熵优先策略进行锚数据及其邻域的选择，即选择信息熵最大的前q个特征样本作为锚样本，然后确定锚样本的邻域。
[0099]
在操作s3206，确定锚样本的邻域。
[0100]
根据本公开的实施例，可以利用k-最近邻算法，确定每个锚样本的邻域。示例性地，本实施例中使用k-最近邻算法定义锚邻域(an)，在锚数据样本x上的邻域n
k
(x)表述如下：
[0101]
n
k
(x)＝{x
i
|s(x
i
，x)is in the top-k in s}∪{x}
[0102]
其中s为特征空间，s(
·
，
·
)为相似度量函数，本实施例中采用余弦相似度。
[0103]
在操作s3207，根据锚样本的邻域，计算第二损失函数值。
[0104]
根据本公开的实施例，可以根据以下公式计算所述第二损失函数值：
[0105][0106]
其中，l
an
为第二损失函数值，x
i
为多个特征样本中的第i个特征样本，n
i
为多个特征样本总数，n
k
(x
i
)为与x
i
距离最近的前k个邻域。
[0107]
在操作s3208，根据第二损失函数值，调整深度学习模型的参数。
[0108]
根据本公开的实施例，可以根据adam算法调整深度学习模型的参数。
[0109]
在操作s3209，确定是否到达迭代上限，若是，则执行操作s3210，否则，执行跳转执行操作s3202。
[0110]
在操作s3210，确定当前轮数是否达到总轮数r，若是，则结束训练，若否，则使当前轮数r加一，并跳转执行操作s3202。
[0111]
根据本公开的实施例，不同数据集之间的域间隙对模型的泛化能力有很大的影响，因此相关技术不能很好地完成跨域识别任务。而根据本公开的实施例，首先采用一个强大的深度神经网络gaitset在学习源域上学到先验知识，然后将未标记的目标域样本通过训练后的gaitset映射到特征空间中。接着可以采用类一致性指标器和高熵优先策略逐步选择置信度高的锚邻域，最后利用锚邻域损失函数优化模型，提高了跨域步态识别的有效性。
[0112]
图4示意性示出了根据本公开的实施例的目标对象识别装置的结构框图。
[0113]
如图4所示，装置400可以包括获取模块410、识别模块420、第一训练模块430和第二训练模块440。装置400例如可以执行图2和图3a～3c所示的方法。
[0114]
获取模块410，用于获取多个待识别图像，多个待识别图像包括至少一个目标对象的步态信息。
[0115]
识别模块420，用于利用经训练的深度学习模型，识别多个待识别图像，以得到针对至少一个目标对象的识别结果。
[0116]
第一训练模块430，用于利用源域步态轮廓序列，训练深度学习模型，得到第一学习模型。
[0117]
第二训练模块440，用于利用目标域步态轮廓序列训练第一学习模型，得到经训练的深度学习模型。
[0118]
根据本公开的实施例，通过在有标签的数据域(即源域)中训练深度学习模型，然后利用另一个无标签的数据域(即目标域)，对经源域数据训练的深度学习模型进行训练，以得到经训练的深度学习模型。利用该经训练的深度学习模型可以有效地解决目标域类别数未知情况下的跨域步态识别问题。
[0119]
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0120]
例如，获取模块410、识别模块420、第一训练模块430和第二训练模块440中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块410、识别模块420、第一训练模块430和第二训练模块440中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块410、识别模块420、第一训练模块430和第二训练模块440中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0121]
图5示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的方框图。图5示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0122]
如图5所示，根据本公开实施例的计算机系统500包括处理器501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0123]
在ram 503中，存储有系统500操作所需的各种程序和数据。处理器501、rom 502以及ram 503通过总线504彼此相连。处理器501通过执行rom 502和/或ram 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 502和ram 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0124]
根据本公开的实施例，系统500还可以包括输入/输出(i/o)接口505，输入/输出(i/o)接口505也连接至总线504。系统500还可以包括连接至i/o接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。
驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0125]
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0126]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0127]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 502和/或ram 503和/或rom 502和ram 503以外的一个或多个存储器。
[0128]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0129]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0130]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。