目标相似度计算方法、装置、电子设备及计算机存储介质与流程

1.本发明涉及计算机技术领域，尤指一种目标相似度计算方法、装置、电子设备及计算机存储介质。


背景技术：

2.图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。其中，在监控安防领域，人脸图像识别、机动车图像识别等技术有着广泛的应用。
3.然而，目前在进行目标的图像识别并进行比对分析时，由于采集目标图像的角度、光照、目标被部分遮挡等因素影响，会出现对同一个目标在不同情况下采集的图像之中该目标的相似度较低，或者出现对不同目标在不同情况下采集的图像之中各目标的相似度较高，从而导致图像识别准确性较差，给出错误的比对结论。


技术实现要素：

4.本发明实施例提供一种目标相似度计算方法、装置、电子设备及计算机存储介质，用以解决现有技术中存在计算目标相似度时准确性较差的问题。
5.本发明实施例提供了一种目标相似度计算方法，包括：
6.获取包含待比较目标的目标图像；
7.基于预先设定的多个局部特征类别，分别提取所述目标图像的第一局部特征；
8.对各所述第一局部特征进行分析，根据分析结果确定各所述第一局部特征的加权系数；
9.根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度，确定所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度；其中所述特征相似度是所述第一局部特征与所述基准图像的特征之间的相似度。
10.可选地，所述特征相似度是所述第一局部特征与所述基准图像的相同类别的第二局部特征之间的相似度。
11.可选地，通过下列方式设定多个局部特征类别：
12.识别所述基准图像的整体语义，并根据所述基准图像的整体语义设定所述多个局部特征类别；
13.根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度，确定所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度之前，所述方法还包括：
14.对每个所述局部特征类别，分别提取所述基准图像的第二局部特征。
15.可选地，对各所述第一局部特征进行分析，根据分析结果确定各所述第一局部特征的加权系数，包括：
16.针对任意一个所述第一局部特征，对所述第一局部特征进行分析，根据分析结果
确定所述第一局部特征的置信度；
17.根据各所述第一局部特征的置信度分别确定各所述第一局部特征的加权系数。
18.可选地，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度，包括：
19.对所述第一局部特征进行图像质量分析，根据图像质量分析结果确定所述第一局部特征的置信度；其中所述第一局部特征的图像质量越高，所述第一局部特征的置信度越高。
20.可选地，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度，包括：
21.对所述第一局部特征进行图像语义分析，根据图像语义分析结果确定所述第一局部特征的置信度；其中所述图像语义分析结果中，能够与所述第一局部特征对应的局部特征类别匹配成功的图像语义分析结果的数量占比越大，所述第一局部特征的置信度越高。
22.可选地，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度，包括：
23.对所述第一局部特征进行特征提取过程分析，根据提取所述第一局部特征时采用的图像处理步骤确定所述第一局部特征的置信度；其中不同的图像处理步骤对应不同的置信度。
24.可选地，根据各所述第一局部特征的置信度分别确定各所述第一局部特征的加权系数，包括：
25.针对任一个所述第一局部特征，将所述第一局部特征的置信度与所有所述第一局部特征的置信度之和的比值，作为所述第一局部特征的计算因子；
26.针对任一个所述第一局部特征，基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数。
27.可选地，基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数，包括：
28.若所述第一局部特征的计算因子小于加权系数下限，则将所述第一局部特征的计算因子调整为所述加权系数下限，并基于调整后的所述计算因子确定所述第一局部特征的加权系数；
29.若所述第一局部特征的计算因子大于加权系数上限，则将所述第一局部特征的计算因子调整为所述加权系数上限，并基于调整后的所述计算因子确定所述第一局部特征的加权系数。
30.可选地，针对任一个所述第一局部特征，基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数，包括：
31.以不重复选取所有第一局部特征的计算因子进行一次数值调整过程为一轮数值调整过程，进行至少一轮数值调整过程，并在每轮数值调整过程结束时判断本轮数值调整过程中是否有第一局部特征的计算因子的数值发生变化，若本轮数值调整过程中有第一局部特征的计算因子的数值发生变化，则再次进行一轮数值调整过程；若本轮调整过程中无第一局部特征的计算因子的数值发生变化，则不再进行下一轮数值调整过程，并将此时各第一局部特征的计算因子作为各第一局部特征的加权系数；
32.其中，对于任一选取的第一局部特征的计算因子，进行一次数值调整过程，包括：
33.若当前选取的所述计算因子大于等于所述加权系数下限且小于等于所述加权系数上限，则保持所述计算因子不变；
34.若当前选取的所述计算因子小于所述加权系数下限，将当前选取的所述计算因子与所述加权系数下限的差值平均分配给其他大于所述加权系数下限的各第一局部特征的计算因子，并将当前选取的所述计算因子调整为所述加权系数下限；
35.若当前选取的所述计算因子大于所述加权系数上限，将选取的当前选取的所述计算因子与所述加权系数上限的差值平均分配给其他小于所述加权系数上限的各第一局部特征的计算因子，并将当前选取的所述计算因子调整为所述加权系数上限。
36.可选地，根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度，确定所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度，包括：
37.对任一第一局部特征，根据所述第一局部特征的加权系数乘以所述第一局部特征对应的特征相似度，得到所述第一局部特征对应的目标相似度因子；
38.将各第一局部特征对应的目标相似度因子相加，得到所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度。
39.基于同一发明构思，本发明实施例还提供了一种目标相似度计算装置，包括：
40.获取模块，用于获取包含待比较目标的目标图像；
41.第一局部特征提取模块，用于基于预先设定的多个局部特征类别，分别提取所述目标图像的第一局部特征；
42.加权系数确定模块，用于对各所述第一局部特征进行分析，根据分析结果确定各所述第一局部特征的加权系数；
43.目标相似度计算模块，用于根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度，确定所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度；其中所述特征相似度是所述第一局部特征与所述基准图像的特征之间的相似度。
44.基于同一发明构思，本发明实施例还提供了一种电子设备，包括：处理器和用于存储所述处理器可执行指令的存储器；
45.其中，所述处理器被配置为执行所述指令，以实现所述的目标相似度计算方法。
46.基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被用于实现所述的目标相似度计算方法。
47.本发明有益效果如下：
48.本发明实施例提供的目标相似度计算方法、装置、电子设备及计算机存储介质，通过将目标图像按照图像语义进行拆分，对不同的局部分别提取第一局部特征并计算与基准图像的特征之间的特征相似度，再根据各局部的特征相似度确定目标图像中的待比较目标与基准图像中的基准目标整体的目标相似度，从而能够根据图像的细节来进行比较，能够降低由于采集目标图像时由于角度、光照、目标被部分遮挡等因素对确定目标相似度的不利影响。
附图说明
49.图1为本发明实施例提供的目标相似度计算方法的流程图；
50.图2为本发明实施例提供的目标相似度计算方法部分步骤的流程图之一；
51.图3为本发明实施例提供的目标相似度计算方法部分步骤的流程图之二；
52.图4为本发明实施例提供的目标相似度计算装置的结构示意图；
53.图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
54.为使本发明的上述目的、特征和优点能够更为明显易懂，下面将结合附图和实施例对本发明做进一步说明。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明更全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。本发明中所描述的表达位置与方向的词，均是以附图为例进行的说明，但根据需要也可以做出改变，所做改变均包含在本发明保护范围内。本发明的附图仅用于示意相对位置关系不代表真实比例。
55.需要说明的是，在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。说明书后续描述为实施本技术的较佳实施方式，然所述描述乃以说明本技术的一般原则为目的，并非用以限定本技术的范围。本技术的保护范围当视所附权利要求所界定者为准。
56.下面结合附图，对本发明实施例提供的目标相似度计算方法、装置、电子设备及计算机存储介质进行具体说明。
57.本发明实施例所提供的目标相似度计算方法、装置、电子设备及计算机存储介质，可以应用于目标识别场景。例如可以采用后文所述的方案计算采集的目标图像中的待比较目标与数据库中保存有基准图像的各基准目标之间的相似度，以确定采集的目标图像中的目标的身份。
58.本发明实施例提供了一种目标相似度计算方法，如图1所示，包括：
59.s110、获取包含待比较目标的目标图像。
60.s120、基于预先设定的多个局部特征类别，分别提取所述目标图像的第一局部特征。
61.本发明实施例中对每个局部特征类别，提取一个所述第一局部特征。例如，若与所述目标图像的待比较目标进行比较目标相似度的基准图像中的基准目标为车辆，那么所述局部特征类别可以包括车牌、车标、指定位置的车轮(例如左前轮)、车头、车身、车尾、车窗等。
62.s130、对各所述第一局部特征进行分析，根据分析结果确定各所述第一局部特征的加权系数。
63.s140、根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度，确定所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度。
64.其中，所述特征相似度是所述第一局部特征与所述基准图像的特征之间的相似
度。
65.这样，本发明实施例通过将目标图像按照图像语义进行拆分，对不同的局部分别提取第一局部特征并计算与基准图像的特征之间的特征相似度，再根据各局部的特征相似度确定目标图像中的待比较目标与基准图像中的基准目标整体的目标相似度，从而能够根据图像的细节来进行比较，能够降低由于采集目标图像时由于角度、光照、目标被部分遮挡等因素对确定目标相似度的不利影响。对于目标识别场景，可以提高待比较目标与数据库中的基准目标进行匹配的准确性。
66.进一步地，所述特征相似度是所述第一局部特征与所述基准图像的相同类别的第二局部特征之间的相似度。
67.可选地，通过下列方式确定多个局部特征类别：
68.识别所述基准图像的整体语义，并根据所述基准图像的整体语义设定所述多个局部特征类别。
69.在具体实施过程中，不同的基准图像的整体语义可以对应不同的局部特征类别。例如若所述基准图像的整体语义为车辆，那么所述局部特征类别可以包括车牌、车标、指定位置的车轮(例如左前轮)、车头、车身、车尾、车窗等。若所述基准图像的整体语义为人体，那么所述局部特征类别可以包括人脸、上肢、腿部、脚部等。
70.可选地，所述步骤s140之前，所述方法还包括：
71.对每个所述局部特征类别，分别提取所述基准图像的第二局部特征。
72.可选地，如图2所示，所述步骤s130、对各所述第一局部特征进行分析，根据分析结果确定各所述第一局部特征的加权系数，包括：
73.s210、针对任意一个所述第一局部特征，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度；
74.s220、根据各所述第一局部特征的置信度分别确定各所述第一局部特征的加权系数。
75.在具体实施过程中，所述步骤s210中，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度，可以具体包括如下任一种实施方式，或者如下任意种实施方式的组合。
76.(1)对所述第一局部特征进行图像质量分析，根据图像质量分析结果确定所述第一局部特征的置信度；其中所述第一局部特征的图像质量越高，所述第一局部特征的置信度越高。
77.在具体实施过程中，图像质量可以通过包括但不限于图像清晰度、图像分辨率、图像亮度、图像动态范围等进行评价，并根据上述评价因素给出图像质量评分。一般地，图像质量越高(例如图像清晰度越高、图像分辨率越大)的第一局部特征，利用其计算出的目标相似度的准确性越高。具体地，所述第一局部特征可以输入至第一机器学习模型中，由第一机器学习模型给出图像质量评分或者直接给出所述第一局部特征的置信度。第一机器学习模型的训练与使用过程此处不做赘述。
78.(2)对所述第一局部特征进行图像语义分析，根据图像语义分析结果确定所述第一局部特征的置信度；其中所述图像语义分析结果中，能够与所述第一局部特征对应的局部特征类别匹配成功的图像语义分析结果的数量占比越大，所述第一局部特征的置信度越
高。
79.在具体实施过程中，在所述步骤s120中，对每个局部特征类别，基于所述局部特征类别提取所述目标图像的第一局部特征时，通常会按照一定的规则对目标图像的多个图像区域进行分析，将最符合局部特征类别特点的图像区域作为所述局部特征类别对应的第一局部特征进行输出。而如果目标图像中的待比较目标与基准图像中的基准目标并非同一类物体，那么即使是最符合所述局部特征类别特点的图像区域，也与所述局部特征类别的特点差异较大。因而如果再次对第一局部特征进行分析并判断所述第一局部特征是否为对应局部特征类别的真特征，根据提取的第一局部特征中属于对应局部特征类别的真特征的数量来给出置信度，能够在后续计算目标相似度的过程中调低不同类目标的目标相似度，避免对不同类目标给出极为相似的结论。具体地，所述第一局部特征可以输入至第二机器学习模型中，由第二机器学习模型给出图像语义分析结果或者直接给出所述第一局部特征的置信度。第二机器学习模型的训练与使用过程此处不做赘述。
80.(3)对所述第一局部特征进行特征提取过程分析，根据提取所述第一局部特征时采用的图像处理步骤确定所述第一局部特征的置信度；其中不同的图像处理步骤对应不同的置信度。
81.在具体实施过程中，所述步骤s120提取第一局部特征时，可能会对不同的局部特征类别采用不同的图像处理步骤进行第一局部特征的提取，其中所述图像处理步骤可以包括图像分类、图像检测、图像分割、目标识别等，不同的图像处理步骤采用不同的图像处理算法实现。例如对于车辆的局部特征类别与人体的局部特征类别，可能会采用不同的图像处理步骤。那么可以根据不同图像处理步骤对提取的第一局部特征的特征相似度的影响，对不同的图像处理步骤给出不同的置信度的经验值。
82.可选地，如图2所示，所述步骤s220、根据各所述第一局部特征的置信度分别确定各所述第一局部特征的加权系数，包括：
83.s221、针对任一个所述第一局部特征，将所述第一局部特征的置信度与所有所述第一局部特征的置信度之和的比值，作为所述第一局部特征的计算因子。
84.即，计算因子通过如下公式计算：
[0085][0086]
其中，i为第一局部特征的序号且为正整数，n为第一局部特征的总数量且为大于1的正整数，α’i
为第i个第一局部特征的置信度，fi为第i个第一局部特征的计算因子。
[0087]
s222、针对任一个所述第一局部特征，基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数。
[0088]
作为一种可选的实施方式，所述步骤s222、基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数，包括：
[0089]
将所述第一局部特征的计算因子作为所述第一局部特征的加权系数。
[0090]
例如，4个第一局部特征a、b、c、d，各自分别对应的置信度为5％、30％、70％、95％。那么各第一局部特征的加权系数ua、ub、uc、ud分别为：
[0091][0092][0093][0094][0095]
更进一步地，为了避免出现加权系数过大或过小，导致后续根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度确定目标相似度时，一些第一局部特征的特征相似度对目标相似度的影响过大，一些第一局部特征对目标相似度的影响过小，作为另一种可选的实施方式，所述步骤s222、基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数，包括：
[0096]
若所述第一局部特征的计算因子小于加权系数下限，则将所述第一局部特征的计算因子调整为所述加权系数下限，并基于调整后的所述计算因子确定所述第一局部特征的加权系数；
[0097]
若所述第一局部特征的计算因子大于加权系数上限，则将所述第一局部特征的计算因子调整为所述加权系数上限，并基于调整后的所述计算因子确定所述第一局部特征的加权系数。
[0098]
这样，通过对加权系数设置数值上下限范围，能够避免一些第一局部特征的特征相似度对目标相似度的影响过大，一些第一局部特征对目标相似度的影响过小，从而导致由于对目标相似度的影响过大的第一局部特征的特征相似度数值不合理导致目标相似度的准确性较差的问题，提高了目标相似度的准确性。
[0099]
再进一步地，除了对超出加权系数上下限的计算因子进行调整外，还可以对处于加权系数上下限之间的计算因子的数值进行调整，以保证最终确定目标相似度时的数值合理。
[0100]
作为一种可选的实施方式，如图3所示，所述步骤s222、针对任一个所述第一局部特征，基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数，包括：
[0101]
s301、不重复地选取一个第一局部特征的计算因子以进行数值调整过程。
[0102]
若所述步骤s301选取成功，执行步骤s302；若所述步骤s301选取失败，执行步骤s306。
[0103]
s302、判断当前选取的所述计算因子是否大于等于加权系数下限且小于等于所述加权系数上限。
[0104]
若所述步骤s302的结果为是，执行步骤s303；若所述步骤s302的结果为所述计算因子小于加权系数下限，执行步骤s304；若所述步骤s302的结果为所述计算因子大于加权系数上限，执行步骤s305。
[0105]
s303、保持所述计算因子不变。返回所述步骤s301。
[0106]
s304、将当前选取的所述计算因子与所述加权系数下限的差值平均分配给其他大
于所述加权系数下限的各第一局部特征的计算因子，并将当前选取的所述计算因子调整为所述加权系数下限。返回所述步骤s301。
[0107]
s305、将选取的当前选取的所述计算因子与所述加权系数上限的差值平均分配给其他小于所述加权系数上限的各第一局部特征的计算因子，并将当前选取的所述计算因子调整为所述加权系数上限。返回所述步骤s301。
[0108]
s306、判断本轮数值调整过程中所有第一局部特征的计算因子是否均未发生变化。
[0109]
若所述步骤s306的结果为是，执行步骤s307；若所述步骤s306的结果为否，执行步骤s308。
[0110]
s307、清除选取第一局部特征的计算因子的记录。返回所述步骤s301。
[0111]
s308、将各第一局部特征的计算因子作为对应所述第一局部特征的加权系数。
[0112]
例1：4个第一局部特征a、b、c、d，各自分别对应的置信度为5％、30％、70％、95％，加权系数上限f
max
＝0.4，加权系数下限f
min
＝0.1。那么各计算因子：
[0113][0114][0115][0116][0117]
首先选取fa进行数值调整过程，确定fa＜f
min
，则差值
△
sum
＝0.025-0.1＝-0.075，均分值为
[0118]
此时：
[0119]
fa＝0.1
[0120]
fb＝0.15-0.025＝0.125
[0121]
fc＝0.35-0.025＝0.325
[0122]
fd＝0.475-0.025＝0.45
[0123]
之后选取fb、fc进行数值调整过程，各计算因子数值不变。
[0124]
之后选取fd进行数值调整过程，确定fd＞f
max
，则差值
△
sum
＝0.45-0.4＝0.005，均分值为
[0125]
此时：
[0126][0127]
[0128][0129]
fd＝0.4
[0130]
之后对各计算因子进行第二轮数值调整过程，各计算因子的数值均未发生变化，最终确定各加权系数ua≈0.116、ub≈0.142、uc≈0.342、ud＝0.4。
[0131]
例2：4个第一局部特征a、b、c、d，各自分别对应的置信度为5％、8％、92％、95％，加权系数上限f
max
＝0.4，加权系数下限f
min
＝0.1。那么各计算因子：
[0132][0133][0134][0135][0136]
首先选取fa进行数值调整过程，确定fa＜f
min
，则差值
△
sum
＝0.025-0.1＝-0.075，均分值为
[0137]
此时：
[0138]
fa＝0.1
[0139]
fb＝0.04
[0140]
fc＝0.46-0.0375＝0.4225
[0141]
fd＝0.475-0.0375＝0.4375
[0142]
之后选取fb进行数值调整过程，确定fb＜f
min
，则差值
△
sum
＝0.04-0.1＝-0.06，均分值为
[0143]
此时：
[0144]
fa＝0.1
[0145]
fb＝0.1
[0146]
fc＝0.4225-0.03＝0.3925
[0147]
fd＝0.4375-0.03＝0.4075
[0148]
之后选取fc进行数值调整过程，各计算因子数值不变。
[0149]
之后选取fd进行数值调整过程，确定fd＞f
max
，则差值
△
sum
＝0.4075-0.4＝0.0075，均分值为
[0150]
此时：
[0151]
fa＝0.1 0.0025＝0.1025
[0152]
fb＝0.1 0.0025＝0.1025
[0153]
fc＝0.3925 0.0025＝0.395
[0154]
fd＝0.4
[0155]
之后对各计算因子进行第二轮数值调整过程，各计算因子的数值均未发生变化，最终确定各加权系数ua＝0.1025、ub＝0.1025、uc＝0.395、ud＝0.4。
[0156]
可选的，所述步骤s140、根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度，确定所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度，包括：
[0157]
对任一第一局部特征，根据所述第一局部特征的加权系数乘以所述第一局部特征对应的特征相似度，得到所述第一局部特征对应的目标相似度因子；
[0158]
将各第一局部特征对应的目标相似度因子相加，得到所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度。
[0159]
即，目标相似度具体可以通过如下公式计算：
[0160][0161]
其中，i为所述第一局部特征的序号且为正整数，n为所述第一局部特征的总数量且为大于1的正整数，ui为第i个第一局部特征的加权系数，τi为所述第i个第一局部特征对应的所述特征相似度，θ为所述目标相似度。
[0162]
这样，通过各局部特征的加权系数调整对应局部特征的特征相似度对整个图片相似度的影响权重，对于加权系数较高的局部特征，可以将对应的特征相似度对目标相似度的影响调高，对于加权系数较低的局部特征，将对应的特征相似度对目标相似度的影响调低，从而在根据各第一局部特征的特征相似度计算目标相似度时，对高加权系数的局部特征进行侧重，从而提高目标相似度的准确性，更好地给出待比较目标与基准目标的比对结果。
[0163]
基于同一发明构思，本发明实施例还提供了一种目标相似度计算装置，如图4所示，包括：
[0164]
获取模块m110，用于获取包含待比较目标的目标图像；
[0165]
第一局部特征提取模块m120，用于基于预先设定的多个局部特征类别，分别提取所述目标图像的第一局部特征；
[0166]
加权系数确定模块m130，用于对各所述第一局部特征进行分析，根据分析结果确定各所述第一局部特征的加权系数；
[0167]
目标相似度计算模块m140，用于根据各所述第一局部特征的加权系数以及各所述第一局部特征对应的特征相似度，确定所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度；其中所述特征相似度是所述第一局部特征与所述基准图像的特征之间的相似度。
[0168]
可选地，所述特征相似度是所述第一局部特征与所述基准图像的相同类别的第二局部特征之间的相似度。
[0169]
可选地，通过下列方式设定多个局部特征类别：
[0170]
识别所述基准图像的整体语义，并根据所述基准图像的整体语义设定所述多个局
部特征类别；
[0171]
所述装置还包括：
[0172]
第二局部特征提取模块，用于对每个所述局部特征类别，分别提取所述基准图像的第二局部特征。
[0173]
可选地，对各所述第一局部特征进行分析，根据分析结果确定各所述第一局部特征的加权系数，包括：
[0174]
针对任意一个所述第一局部特征，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度；
[0175]
根据各所述第一局部特征的置信度分别确定各所述第一局部特征的加权系数。
[0176]
可选地，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度，包括：
[0177]
对所述第一局部特征进行图像质量分析，根据图像质量分析结果确定所述第一局部特征的置信度；其中所述第一局部特征的图像质量越高，所述第一局部特征的置信度越高。
[0178]
可选地，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度，包括：
[0179]
对所述第一局部特征进行图像语义分析，根据图像语义分析结果确定所述第一局部特征的置信度；其中所述图像语义分析结果中，能够与所述第一局部特征对应的局部特征类别匹配成功的图像语义分析结果的数量占比越大，所述第一局部特征的置信度越高。
[0180]
可选地，对所述第一局部特征进行分析，根据分析结果确定所述第一局部特征的置信度，包括：
[0181]
对所述第一局部特征进行特征提取过程分析，根据提取所述第一局部特征时采用的图像处理步骤确定所述第一局部特征的置信度；其中不同的图像处理步骤对应不同的置信度。
[0182]
可选地，根据各所述第一局部特征的置信度分别确定各所述第一局部特征的加权系数，包括：
[0183]
针对任一个所述第一局部特征，将所述第一局部特征的置信度与所有所述第一局部特征的置信度之和的比值，作为所述第一局部特征的计算因子；
[0184]
针对任一个所述第一局部特征，基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数。
[0185]
可选地，基于所述第一局部特征的计算因子确定所述第一局部特征的加权系数，包括：
[0186]
若所述第一局部特征的计算因子小于加权系数下限，则将所述第一局部特征的计算因子调整为所述加权系数下限，并基于调整后的所述计算因子确定所述第一局部特征的加权系数；
[0187]
若所述第一局部特征的计算因子大于加权系数上限，则将所述第一局部特征的计算因子调整为所述加权系数上限，并基于调整后的所述计算因子确定所述第一局部特征的加权系数。
[0188]
可选地，针对任一个所述第一局部特征，基于所述第一局部特征的计算因子确定
所述第一局部特征的加权系数，包括：
[0189]
以不重复选取所有第一局部特征的计算因子进行一次数值调整过程为一轮数值调整过程，进行至少一轮数值调整过程，并在每轮数值调整过程结束时判断本轮数值调整过程中是否有第一局部特征的计算因子的数值发生变化，若本轮数值调整过程中有第一局部特征的计算因子的数值发生变化，则再次进行一轮数值调整过程；若本轮调整过程中无第一局部特征的计算因子的数值发生变化，则不再进行下一轮数值调整过程，并将此时各第一局部特征的计算因子作为各第一局部特征的加权系数；
[0190]
其中，对于任一选取的第一局部特征的计算因子，进行一次数值调整过程，包括：
[0191]
若当前选取的所述计算因子大于等于所述加权系数下限且小于等于所述加权系数上限，则保持所述计算因子不变；
[0192]
若当前选取的所述计算因子小于所述加权系数下限，将当前选取的所述计算因子与所述加权系数下限的差值平均分配给其他大于所述加权系数下限的各第一局部特征的计算因子，并将当前选取的所述计算因子调整为所述加权系数下限；
[0193]
若当前选取的所述计算因子大于所述加权系数上限，将选取的当前选取的所述计算因子与所述加权系数上限的差值平均分配给其他小于所述加权系数上限的各第一局部特征的计算因子，并将当前选取的所述计算因子调整为所述加权系数上限。
[0194]
可选地，所述目标相似度计算模块m140具体用于：
[0195]
对任一第一局部特征，根据所述第一局部特征的加权系数乘以所述第一局部特征对应的特征相似度，得到所述第一局部特征对应的目标相似度因子；
[0196]
将各第一局部特征对应的目标相似度因子相加，得到所述目标图像中的待比较目标与基准图像中的基准目标之间的目标相似度。
[0197]
应该理解到，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。在本发明实施例中的各模块可以集成在一个模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机存储介质中。
[0198]
由于所述目标相似度计算装置的工作原理与上文所述目标相似度计算方法相同，故可以参见上文内容对应实施，此处不再赘述。
[0199]
基于同一发明构思，本发明实施例还提供了一种电子设备，如图5所示，包括：处理器110和用于存储所述处理器110可执行指令的存储器120；其中，所述处理器110被配置为执行所述指令，以实现所述目标相似度计算方法。
[0200]
在具体实施过程中，所述设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器110、存储器120、计算机存储介质130，所述存储器120和/或计算机存储介质130中包括一个或一个以上应用程序131或数据132。所述存储器120和/或计算机存储介质130中还可以包括一个或一个以上操作系统133，例如windows、mac os、linux、ios、android、unix、freebsd等。其中，存储器120和计算机存储介质130可以是短暂存储或持久存储。所述应用程序131可以包括一个或一个以上所述模块(图5中未示出)，每个模块
可以包括一系列指令操作。更进一步地，处理器110可以设置为与计算机存储介质130通信，在所述设备上执行计算机存储介质130中的一系列指令操作。所述设备还可以包括一个或一个以上电源(图5中未示出)；一个或一个以上网络接口140，所述网络接口140包括有线网络接口141和/或无线网络接口142；一个或一个以上输入输出接口143。
[0201]
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被用于实现所述目标相似度计算方法。
[0202]
本发明实施例提供的目标相似度计算方法、装置、电子设备及计算机存储介质，通过将目标图像按照图像语义进行拆分，对不同的局部分别提取第一局部特征并计算与基准图像的特征之间的特征相似度，再根据各局部的特征相似度确定目标图像中的待比较目标与基准图像中的基准目标整体的目标相似度，从而能够根据图像的细节来进行比较，能够降低由于采集目标图像时由于角度、光照、目标被部分遮挡等因素对确定目标相似度的不利影响。
[0203]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0204]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0205]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0206]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0207]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。