目标识别方法、装置、域控制器及作业机械与流程

1.本发明涉及目标识别技术领域，尤其涉及一种目标识别方法、装置、域控制器及作业机械。


背景技术：

2.移动产业处理器接口(mobile industry processor interface，mipi)摄像头，在自动驾驶领域中的应用越来越广泛。目前，自动驾驶时的目标识别方式主要为，首先通过mipi摄像头进行图像识别，然后将图像识别的结果发送至车载控制系统，以使车载控制系统完成自动驾驶。目前，大多数的目标识别方式为，通过mipi摄像头采集当前视频，然后获取视频中不同时刻对应的图片信息，再进行目标识别。
3.但是，由于mipi摄像头的图像传输能力较弱、延迟较长，导致目标识别效率相对较低。


技术实现要素：

4.本发明提供一种目标识别方法、装置、域控制器及作业机械，用以解决现有技术中目标识别效率低的缺陷，实现通过采集不同角度的图片，并将预设数量的图片拼接为待识别图片的方式进行目标识别，有效地提高了目标识别效率。
5.本发明提供一种目标识别方法，包括：
6.采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；
7.将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；
8.输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。
9.根据本发明提供的一种目标识别方法，所述采集目标图片组合，包括：
10.通过设置于不同位置的图像采集设备采集不同的目标视频信息；
11.分别对每个所述图像采集设备采集的目标视频信息进行解码；
12.获取每个解码后的目标视频信息对应的目标图片，将预设数量的所述目标图片进行数据整合，得到目标图片组合。
13.根据本发明提供的一种目标识别方法，所述将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片，包括：
14.将预设数量的目标图片中的所有图片均进行缩放、翻转和色域变换，得到预设数量的待处理图片；
15.拼接所述预设数量的待处理图片为预设尺寸的待识别图片。
16.根据本发明提供的一种目标识别方法，所述拼接所述预设数量的待处理图片为预设尺寸的待识别图片，包括：
17.以预设尺寸为边界，将预设数量的待处理图片按照顺序进行叠放；
18.将所述叠放后的重叠部分进行裁剪，得到预设尺寸的待识别图片。
19.根据本发明提供的一种目标识别方法，所述输入所述待识别图片至目标识别模型库，输出目标识别结果，包括：
20.分别将所述待识别图片输入不同的目标识别子模型，得到与所述不同的目标识别子模型对应的初步识别子结果集合；
21.分别提取所述初步识别子结果集合中每个初步识别子结果的目标特征；
22.基于所述每个初步识别子结果的目标特征，确定目标识别结果。
23.根据本发明提供的一种目标识别方法，所述基于所述每个初步识别子结果的目标特征，确定目标识别结果，包括：
24.对每个所述目标特征进行预测打分；
25.确定每个所述预测打分中的最大值，以每个所述最大值作为对应的目标识别子结果；
26.基于所有的所述目标识别子结果，确定目标识别结果。
27.根据本发明提供的一种目标识别方法，所述确定目标识别结果之后，还包括：
28.传输所述目标识别结果至目标终端。
29.根据本发明提供的一种目标识别方法，所述传输所述目标识别结果至目标终端之前，还包括：
30.分别对所述目标识别结果中的每个所述目标识别子结果进行分类编码；
31.将每个所述编码与对应的目标识别子结果进行合并；
32.分别对合并后目标进行图像渲染，以所述图像渲染后的目标作为目标识别结果。
33.本发明还提供一种目标识别装置，包括：
34.采集模块，用于采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；
35.拼接模块，用于将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；
36.识别模块，用于输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。
37.本发明还提供一种域控制器，所述域控制器用于执行如上述任一项所述目标识别方法或上述所述的目标识别装置。
38.本发明还提供一种作业机械，所述作业机械包括上述所述的域控制器。
39.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述目标识别方法。
40.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述目标识别方法。
41.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述目标识别方法。
42.本发明提供的一种目标识别方法、装置、域控制器及作业机械，方法通过采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的，由于采集的同一时刻针对同一目标的不同角度的预设数量的目标图片，然后将预设数量的目标图片拼接为待处理图片，解决了依靠摄像头持续进行图像传输的问题，并且还能够保证目标识别的精度，提高目标识别的效率。
附图说明
43.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1是本发明实施例提供的目标识别方法的流程示意图；
45.图2是本发明实施例提供的目标识别模型库训练过程示意图；
46.图3是本发明实施例提供的目标识别模型库的结构示意图；
47.图4是本发明实施例提供的目标识别方法的外部接口示意图；
48.图5是本发明实施例提供的目标识别方法的内部接口示意图；
49.图6是本发明实施例提供的目标识别系统的结构示意图；
50.图7是本发明实施例提供的目标识别装置的结构示意图；
51.图8是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
52.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.下面结合图1-图8描述本发明的一种目标识别方法、装置、域控制器及作业机械。
54.图1是本发明实施例提供的目标识别方法的流程示意图。
55.如图1所示，本发明实施例提供的一种目标识别方法，执行主体可以是系统级芯片(system on chip，soc芯片)，可以是域控制器，也可以是车载控制器等，主要包括以下步骤：
56.101、采集目标图片组合，目标图片组合包括预设数量的目标图片，预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片。
57.在一个具体的实现过程中，以自动驾驶为例进行说明，为了保证自动驾驶的绝对安全，需要准确地完成对行驶路线上的所有目标的识别，包括人、动物、植物、等等所有目标。而对目标识别的方式，可以是首先采集目标图片组合，目标图片组合包括预设数量的目
标图片，预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片。例如预设数量的目标图片可以是包括四张图片，即为同一时刻采集目标的四个不同方位、不同角度的照片。例如，不同方位、不同角度的照片包括正视全图或半图，侧视全图或半图，后视全图或半图等，这里的全图和半图，指的是识别物体在图中的位置。
58.其中，采集每张目标图片的方式可以是通过摄像头采集，通过摄像头完成图片采集之后，再对采集的图像进行图像处理操作。针对于摄像头而言，摄像头采集的画面为实时动态视频，而采集目标图片组合则指的是采集视频中的每一帧图片，当前时刻的视频中的图片指的便是每一帧的画面，然后四个摄像头采集四组视频，再从四组视频中分别获取同一时刻的不同图片。于是，便完成了对目标图片集合的采集。
59.102、将预设数量的目标图片中的所有图片进行拼接，得到待识别图片。
60.具体的，在得到预设数量的目标图片之后，便需要将所有的目标图片进行拼接，例如目标图片的尺寸是s1*s1，将目标图片进行拼接之后得到尺寸为s2*s2的待识别图片，其中，s1与s2可以相同也可以不同，具体可以根据实际需求进行确定。将预设数量的目标图片中的所有图片进行拼接的作用是，将同一时刻的同一目标的不同角度的图片拼接为一张图片。因此，对四张目标图片的识别便成为了对一张待识别图片的识别。
61.例如，将目标图片中的所有图片进行拼接得到待识别图片的方式可以是，将四张目标图片组成“田”字型结构，即将四张目标图片的某一个角放置于同一点。于是得到的待识别图片便能够反映出同一目标的多种不同形态。例如若是三张图片，也可以是直接将三张图片并排进行拼接，其中具体的拼接方式在本实施例中不进行明确限定，只要能够有效地将多张照片拼接为一张即可。
62.103、输入待识别图片至目标识别模型库，输出目标识别结果，其中，目标识别模型库包括至少两个目标识别子模型，每个目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。
63.具体的，在得到待识别图片之后，将其输入目标识别模型库中，目标识别模型库便会对待识别图片进行识别处理，从而输出目标识别结果。其中，目标识别模型库包括至少两个目标识别子模型，每个目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。例如，目标识别子模型包括人物目标识别模型和植物目标识别模型，而每个目标识别子模型均是神经网络模型，每个不同的目标识别子模型均用于识别对应的目标，从而保证对所有目标完成识别。
64.其中，目标识别模型库中的所有目标识别子模型均是预先训练得到的。训练的方式便是以待识别图片样本和目标识别子结果样本进行的训练。而目标识别子模型也可以理解为目标识别模型库的不同卷积层，每个不同的卷积层用于识别不同的目标，从而实现对待识别图片中的所有目标完成准确识别。
65.图2是本发明实施例提供的目标识别模型库训练过程示意图。
66.如图2所示，训练过程主要可以分为图片准备、实操训练、模型校验和构建目标识别模型库四个主要步骤。
67.其中，图片准备工作，需要拍摄多方位照片，对同一目标拍摄多张不同角度的图片，进行多方位照片优选，再进行多方位照片标注，划分训练集和测试集，以提高每张图片的分辨率和识别精度。
68.实操训练操作便是，将图片文件导入，对图片文件进行数据增强，即将多张不同方位的图片进行拼接。以拼接后的图片作为训练样本进行模型训练，训练完成之后将模型进行保存。
69.模型保存之后，需要对模型进行校验。模型校验的过程便是利用测试集进行校验，进行实时模型预测，模型识别成功之后，便完成了模型校验，对每个目标识别子模型进行编号记录。
70.最后便是将所有的目标识别子模型构建目标识别模型库，将数据集进行扩充，每个目标识别子模型进行分类保存和管理，从而提高目标识别模型库的识别精准度。
71.图3是本发明实施例提供的目标识别模型库的结构示意图。
72.如图3所示，目标识别模型库即模型文件可以包括多个目标识别子模型，即l1层对应的部分，分别实现对不同目标的识别，汽车部分完成对汽车的识别，人部分完成对人的识别，动植物部分完成对动植物的识别，以此类推。而l2层则是进步一地精准识别，对每个识别目标识别更加精细。例如，汽车包括车牌号、颜色、车辆种类等等内容。
73.本实施例提供的一种目标识别方法，通过采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的，由于采集的同一时刻针对同一目标的不同角度的预设数量的目标图片，然后将预设数量的目标图片拼接为待处理图片，解决了依靠摄像头持续进行图像传输的问题，并且还能够保证目标识别的精度，提高目标识别的效率。
74.进一步的，在上述实施例的基础上，本实施例中的采集目标图片组合，可以包括：通过设置于不同位置的图像采集设备采集不同的目标视频信息；分别对每个图像采集设备采集的目标视频信息进行解码；获取每个解码后的目标视频信息对应的目标图片，将预设数量的目标图片进行数据整合，得到目标图片组合。
75.具体的，采集目标图片组合可以是通过设置于不同位置的图像采集设备采集不同的目标视频信息，例如图像采集设备为mipi摄像头，(charge-coupled device，ccd)感光元件摄像头等。其中，图像处理系统可以集成多种不同的摄像头配置，也可以根据摄像头类型进行自定义匹配等，进行摄像头初始化(visual inertial odometry，vio)设置。整个过程便是将数据流从mipi摄像头获取，经历视频输入、视频解码、图像处理和数据整合的步骤。
76.其中，视频输入指的是从vio获取的数据进入mipi摄像头，视频解码指的是对每个mipi摄像头采集的目标视频信息进行视频解码，图像处理指的是，将解码后的视频信息进行图像的格式处理，转换为目标格式，然后进行数据整合，即将多张目标图片进行整合，以便于后续流程的图片目标识别。
77.进一步的，在上述实施例的基础上，本实施例中的将预设数量的目标图片中的所有图片进行拼接，得到待识别图片，可以包括：将预设数量的目标图片中的所有图片均进行缩放、翻转和色域变换，得到预设数量的待处理图片；拼接预设数量的待处理图片为预设尺寸的待识别图片。
78.具体的，将预设数量的图片进行拼接的具体方式可以是将每张目标图片进行大小
缩放、左右翻转和色域变换等等，再将预设数量的目标照片拼接为预设尺寸的待识别图片。其中，拼接预设数量的待处理图片为预设尺寸的待识别图片，可以包括：以预设尺寸为边界，将预设数量的待处理图片按照顺序进行叠放；将叠放后的重叠部分进行裁剪，得到预设尺寸的待识别图片。其中，例如将四张1.5*1.5大小的图片拼接为一张2*2大小的图片，此时便需要将重叠部分进行裁剪，此时的叠放指的是拼接尺寸的边界没有重叠，只是拼接完成后的中间部分发生了重叠。即以拼接尺寸为临界边，四张图片均有重叠部分为预设尺寸的最中间部分。
79.通过将多张不同的目标图片拼接为一张，从而实现了将训练预设次数才能完成的神经网络模型变换为仅需训练一次即可完成，减少了批量计算次数，减少系统运算，并且丰富了检测物体的背景，提高了目标识别的效率。
80.进一步的，在上述实施例的基础上，本实施例中的输入待识别图片至目标识别模型库，输出目标识别结果，可以包括：分别将待识别图片输入不同的目标识别子模型，得到与不同的目标识别子模型对应的初步识别子结果集合；分别提取初步识别子结果集合中每个初步识别子结果的目标特征；基于每个初步识别子结果的目标特征，确定目标识别结果。
81.其中，基于每个初步识别子结果的目标特征，确定目标识别结果，可以包括：对每个目标特征进行预测打分；确定每个预测打分中的最大值，以每个最大值作为对应的目标识别子结果；基于所有的目标识别子结果，确定目标识别结果。
82.具体的，目标识别模型库对待识别图片的识别过程主要是，首先将待识别图片分别输入不同的目标识别子模型，然后得到每个目标识别子模型输出的对应的初步识别子结果集合。然后再分别提取每个初步识别子结果的目标特征，基于每个所述初步识别子结果的目标特征，确定目标识别结果。即分别通过不同的目标识别子模型识别不同的目标，然后将不同的目标进行处理，确定当前待识别图片对应的目标识别结果。
83.而在对基于每个初步识别子结果的目标特征，确定目标结果时，首先对每个目标特征进行预测打分，然后确定每个预测打分中的最大值，以每个最大值作为对应的目标识别子结果，最后基于目标识别子结果进行最优结果判定，确定目标识别结果。
84.通常在将待识别图片输入目标识别模型库之前，通常需要对待识别图片进行转换图像数据类型，以确保进行图像识别，得到目标识别结果。而若是不进行图像数据类型转换，便可能直接以视频的方式推送至远端，即视频推流。视频推流指的是，直接将摄像头采集到的数据以视频的方式传递至远端，即常见的视频监控的方式。
85.进一步的，在上述实施例的基础上，本实施例中在确定目标识别结果之后，还包括：传输目标识别结果至目标终端。而在传输目标识别结果至目标终端之前，还可以包括：分别对目标识别结果中的每个目标识别子结果进行分类编码；将每个编码与对应的目标识别子结果进行合并；分别对合并后目标进行图像渲染，以图像渲染后的目标作为目标识别结果。
86.具体的，在准确的完成目标识别之后，便可以将目标识别结果传输至目标终端，通过可视化的方式将目标识别结果显示出来。而目标识别结果传输之前，通常对目标识别结果中的每个目标识别子结果进行分类编码，进行多目标编码之后，再进行多目标合并，即将每个编码与对应的目标识别子结果进行合并，然后对合并后的目标进行图像渲染，最后再通过以太网将数据传到目标终端，例如传到web端。然后若摄像头保持持续开启，最终便可
以将目标识别结果以可视化视频流的方式在web端显示出来。
87.其中，图像渲染是将三维的光能传递处理转换为一个二维图像的过程。场景和实体用三维形式表示，更接近于现实世界，便于操纵和变换，而图形的显示设备大多是二维的光栅化显示器和点阵化打印机。从三维实体场景的表示n
‑‑
维光栅和点阵化的表示就是图像渲染——即光栅化。即图像渲染的目的是提高图像的真实感，得到更加贴近于场景的实际图像。
88.图4是本发明实施例提供的目标识别方法的外部接口示意图。
89.如图4所示，外部接口主要有环境场景、mipi摄像头、域控制器和pc端。环境场景与mipi摄像头无需连接，mipi摄像头与域控制器采用串行连接，域控制器与pc端采用以太网连接的方式。从而实现通过摄像头采集场景图片，然后传输至域控制器进行处理之后，便可以通过pc端进行显示。
90.图5是本发明实施例提供的目标识别方法的内部接口示意图。
91.如图5所示，内部接口主要有场景、加串器、解串器、isp、ldc、ipu、pym、算法和web端。其中，加串器模块作用于mipi摄像头，从解串器模块到算法模块作用于域控制器，最后的web端作用pc端。与外部接口相对应，内部结构的连接图也即为目标识别的流程图，从场景采集图片到最终识别完成后通过web端进行显示。
92.图6是本发明实施例提供的目标识别系统的结构示意图。
93.如图6所示，本实施例中的目标识别系统，主要包括四个组成部分，分别是mipi数据获取部分ss1、数据流传输部分ss2、算法推理部分ss3和数据传输部分ss4。首先通过摄像头对场景进行采集，作为视频流输入系统架构。然后经过ss1部分的处理，分别进行视频输入、视频解码、图像处理和数据整合的操作。然后将ss1部分处理后的数据输入数据流传输ss2，调整图像数据类型，数据视频流将其推送至算法推理ss3部分，算法推理部分通过卷积神经网络、模型库文件即目标识别模型库和目标检测算法进行目标识别，再通过多目标跟踪、多目标特征提取和多目标预测打分之后，得到最优结果，即目标识别结果。然后将目标识别结果输入数据流传输部分ss2，数据流传输部分将其进行数据传输至可视化web端。数据传输主要经过多目标编码、多目标合并和识别渲染之后，通过网络传输的方式，传输至可视化web端，然后重复执行所有操作，便可以完成实时动态的目标识别。
94.其中，对目标识别系统的理解可以理解为人对目标识别的过程，通过眼睛捕捉到待识别目标，即ss1的数据获取部分，然后通过大脑对待识别目标进行辨认，即ss3的算法推理部分，最后将辨认后的结果记录在可视化web端，即ss4的数据传输部分。而ss2部分的数据流传输则相当于是最根本的信号传递部分。
95.基于同一总的发明构思，本发明还保护一种目标识别装置，下面对本发明提供的目标识别装置进行描述，下文描述的目标识别装置与上文描述的目标识别方法可相互对应参照。
96.图7是本发明实施例提供的目标识别装置的结构示意图。
97.如图7所示，本发明实施例提供的一种目标识别装置，包括：
98.采集模块701，用于采集目标图片组合，目标图片组合包括预设数量的目标图片，预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；
99.拼接模块702，用于将预设数量的目标图片中的所有图片进行拼接，得到待识别图
片；
100.识别模块703，用于输入待识别图片至目标识别模型库，输出目标识别结果，其中，目标识别模型库包括至少两个目标识别子模型，每个目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。
101.本实施例提供的一种目标识别装置，通过采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的，由于采集的同一时刻针对同一目标的不同角度的预设数量的目标图片，然后将预设数量的目标图片拼接为待处理图片，解决了依靠摄像头持续进行图像传输的问题，并且还能够保证目标识别的精度，提高目标识别的效率。
102.进一步的，本实施例中的采集模块701，具体用于：
103.通过设置于不同位置的mipi摄像头采集不同的目标视频信息；
104.分别对每个所述mipi摄像头采集的目标视频信息进行解码；
105.获取每个解码后的目标视频信息对应的目标图片，将预设数量的所述目标图片进行数据整合，得到目标图片组合。
106.进一步的，本实施例中的拼接模块702，具体用于：
107.将预设数量的目标图片中的所有图片均进行缩放、翻转和色域变换，得到预设数量的待处理图片；
108.拼接所述预设数量的待处理图片为预设尺寸的待识别图片。
109.进一步的，本实施例中的拼接模块702，具体还用于：
110.以预设尺寸为边界，将预设数量的待处理图片按照顺序进行叠放；
111.将所述叠放后的重叠部分进行裁剪，得到预设尺寸的待识别图片。
112.进一步的，本实施例中的识别模块703，具体用于：
113.分别将所述待识别图片输入不同的目标识别子模型，得到与所述不同的目标识别子模型对应的初步识别子结果集合；
114.分别提取所述初步识别子结果集合中每个初步识别子结果的目标特征；
115.基于所述每个初步识别子结果的目标特征，确定目标识别结果。
116.进一步的，本实施例中的识别模块703，具体还用于：
117.对每个所述目标特征进行预测打分；
118.确定每个所述预测打分中的最大值，以每个所述最大值作为对应的目标识别子结果；
119.基于所有的所述目标识别子结果，确定目标识别结果。
120.进一步的，本实施例中的识别模块703，具体还用于：
121.传输所述目标识别结果至目标终端。
122.进一步的，本实施例中的识别模块703，具体还用于：
123.分别对所述目标识别结果中的每个所述目标识别子结果进行分类编码；
124.将每个所述编码与对应的目标识别子结果进行合并；
125.分别对合并后目标进行图像渲染，以所述图像渲染后的目标作为目标识别结果。
126.基于同一总的发明构思，本发明还保护一种域控制器，域控制器用于实现如上述任一实施例的目标识别方法或上述任一实施例的目标识别装置。
127.基于同一总的发明构思，本发明还保护一种作业机械，作业机械包括上述的域控制器，作业机械包括自动驾驶车辆等其他的自动化机械设备。
128.图8是本发明实施例提供的电子设备的结构示意图。
129.如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行目标识别方法，该方法包括：采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。
130.此外，上述的存储器830中的逻辑指令可以通过软件功能单元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可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
131.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的目标识别方法，该方法包括：采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。
132.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的目标识别方法，该方法包括：采集目标图片组合，所述目标图片组合包括预设数量的目标图片，所述预设数量的目标图片中的所有图片为同一时刻采集的同一目标的不同角度的图片；将所述预设数量的目标图片中的所有图片进行拼接，得到待识别图片；输入所述待识别图片至目标识别模型库，输出目标识别结果，其中，所述目标识别模型库包括至少两个目标识别子模型，每个所述目标识别子模型均是基于待识别图片样本与目标识别子结果样本进行训练得到的。
133.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可
以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
134.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
135.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。