(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210798669.4 (22)申请日 2022.07.08 (65)同一申请的已公布的文献号 申请公布号 CN 114863138 A (43)申请公布日 2022.08.05 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 郭卉　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 陈梅君 (51)Int.Cl. G06V 10/46(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) (56)对比文件 CN 113177539 A,2021.07.27 CN 110728263 A,2020.01.24 CN 110363204 A,2019.10.2 2 CN 110427832 A,2019.1 1.08 CN 106980641 A,2017.07.25CN 113723159 A,2021.1 1.30 CN 113343020 A,2021.09.0 3 CN 111444826 A,2020.07.24 CN 114638304 A,202 2.06.17 CN 109934177 A,2019.0 6.25 CN 110163110 A,2019.08.23 CN 113574566 A,2021.10.2 9 CN 10980125 6 A,2019.0 5.24 CN 110688976 A,2020.01.14 CN 10496 6286 A,2015.10.07 CN 111209808 A,2020.0 5.29 CN 113889228 A,202 2.01.04 CN 111723220 A,2020.09.2 9 CN 114547365 A,2022.05.27 US 2020380289 A1,2020.12.0 3 US 2016358035 A1,2016.12.08 US 201217 7294 A1,2012.07.12 US 2020394434 A1,2020.12.17 雷浩.基于位姿嵌入的多尺度特 征行人重识 别技术研究. 《中国优秀硕士学位 论文全文数据 库 信息科技 辑》 .2022,(第1期),第I138-1616 页. (续) 审查员 杨晓青 (54)发明名称 图像处理方法、 装置、 存 储介质及设备 (57)摘要 本申请实施例提供了一种图像处理方法、 装 置、 存储介质及设备， 可以应用于云技术、 人工智 能、 区块链、 车联网、 智慧交通、 智能家居等各种 领域， 该方法包括： 获取待处理图像， 利用目标全 局特征提取网络对所述待处理图像进行特征提 取处理， 得到所述待处理图像的全局特征； 获取 所述待处理图像的显著性图像， 利用目标显著性 特征提取网络对所述待处理图像的显著性图像 进行特征提取处理， 得到所述待处理图像的显著 性特征； 基于所述待处理图像的全局特征和显著性特征， 确定所述待处理图像的融合特征。 采用 本申请的方法， 可以有效提高提取的图像特征的 准确性。 [转续页] 权利要求书3页 说明书20页 附图5页 CN 114863138 B 2022.09.06 CN 114863138 B (56)对比文件 冯浩等.面向大规模图像 检索的深度多尺度 注意力哈希网络. 《华 南理工大 学学报 （自然科 学 版） 》 .202 2,第50卷(第4期),第3 5-45页. 董亚超等.基 于显著性多尺度特 征协作融合 的行人重识别方法. 《计算机 工程》 .2021,第47 卷 (第6期),第234-24 4、 252页. Jun Xiang等.Perso n Re-identificati on Based on Feature Fusi on and Triplet L oss Function. 《2018 24th I nternati onal Conference o n Pattern Recogn ition (ICPR)》 .2018,第347 7-3482页. Zuheng Mi ng等.Simple Triplet L oss Based on Intra/Inter-class Metric Learning. 《2017 IE EE Internati onal Conference o n Computer Visi on Workshops （ICCVW） 》 .2018,第16 56-1664页.2/2 页 2[接上页] CN 114863138 B1.一种图像处 理方法， 其特 征在于， 所述方法包括： 获取待处理图像， 利用目标全局特征提取网络对所述待处理图像进行特征提取处理， 得到所述待处 理图像的全局特 征； 获取所述待处理图像的显著性图像， 利用目标显著性特征提取网络对所述待处理图像 的显著性图像进行 特征提取处 理， 得到所述待处 理图像的显著性特 征； 基于所述待处 理图像的全局特 征和显著性特 征， 确定所述待处 理图像的融合特 征； 其中， 所述目标显著性特征提取网络是结合所述目标全局特征提取网络和三元组训练 样本对初始显著性特征提取网络进行训练得到， 所述三元组训练样本包括锚定样本图像、 所述锚定样本图像对应的正样本图像和负样本图像； 在 对所述初始显著 性特征提取网络进 行训练时， 所述目标全局特征提取网络用于提取所述锚定样本图像、 所述正样本图像和所 述负样本图像各自的全局特征， 所述初始显著性特征提取网络用于提取所述锚定样本图 像、 所述正样本图像和所述负样本图像各自的显著性特征； 所述 目标显著性特征提取网络 是基于第一损失参数和第二损失参数对所述初始显著性特征提取网络进行网络参数调整 得到， 所述第一损失参数是基于所述锚定样本图像、 所述正样本图像和所述负样本图像各 自的显著性特征确定的， 所述第二损失参数是基于所述锚定样本图像、 所述正样本图像和 所述负样本图像各自的全局特 征和显著性特 征确定的。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取所述三元组训练样本， 将所述三元组训练样本包括的所述锚定样本 图像、 所述正 样本图像和所述负样本图像输入所述目标全局特征提取网络中进 行特征提取处理， 得到所 述锚定样本图像的第一全局特征、 所述正样本图像的第二全局特征和所述负样本图像的第 三全局特 征； 获取所述锚定样本 图像、 所述正样本 图像和所述负样本 图像各自的显著性图像， 将所 述锚定样本图像、 所述正样本图像和所述负样本图像各自的显著性图像输入所述初始显著 性特征提取网络中进行特征提取处理， 得到所述锚定样本图像、 所述正样本图像和所述负 样本图像各自的显著性特 征； 基于所述第 一全局特征和所述锚定样本图像的显著性特征确定第 一融合特征， 基于所 述第二全局特征和所述正样本图像的显著性特征确定第二融合特征， 以及基于所述第三全 局特征和所述负 样本图像的显著性特 征确定第三融合特 征； 基于所述锚定样本图像、 所述正样本图像和所述负样本图像各自的显著性特征确定所 述第一损失参数， 基于所述第一融合特征、 所述第二融合特征和所述第三融合特征确定所 述第二损失参数； 基于所述第一损失参数和所述第二损失参数对所述初始显著性特征提取网络的网络 参数进行调整， 得到训练后的显著 性特征提取网络； 其中， 所述目标显著性特征提取网络是 基于所述训练后的显著性特 征提取网络确定的。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述第 一全局特征和所述锚定样 本图像的显著性特征确定第一融合特征， 基于所述第二全局特征和所述正样本图像的显著 性特征确定第二融合特征， 以及基于所述第三全局特征和所述负样本图像的显著性特征确 定第三融合特 征， 包括： 将所述锚定样本图像、 所述正样本图像和所述负样本图像各自的显著性特征输入初始权　利　要　求　书 1/3 页 2 CN 114863138 B 3