本申请涉及计算机视觉领域，特别是涉及一种识别模型训练方法、识别方法、电子设备及计算机可读存储介质。
背景技术：
1、行人重识别的任务是识别图像中人物的身份信息。行人重识别技术作为计算机视觉领域中的一项重要分支，它与行人检测和行人跟踪技术相结合，可广泛应用于智能视频监控、安保、刑侦等领域。在监控视频领域中，由于监控摄像头分辨率、拍摄角度、光照变化、尺寸变化等因素，人脸图像的清晰度通常较低，以致于无法通过人脸准确对人物进行识别。在人脸识别失效的情况下，行人重识别成为一个更加关键的技术。对于行人重识别的问题，通常步骤是先提取行人的特征，对行人的特征进行计算获取相似性得分，然后根据相似性得分进行排序，最终得到行人的身份。而由于获取的行人图像的分辨率通常不同，即存在高分辨率和低分辨率的行人图像，低分辨率图像会丢失很多的细节信息使得提取的特征区分度较低，使得行人重识别的效果不佳，因此如何提高跨分辨率时行人重识别的准确性成为了本领域技术人员亟需解决的技术问题。
技术实现思路
1、本申请主要目的是提供一种识别模型训练方法、识别方法、电子设备及计算机可读存储介质，能够提高跨分辨率时行人重识别的准确性。
2、为解决上述技术问题，本申请采用的第一个技术方案是：提供一种识别模型训练方法。该方法包括获取第一图像和第二图像，第一图像为第一分辨率，第二图像为第二分辨率，第一分辨率大于第二分辨率，第一图像和第二图像基于同一对象得到；基于第一图像得到第二分辨率的第三图像，基于第二图像得到第一分辨率的第四图像；根据第一图像和第四图像得到第一图像对，根据第二图像和第三图像得到第二图像对；将第一图像对和第二图像对输入至识别模型进行训练，以得到最终的识别模型。
3、为解决上述技术问题，本申请采用的第二个技术方案是：提供一种识别方法。该方法包括获取待检测图像；将待检测图像输入至识别模型中，以根据识别模型中的特征提取网络得到特征提取结果，以基于特征提取结果与数据库中图像的特征提取结果确定目标图像；其中，识别模型基于第一个技术方案中的训练方法得到。
4、为解决上述技术问题，本申请采用的第三个技术方案是：提供一种电子设备。该电子设备包括存储器和处理器，存储器用于存储程序数据，程序数据能够被处理器执行，以实现如第一个技术方案和/或第二个技术方案中所述的方法。
5、为解决上述技术问题，本申请采用的第四个技术方案是：提供一种计算机可读存储介质。该计算机可读存储介质存储有程序数据，能够被处理器执行，以实现如第一个技术方案和/或第二个技术方案中所述的方法。
6、本申请的有益效果是：获取同一对象的不同分辨率的第一图像和第二图像，对第一图像和第二图像进行处理得到与第一图像分辨率相同的第三图像，与第二图像分辨率相同的第四图像。而后基于第一图像和第四图像获取第一图像对，基于第二图像和第三图像获取第二图像对，将第一图像对和第二图像对输入至识别模型中进行训练，使得识别模型能够学习到不受分辨率影响的一致性特征细节信息，提高识别模型对于低分辨率图像的行人重识别的鲁棒性，提高行人重识别的准确性。
1.一种识别模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述识别模型包括特征提取网络，将所述第一图像对和所述第二图像对输入至所述识别模型进行训练，包括：
3.根据权利要求2所述的方法，其特征在于，所述第一识别损失包括交叉熵损失以及三元组损失，所述第二识别损失基于第一识别期望、第二识别期望、第三识别期望以及第四识别期望得到，所述第一识别期望基于所述第一图像的特征得到，所述第二识别期望基于所述第二图像的特征得到，所述第三识别期望基于所述第三图像的特征得到，所述第四识别期望基于所述第四图像的特征得到。
4.根据权利要求1所述的方法，其特征在于，所述第三图像和所述第四图像由图像生成网络得到，所述图像生成网络包括下采样网络以及超分生成网络，所述第三图像由所述第一图像输入至所述下采样网络得到，所述第四图像由所述第二图像输入至所述超分生成网络得到。
5.根据权利要求4所述的方法，其特征在于，所述图像生成网络的训练方式，包括：
6.根据权利要求5所述的方法，其特征在于，所述第一损失为最近邻损失。
7.根据权利要求5所述的方法，其特征在于，所述第二损失基于第一期望、第二期望、第三期望以及第四期望得到，所述第一期望基于所述第一训练图像得到，所述第二期望基于所述第二训练图像得到，所述第三期望基于所述第一生成图像得到，所述第四期望基于所述第二生成图像得到；
8.一种识别方法，其特征在于，所述方法包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储程序数据，所述程序数据能够被所述处理器执行，以实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储有程序数据，能够被处理器执行，以实现如权利要求1-8任一项所述的方法。
