一种图像识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种图像识别方法及装置，图像识别方法包括：获取待识别图像；将待识别图像输入至预先训练得到的LBCNN模型中，得到LBCNN模型输出的第一特征向量；对第一特征向量进行分解，得到待识别图像的第一边缘轮廓特征分量和第一主体特征分量；根据第一边缘轮廓特征分量和第一主体特征分量，对待识别图像进行识别，得到识别结果。本发明专利技术实施例降低了网络资源消耗，并提高了图像的识别精度。

【技术实现步骤摘要】
一种图像识别方法及装置
本专利技术涉及通信
，尤其涉及一种图像识别方法及装置。
技术介绍
随着深度学习神经网络结构的不断发展，深度卷积神经网络在解决目标检测、跟踪与识别等计算机视觉领域问题中取得了巨大的成功。但是，在自动驾驶汽车、智能机器人、智能手机等计算资源受限的智能设备上，基于标准深度卷积神经网络结构的模型同样无法满足实时性要求。此外，标准的端到端深度卷积神经网络模型大、需要消耗的计算资源较多，并且在小数据集训练中容易出现过拟合问题。针对上述情况，目前一种方式为采用结构简单的网络进行模型构建，以牺牲精度的方式，降低计算消耗，但这会导致不能兼顾精度与速度的应用要求；另一种方式为利用二进制权重代替实值权重的二值化神经网络，这样能够有效降低运算量，并且精度相对简单的实值网络结构有所提升，但是该种方式在复杂环境下存在目标尺度变化大、目标种类多等问题时，仍然无法满足对动态目标有效实时识别的应用需求。综上所述，现有技术中的识别算法在计算资源受限时，存在识别精度较低的问题。
技术实现思路
本专利技术实施例提供一种图像识别方法及装置，用以解决现有技术中的识别算法在计算资源受限时，识别精度较低的问题。本专利技术实施例提供一种图像识别方法，包括获取待识别图像，所述图像识别方法还包括：将所述待识别图像输入至预先训练得到的局部二值卷积神经网络LBCNN模型中，得到LBCNN模型输出的第一特征向量，其中所述第一特征向量中包括有所述待识别图像的多个特征分量；对所述第一特征向量进行分解，得到所述待识别图像的第一边缘轮廓特征分量和除所述第一边缘轮廓特征分量之外的第一主体特征分量；根据所述待识别图像的第一边缘轮廓特征分量和第一主体特征分量，对所述待识别图像进行识别，得到识别结果；其中，所述LBCNN模型为基于第一损失函数和第二损失函数进行训练得到；所述第一损失函数为基于预设样本图像的边缘轮廓特征分量和边缘轮廓识别标签，对预设样本图像的边缘轮廓进行预测的函数；所述第二损失函数为基于预设样本图像的除所述边缘轮廓特征分量之外的主体特征分量和主体识别标签，对预设样本图像的主体进行预测的函数。本专利技术实施例提供一种图像识别装置，包括第一获取模块，用于获取待识别图像；所述图像识别装置还包括：第二获取模块，用于将所述待识别图像输入至预先训练得到的局部二值卷积神经网络LBCNN模型中，得到LBCNN模型输出的第一特征向量，其中所述第一特征向量中包括有所述待识别图像的多个特征分量；第三获取模块，用于对所述第一特征向量进行分解，得到所述待识别图像的第一边缘轮廓特征分量和除所述第一边缘轮廓特征分量之外的第一主体特征分量；第四获取模块，用于根据所述待识别图像的第一边缘轮廓特征分量和第一主体特征分量，对所述待识别图像进行识别，得到识别结果；其中，所述LBCNN模型为基于第一损失函数和第二损失函数进行训练得到；所述第一损失函数为基于预设样本图像的边缘轮廓特征分量和边缘轮廓识别标签，对预设样本图像的边缘轮廓进行预测的函数；所述第二损失函数为基于预设样本图像的除所述边缘轮廓特征分量之外的主体特征分量和主体识别标签，对预设样本图像的主体进行预测的函数。本专利技术实施例提供一种电子设备，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所述的图像识别方法的步骤。本专利技术实施例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所述的图像识别方法的步骤。本专利技术实施例提供的图像识别方法及装置，通过LBCNN模型得到待识别图像的第一特征向量，并对第一特征向量进行分解得到第一边缘轮廓特征分量和第一主体特征分量，最后根据第一边缘轮廓特征分量和第一主体特征分量，对待识别图像进行识别，得到识别结果，此时基于通过LBCNN模型获取第一特征向量，降低了网络计算消耗，此外通过基于第一特征向量分解得到的第一边缘轮廓特征分量和第一主体特征分量，对待识别图像进行识别，实现了充分利用待识别图像的边缘轮廓信息，提升了复杂场景下动态图像识别精度，从而实现了在降低计算资源消耗的同时，提升动态目标的识别精度。附图说明为了更清楚地说明本专利技术实施例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专利技术的一些实施例，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。图1为本专利技术实施例中图像识别方法的步骤流程图；图2为本专利技术实施例中图像识别装置的模块框图；图3为本专利技术实施例中电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图1所示，为本专利技术实施例中图像识别方法的步骤流程图，该图像识别方法包括如下步骤：步骤101：获取待识别图像。步骤102：将待识别图像输入至预先训练得到的局部二值卷积神经网络LBCNN模型中，得到LBCNN模型输出的第一特征向量。具体的，局部二值卷积神经网络(简称LBCNN)模型为基于第一损失函数和第二损失函数进行训练得到；其中，第一损失函数为基于预设样本图像的边缘轮廓特征分量和边缘轮廓识别标签，对预设样本图像的边缘轮廓进行预测的函数；所述第二损失函数为基于预设样本图像的除所述边缘轮廓特征分量之外的主体特征分量和主体识别标签，对预设样本图像的主体进行预测的函数。这样，通过第一损失函数和第二损失函数训练得到LBCNN模型，使得在通过LBCNN模型得到第一特征向量时，能够保证后续过程中通过第一特征向量分解得到的第一边缘轮廓特征分量和第一主体特征分量，对待识别图像进行识别时的精确度。当然，在此需要说明的是，预设样本图像对应有边缘轮廓识别标签和主体识别标签。在本步骤中，可以直接将获取的待识别图像输入至LBCNN模型中，得到LBCNN模型输出的第一特征分量，从而降低神经网络的计算量。当然，第一特征向量为由LBCNN模型中的全连接层输出。此外，具体的，下面对LBCNN模型进行具体说明。传统局部二值模式(简称LBP)算子可描述图像局部纹理特征，原始LBP算子计算方法为：在3乘3或5乘5等窗口内，通过比较周围像素点与中心像素点值大小生成LBP算子，其中周围像素点高于中心点像素值则表示为1，否则表示为0，聚合后的LBP特征值能够反映出图像的局部纹理信息。此外，LBP算子通过二值化方式为以较少的计算量，表示出图像的纹理特征。这样，本实施例通过在标准神经网络中引用LBP特征层，即通过LBCNN模型，能够实现在提取特征的同时，降低本文档来自技高网...

【技术保护点】
1.一种图像识别方法，包括获取待识别图像，其特征在于，所述图像识别方法还包括：/n将所述待识别图像输入至预先训练得到的局部二值卷积神经网络LBCNN模型中，得到LBCNN模型输出的第一特征向量，其中所述第一特征向量中包括有所述待识别图像的多个特征分量；/n对所述第一特征向量进行分解，得到所述待识别图像的第一边缘轮廓特征分量和除所述第一边缘轮廓特征分量之外的第一主体特征分量；/n根据所述待识别图像的第一边缘轮廓特征分量和第一主体特征分量，对所述待识别图像进行识别，得到识别结果；其中，/n所述LBCNN模型为基于第一损失函数和第二损失函数进行训练得到；所述第一损失函数为基于预设样本图像的边缘轮廓特征分量和边缘轮廓识别标签，对预设样本图像的边缘轮廓进行预测的函数；所述第二损失函数为基于预设样本图像的除所述边缘轮廓特征分量之外的主体特征分量和主体识别标签，对预设样本图像的主体进行预测的函数。/n

【技术特征摘要】
1.一种图像识别方法，包括获取待识别图像，其特征在于，所述图像识别方法还包括：
将所述待识别图像输入至预先训练得到的局部二值卷积神经网络LBCNN模型中，得到LBCNN模型输出的第一特征向量，其中所述第一特征向量中包括有所述待识别图像的多个特征分量；
对所述第一特征向量进行分解，得到所述待识别图像的第一边缘轮廓特征分量和除所述第一边缘轮廓特征分量之外的第一主体特征分量；
根据所述待识别图像的第一边缘轮廓特征分量和第一主体特征分量，对所述待识别图像进行识别，得到识别结果；其中，
所述LBCNN模型为基于第一损失函数和第二损失函数进行训练得到；所述第一损失函数为基于预设样本图像的边缘轮廓特征分量和边缘轮廓识别标签，对预设样本图像的边缘轮廓进行预测的函数；所述第二损失函数为基于预设样本图像的除所述边缘轮廓特征分量之外的主体特征分量和主体识别标签，对预设样本图像的主体进行预测的函数。


2.根据权利要求1所述的图像识别方法，其特征在于，所述对所述第一特征向量进行分解，得到所述待识别图像的第一边缘轮廓特征分量和除所述第一边缘轮廓特征分量之外的第一主体特征分量，包括：
基于球坐标系，对所述第一特征向量进行分解，得到所述第一边缘轮廓特征分量和第一主体特征分量。


3.根据权利要求1所述的图像识别方法，其特征在于，所述根据所述待识别图像的第一边缘轮廓特征分量和第一主体特征分量，对所述待识别图像进行识别，得到识别结果之前，所述图像识别方法还包括：
获取待比较图像，并通过所述LBCNN模型，获取所述待比较图像的第二特征向量，其中所述第二特征向量中包括有所述待比较图像的多个特征分量；
对所述第二特征向量进行分解，得到所述待比较图像的第二边缘轮廓特征分量和除所述第二边缘轮廓特征分量之外的第二主体特征分量；
所述根据所述待识别图像的第一边缘轮廓特征分量和第一主体特征分量，对所述待识别图像进行识别，得到识别结果，包括：
计算所述第一边缘轮廓特征分量和所述第二边缘轮廓特征分量之间的第一特征相似度，并计算所述第一主体特征分量和第二主体特征分量之间的第二特征相似度；
根据所述第一特征相似度和第二特征相似度，确定所述待识别图像和所述待比较图像的相似度；其中，
当所述相似度大于预设阈值时，得到指示所述待识别图像与所述待比较图像相同的识别结果。


4.根据权利要求1所述的图像识别方法，其特征在于，所述将所述待识别图像输入至预先训练得到的局部二值卷积神经网络LBCNN模型中，得到LBCNN模型输出的第一特征向量之前，所述图像识别方法还包括：
通过预设样本图像，训练得到所述LBCNN模型；其中，所述预设样本图像对应有边缘轮廓标识标签和主体识别标签；
所述通过预设样本图像，训练得到所述LBCNN模型，包括：
将所述预设样本图像输入至预先构造的待训练LBCNN模型中，得到所述待训练LBCNN模型输出的特征向量，其中所述特征向量中包括有所述预设样本图像的多个特征分量；
对所述特征向量进行分解，得到所述预设样本图像的边缘轮廓特征分量和除所述边缘轮廓特征分量之外的主体特征分量；
基于所述预设样本图像的边缘轮廓特征分量和边缘轮廓识别标签，得到对所述预设样本图像的边缘轮廓进行预测的第一损失函数，并基于所述预设样本图像的主体特征分量和主体识别标签，得到对所述预设样本图像的主体进行预测的第二损失函数；
根据所述第一损失函数和所述第二损失函数，得到对所述预设样本图像进行预测的目标识别损失函数；
基于所述目标识别损失函数，对所述待训练LBCNN模型中的参数进行训练，得到所述LBCNN模型，其中所述LBCNN模型所对应的目标识别损失函数的值小于预设阈值。


5.一种图像识别装置，包括第一获取模块，用于获取待识别图像；其特征在...

【专利技术属性】
技术研发人员：韩璐，
申请(专利权)人：普天信息技术有限公司，
类型：发明
国别省市：北京;11