CN109934305A - 基于图像识别模型的图像识别方法及装置 - Google Patents
基于图像识别模型的图像识别方法及装置 Download PDFInfo
- Publication number
- CN109934305A CN109934305A CN201910258567.1A CN201910258567A CN109934305A CN 109934305 A CN109934305 A CN 109934305A CN 201910258567 A CN201910258567 A CN 201910258567A CN 109934305 A CN109934305 A CN 109934305A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- identification
- model
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于图像识别模型的图像识别方法及装置,该方法包括设立图像识别模型、分类图像识别模型、识别待识别图像以及显示识别结果,本发明通过对整张图像进行划分后得到的各子图像分别进行识别并分类,并将识别结果设置为图像识别模块并储存在分类识别单元中,通过待检测模块与分类识别单元中的图像识别模块进行对比,最终精准的获得图像的对比结果,同时对比结果中各个特征的匹配度相应的显示在了显示单元中,进而更方便的获知详细的对比结果。
Description
技术领域
本发明涉及图像识别的技术领域,具体是基于图像识别模型的图像识别方法及装置。
背景技术
随着移动互联网技术和物联网技术的不断发展,以及人们居住理念的变化与提升,图像识别技术已经得到越来越广泛的应用,其在安全、金融、人机交互、信息和教育等诸多领域有着广泛的应用前景,然而现有的图像识别方法在图像识别模型的选取上具有很大的缺陷,如智能橱柜中对于食材进行判定一般是将待识别的整张食材图片输入智能橱柜中的图像识别装置中,并对输入的图像与图像识别装置中的图像样本库中的样本图像进行整张比较,若该整张图像的特征数据与图像样本库中样本图像的特征数据不匹配,则将该输入的图像确定为异常,从而忽略了特殊食材形状以及颜色等差异带来的影响,进而降低了图像识别装置的识别效果。
发明内容
本发明的目的在于提供基于图像识别模型的图像识别方法及装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于图像识别模型的图像识别方法,至少包括以下步骤:
1)设立图像识别模型:获取标准图像以及待识别图像,并将标准图像根据划分规则划分为多个子图像,并且对各个子图像进行标注,根据多个标注后的子图像生成训练样本,采用训练样本对初始模型进行训练,将训练后的初始模型设置为图像识别模型,其中,划分规则为子图像中包含有待识别特征的像素点;
2)分类图像识别模型:提取各个图像识别模型中的特征数据,根据特征数据将图像识别模型进行分类,并且将分类后的图像识别模型储存于分类识别单元内;
3)识别待识别图像:将待识别图像与分类识别单元中的各类图像识别模型进行对比,并得到待识别图像的识别特征与分类识别单元中的识别特征的识别结果,其中识别结果为含有多个与分类识别单元中各类图像识别模型不相符的异常图像或正常图像;
4)显示识别结果:若识别结果为正常图像,则将识别结果中正常图像的特征与各类图形识别模块中特征进行匹配,根据匹配结果设置匹配度,并将各个匹配度由大到小依次显示于显示单元中;若显示结果为异常图像,则将异常图像中与各类图像识别模型不相符的特征显示在显示单元中。
作为本发明进一步的方案:所述分类图像识别模型的步骤中还包括:
分类识别单元检测:获取多个待检测图像,将多个待检测图像分别与分类识别单元根据对比方法进行对比,根据对比结果确定分类识别单元的准确率。
作为本发明进一步的方案:所述准确率包括平均识别准确率以及平均识别漏识率。
作为本发明进一步的方案:所述设立图像识别模型的步骤中还包括:
待识别图像尺寸判断:获取原始图像,通过检测原始图像中的待识别目标的边缘像素点,确定所述原始图像的面积,并判断原始图像的面积与标准图像的面积比值是否大于预设的比例阈值;在判断结果为是时,则将原始图像确定为待识别图像;在判断结果为否时,按照预设的矩形区域确定规则,从原始图像中确定包含所述待识别目标的矩形区域,并将所述矩形区域确定为待识别图像。
作为本发明进一步的方案:所述矩形区域确定规则为所述标准图像的面积与确定出的矩形区域的面积比值大于所述比例阈值。
作为本发明进一步的方案:所述待识别图像与各类图像识别模块之间设置有检测方法,所述检测方法包括带容错的像素对比算法、灰度对比算法、直方图对比算法。
作为本发明进一步的方案:所述分类识别单元检测步骤中的对比方法包括带容错的像素对比算法、灰度对比算法、直方图对比算法。
基于图像识别模型的图像识别装置,至少包括以下单元:
划分单元:用于划分标准图像,并且对各个划分后的子图像进行标注,根据多个标注后的子图像生成训练样本,采用训练样本对初始模型进行训练,将训练后的初始模型设置为图像识别模型,其中,划分规则为子图像中包含有待识别特征的像素点;
分类识别单元:用于储存各类图像识别模型;
图像对比单元:用于待识别图像与分类识别单元中的各类图像识别模型进行对比,并得到待识别图像的识别特征与分类识别单元中的识别特征的识别结果;
显示单元:用于显示图像对比单元中的识别结果。
作为本发明进一步的方案:还包括以下单元:
接收单元:用于接收原始图像;
获取单元:用于获取原始图像的面积与标准图像的面积比值和预设的比例阈值的判断结果,并根据判断结果获得待识别图像。
作为本发明进一步的方案:所述识别结果为含有多个与分类识别单元中各类图像识别模型相符的正常图像或异常图像。
与现有技术相比,本发明的有益效果是:
本发明通过对整张图像进行划分后得到的各子图像分别进行识别并分类,并将识别结果设置为图像识别模块并储存在分类识别单元中,通过待检测模块与分类识别单元中的图像识别模块进行对比,最终精准的获得图像的对比结果,同时对比结果中各个特征的匹配度相应的显示在了显示单元中,进而更方便的获知详细的对比结果。
附图说明
图1为基于图像识别模型的图像识别方法的流程示意图。
图2为本发明中对比方法的整体结构示意图。
图3为本发明中检测方法的整体结构示意图。
图4为基于图像识别模型的图像识别装置的整体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
请参阅图1~4,本发明实施例中,基于图像识别模型的图像识别方法,至少包括以下步骤:
1)设立图像识别模型:获取标准图像以及待识别图像,并将标准图像根据划分规则划分为多个子图像,并且对各个子图像进行标注,根据多个标注后的子图像生成训练样本,采用训练样本对初始模型进行训练,将训练后的初始模型设置为图像识别模型,其中,划分规则为子图像中包含有待识别特征的像素点,考虑到食材的摆放方式可能对划分结果产生影响,因此本发明中的标准图像选用单一食材的摆放策略,具体来说,根据不同的应用场合和图像类型下,可以有不同的划分方法对待识别图像进行划分,例如,在对智能橱柜中的食材图像进行识别时,。可以沿水平方向将其划分为两个子图像,分别上半段子图像和下半段子图像;或者,也可以沿水平方向将食材图像划分为三个或四个图像块。当对其他图像进行识别时,也可以沿竖直方向对待识别图像进行划分,甚至是沿45度角斜向对待识别图像进行划分,具体的划分方式本发明实施例在此不作限制,可以按照实际需求自行设定
2)分类图像识别模型:提取各个图像识别模型中的特征数据,根据特征数据将图像识别模型进行分类,并且将分类后的图像识别模型储存于分类识别单元2内,其中,特征数据的获取可以根据边缘方向直方图、局部二元模式、尺度不变特征变换和加速健壮特征等特征得到各图像识别模型的特征数据;
3)识别待识别图像:将待识别图像与分类识别单元2中的各类图像识别模型进行对比,所述待识别图像与各类图像识别模块之间设置有检测方法,所述检测方法包括带容错的像素对比算法、灰度对比算法、直方图对比算法,所述带容错的像素对比算法至少包括设置待识别图像和各类图像识别模块之间像素颜色变化的容错率以及设置待识别图像和各类图像识别模块之间像素偏移的容错率,实际应用时,由于获取单元与分类识别单元的分辨率和/或显示参数信息可能不同,因此,待检测图像相对于图像识别模块可能存在一定的像素颜色变化和/或像素偏移,为了图像识别过程中的准确率,采用设置有像素颜色变化的容错率和/或像素偏移的容错率的带容错的像素对比算法对图像识别模块和待检测图像进行图像对比,能够有效提高待检测图像的识别准确率,之后得到待识别图像的识别特征与分类识别单元2中的识别特征的识别结果,其中识别结果为含有多个与分类识别单元2中各类图像识别模型不相符的异常图像或正常图像;
4)显示识别结果:若识别结果为正常图像,则将识别结果中正常图像的特征与各类图形识别模块中特征进行匹配,根据匹配结果设置匹配度,并将各个匹配度由大到小依次显示于显示单元4中;若显示结果为异常图像,则将异常图像中与各类图像识别模型不相符的特征显示在显示单元4中。
所述分类图像识别模型的步骤中还包括:
分类识别单元检测:获取多个待检测图像,将多个待检测图像分别与分类识别单元2根据对比方法进行对比,根据对比结果确定分类识别单元2的准确率,所述分类识别单元检测步骤中的对比方法包括带容错的像素对比算法、灰度对比算法、直方图对比算法。
所述准确率包括平均识别准确率以及平均识别漏识率。
其中平均识别准确率的公式如下所示:
其中,N为待检测图像的个数,COUT2_i表示第i个待检测图像中子图像数量,TS2_i表示第i个测试样本中被识别正确的子图像数量。
平均漏识率的公式如下所示:
其中,NS2_i表示第i个测试样本中被漏识别的子图像的数量。
所述设立图像识别模型的步骤中还包括:
待识别图像尺寸判断:获取原始图像,通过检测原始图像中的待识别目标的边缘像素点,确定所述原始图像的面积,并判断原始图像的面积与标准图像的面积比值是否大于预设的比例阈值;在判断结果为是时,则将原始图像确定为待识别图像;在判断结果为否时,按照预设的矩形区域确定规则,从原始图像中确定包含所述待识别目标的矩形区域,并将所述矩形区域确定为待识别图像。需要说明的是,上述提到的按照矩形区域确定规则确定出的矩形区域,可以先将其缩放成与标准图像尺寸对应的图像,再将进行缩放后得到的图像确定为待识别图像。
所述矩形区域确定规则为所述标准图像的面积与确定出的矩形区域的面积比值大于所述比例阈值。
基于图像识别模型的图像识别装置,至少包括以下单元:
划分单元1:用于划分标准图像,并且对各个划分后的子图像进行标注,根据多个标注后的子图像生成训练样本,采用训练样本对初始模型进行训练,将训练后的初始模型设置为图像识别模型,其中,划分规则为子图像中包含有待识别特征的像素点。
分类识别单元2:用于储存各类图像识别模型;
图像对比单元3:用于待识别图像与分类识别单元2中的各类图像识别模型进行对比,并得到待识别图像的识别特征与分类识别单元2中的识别特征的识别结果;
显示单元4:用于显示图像对比单元3中的识别结果。
还包括以下单元:
接收单元5:用于接收原始图像;
获取单元6:用于获取原始图像的面积与标准图像的面积比值和预设的比例阈值的判断结果,并根据判断结果获得待识别图像。
所述识别结果为含有多个与分类识别单元2中各类图像识别模型相符的正常图像或异常图像。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.基于图像识别模型的图像识别方法,其特征在于:包括以下步骤:
1)设立图像识别模型:获取标准图像以及待识别图像,并将标准图像根据划分规则划分为多个子图像,并且对各个子图像进行标注,根据多个标注后的子图像生成训练样本,采用训练样本对初始模型进行训练,将训练后的初始模型设置为图像识别模型,其中,划分规则为子图像中包含有待识别特征的像素点;
2)分类图像识别模型:提取各个图像识别模型中的特征数据,根据特征数据将图像识别模型进行分类,并且将分类后的图像识别模型储存于分类识别单元(2)内;
3)识别待识别图像:将待识别图像与分类识别单元(2)中的各类图像识别模型进行对比,并得到待识别图像的识别特征与分类识别单元(2)中的识别特征的识别结果,其中识别结果为含有多个与分类识别单元(2)中各类图像识别模型不相符的异常图像或正常图像;
4)显示识别结果:若识别结果为正常图像,则将识别结果中正常图像的特征与各类图形识别模块中特征进行匹配,根据匹配结果设置匹配度,并将各个匹配度由大到小依次显示于显示单元(4)中;若显示结果为异常图像,则将异常图像中与各类图像识别模型不相符的特征显示在显示单元(4)中。
2.根据权利要求1所述的基于图像识别模型的图像识别方法,其特征在于:所述分类图像识别模型的步骤中还包括:
分类识别单元检测:获取多个待检测图像,将多个待检测图像分别与分类识别单元(2)根据对比方法进行对比,根据对比结果确定分类识别单元(2)的准确率。
3.根据权利要求2所述的基于图像识别模型的图像识别方法,其特征在于:所述准确率包括平均识别准确率以及平均识别漏识率。
4.根据权利要求1所述的基于图像识别模型的图像识别方法,其特征在于:所述设立图像识别模型的步骤中还包括:
待识别图像尺寸判断:获取原始图像,通过检测原始图像中的待识别目标的边缘像素点,确定所述原始图像的面积,并判断原始图像的面积与标准图像的面积比值是否大于预设的比例阈值;在判断结果为是时,则将原始图像确定为待识别图像;在判断结果为否时,按照预设的矩形区域确定规则,从原始图像中确定包含所述待识别目标的矩形区域,并将所述矩形区域确定为待识别图像。
5.根据权利要求4所述的基于图像识别模型的图像识别方法,其特征在于:所述矩形区域确定规则为所述标准图像的面积与确定出的矩形区域的面积比值大于所述比例阈值。
6.根据权利要求1所述的基于图像识别模型的图像识别方法,其特征在于:所述待识别图像与各类图像识别模块之间设置有检测方法,所述检测方法包括带容错的像素对比算法、灰度对比算法、直方图对比算法。
7.根据权利要求2所述的基于图像识别模型的图像识别方法,其特征在于:所述分类识别单元检测步骤中的对比方法包括带容错的像素对比算法、灰度对比算法、直方图对比算法。
8.基于图像识别模型的图像识别装置,其特征在于:包括以下单元:
划分单元(1):用于划分标准图像,并且对各个划分后的子图像进行标注,根据多个标注后的子图像生成训练样本,采用训练样本对初始模型进行训练,将训练后的初始模型设置为图像识别模型,其中,划分规则为子图像中包含有待识别特征的像素点;
分类识别单元(2):用于储存各类图像识别模型;
图像对比单元(3):用于待识别图像与分类识别单元(2)中的各类图像识别模型进行对比,并得到待识别图像的识别特征与分类识别单元(2)中的识别特征的识别结果;
显示单元(4):用于显示图像对比单元(3)中的识别结果。
9.根据权利要求8所述的基于图像识别模型的图像识别装置,其特征在于:还包括以下单元:
接收单元(5):用于接收原始图像;
获取单元(6):用于获取原始图像的面积与标准图像的面积比值和预设的比例阈值的判断结果,并根据判断结果获得待识别图像。
10.根据权利要求8所述的基于图像识别模型的图像识别装置,其特征在于:所述识别结果为含有多个与分类识别单元(2)中各类图像识别模型相符的正常图像或异常图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258567.1A CN109934305A (zh) | 2019-04-01 | 2019-04-01 | 基于图像识别模型的图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258567.1A CN109934305A (zh) | 2019-04-01 | 2019-04-01 | 基于图像识别模型的图像识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934305A true CN109934305A (zh) | 2019-06-25 |
Family
ID=66988918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910258567.1A Pending CN109934305A (zh) | 2019-04-01 | 2019-04-01 | 基于图像识别模型的图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934305A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763389A (zh) * | 2021-08-24 | 2021-12-07 | 深圳前海爱客风信息技术有限公司 | 一种基于多主体检测分割的图像识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077594A (zh) * | 2013-03-29 | 2014-10-01 | 浙江大华技术股份有限公司 | 一种图像识别方法和装置 |
CN107274442A (zh) * | 2017-07-04 | 2017-10-20 | 北京云测信息技术有限公司 | 一种图像识别方法和装置 |
-
2019
- 2019-04-01 CN CN201910258567.1A patent/CN109934305A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077594A (zh) * | 2013-03-29 | 2014-10-01 | 浙江大华技术股份有限公司 | 一种图像识别方法和装置 |
CN107274442A (zh) * | 2017-07-04 | 2017-10-20 | 北京云测信息技术有限公司 | 一种图像识别方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763389A (zh) * | 2021-08-24 | 2021-12-07 | 深圳前海爱客风信息技术有限公司 | 一种基于多主体检测分割的图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Robust traffic sign recognition based on color global and local oriented edge magnitude patterns | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
EP2523165B1 (en) | Image processing method and image processing device | |
CN105096307B (zh) | 在成对的立体图像中检测物体的方法 | |
US20120027252A1 (en) | Hand gesture detection | |
CN105335726B (zh) | 人脸识别置信度获取方法和系统 | |
CN107292318B (zh) | 基于中心暗通道先验信息的图像显著性物体检测方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN111860494A (zh) | 图像目标检测的优化方法、装置、电子设备和存储介质 | |
CN110263731B (zh) | 一种单步人脸检测系统 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
CN111522951A (zh) | 一种基于图像识别的敏感数据识别与分类的技术方法 | |
CN103390151A (zh) | 人脸检测方法及装置 | |
CN114463567A (zh) | 一种基于区块链的智慧教育作业大数据防抄袭方法与系统 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN109934305A (zh) | 基于图像识别模型的图像识别方法及装置 | |
CN105095838B (zh) | 一种目标检测方法及装置 | |
CN103136536A (zh) | 对象检测系统和方法、图像的特征提取方法 | |
US20170309040A1 (en) | Method and device for positioning human eyes | |
CN102625028B (zh) | 对视频中存在的静态徽标进行检测的方法和设备 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
EP3438987B1 (en) | Tool that analyzes image data and generates and displays a confidence indicator along with a cancer score |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |