CN111191570A - 图像识别方法和装置 - Google Patents

Abstract

本发明公开了一种图像识别方法和装置。其中，该方法包括：对待识别图像进行分割处理，得到若干子图像；依据预设比例对若干子图像进行扩充处理，以确保待识别图像中的目标对象完整的出现在某个子图像中；使用训练好的深度卷积神经网络对若干子图像和待识别图像进行检测；将若干子图像和待识别图像的检测结果进行合并处理，以确定待识别图像中所识别出的目标对象的相关信息，其中，相关信息包括至少以下任意之一：目标对象在待识别图像中的标识标志、目标对象的地理坐标。本发明解决了主流目标检测算法对于小目标的检测效果很差，极容易出现漏检现象的技术问题。

Description

图像识别方法和装置

技术领域

本发明涉及图像识别领域，具体而言，涉及一种图像识别方法和装置。

背景技术

输电杆塔有分布范围广、所处地理位置和气候复杂、破坏因素多等特点。近年来，国家不断加大对农村道路和房屋的建设，不可避免的使得大型建筑机械在输电通道附近活动，使得工程机械违章施工造成的输电杆塔故障大量增多。近年来，随着国家电网提出的“坚强智能电网”发展规划，各种新的技术和设备不断引入用于对相关设施进行巡检和预警，主要依靠于不同类型的模式识别技术。

与本发明最相近似的现有技术方案：现在主流的目标检测算法，分为一阶段算法如yolo、centernet等，和二阶段算法如faster rcnn等。这些算法性能较好，在各行业的图像目标识别领域有着广泛的应用，但都有一个问题：对于小目标的检测效果很差，极容易出现漏检现象。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像识别方法和装置，以至少解决主流目标检测算法对于小目标的检测效果很差，极容易出现漏检现象的技术问题。

根据本发明实施例的一个方面，提供了一种图像识别方法，包括：对待识别图像进行分割处理，得到若干子图像；依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标。

可选地，对待识别图像进行分割处理，得到若干子图像，包括：依据预设行和预设列对所述待识别图像进行分割处理，得到m*n个子图像。

可选地，在使用训练好的深度卷积神经网络对所述若干子图像进行识别处理之前，所述方法还包括：至少确定深度卷积神经网络的层数、卷积核大小与个数；获取多种天气场景下有目标对象的第一图片和多种天气场景下无目标对象的第二图片，并对所述第一图片和所述第二图片进行标注处理，以区分所述图片有无目标对象；将获取到的图片随机划分为训练数据和验证数据，并通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，得到训练好的深度卷积神经网络。

可选地，通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，包括：对所述训练数据进行分割预处理，并使用分割预处理后的训练数据对所述深度卷积神经网络进行训练，得到初始深度卷积神经网络模型和其对应参数；使用验证数据对所述初始深度卷积神经网络模型和其对应参数进行验证处理，得到训练好的深度卷积神经网络。

可选地，对所述训练数据进行分割预处理，包括：依据图片分辨率将所述图片分割为多个子图，其中，所述多个子图中包括至少以下任意之一：含有目标对象的第一子图、不含有目标对象的第二子图；计算每个第一子图与其包含的目标对象之间的重叠度，其中，计算公式如下：重叠度＝第一子图框∩目标对象框/第一子图框∪目标对象框；在每个目标对象对应的至少一个第一子图中，确定重叠度最大的目标子图；对每个目标子图进行图框范围修改，以确保所述目标子图所包含的目标对象完整的显示于所述目标子图中；将所述目标子图和其他子图中的无效对象涂抹掉，并保留所述目标对象；并使用经过涂抹处理后的目标子图和其他子图重新制作为训练数据，并对所述训练数据进行参数化处理。

根据本发明实施例的另一方面，还提供了一种图像识别装置，包括：分割单元，用于对待识别图像进行分割处理，得到若干子图像；扩充单元，用于依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；检测单元，用于使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；合并单元，用于将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标。

可选地，所述分割单元包括：分割子单元，用于依据预设行和预设列对所述待识别图像进行分割处理，得到m*n个子图像。

可选地，所述装置还包括：确定单元，用于在使用训练好的深度卷积神经网络对所述若干子图像进行识别处理之前，至少确定深度卷积神经网络的层数、卷积核大小与个数；获取单元，用于获取多种天气场景下有目标对象的第一图片和多种天气场景下无目标对象的第二图片，并对所述第一图片和所述第二图片进行标注处理，以区分所述图片有无目标对象；训练单元，用于将获取到的图片随机划分为训练数据和验证数据，并通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，得到训练好的深度卷积神经网络。

可选地，所述训练单元包括：训练子单元，用于对所述训练数据进行分割预处理，并使用分割预处理后的训练数据对所述深度卷积神经网络进行训练，得到初始深度卷积神经网络模型和其对应参数；验证子单元，用于使用验证数据对所述初始深度卷积神经网络模型和其对应参数进行验证处理，得到训练好的深度卷积神经网络。

可选地，所述训练子单元包括：分割模块，用于依据图片分辨率将所述图片分割为多个子图，其中，所述多个子图中包括至少以下任意之一：含有目标对象的第一子图、不含有目标对象的第二子图；计算模块，用于计算每个第一子图与其包含的目标对象之间的重叠度，其中，计算公式如下：重叠度＝第一子图框∩目标对象框/第一子图框∪目标对象框；确定模块，用于在每个目标对象对应的至少一个第一子图中，确定重叠度最大的目标子图；修改模块，用于对每个目标子图进行图框范围修改，以确保所述目标子图所包含的目标对象完整的显示于所述目标子图中；涂抹模块，用于将所述目标子图和其他子图中的无效对象涂抹掉，并保留所述目标对象；制作模块，用于并使用经过涂抹处理后的目标子图和其他子图重新制作为训练数据，并对所述训练数据进行参数化处理。

在本发明实施例中，通过对待识别图像进行分割处理，得到若干子图像；依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标，进而解决了主流目标检测算法对于小目标的检测效果很差，极容易出现漏检现象技术问题。

也即，在本发明实施例中针对小目标识别，通过将待识别图像分割为多个子图像的方式进行检测，使得本发明提供到图像识别方法更适用于小目标检测，大幅度降低了误检率，提供了识别准确率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的图像识别方法的示意图；

图2是根据本发明实施例的一种可选的图像识别装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是：

IOU：(Intersection-over-Union)是产生的候选框(candidate bounding box)与真实标记的框(ground truth bounding box)的重叠程度，候选框与真实框之间交集与并集的比值叫IOU。

NMS：在进行目标检测时一般会采取窗口滑动的方式，在图像上生成很多的候选框，然后把这些候选框进行特征提取后送入分类器，一般会得出一个得分(score)，然后把这些得分全部排序。选取得分最高的那个框，接下来计算其他的框与当前框的重合程度(iou)，如果重合程度大于一定阈值就删除，因为同一目标可能会有多个高得分框，需要一个即可。

根据本发明实施例，提供了一种图像识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的图像识别方法，如图1所示，该方法包括如下步骤：

步骤S102，对待识别图像进行分割处理，得到若干子图像；

步骤S104，依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；

步骤S106，使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；

步骤S108，将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标。

需要说明的是：目标对象为塔架防外破工程车辆，例如：泵车、挖掘机、吊车等。

需要说明的是：所述目标对象在所述待识别图像中的标识标志可以是指：在待识别图像中标识有标识框，其中，标识框在待识别图像中框选目标对象；所述目标对象的地理坐标可以是指：依据目标对象在待识别图像中的位置，确定目标对象在实际地理环境中的坐标位置，例如：东街区34区。

在本发明实施例中，通过对待识别图像进行分割处理，得到若干子图像；依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标，进而解决了主流目标检测算法对于小目标的检测效果很差，极容易出现漏检现象技术问题。

也即，在本发明实施例中针对小目标识别，通过将待识别图像分割为多个子图像的方式进行检测，使得本发明提供到图像识别方法更适用于小目标检测，大幅度降低了误检率，提供了识别准确率。

在一个可选的示例中，对待识别图像进行分割处理，得到若干子图像，包括：依据预设行和预设列对所述待识别图像进行分割处理，得到m*n个子图像。

也即，依据待识别图像的分辨率确定预设行和预设列，再依据预设行和预设列对待识别图像进行分割，得到m*n子图像，其中，m*n子图像中即包括有目标对象的子图像，也包括无目标对象的子图像。

在一个可选的示例中，将所述若干子图像和所述待识别图像的检测结果进行合并处理，得到带有标记的待识别图像，包括：依据预设类别(例如：泵车、挖掘机、吊车等)依次计算待识别图像的检测框与若干子图像的检测框之间的重叠度，并删除重叠度大于第一阈值的子图像的检测框；通过NMS算法计算每个子图像的检测框的得分，并计算每个子图像的检测框与其他子图像的检测框之间的重叠度，在所述重叠度大于第二阈值的情况下，删除该重叠度对应的得分较小的子图像的检测框；将留下的子图像的检测结果和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息。

也即，在使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测之后，所得到的检测结果是待识别图像中已经识别出的多个目标对象。此时，为了避免多个目标对象发生重复，因此，在该示例中对待识别图像的检测框、若干子图像的检测框进行排重处理，避免输出信息冗余。

优选的，为了避免边界误检，将所述若干子图像和所述待识别图像的检测结果进行合并处理，得到带有标记的待识别图像，还包括：检测若干子图像的检测框是否位于图片边界；在子图像的检测框位于图片边界的情况下，通过NMS算法计算检测框位于图片边界的子图像的检测框的得分，并删除得分不满足预设条件的子图像的检测框。

在一个可选的示例中，在使用训练好的深度卷积神经网络对所述若干子图像进行识别处理之前，所述方法还包括训练深度卷积神经网络，其中，具体步骤如下：

至少确定深度卷积神经网络的层数、卷积核大小与个数；获取多种天气场景下有目标对象的第一图片和多种天气场景下无目标对象的第二图片，并对所述第一图片和所述第二图片进行标注处理，以区分所述图片有无目标对象；将获取到的图片随机划分为训练数据和验证数据，并通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，得到训练好的深度卷积神经网络。

需要说明的是：在确定深度卷积神经网络的层数、卷积核大小与个数之外，还可以继续确定网络结构、学习率、正则化等等。

进一步的，“通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理”可以通过如下过程得到实现：对所述训练数据进行分割预处理，并使用分割预处理后的训练数据对所述深度卷积神经网络进行训练，得到初始深度卷积神经网络模型和其对应参数；使用验证数据对所述初始深度卷积神经网络模型和其对应参数进行验证处理，得到训练好的深度卷积神经网络。

进一步的，“对所述训练数据进行分割预处理”，可以通过如下过程得以实现：依据图片分辨率将所述图片分割为多个子图，其中，所述多个子图中包括至少以下任意之一：含有目标对象的第一子图、不含有目标对象的第二子图；计算每个第一子图与其包含的目标对象之间的重叠度，其中，计算公式如下：重叠度＝第一子图框∩目标对象框/第一子图框∪目标对象框；在每个目标对象对应的至少一个第一子图中，确定重叠度最大的目标子图；对每个目标子图进行图框范围修改，以确保所述目标子图所包含的目标对象完整的显示于所述目标子图中；将所述目标子图和其他子图中的无效对象涂抹掉，并保留所述目标对象；并使用经过涂抹处理后的目标子图和其他子图重新制作为训练数据，并对所述训练数据进行参数化处理。

下面结合另一种实施例对本发明的深度卷积神经网络的训练进行说明。

步骤1：确定深度卷积神经网络的层数、卷积核大小与个数，使其能够识别吊车、渣土车、泵车、挖掘机和推土机等工程车辆；

步骤2：采集在不同天气和场景下的不同车型图片和相同场景下不包含目标的图片，对图片进行标注；

步骤3：将采集到的图片随机划分为训练集、验证集和测试集；

步骤4：对训练集的图片进行分割预处理，步骤如下：

根据图片的分辨率将其分割为若干子图，比如按照行和列分割成m*n个子图；其中既包括有目标的子图，也包括无目标的子图；用真实目标框与每个子图计算IOU，公式如下：IOU＝子图框∩真实目标框/子图框∪真实目标框；选取计算结果最大的子图，并对子图框的范围进行修改，确保整个目标都包含在子图内；将子图中无效的目标涂抹掉，其中，为确保子图中有效的目标不被涂抹，对于重叠部分，现将有效目标分割保存，再将无效目标抹除，最后将有效目标重新贴回子图中；最后，把修改后的子图(包含和不含目标的所有子图)重新制作为训练集并参数化；

步骤5：对深度卷积神经网络进行训练，得到训练后的网络模型及参数，所述深度卷积神经网络。

下面结合另一种实施例对本发明的深度卷积神经网络的使用进行说明。

步骤6：将待检测的图像分割为若干子图，比如按照行和列分割成m*n个子图；

步骤7：将子图的所有内边框向外扩充若干比例，保证相邻子图有重复部分，确保每个目标都能完整地出现在某个子图中；

步骤8：运行神经网络算法，对所有子图和原图进行检测；

步骤9：将子图和原图的检测结果通过某种算法进行合并，得到最终结果，标记在原图上，其中，具体的步骤如下：

计算原图检测框与子图检测框的IOU，大于阈值则删掉子图检测框；通过nms算法，计算子图的检测框之间的IOU，大于阈值则删掉得分小的检测框；若检测框位于图片边界，可以根据得分选择是否保留检测框。

综上所述，本申请主要针对图像中的小目标进行识别，即，采用分割预处理的数据对深度卷积神经网络进行训练，提高了深度卷积神经网络模型对小目标的识别能力；同时通过对分割后的子图像进行扩展处理，降低了分割造成的误检率；在图像检测时采用将图像分割成多个子图像的方式进行检测，适用于小目标检测，并大幅度减少了误检率；以及，采用NMS减少了重叠框的出现，提高了识别的准确率。

最后，经过实验验证，而本申请实施例所提供的图像识别方法可以对不同场景下的工程车辆进行精准识别，并通过调参在不增加检测成本的同时提高了识别的准确率。

也即，本申请实施例通过对训练数据进行分割等预处理，训练一个用于识别工程车辆的深度卷积神经网络模型，然后采用分割的方法对图像进行检测，最后将分类为工程车辆的区域进行标记示警。在保证对大目标识别正确的情况下，提升小目标的识别率，同时降低了误检率。

需要说明的是：本发明主要用于自动检测通道塔架场景图片中的工程车辆，通过对视频监控中目标较小工程车辆进行有效识别，提醒人们关注周围是否有违章施工，为预防通道塔架故障提供了科学依据，具备较大的实用价值。

图2是根据本发明实施例的图像识别装置的示意图，如图2所示，该装置包括：

分割单元21，用于对待识别图像进行分割处理，得到若干子图像；

扩充单元23，用于依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；

检测单元25，用于使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；

合并单元27，用于将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标。

可选的，所述分割单元21包括：分割子单元，用于依据预设行和预设列对所述待识别图像进行分割处理，得到m*n个子图像。

可选的，所述装置还包括：确定单元，用于在使用训练好的深度卷积神经网络对所述若干子图像进行识别处理之前，至少确定深度卷积神经网络的层数、卷积核大小与个数；获取单元，用于获取多种天气场景下有目标对象的第一图片和多种天气场景下无目标对象的第二图片，并对所述第一图片和所述第二图片进行标注处理，以区分所述图片有无目标对象；训练单元，用于将获取到的图片随机划分为训练数据和验证数据，并通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，得到训练好的深度卷积神经网络。

可选的，所述训练单元包括：训练子单元，用于对所述训练数据进行分割预处理，并使用分割预处理后的训练数据对所述深度卷积神经网络进行训练，得到初始深度卷积神经网络模型和其对应参数；验证子单元，用于使用验证数据对所述初始深度卷积神经网络模型和其对应参数进行验证处理，得到训练好的深度卷积神经网络。

可选的，所述训练子单元，包括：分割模块，用于依据图片分辨率将所述图片分割为多个子图，其中，所述多个子图中包括至少以下任意之一：含有目标对象的第一子图、不含有目标对象的第二子图；计算模块，用于计算每个第一子图与其包含的目标对象之间的重叠度，其中，计算公式如下：重叠度＝第一子图框∩目标对象框/第一子图框∪目标对象框；确定模块，用于在每个目标对象对应的至少一个第一子图中，确定重叠度最大的目标子图；修改模块，用于对每个目标子图进行图框范围修改，以确保所述目标子图所包含的目标对象完整的显示于所述目标子图中；涂抹模块，用于将所述目标子图和其他子图中的无效对象涂抹掉，并保留所述目标对象；制作模块，用于并使用经过涂抹处理后的目标子图和其他子图重新制作为训练数据，并对所述训练数据进行参数化处理。

在本发明实施例中，通过分割单元21对待识别图像进行分割处理，得到若干子图像；扩充单元23依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；检测单元25使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；合并单元27将所述若干子图像和所述待识别图像的检测结果进行合并处理，得到带有标记的待识别图像，其中，所述标记用于标识所述待识别图像中的目标对象，进而解决了主流目标检测算法对于小目标的检测效果很差，极容易出现漏检现象技术问题。

也即，在本发明实施例中针对小目标识别，通过将待识别图像分割为多个子图像的方式进行检测，使得本发明提供到图像识别方法更适用于小目标检测，大幅度降低了误检率，提供了识别准确率。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种图像识别方法，其特征在于，包括：

对待识别图像进行分割处理，得到若干子图像；

依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；

使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；

将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标。

2.根据权利要求1所述的图像识别方法，其特征在于，对待识别图像进行分割处理，得到若干子图像，包括：

依据预设行和预设列对所述待识别图像进行分割处理，得到m*n个子图像。

3.根据权利要求1所述的图像识别方法，其特征在于，在使用训练好的深度卷积神经网络对所述若干子图像进行识别处理之前，所述方法还包括：

至少确定深度卷积神经网络的层数、卷积核大小与个数；

获取多种天气场景下有目标对象的第一图片和多种天气场景下无目标对象的第二图片，并对所述第一图片和所述第二图片进行标注处理，以区分所述图片有无目标对象；

将获取到的图片随机划分为训练数据和验证数据，并通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，得到训练好的深度卷积神经网络。

4.根据权利要求3所述的图像识别方法，其特征在于，通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，包括：

对所述训练数据进行分割预处理，并使用分割预处理后的训练数据对所述深度卷积神经网络进行训练，得到初始深度卷积神经网络模型和其对应参数；

使用验证数据对所述初始深度卷积神经网络模型和其对应参数进行验证处理，得到训练好的深度卷积神经网络。

5.根据权利要求4所述的图像识别方法，其特征在于，对所述训练数据进行分割预处理，包括：

依据图片分辨率将所述图片分割为多个子图，其中，所述多个子图中包括至少以下任意之一：含有目标对象的第一子图、不含有目标对象的第二子图；

计算每个第一子图与其包含的目标对象之间的重叠度，其中，计算公式如下：重叠度＝第一子图框∩目标对象框/第一子图框∪目标对象框；

在每个目标对象对应的至少一个第一子图中，确定重叠度最大的目标子图；

对每个目标子图进行图框范围修改，以确保所述目标子图所包含的目标对象完整的显示于所述目标子图中；

将所述目标子图和其他子图中的无效对象涂抹掉，并保留所述目标对象；

并使用经过涂抹处理后的目标子图和其他子图重新制作为训练数据，并对所述训练数据进行参数化处理。

6.一种图像识别装置，其特征在于，包括：

分割单元，用于对待识别图像进行分割处理，得到若干子图像；

扩充单元，用于依据预设比例对所述若干子图像进行扩充处理，以确保所述待识别图像中的目标对象完整的出现在某个子图像中；

检测单元，用于使用训练好的深度卷积神经网络对所述若干子图像和所述待识别图像进行检测；

合并单元，用于将所述若干子图像和所述待识别图像的检测结果进行合并处理，以确定所述待识别图像中所识别出的目标对象的相关信息，其中，所述相关信息包括至少以下任意之一：所述目标对象在所述待识别图像中的标识标志、所述目标对象的地理坐标。

7.根据权利要求6所述的图像识别装置，其特征在于，所述分割单元，包括：分割子单元，用于依据预设行和预设列对所述待识别图像进行分割处理，得到m*n个子图像。

8.根据权利要求6所述的图像识别装置，其特征在于，所述装置还包括：

确定单元，用于在使用训练好的深度卷积神经网络对所述若干子图像进行识别处理之前，至少确定深度卷积神经网络的层数、卷积核大小与个数；

获取单元，用于获取多种天气场景下有目标对象的第一图片和多种天气场景下无目标对象的第二图片，并对所述第一图片和所述第二图片进行标注处理，以区分所述图片有无目标对象；

训练单元，用于将获取到的图片随机划分为训练数据和验证数据，并通过所述训练数据和所述验证数据对所述深度卷积神经网络进行训练验证处理，得到训练好的深度卷积神经网络。

9.根据权利要求8所述的图像识别装置，其特征在于，所述训练单元，包括：

训练子单元，用于对所述训练数据进行分割预处理，并使用分割预处理后的训练数据对所述深度卷积神经网络进行训练，得到初始深度卷积神经网络模型和其对应参数；

验证子单元，用于使用验证数据对所述初始深度卷积神经网络模型和其对应参数进行验证处理，得到训练好的深度卷积神经网络。

10.根据权利要求9所述的图像识别装置，其特征在于，所述训练子单元，包括：

分割模块，用于依据图片分辨率将所述图片分割为多个子图，其中，所述多个子图中包括至少以下任意之一：含有目标对象的第一子图、不含有目标对象的第二子图；

计算模块，用于计算每个第一子图与其包含的目标对象之间的重叠度，其中，计算公式如下：重叠度＝第一子图框∩目标对象框/第一子图框∪目标对象框；

确定模块，用于在每个目标对象对应的至少一个第一子图中，确定重叠度最大的目标子图；

修改模块，用于对每个目标子图进行图框范围修改，以确保所述目标子图所包含的目标对象完整的显示于所述目标子图中；

涂抹模块，用于将所述目标子图和其他子图中的无效对象涂抹掉，并保留所述目标对象；

制作模块，用于并使用经过涂抹处理后的目标子图和其他子图重新制作为训练数据，并对所述训练数据进行参数化处理。

11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述图像识别方法。

12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述图像识别方法。

Images