CN112183559A - 图像识别模型训练方法、图像识别方法及装置 - Google Patents

Abstract

本申请适用于图像处理技术领域，提供了一种图像识别模型训练方法、图像识别方法及装置，上述图像识别模型训练方法包括获取训练图像；提取训练图像的卷积特征，并利用持续同调方法提取训练图像的拓扑特征；对拓扑特征进行矢量化，得到矢量化拓扑特征；将卷积特征和矢量化拓扑特征进行自适应融合，得到融合特征；基于融合特征构建图像识别模型。持续同调方法可以提取图像的连通性、孔洞等全局拓扑特征，增强图像识别模型对噪声的鲁棒性，并且对旋转具有良好的不变性。通过将卷积特征和矢量化拓扑特征进行自适应融合，得到的融合特征能全面的实现对图像的表达，提高图像识别的精度。

Description

图像识别模型训练方法、图像识别方法及装置

技术领域

本申请属于图像处理技术领域，尤其涉及一种图像识别模型训练方法、图像识别方法及装置。

背景技术

图像形状识别在公共安全、生物、工业、农业、交通、医疗等很多领域都有广泛的应用，能够帮助智能系统分类感兴趣区域的目标，提高工作效率、公共安全、产业效益。

全局特征和局部特征在图像形状分类中具有重要作用，这里的全局特征一般指拓扑特征。但是在认知心理学领域，关于人类视觉是先感知局部特征还是整体特征，一直是同一个热点问题，其中主要分为两派：一是局部优先，另一个是整体优先。前者主要以Marr的计算视觉理论为主，该理论认为视觉信息的获取首先来源于事物的局部特征，例如点、线、面及其组合等属性。成分识别理论认为通过把复杂对象的结构拆分为简单的部件形状，就可进行视觉识别。特征整合理论(Feature Integration)，认为视觉处理是一个以自下而上的加工为主要特征的、具有局部交互作用的过程。

目前的一些图像形状识别技术也更偏向于提取图像形状的局部信息，当前深度学习领域的卷积神经网络，先提取局部信息，随着层数的增加，提取更加抽象的高层信息。这种方法的鲁棒性差，不具有对抗攻击的能力。

发明内容

本申请实施例提供了一种图像识别模型训练方法、图像识别方法及装置，可以解决图像识别鲁棒性差的问题。

第一方面，本申请实施例提供了一种图像识别模型训练方法，包括：

获取训练图像；

提取所述训练图像的卷积特征，并利用持续同调方法提取所述训练图像的拓扑特征；

对所述拓扑特征进行矢量化，得到矢量化拓扑特征；

将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征；

基于所述融合特征构建图像识别模型。

在第一方面的一种可能的实现方式中，所述利用持续同调方法提取所述训练图像的拓扑特征，包括：

将所述训练图像进行灰度化处理，生成灰度化图像；

对所述灰度化图像进行过滤；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；

提取过滤后的所述灰度化图像的拓扑特征。

在第一方面的一种可能的实现方式中，所述提取过滤后的所述灰度化图像的拓扑特征，包括：

计算所述灰度化图像中每个像素点的像素值；

将像素值大于预设阈值的所述像素点加入到立方体复形中；其中，所述立方体复形为对所述灰度化图像进行过滤后得到；

计算所述立方体复形中所有所述像素点形成图像的拓扑特征；其中，所述拓扑特征包括以下至少一项：连通性和一维孔。

在第一方面的一种可能的实现方式中，所述将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征，包括：

在多个预设方向上对所述训练图像进行过滤，以及提取所述矢量化拓扑特征；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；

将所述卷积特征和各个所述预设方向上的所述矢量化拓扑特征进行融合，得到所述融合特征。

在第一方面的一种可能的实现方式中，所述基于所述融合特征构建图像识别模型，包括：

基于所述融合特征构建超香肠神经元，并利用所述超香肠神经元构建图像特征分布空间，形成所述图像识别模型。

在第一方面的一种可能的实现方式中，所述训练图像包括多种类别图像，所述超香肠神经元与所述类别图像为一一对应关系；

所述利用所述超香肠神经元构建图像特征分布空间，形成所述图像识别模型，包括：

获取每种所述类别图像在特征空间中的组成点集合；

利用每个超香肠神经元覆盖一个对应的所述组成点集合；

将所有所述超香肠神经元组合成所述图像识别模型。

第二方面，本申请实施例提供了一种图像识别方法，包括：

获取待识别图像；

提取所述待识别图像的目标卷积特征，并利用持续同调方法提取所述待识别图像的目标拓扑特征；

对所述目标拓扑特征进行矢量化，得到目标矢量化拓扑特征；

将所述目标卷积特征和所述目标矢量化拓扑特征进行自适应融合，得到目标融合特征；

基于目标图像识别模型对所述目标融合特征进行识别；其中所述目标图像识别模型通过上述第一方面种任一项所述的方法获得。

第三方面，本申请实施例提供了一种图像识别模型训练装置，包括：

训练图像获取模块，用于获取训练图像；

第一特征提取模块，用于提取所述训练图像的卷积特征，并利用持续同调方法提取所述训练图像的拓扑特征；

第一矢量化模块，用于对所述拓扑特征进行矢量化，得到矢量化拓扑特征；

第一融合模块，用于将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征；

图像识别模型确定模块，用于基于所述融合特征构建图像识别模型。

第四方面，本申请实施例提供了一种图像识别装置，包括：

待识别图像获取模块，用于获取待识别图像；

第二特征提取模块，用于提取所述待识别图像的目标卷积特征，并利用持续同调方法提取所述待识别图像的目标拓扑特征；

第二矢量化模块，用于对所述目标拓扑特征进行矢量化，得到目标矢量化拓扑特征；

第二融合模块，用于将所述目标卷积特征和所述目标矢量化拓扑特征进行自适应融合，得到目标融合特征；

识别模块，用于基于目标图像识别模型对所述目标融合特征进行识别；其中所述目标图像识别模型通过上述第一方面种任一项所述的训练方法获得。

第五方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法，和/或上述第二方面所述的方法。

第六方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法，和/或上述第二方面所述的方法。

第七方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。

可以理解的是，上述第二方面至第七方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例与现有技术相比存在的有益效果是：

首先提取训练图像的卷积特征，并利用持续同调方法提取训练图像的拓扑特征，然后对拓扑特征进行矢量化，得到矢量化拓扑特征，并将卷积特征和矢量化拓扑特征进行自适应融合，得到融合特征，最后基于融合特征构建图像识别模型。持续同调方法可以提取图像的连通性、孔洞等全局拓扑特征，增强图像识别模型对噪声的鲁棒性，并且对旋转具有良好的不变性。通过将卷积特征和矢量化拓扑特征进行自适应融合，得到的融合特征能全面的实现对图像的表达，提高图像识别的精度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的图像识别模型训练方法的流程示意图；

图2是本申请一实施例提供的残差网络结构示意图；

图3是本申请一实施例提供的立体复形的示意图；

图4是本申请一实施例提供的拓扑特征矢量化的示意图；

图5是本申请另一实施例提供的图像识别模型训练方法的流程示意图；

图6是本申请一实施例提供的持久性图；

图7是本申请另一实施例提供的图像识别模型训练方法的流程示意图；

图8是本申请一实施例提供的超香肠神经元的示意图；

图9是本申请另一实施例提供的图像识别模型训练方法的流程示意图；

图10是本申请一实施例提供的图像识别模型的示意图；

图11是本申请一实施例提供的图像识别方法的流程示意图；

图12是本申请实施例提供的图像识别模型训练装置的结构示意图；

图13是本申请实施例提供的图像识别装置的结构示意图；

图14是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

区别于现有技术图像识别模型鲁棒性差的问题，本申请提供了一种图像识别模型训练方法，能够增强图像识别模型的鲁棒性，能全面的实现对图像的表达，提高图像识别的精度。

请参照图1，图1示出了本申请实施例提供的图像识别模型训练方法的流程示意图，图像识别模型训练方法可以包括：

S101，获取训练图像。

具体地，可以通过图像采集装置采集获得训练图像，也可以直接在网络上查找下载，获得训练图像。获得训练图像的数量可以根据实际需求进行设计。

S102，提取训练图像的卷积特征，并利用持续同调方法提取训练图像的拓扑特征。

示例性的，可以利用ResNet模型对训练图像的卷积特征进行提取。ResNet模型在数据集上的分类、检测等方面具有良好的性能，可以解决网络退化和梯度消失的问题。ResNet模型中使用残差网络结构(参见图2)降低了更新冗余层的参数时的学习难度，而残差网络结构中的shortcut连接的结构也保证了反向传播更新参数时，不会出现梯度消失的现象。

在其他实施例中，也可以使用DenseNet模型进行卷积特征的提取。

持续同调方法包括：将不同拓扑空间分开，并从中获取拓扑空间的不变量，一般用来处理点云数据。但当数据是2D图像时，除了将图像转换成点云数据，也可以直接对图像进行处理，提取图像的拓扑特征的复形是立体复形。其中，一维立体复形是一个点，二维立体复形是单位线段，三维复形是单位正方形，四维复形是立方体(如图3所示)。

利用持续同调方法可以提取训练图像的连通性、孔洞等全局拓扑特征，持续同调方法对噪声具有较强的鲁棒性，并且对旋转有良好的不变性。

S103，对拓扑特征进行矢量化，得到矢量化拓扑特征。

具体地，由于步骤S102中获得的拓扑特征会记录到持久性图中，而且持久性图是以点集坐标在二维平面上表示的，直接使用持久性图是困难的，此时需要将持久性图矢量化，从而将持久性图映射到其他机器学习方法中。

示例性的，将前m个长的特征点的长度(每个点的纵坐标与横坐标之差)形成R^m空间的向量(参见图4)，然后与神经网络连接，对图像特征进行后续操作。

S104，将卷积特征和矢量化拓扑特征进行自适应融合，得到融合特征。

具体地，为了解决神经网络提取拓扑特征能力弱的问题，增强特征的互补性，通过自适应系数对矢量拓扑特征与卷积特征赋予不同的注意力，使矢量拓扑特征与卷积特征进行自适应特征融合，得到融合特征。融合特征能够更加全面的实现对图像的表达，进而提高图像识别的精度。

S105，基于融合特征构建图像识别模型。

具体地，步骤S104得到的所有的融合特征组成了图像识别模型。后续进行图像识别时，通过调用图像识别模型中的融合特征可以实现对图像的识别。

示例性的，如图5所示，步骤S102具体可以包括：

S1021，将训练图像进行灰度化处理，生成灰度化图像。

具体地，在RGB(Red Green Blue，红绿蓝)模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值称为灰度值。灰度图像的每个像素只需一个字节存放灰度值，灰度范围为0-255。

S1022，对灰度化图像进行过滤。

其中，过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤。

S1023，提取过滤后的灰度化图像的拓扑特征。

示例性的，步骤S1023具体可以包括：

A1，计算灰度化图像中每个像素点的像素值。

示例性的，将灰度化图像表示为2D数组X，灰度化图像中像素点的像素值为X_ij，其中i和j分别为像素点的行坐标和列坐标。定义像素点之间的基本间隔为实线L＝|z,z+1|，其中z∈R，R为正实数集合。像素点(体素)可以表示为基本间隔的乘积，即P＝L₁×L₂×…×L_k，其中k为空间的维度。灰度化图像中第i行第j列的像素区域为：P_ij＝|i,i+1|×|j,j+1|。

B1，将像素值大于预设阈值的像素点加入到立方体复形中。

示例性的，利用高度过滤对灰度化图像进行过滤，得到立方体复形。首先选择方向v∈R²，并在值为1的所有体素上定义新的像素值来定义二维灰度化图像X的高度过滤：H：X→R，如果p∈X，使得B(p)＝1，则将赋值一个新值H(p)∶＝<p,v>，其中，p到超平面的距离由v定义。如果B(p)＝0，则H(p)∶＝H_∞，其中，H_∞为距超平面最远的像素的过滤值。

其中，v为二维方向向量，p为图像像素坐标，B为判断像素坐标处的灰度值是否为1的函数，H为灰度值变换函数。

首先过滤像素值X_ij高于预设阈值α的像素集，若像素值X_ij高于预设阈值α，则将该像素点加入到立方体复形中，最终立方体复形表示为Q(α)＝∪_i,jp_i,j，X_ij≥α。然后计算立方体复形中像素点形成的图像的连通性和一维孔等拓扑特征，随着预设阈值α不断减小，通过过滤不断增加的序列集为：

当预设阈值α变大时，立方体复形中的像素点减少，当预设阈值α减小时，立方体复形中的像素点增多，当预设阈值α＝0时，整个灰度化图像均发生在立方体复形中。在此过程中，会产生拓扑特征的改变，比如一些连接组件或者孔洞的产生与消失，这些变化的时刻就是这些拓扑特征的变化过程，都会被记录到持久性图(参见图6)。

C1，计算立方体复形中所有像素点形成图像的拓扑特征。

具体地，通过步骤A1至步骤C1实现灰度化图像的拓扑特征提取。

示例性的，如图7所示，步骤S104具体可以包括：

S1041，在多个预设方向上对训练图像进行过滤，以及提取矢量化拓扑特征。

具体地，过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤。

S1042，将卷积特征和各个预设方向上的矢量化拓扑特征进行融合，得到融合特征。

示例性的，为了突出卷积特征和矢量化拓扑特征的重要程度，通过自适应系数将卷积特征和矢量化拓扑特征进行融合。首先从16个方向对灰度化图像进行高度过滤，并将16个方向提取的拓扑特征进行拼接。例如，对c类样本，令p_c为矢量化的拓扑特征，w_c为卷积特征，λ_c为自适应混合系数，则融合特征p′_c＝λ_cp_c+(1-λ_c)w_c。当灰度化图像形状更明显不同时，权重λ_c变大，网络更加关注拓扑特征；当灰度化图像形状差异不明显时，权重λ_c变小，网络更加关注图像的局部特征，因此这种方式能够自适应并且有选择地结合两种模式信息进行表征图像形状。

仿生模式识别理论认为同类而不完全相等的事物之间，至少存在一个渐变的过程，这个渐变过程中间的各个事物都是属于同一类的。这种同源样本之间的连续性规律，称之为同源连续性规律。如果把样本特征视为高维空间中的点，那么这类事物的全体就是在特征空间中形成的无穷点的集合，对这类事物的认识，就是实现对这类样本特征分布空间的最佳覆盖。这是与传统的模式识别中把不同类样本在特征空间中的最佳划分作为目标是不同的

同源连续性原理数学描述为：在特征空间Rⁿ中，假设所有属于某类的样本点组成点集合A，设x和y为同类样本集合A中的任意两个元素，则对于任意的ε>0，必存在集合B，使：

其中，ρ(x_m,x_m+1)为x_m与x_m+1间的距离，B为覆盖样本集合A的集合空间，x₁,x₂,…x_n为集合B中的样本元素，ε为任意大于0的常数。

基于融合特征构建超香肠神经元，如图8所示，超香肠神经元为：

其中：

其中，x₁和x₂为某类样本中的任意两个融合特征，

为融合特征x₁和x₂构成的空间向量，d为距离函数，r为人为设定的常数，S为超香肠神经元的覆盖范围的表达式。

示例性的，上述训练图像包括多种类别图像，上述超香肠神经元与上述类别图像为一一对应关系。如图9所示，步骤S105具体可以包括：

S1051，获取每种类别图像在特征空间中的组成点集合。

具体地，每种类别图像在特征空间中的组成点包括多个，将所有的组成点组成集合。

S1052，利用每个超香肠神经元覆盖一个对应的组成点集合。

示例性的，某类事物的所有样本集合为A，对A类事物“认识”的判断覆盖集合用P_a取代集合A，则P_a＝{x|p(x,y)≤k,y∈A,x∈Rⁿ}，其中k为选定的距离常数。用超香肠神经元近似覆盖P_a，采用若干的空间直线段来近似空间集合A，每个超香肠神经元覆盖的是一个直线段与n维超球的拓扑乘积。第i个基本神经元覆盖范围P_i为：

P_i＝{x|p(x,y)≤k,y∈B_i,x∈Rⁿ}

其中，P_i为第i个超香肠神经元覆盖范围，p为距离函数，k为常数，B_i＝{x|aA_i+(1-a)A_i+1,a∈[0,1]}，A为从集合A中选出部分样本组成的新集合。

S1053，将所有超香肠神经元组合成图像识别模型。

示例性的，所有超香肠神经元组合成图像识别模型(参见图10)，图像识别模型覆盖范围为：P′_a＝∪P_i。

通过超香肠神经元构建图像特征的覆盖空间，当新的类别图像加入时，模型不会重新训练，具有一定的持续学习能力。

如图11所示，本申请一实施例提供的图像识别方法的流程示意图，图像识别方法具体可以包括：

S1101，获取待识别图像。

具体地，可以通过图像采集装置采集获得待识别图像。

S1102，提取待识别图像的目标卷积特征，并利用持续同调方法提取待识别图像的目标拓扑特征。

具体地，可以利用ResNet或DenseNet模型对待识别图像的卷积特征进行提取，利用持续同调方法提取待识别图像的目标拓扑特征。

S1103，对目标拓扑特征进行矢量化，得到目标矢量化拓扑特征。

具体地，此处对目标拓扑特征进行矢量化的方法与步骤S103相同，此处不再赘述。

S1104，将目标卷积特征和目标矢量化拓扑特征进行自适应融合，得到目标融合特征。

具体地，此处自适应融合与步骤S104相同，此处不再赘述。

S1105，基于目标图像识别模型对目标融合特征进行识别。

具体地，目标图像识别模型为上述图像识别模型训练方法获得。

本申请实施例提供的图像识别方法的优点包括：

(1)为拓扑性质知觉理论提供了数学理论描述和可计算的模型，该模型利用持续同调方法提取全局拓扑特征，不仅关注图像形状的连通性，也关注了图像的孔洞、腔等高维拓扑特征。

(2)将拓扑特征和卷积特征自适应融合，提高了模型对图像感兴趣区域的认识，提高了图像识别的准确率。

(3)通过超香肠神经元构建图像特征的覆盖空间，当新的类别加入时，模型不需要重新训练，具有一定的持续学习能力。

(4)该模型对噪声具有很强的鲁棒性和对抗攻击能力。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图12示出了本申请实施例提供的图像识别模型训练装置的结构示意图，图像识别模型训练装置可以包括训练图像获取模块121、第一特征提取模块122、第一矢量化模块123、第一融合模块124和图像识别模型确定模块125；

训练图像获取模块121，用于获取训练图像；

第一特征提取模块122，用于提取所述训练图像的卷积特征，并利用持续同调方法提取所述训练图像的拓扑特征；

第一矢量化模块123，用于对所述拓扑特征进行矢量化，得到矢量化拓扑特征；

第一融合模块124，用于将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征；

图像识别模型确定模块125，用于基于所述融合特征构建图像识别模型。

本申请的一个实施例中，第一特征提取模块122可以包括灰度化处理单元、过滤单元和拓扑特征提取单元；

灰度化处理单元，用于将所述训练图像进行灰度化处理，生成灰度化图像；

过滤单元，用于对所述灰度化图像进行过滤；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；

拓扑特征提取单元，用于提取过滤后的所述灰度化图像的拓扑特征。

本申请的一个实施例中，拓扑特征提取单元可以包括计算单元、筛选单元和拓扑特征确定单元；

计算单元，用于计算所述灰度化图像中每个像素点的像素值；

筛选单元，用于将像素值大于预设阈值的所述像素点加入到立方体复形中；其中，所述立方体复形为对所述灰度化图像进行过滤后得到；

拓扑特征确定单元，用于计算所述立方体复形中所有所述像素点形成图像的拓扑特征；其中，所述拓扑特征包括以下至少一项：连通性和一维孔。

本申请的一个实施例中，第一融合模块124可以包括多方向提取单元和融合单元；

多方向提取单元，用于在多个预设方向上对所述训练图像进行过滤，以及提取所述矢量化拓扑特征；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；

融合单元，用于将所述卷积特征和各个所述预设方向上的所述矢量化拓扑特征进行融合，得到所述融合特征。

本申请的一个实施例中，所述训练图像包括多种类别图像，所述超香肠神经元与所述类别图像为一一对应关系，图像识别模型确定模块125可以包括组成点集合获取单元、覆盖单元和图像识别模型形成单元；

组成点集合获取单元，用于获取每种所述类别图像在特征空间中的组成点集合；

覆盖单元，用于利用每个超香肠神经元覆盖一个对应的所述组成点集合；

图像识别模型形成单元，用于将所有所述超香肠神经元组合成所述图像识别模型。

图13示出了本申请实施例提供的图像识别装置的结构示意图，图像识别装置可以包括待识别图像获取模块131、第二特征提取模块132、第二矢量化模块133、第二融合模块134和识别模块135；

待识别图像获取模块131，用于获取待识别图像；

第二特征提取模块132，用于提取所述待识别图像的目标卷积特征，并利用持续同调方法提取所述待识别图像的目标拓扑特征；

第二矢量化模块133，用于对所述目标拓扑特征进行矢量化，得到目标矢量化拓扑特征；

第二融合模块134，用于将所述目标卷积特征和所述目标矢量化拓扑特征进行自适应融合，得到目标融合特征；

识别模块135，用于基于目标图像识别模型对所述目标融合特征进行识别；其中所述目标图像识别模型通过上述图像识别模型训练方法获取。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

另外，图12所示的图像识别模型训练装置和图13所示的图像识别装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图14为本申请实施例提供的终端设备的结构示意图。如图14所示，该实施例的终端设备14可以包括：至少一个处理器141(图14中仅示出一个处理器141)、存储器142以及存储在所述存储器142中并可在所述至少一个处理器141上运行的计算机程序143，所述处理器141执行所述计算机程序143时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤S101至步骤S105，或如图11所示实施例中的步骤S1101至步骤S1105。处理器141执行所述计算机程序143时实现上述各装置实施例中各模块/单元的功能，例如图12所示模块121至125的功能，或图13所示模块131至135的功能。

示例性的，所述计算机程序143可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器142中，并由所述处理器141执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序143指令段，该指令段用于描述所述计算机程序143在所述终端设备14中的执行过程。

所述终端设备14可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备14可包括，但不仅限于，处理器141、存储器142。本领域技术人员可以理解，图14仅仅是终端设备14的举例，并不构成对终端设备14的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器141可以是中央处理单元(Central Processing Unit，CPU)，该处理器141还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器142在一些实施例中可以是所述终端设备14的内部存储单元，例如终端设备14的硬盘或内存。所述存储器142在另一些实施例中也可以是所述终端设备14的外部存储设备，例如所述终端设备14上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器142还可以既包括所述终端设备14的内部存储单元也包括外部存储设备。所述存储器142用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序143的程序代码等。所述存储器142还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序143，所述计算机程序143被处理器141执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序143来指令相关的硬件来完成，所述的计算机程序143可存储于一计算机可读存储介质中，该计算机程序143在被处理器141执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序143包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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网络单元上。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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图像识别模型训练方法，其特征在于，包括：

获取训练图像；

提取所述训练图像的卷积特征，并利用持续同调方法提取所述训练图像的拓扑特征；

对所述拓扑特征进行矢量化，得到矢量化拓扑特征；

将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征；

基于所述融合特征构建图像识别模型。

2.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述利用持续同调方法提取所述训练图像的拓扑特征，包括：

将所述训练图像进行灰度化处理，生成灰度化图像；

对所述灰度化图像进行过滤；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；

提取过滤后的所述灰度化图像的拓扑特征。

3.根据权利要求2所述的图像识别模型训练方法，其特征在于，所述提取过滤后的所述灰度化图像的拓扑特征，包括：

计算所述灰度化图像中每个像素点的像素值；

将像素值大于预设阈值的所述像素点加入到立方体复形中；其中，所述立方体复形为对所述灰度化图像进行过滤后得到；

计算所述立方体复形中所有所述像素点形成图像的拓扑特征；其中，所述拓扑特征包括以下至少一项：连通性和一维孔。

4.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征，包括：

在多个预设方向上对所述训练图像进行过滤，以及提取所述矢量化拓扑特征；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；

将所述卷积特征和各个所述预设方向上的所述矢量化拓扑特征进行融合，得到所述融合特征。

5.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述基于所述融合特征构建图像识别模型，包括：

基于所述融合特征构建超香肠神经元，并利用所述超香肠神经元构建图像特征分布空间，形成所述图像识别模型。

6.根据权利要求5所述的图像识别模型训练方法，其特征在于，所述训练图像包括多种类别图像，所述超香肠神经元与所述类别图像为一一对应关系；

所述利用所述超香肠神经元构建图像特征分布空间，形成所述图像识别模型，包括：

获取每种所述类别图像在特征空间中的组成点集合；

利用每个超香肠神经元覆盖一个对应的所述组成点集合；

将所有所述超香肠神经元组合成所述图像识别模型。

7.一种图像识别方法，其特征在于，包括：

获取待识别图像；

提取所述待识别图像的目标卷积特征，并利用持续同调方法提取所述待识别图像的目标拓扑特征；

对所述目标拓扑特征进行矢量化，得到目标矢量化拓扑特征；

将所述目标卷积特征和所述目标矢量化拓扑特征进行自适应融合，得到目标融合特征；

基于目标图像识别模型对所述目标融合特征进行识别；其中所述目标图像识别模型通过权利要求1至6任一项所述的方法获得。

8.一种图像识别模型训练装置，其特征在于，包括：

训练图像获取模块，用于获取训练图像；

第一特征提取模块，用于提取所述训练图像的卷积特征，并利用持续同调方法提取所述训练图像的拓扑特征；

第一矢量化模块，用于对所述拓扑特征进行矢量化，得到矢量化拓扑特征；

第一融合模块，用于将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征；

图像识别模型确定模块，用于基于所述融合特征构建图像识别模型。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法，和/或如权利要求7所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法，和/或如权利要求7所述的方法。

Images