CN112906819B - 图像识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种图像识别方法、装置、设备及存储介质。本发明通过获取待识别图像的图像信息，然后根据预设场景识别模型确定待识别图像对应的初始场景类型，再通过图像信息对初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型，最后将待识别图像输入至目标图像识别模型进行图像识别。本发明通过图像信息对初始场景类型进行准确性判断，能够进一步判断初始场景类型是否确定准确，然后根据判断结果选取目标图像识别模型并进行图像识别，相较于现有的通过采用统一的模型来进行图像识别的方式，本发明上述方式能够更加准确有效的对不同场景下的图像进行识别。

Description

图像识别方法、装置、设备及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像识别方法、装置、设备及存储介质。

背景技术

随着计算机科学在人机交互领域的快速发展，图像识别技术的应用受到了普遍重视，图像识别技术，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。在现有技术中，通常采用统一的模型来提取不同情况下的图像特征，然后将所提取的图像特征与待对比的特征进行比对，来实现对图像的识别，但是这种方法对于不同场景下的图像特征提取不够准确，因此，如何对不同场景下的图像进行准确识别，成为一个亟待解决的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种图像识别方法、装置、设备及存储介质，旨在解决现有技术无法对不同场景下的图像进行准确识别的技术问题。

为实现上述目的，本发明提供了一种图像识别方法，所述图像识别方法包括：

获取待识别图像的图像信息；

根据预设场景识别模型确定所述待识别图像对应的初始场景类型；

通过所述图像信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型；

将所述待识别图像输入至所述目标图像识别模型进行图像识别。

优选地，所述根据预设场景识别模型确定所述待识别图像对应的初始场景类型的步骤，具体包括：

从所述待识别图像中提取关键图像，并获取所述关键图像中各像素点的像素信息；

将所述像素信息进行拟合，以获得拟合曲线；

对所述拟合曲线进行平滑处理，以获得目标像素信息；

根据所述目标像素信息确定待处理图像；

将所述待处理图像输入至预设场景识别模型，以获得所述待识别图像对应的初始场景类型。

优选地，所述从所述待识别图像中提取关键图像的步骤，具体包括：

获取所述待识别图像中各个像素点的灰度值；

获取所述灰度值大于预设阈值的关键像素点；

根据所述关键像素点从所述待识别图像中提取关键图像。

优选地，所述根据所述目标像素信息确定待处理图像的步骤，具体包括：

从所述目标像素信息中提取像素点坐标和像素点灰度值；

根据所述像素点坐标确定所述待识别图像中的目标像素点；

将所述目标像素点的灰度值调整为所述像素点灰度值，以获得待处理图像。

优选地，所述将所述像素信息进行拟合，以获得拟合曲线的步骤，具体包括：

对所述像素信息进行去噪处理，以获得目标像素信息；

将所述目标像素信息进行分段拟合，以获得分段拟合曲线；

对所述分段拟合曲线进行拟合，以获得拟合曲线。

优选地，所述通过所述图像信息对所述初始场景类型进行准确性判断的步骤，具体包括：

从所述图像信息中提取图像环境信息和图像人物信息；

根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断。

优选地，所述根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断的步骤，具体包括：

从所述图像环境信息中选取季节信息、天气信息以及光照信息，并根据所述季节信息、所述天气信息以及所述光照信息确定第一场景类型；

从所述图像人物信息中选取服饰信息、色彩信息以及形体信息，并根据所述服饰信息、所述色彩信息以及所述形体信息确定第二场景类型；

将所述第一场景类型与所述第二场景类型进行融合，以获得第三场景类型；

根据所述第三场景类型对所述初始场景类型进行准确性判断。

此外，为实现上述目的，本发明还提出一种图像识别装置，所述图像识别装置包括：

图像获取模块，用于获取待识别图像的图像信息；

场景确定模块，用于根据预设场景识别模型确定所述待识别图像对应的初始场景类型；

模型选取模块，用于通过所述图像信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型；

图像识别模块，用于将所述待识别图像输入至所述目标图像识别模型进行图像识别。

此外，为实现上述目的，本发明还提出一种图像识别设备，所述图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像识别程序，所述图像识别程序配置为实现如上文所述的图像识别方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有图像识别程序，所述图像识别程序被处理器执行时实现如上文所述的图像识别方法的步骤。

本发明通过获取待识别图像的图像信息，然后根据预设场景识别模型确定待识别图像对应的初始场景类型，再通过图像信息对初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型，最后将待识别图像输入至目标图像识别模型进行图像识别。本发明通过图像信息对初始场景类型进行准确性判断，能够进一步确定初始场景类型是否精确，然后根据判断结果选取目标图像识别模型并进行图像识别，相较于现有的通过采用统一的模型来进行不同情况下的图像识别的方式，本发明上述方式能够更加准确有效的对不同场景下的图像进行识别。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的图像识别设备的结构示意图；

图2为本发明图像识别方法第一实施例的流程示意图；

图3为本发明图像识别方法第二实施例的流程示意图；

图4为本发明图像识别方法第三实施例的流程示意图；

图5为本发明图像识别装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的图像识别设备结构示意图。

如图1所示，该图像识别设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对图像识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及图像识别程序。

在图1所示的图像识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明图像识别设备中的处理器1001、存储器1005可以设置在图像识别设备中，所述图像识别设备通过处理器1001调用存储器1005中存储的图像识别程序，并执行本发明实施例提供的图像识别方法。

本发明实施例提供了一种图像识别方法，参照图2，图2为本发明图像识别方法第一实施例的流程示意图。

本实施例中，所述图像识别方法包括以下步骤：

步骤S10：获取待识别图像的图像信息；

需要说明的是，本实施例方法的执行主体可以是具有图像识别功能的图像处理设备，例如：智能手机、个人电脑或者平板电脑，本实施例对此不做具体限制。

应理解的是，所述待识别图像可以通过上述图像处理设备从网络或者本地存储介质来获取，也可以通过其他方式获取，本实施例对此不做具体限制。所述图像信息是指待识别图像对应的具体信息，在本实施例中可以标识在待识别图像上，以便后续更方便地操作，图像信息可以包括图像背景信息，例如：白天、黑夜、人流量；待识别图像对应的天气信息，例如：雪天、晴天、雨天；温度信息，例如：高温、低温，也可以包括其他方面的信息，本实施例对此不做具体限制。

步骤S20：根据预设场景识别模型确定所述待识别图像对应的初始场景类型；

需要说明的是，所述预设场景识别模型是指可以对图像的场景类型进行识别的模型，可以事先建立在上述图像处理设备中，也可以通过上述图像处理设备实时在场景识别模型库中获取，本实施例对此不做具体限制。

可理解的是，所述初始场景类型是指所述待识别图像所处的场景对应的类型，例如：旅游风景、美食、家居装修、聚会，还可以是其他场景类型，本实施例对此不做具体限制。

步骤S30：通过所述图像信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型；

应理解的是，准确性判断是指对所述初始场景类型进行判断，判断初始场景类型是否准确的操作，如果判断结果准确，则初始场景类型即为待识别图像对应的最终场景类型，如果判断结果不准确，则需要再次识别初始场景类型，直到判断结果准确。

在具体实现中，本实施例可以从图像识别模型库里面选取目标图像识别模型，不同的场景类型对应着不同的图像识别模型，例如：判断场景类型为旅游风景，则选取能更好地对旅游风景这种场景类型进行图像识别的模型；判断场景类型为美食，则选取能更好地对美食这种场景类型进行图像识别的模型，对于其他场景类型也可以通过这种方式选取目标图像识别模型。

步骤S40：将所述待识别图像输入至所述目标图像识别模型进行图像识别。

需要说明的是，所述目标图像识别模型是指可以对图像进行识别的模型，图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。

在具体实现中，所述目标图像识别模型可以对待识别图像进行识别，然后对待识别图像进行处理、分析和理解，最终准确识别目标。

本实施例通过获取待识别图像的图像信息，然后根据预设场景识别模型确定待识别图像对应的初始场景类型，再通过图像信息对初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型，最后将待识别图像输入至目标图像识别模型进行图像识别。本实施例通过图像信息对初始场景类型进行准确性判断，能够进一步判断初始场景类型是否确定准确，然后根据判断结果选取目标图像识别模型并进行图像识别，相较于现有的通过采用统一的模型来进行图像识别的方式，本实施例上述方式能够更加准确有效的对不同场景下的图像进行识别。

参考图3，图3为本发明图像识别方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S20包括：

步骤S201：从所述待识别图像中提取关键图像，并获取所述关键图像中各像素点的像素信息；

需要说明的是，所述关键图像是指含有关键信息的图像，例如：美食图像，关键信息是美食，需要提取含有美食的那一部分图像，去除背景图像，以便处理速度更快，更精确。

在具体实现中，所述像素信息可包括：像素点的灰度值、像素点的颜色，还可以包括其他信息，本实施例对此不做具体限制。

进一步地，为了更加精确地提取关键图像，本实施例中，上述步骤S201，可具体包括：

步骤S2011：获取所述待识别图像中各个像素点的灰度值；

需要说明的是，所述灰度值是指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0。

在具体实现中，所述待识别图像为彩色图像，彩色图象的灰度是指转化为黑白图像后的像素值(是一种广义的提法)，转化的方法看应用的领域而定，任何颜色都由红、绿、蓝三基色组成，一般按加权的方法转换，R，G，B的比一般为3:6:1。例如：某个像素点的颜色为RGB(100，100,100)，则该像素点的灰度值为100*0.3+100*0.6+100*0.1＝100。

步骤S2012：获取所述灰度值大于预设阈值的关键像素点；

可理解的是，当某个像素点的灰度值大于预设阈值时，需要对该像素点进行标记，以便进行后续操作。

在具体实现中，可以通过自适应阈值法确定预设阈值，一种较为简单的自适应阈值选取方法是对每个像素确定以其自身为中心的一个领域窗口，寻找窗口内像素的最大值与最小值，并取二者的平均值作为阈值，或者将窗口内所有像素的平均值作为阈值，亦或者将窗口内的所有像素的高斯卷积作为阈值。

步骤S2013：根据所述关键像素点从所述待识别图像中提取关键图像。

应理解的是，关键像素点是在步骤S2012中进行标记的像素点，根据所有标记的像素点可以确定关键区域，然后根据关键区域从所述待识别图像中提取关键图像。

本实施例通过提取关键图像，去掉非必需的一部分图像，能够使处理图像的效率更高。

步骤S202：将所述像素信息进行拟合，以获得拟合曲线；

需要说明的是，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。因此，为了更精确地进行拟合，本实施例中，上述步骤S202，可具体包括：

步骤S2021：对所述像素信息进行去噪处理，以获得目标像素信息；

应理解的是，像素信息中可能会出现大量噪声，这个时候就需要去噪算法对原始数据进行去噪处理。例如：标准差去噪，分箱去噪，dbscan去噪，孤立森林等，具体算法的选用本实施例不作具体限制。

在具体实现中，本实施例中的目标像素信息可包括：对像素点的灰度值进行去噪处理后的目标像素点的灰度值、对像素点的颜色进行去噪处理后的目标像素点的颜色，也可以包括其他信息，本实施例对此不做具体限制。

步骤S2022：将所述目标像素信息进行分段拟合，以获得分段拟合曲线；

应理解的是，目标像素信息中包含了大量数据，本实施例对大量数据先进行分段，再进行拟合，能够使拟合的速度更快且更精确。

在具体实现中，进行分段处理时，每段里面可以包含20个像素点，也可以包含30个像素点，本实施例对此不做具体限制。

步骤S2023：对所述分段拟合曲线进行拟合，以获得拟合曲线。

可理解的是，经过上述步骤S2022处理后，得到了若干条分段拟合曲线，在实际应用中，需要获得一条完整的拟合曲线，因此需要对分段拟合曲线再次进行拟合，以获得拟合曲线。

本实施例通过对像素信息进行去噪处理，获得目标像素信息，然后将目标像素信息进行分段拟合，获得分段拟合曲线，再对所述分段拟合曲线进行拟合，获得拟合曲线，通过上述方式先对大量数据进行分段，再进行拟合，能够使最终获得的拟合曲线更加准确，从而使场景类型判断更加精确，保证了后续图像识别的可靠性。

步骤S203：对所述拟合曲线进行平滑处理，以获得目标像素信息；

需要说明的是，所述目标像素信息可以包括：目标像素点坐标、目标像素点灰值以及目标像素点颜色，还可以包括其他信息，本实施例对此不做具体限制。

可理解的是，由于拟合曲线可能会出现锯齿状曲线，所以需要对拟合曲线进行平滑处理，使拟合曲线更加平滑，进一步使曲线上的目标像素信息更加准确。

步骤S204：根据所述目标像素信息确定待处理图像；

进一步地，为了确定待处理图像，上述步骤S204，可具体包括：

步骤S2041：从所述目标像素信息中提取像素点坐标和像素点灰度值；

可理解的是，所述目标像素信息包括像素点坐标和像素点灰度值，所以可以从目标像素信息中提取像素点坐标和像素点灰度值。

步骤S2042：根据所述像素点坐标确定所述待识别图像中的目标像素点；

步骤S2043：将所述目标像素点的灰度值调整为所述像素点灰度值，以获得待处理图像。

在具体实现中，由于像素点灰度值经过平滑处理后，会更加精确，因此将目标像素点的灰度值调整为像素点灰度值，可以获得优化后的待处理图像。

上述确定待处理图像的方式能够使图像中每个像素点的灰度值更加精确，待处理图像也会更加清晰，精准，从而提高了图像识别的可靠性。

步骤S205：将所述待处理图像输入至预设场景识别模型，以获得所述待识别图像对应的初始场景类型。

在具体实现中，通过预设场景识别模型对待处理图像的场景类型进行识别，以获得初始场景类型。

本实施例通过从待识别图像中提取关键图像，并获取关键图像中各像素点的像素信息，然后将像素信息进行拟合，获得拟合曲线，再对拟合曲线进行平滑处理，获得目标像素信息，再根据目标像素信息确定待处理图像，将待处理图像输入至预设场景识别模型，最终获得待识别图像对应的初始场景类型，能够对待识别图像进行图像优化，从而使待处理图像更加清晰，质量更高，保证了待识别图像的准确度，提高了场景识别的可靠性，进一步使图像识别更加精准。

参考图4，图4为本发明图像识别方法第三实施例的流程示意图。

基于上述第一实施例，本实施例中所述通过所述图像信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型的步骤，具体包括：

步骤S301：从所述图像信息中提取图像环境信息和图像人物信息；

需要说明的是，所述图像信息中包括图像环境信息和图像人物信息，图像环境信息是指图像中与环境有关的信息，例如：天气、温度、光线、地点，还可以包括其他信息，本实施例对此不做具体限制；图像人物信息是指图像中与人物有关的信息，例如：动作、姿态、外表、服饰，还可以包括其他信息，本实施例对此不做具体限制。

步骤S302：根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型。

所述根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断的步骤，可具体包括：

步骤S3021：从所述图像环境信息中选取季节信息、天气信息以及光照信息，并根据所述季节信息、所述天气信息以及所述光照信息确定第一场景类型；

在具体实现中，可以根据图像环境信息确定第一场景类型，例如：图像环境信息中的季节信息为冬季，天气信息为雪天，光照信息为白天，关照强烈，可以确定第一场景类型为户外。

步骤S3022：从所述图像人物信息中选取服饰信息、色彩信息以及形体信息，并根据所述服饰信息、所述色彩信息以及所述形体信息确定第二场景类型；

在具体实现中，可以根据图像人物信息确定第一场景类型，例如：图像人物信息中的服饰信息为手套、帽子、冲锋衣，色彩信息为彩色，形体信息为人、运动，可以确定第二场景类型为滑雪。

步骤S3023：将所述第一场景类型与所述第二场景类型进行融合，以获得第三场景类型；

应理解的是，对于拍摄的图片，通常会包括环境和人物信息，因此本实施例对环境和人物信息进行融合，可以获得较准确的场景类型。例如：确定了第一场景类型为户外，第二场景类型为滑雪，则第三场景类型为户外滑雪。

步骤S3024：根据所述第三场景类型对所述初始场景类型进行准确性判断。

应理解的是，所述进行准确性判断是指判断第三场景类型与初始场景类型是否相同，如果相同，则判断结果为准确，如果不相同，则判断结果为不准确。

在具体实现中，如果判断结果为不准确，需要返回确定初始场景类型的步骤，直至判断结果为准确。

通过从图像环境信息中选取季节信息、天气信息以及光照信息，并确定第一场景类型，然后从图像人物信息中选取服饰信息、色彩信息以及形体信息，并确定第二场景类型，再将第一场景类型和第二场景类型进行融合，获得第三场景类型，以进行有效性判断。通过上述方式将第一场景类型与第二场景类型进行融合，能够获得较准确的场景类型。

本实施例通过从图像信息中提取图像环境信息和图像人物信息，然后根据图像环境信息和图像人物信息对初始场景类型进行准确性判断，而不仅仅只是通过环境信息确定场景类型，能够使判断结果更加准确，从而使场景类型更加准确，进一步使图像识别更加可靠。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有图像识别程序，所述图像识别程序被处理器执行时实现如上文所述的图像识别方法的步骤。

参照图5，图5为本发明图像识别装置第一实施例的结构框图。

如图5所示，本发明实施例提出的图像识别装置包括：

图像获取模块501，用于获取待识别图像的图像信息；

场景确定模块502，用于根据预设场景识别模型确定所述待识别图像对应的初始场景类型；

模型选取模块503，用于通过所述图像信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型；

图像识别模块504，用于将所述待识别图像输入至所述目标图像识别模型进行图像识别。

本实施例通过获取待识别图像的图像信息，然后根据预设场景识别模型确定待识别图像对应的初始场景类型，再通过图像信息对初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型，最后将待识别图像输入至目标图像识别模型进行图像识别。本实施例通过图像信息对初始场景类型进行准确性判断，能够进一步判断初始场景类型是否确定准确，然后根据判断结果选取目标图像识别模型并进行图像识别，相较于现有的通过采用统一的模型来进行图像识别的方式，本实施例上述方式能够更加准确有效的对不同场景下的图像进行识别。

基于本发明上述图像识别装置第一实施例，提出本发明图像识别装置的其他实施例。

在一实施例中，所述场景确定模块502，还用于从所述待识别图像中提取关键图像，并获取所述关键图像中各像素点的像素信息；将所述像素信息进行拟合，以获得拟合曲线；对所述拟合曲线进行平滑处理，以获得目标像素信息；根据所述目标像素信息确定待处理图像；将所述待处理图像输入至预设场景识别模型，以获得所述待识别图像对应的初始场景类型。

在另一实施例中，所述场景确定模块502，还用于获取所述待识别图像中各个像素点的灰度值；获取所述灰度值大于预设阈值的关键像素点；根据所述关键像素点从所述待识别图像中提取关键图像。

在又一实施例中，所述场景确定模块502，还用于从所述目标像素信息中提取像素点坐标和像素点灰度值；根据所述像素点坐标确定所述待识别图像中的目标像素点；将所述目标像素点的灰度值调整为所述像素点灰度值，以获得待处理图像。

在又一实施例中，所述场景确定模块502，还用于对所述像素信息进行去噪处理，以获得目标像素信息；将所述目标像素信息进行分段拟合，以获得分段拟合曲线；对所述分段拟合曲线进行拟合，以获得拟合曲线。

在又一实施例中，所述模型选取模块503，还用于从所述图像信息中提取图像环境信息和图像人物信息；根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断。

在又一实施例中，所述模型选取模块503，还用于从所述图像环境信息中选取季节信息、天气信息以及光照信息，并根据所述季节信息、所述天气信息以及所述光照信息确定第一场景类型；从所述图像人物信息中选取服饰信息、色彩信息以及形体信息，并根据所述服饰信息、所述色彩信息以及所述形体信息确定第二场景类型；将所述第一场景类型与所述第二场景类型进行融合，以获得第三场景类型；根据所述第三场景类型对所述初始场景类型进行准确性判断。

本发明图像识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种图像识别方法，其特征在于，所述图像识别方法包括：

获取待识别图像的图像信息，所述图像信息包括所述待识别图像对应的背景信息、天气信息以及温度信息；

根据预设场景识别模型确定所述待识别图像对应的初始场景类型；

通过所述图像信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型；

将所述待识别图像输入至所述目标图像识别模型进行图像识别；

其中，所述通过所述图像信息对所述初始场景类型进行准确性判断的步骤，具体包括：

从所述图像信息中提取图像环境信息和图像人物信息；

根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断；

其中，所述根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断的步骤，具体包括：

从所述图像环境信息中选取季节信息、天气信息以及光照信息，并根据所述季节信息、所述天气信息以及所述光照信息确定第一场景类型；

从所述图像人物信息中选取服饰信息、色彩信息以及形体信息，并根据所述服饰信息、所述色彩信息以及所述形体信息确定第二场景类型；

将所述第一场景类型与所述第二场景类型进行融合，以获得第三场景类型；

根据所述第三场景类型对所述初始场景类型进行准确性判断。

2.如权利要求1所述的图像识别方法，其特征在于，所述根据预设场景识别模型确定所述待识别图像对应的初始场景类型的步骤，具体包括：

从所述待识别图像中提取关键图像，并获取所述关键图像中各像素点的像素信息；

将所述像素信息进行拟合，以获得拟合曲线；

对所述拟合曲线进行平滑处理，以获得目标像素信息；

根据所述目标像素信息确定待处理图像；

将所述待处理图像输入至预设场景识别模型，以获得所述待识别图像对应的初始场景类型。

3.如权利要求2所述的图像识别方法，其特征在于，所述从所述待识别图像中提取关键图像的步骤，具体包括：

获取所述待识别图像中各个像素点的灰度值；

获取所述灰度值大于预设阈值的关键像素点；

根据所述关键像素点从所述待识别图像中提取关键图像。

4.如权利要求2所述的图像识别方法，其特征在于，所述根据所述目标像素信息确定待处理图像的步骤，具体包括：

从所述目标像素信息中提取像素点坐标和像素点灰度值；

根据所述像素点坐标确定所述待识别图像中的目标像素点；

将所述目标像素点的灰度值调整为所述像素点灰度值，以获得待处理图像。

5.如权利要求2所述的图像识别方法，其特征在于，所述将所述像素信息进行拟合，以获得拟合曲线的步骤，具体包括：

对所述像素信息进行去噪处理，以获得目标像素信息；

将所述目标像素信息进行分段拟合，以获得分段拟合曲线；

对所述分段拟合曲线进行拟合，以获得拟合曲线。

6.一种图像识别装置，其特征在于，所述图像识别装置包括：

图像获取模块，用于获取待识别图像的图像信息，所述图像信息包括所述待识别图像对应的背景信息、天气信息以及温度信息；

场景确定模块，用于根据预设场景识别模型确定所述待识别图像对应的初始场景类型；

模型选取模块，用于通过所述图像信息对所述初始场景类型进行准确性判断，并根据判断结果选取目标图像识别模型；

图像识别模块，用于将所述待识别图像输入至所述目标图像识别模型进行图像识别；

所述模型选取模块，还用于从所述图像信息中提取图像环境信息和图像人物信息；

所述模型选取模块，还用于根据所述图像环境信息和所述图像人物信息对所述初始场景类型进行准确性判断；

所述模型选取模块，还用于从所述图像环境信息中选取季节信息、天气信息以及光照信息，并根据所述季节信息、所述天气信息以及所述光照信息确定第一场景类型；

所述模型选取模块，还用于从所述图像人物信息中选取服饰信息、色彩信息以及形体信息，并根据所述服饰信息、所述色彩信息以及所述形体信息确定第二场景类型；

所述模型选取模块，还用于将所述第一场景类型与所述第二场景类型进行融合，以获得第三场景类型；

所述模型选取模块，还用于根据所述第三场景类型对所述初始场景类型进行准确性判断。

7.一种图像识别设备，其特征在于，所述图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像识别程序，所述图像识别程序配置为实现如权利要求1至5中任一项所述的图像识别方法的步骤。

8.一种存储介质，其特征在于，所述存储介质上存储有图像识别程序，所述图像识别程序被处理器执行时实现如权利要求1至5任一项所述的图像识别方法的步骤。

Images