一种图像识别方法和装置制造方法及图纸

本发明专利技术实施例公开了一种图像识别方法和装置，该方法可包括：获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据；对所述小波变换数据进行特征处理运算，获得特征平面数据；使用全连接网络对所述特征平面数据进行分类识别，获得所述图像的识别结果。本发明专利技术实施例可以降低图像识别时的计算量。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，尤其涉及一种图像识别方法和装置。
技术介绍
卷积神经网络(ConvolutionNeuralNetwork，CNN)近年来在图像识别应用领域取得了非常突出的成就。因此业界对CNN算法的优化和高效率实现开始关注并重视，且很多公司都开始投入了CNN优化算法的研究。但目前CNN算法在进行图像识别时计算量都很大。
技术实现思路
本专利技术实施例提供了一种图像识别方法和装置，可以减少图像识别时的计算量。第一方面，本专利技术实施例提供一种图像识别方法，包括：获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据；对所述小波变换数据进行特征处理运算，获得特征平面数据；使用全连接网络对所述特征平面数据进行分类识别，获得所述图像的识别结果。该实现方式中，由于采用小波变换对输入的图像做变换，而小波变换会保留图像的空间特征，同时大幅度减少有效数据量，从而本实现方式可以降低图像识别时的计算量。第一方面的第一种可能的实现方式中，上述方法还可以包括：使用预先获取的概率密度分布函数对所述小波变换数据进行数据采样，获取所述小波变换数据的部分数据；上述对所述小波变换数据进行特征处理运算，获得特征平面数据，包括：对所述部分数据进行特征处理运算，获得特征平面数据。该实现方式中由对小波变换数据进行采样，这样可以进一步降低了有效输入数据量，从而进一步降低了计算量。结合第一方面或者第一方面的第一种可能的实现方式，在第一方面的第一种可能的实现方式中，上述获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据，可以包括：使用第一卷积运算模板、第二卷积运算模板、第三卷积运算模板和第四卷积运算模板对第i减1阶第一变换图像进行卷积运算，获得第i阶第一变换图像、第i阶第二变换图像、第i阶第三变换图像和第i阶第四变换图像，其中，第0阶第一变换图像为所述输入的图像，所述i的初始值为1；将所述第i阶第一变换图像、第i阶第二变换图像、第i阶第三变换图像和第i阶第四变换图像按照特定顺序排放；将所述i加1，并重复执行所述使用第一卷积运算模板、第二卷积运算模板、第三卷积运算模板和第四卷积运算模板对第i减1阶第一变换图像进行卷积运算的步骤，直到所述第i阶第一变换图像的分辨率为预设分辨率；将计算获得的所有变换图像中像素点的像素值小于预设门限的像素点置零。该实施方式可以将像素值小于预设门限的像素点置零，这样可以进一步减少有效数据量，以减少计算量。结合第一方面或者第一方面的第一种可能的实现方式或者第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，上述对所述小波变换数据进行特征处理运算，获得特征平面数据，可以包括：按照预设顺序依次对所述小波变换数据包括的数据进行卷积运算或者全连接运算，获取特征平面数据。结合第一方面或者第一方面的第一种可能的实现方式或者第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，上述对所述小波变换数据进行特征处理运算，获得特征平面数据，包括：根据所述小波变换数据的空间结构分布规律使用相同的特征参数对所述小波变换数据进行特征处理运算，获得特征平面数据。该实施方式中，由于在进行特征处理运算时使用相同的特征参数，从而可以大大减少特征参数的数据量以及相应的计算量。结合第一方面或者第一方面的第一种可能的实现方式，在第一方面的第四种可能的实现方式中，所述获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据，包括：获取经过小波变换、量化和编码的压缩图像，对所述压缩图像进行编码和量化的逆运算，获得对所述压缩图像的原始图像进行小波变换后的空间和尺度结构分布规律的小波变换数据。该实施方式中，只需要对压缩图像进行编码和量化的逆运算就可以获取到小波变换数据，从而可以避免小波变换过程产生的计算量，从而可以减少图像识别的整体计算量。第二方面，本专利技术实施例提供一种图像识别装置，该图像识别装置被配置实现上述方法的功能，由硬件/软件实现，其硬件/软件包括与上述功能相应的单元。第三方面，本专利技术实施例提供一种图像识别装置，包括：处理器、网络接口、存储器和通信总线，其中，所述通信总线用于实现所述处理器、网络接口和存储器之间连接通信，所述处理器执行所述存储器中存储的程序用于实现上述方法。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简单地介绍，显而易见地，下面描述中的附图仅仅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是本专利技术实施例提供的一种图像识别方法的流程示意图；图2是本专利技术实施例提供的另一种图像识别方法的流程示意图；图3是本专利技术实施例提供的一种小波变换的示意图；图4是本专利技术实施例提供的一种特征处理运算的示意图；图5是本专利技术实施例提供的一种概率密度分布的示意图；图6是本专利技术实施例提供的一种图像识别装置结构示意图；图7是本专利技术实施例提供的另一种图像识别装置的结构示意图；图8是本专利技术实施例提供的另一种图像识别装置的结构示意图；图9是本专利技术实施例提供的另一种图像识别装置的结构示意图。具体实施方式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，所描述的实施例仅仅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。本专利技术实施例提供的图像识别方法可应用于CNN，或者可以理解为本专利技术实施例提供的图像识别方法为CNN中的一种图像识别方法。请参阅图1，图1是本专利技术实施例提供的一种图像识别方法的流程示意图，如图1所示，包括以下步骤：101、获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据。上述输入的图像可以是静态图像或者动态图像，这里的输入可以理解为相对于本方法的输入。例如：由终端设备实现上述方法，那么，这里的输入可以理解为终端设备通过图像传感器采集的图像，或者终端设备通过互联网获取的图像，或者终端设备从本地读取的图像等，对此不作限定。另外，上述获取空间和尺度结构分布规律的小波变换数据可以理解为，获取空间结构与输入的图像的本文档来自技高网...

【技术保护点】
一种图像识别方法，其特征在于，包括：获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据；对所述小波变换数据进行特征处理运算，获得特征平面数据；使用全连接网络对所述特征平面数据进行分类识别，获得所述图像的识别结果。

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：
获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换
数据；
对所述小波变换数据进行特征处理运算，获得特征平面数据；
使用全连接网络对所述特征平面数据进行分类识别，获得所述图像的识别
结果。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
使用预先获取的概率密度分布函数对所述小波变换数据进行数据采样，获
取所述小波变换数据的部分数据；
所述对所述小波变换数据进行特征处理运算，获得特征平面数据，包括：
对所述部分数据进行特征处理运算，获得特征平面数据。
3.如权利要求1或2所述的方法，其特征在于，所述获取对输入的图像进
行小波变换后的空间和尺度结构分布规律的小波变换数据，包括：
使用第一卷积运算模板、第二卷积运算模板、第三卷积运算模板和第四卷
积运算模板对第i减1阶第一变换图像进行卷积运算，获得第i阶第一变换图像、
第i阶第二变换图像、第i阶第三变换图像和第i阶第四变换图像，其中，第0
阶第一变换图像为所述输入的图像，所述i的初始值为1；
将所述第i阶第一变换图像、第i阶第二变换图像、第i阶第三变换图像和
第i阶第四变换图像按照特定顺序排放；
将所述i加1，并重复执行所述使用第一卷积运算模板、第二卷积运算模板、
第三卷积运算模板和第四卷积运算模板对第i减1阶第一变换图像进行卷积运算
的步骤，直到所述第i阶第一变换图像的分辨率为预设分辨率；
将计算获得的所有变换图像中像素点的像素值小于预设门限的像素点置零。
4.如权利要求1-3中任一项所述的方法，其特征在于，所述对所述小波变
换数据进行特征处理运算，获得特征平面数据，包括：
按照预设顺序依次对所述小波变换数据包括的数据进行卷积运算或者全连
接运算，获取特征平面数据。
5.如权利要求1-3中任一项所述的方法，其特征在于，所述对所述小波变
换数据进行特征处理运算，获得特征平面数据，包括：
根据所述小波变换数据的空间结构分布规律使用相同的特征参数对所述小
波变换数据进行特征处理运算，获得特征平面数据。
6.如权利要求1或2所述的方法，其特征在于，所述获取对输入的图像进
行小波变换后的空间和尺度结构分布规律的小波变换数据，包括：
获取经过小波变换、量化和编码的压缩图像，对所述压缩图像进行编码和
量化的逆运算，获得对所述压缩图像的原始图像进行小波变换后的空间和尺度<...

【专利技术属性】
技术研发人员：费旭东，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44