一种基于卷积神经网络的图像识别方法和装置制造方法及图纸

本申请公开了一种基于卷积神经网络的图像识别方法和装置。其中，图像识别方法包括：基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，质量量化值用于表示待识别图像的识别度；比较质量量化值与质量判别预设阈值；若质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别待识别图像；若质量量化值小于质量判别阈值，则不识别待识别图像。本发明专利技术解决了现有图像识别技术中存在图像识别效率较低的问题。通过对待识别图像进行质量判别，剔除质量量化值小于所述质量判别预设阈值的待识别图像，可以大大减少识别所需的计算资源，提升图像识别效率和准确率。

【技术实现步骤摘要】
一种基于卷积神经网络的图像识别方法和装置
本专利技术涉及图像处理领域，特别涉及一种基于卷积神经网络的图像识别方法和装置。
技术介绍
图像识别技术是人工智能的一个重要领域。它是指对图像进行对象识别，以识别各种不同模式的目标和对像的技术。现有技术中，图像识别技术对图像数据简单预处理，输入至卷积神经网络中训练得到网络的权重，并根据训练所得网络的权重计算得到特征向量，通过对特征向量进行处理获得图像识别的结果。然而，现有技术中参与训练的图像数据之间的图像质量有较大差异。一些低质量的图像，如低分辨率、模糊、光照过强或过暗、图像内容偏转较大或者有遮挡等，会影响网络参数的学习效果，不利于提升识别系统的性能。因此在识别质量较差的图像时错误率较高，同时还浪费了很多不必要的计算资源。
技术实现思路
有鉴于此，本专利技术实施例提供一种基于卷积神经网络的图像识别方法和装置，解决了现有图像识别技术中存在的图像识别效率较低的问题。第一方面，本专利技术实施例提供了一种基于卷积神经网络的图像识别方法，包括：基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，其中，所述质量量化值用于表示待识别图像的识别度；比较所述质量量化值与质量判别预设阈值；若所述质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别所述待识别图像；若所述质量量化值小于所述质量判别阈值，则剔除所述待识别图像。第二方面，本专利技术实施例提供了一种基于卷积神经网络的图像识别装置，包括：质量量化值提取模块，用于基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，其中，所述质量量化值用于表示待识别图像的识别度；图像质量判别模块，用于比较所述质量量化值与质量判别预设阈值；第一图像识别模块，用于若所述质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别所述待识别图像；第二图像识别模块，用于若所述质量量化值小于所述质量判别阈值，则剔除所述待识别图像。第三方面，本专利技术实施例提供了一种设备，该设备具体包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本实施例中所述的图像识别方法。第四方面，本专利技术实施例提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中所述的图像识别方法。由上述技术方案可知，本专利技术实施例提出一种图像识别方法，解决了现有图像识别技术中存在图像识别效率较低的问题。通过提取待识别图像的质量量化值，并根据质量量化值判定是否对待识别图像进一步，进而仅对识别度较高的图像进行识别，提高了图像识别效率。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是本专利技术实施例一中的一种图像识别方法流程示意图；图2是本专利技术实施例二中的一种图像识别方法流程示意图；图3是本专利技术实施例四中的一种图像识别装置结构示意图；图4是本专利技术实施例五中的一种设备结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一中的一种图像识别方法流程图，本实施例可适用于各个场景下的图像识别，例如人脸识别、车牌识别和生物医学图像识别，该方法可以由图像识别装置来执行，该图像识别装置可以集成于CPU和/或GPU中。如图1所示，图像识别方法具体包括如下步骤：S110、基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值；其中，所述质量量化值用于表示待识别图像的识别度。本实施例中所述的卷积神经网络通过训练得到，该卷积神经网络包括图像质量预测分支和图像特征提取分支两部分。其中，所述图像质量预测分支用于提取待识别图像的质量量化值；图像特征提取分支用于提取图像的特征向量。所述质量量化值用于表示待识别图像的识别度，所述质量量化值越高，待识别图像的识别度越高，待识别图像就越容易识别；质量量化值越低，待识别图像的识别度越难识别。具体的，所述待识别图像的识别度会受多方面因素的影响，例如分辨率、清晰度、采集照片时的光照均匀程度、图像内容的完整度；分辨率较低、光照均匀过暗或过亮、清晰度过低和图像内容的完整度过低。S120、比较所述质量量化值与质量判别预设阈值。其中，质量判别预设阈值由开发人员根据神经网络的期望结果预先设置。具体的，本实施例在获取到质量量化值后，可以对质量判别预设阈值和质量量化值进行比较，进而判定是否对该质量量化值进一步识别。S130、若所述质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别所述待识别图像。其中，图像特征提取分支用于提取待识别图像的特征向量，并根据特征向量识别所述待识别图像的图像内容。本实施例中当判定质量量化值大于或等于所述质量判别预设阈值时，判断待识别图像的识别度较高，即越容易识别；此时，利用图像特征提取分支对待识别图像进一步识别，具体的，图像特征提取分支提取待识别图像的特征向量，进而根据该特征向量识别待识别图像的图像内容。S140、若所述质量量化值小于所述质量判别阈值，则剔除所述待识别图像。对应的，当判定质量量化值小于所述质量判别预设阈值时，判断待识别图像的识别度较低，即越不容易识别，此时则剔除待识别图像，即不对该待识别图像进一步识别。这样设置的好处在于，剔除识别度较低的待识别图像不仅节省图像识别过程中的计算资源，进而提高图像识别方法的执行效率，而且提高了图像识别结果的准确率。可以选择的，通过统计不同数据集的质量预测值，可以将判别预设阈值设定为50％。可选的，基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值之前，包括：对所述待识别图像进行预处理操作；其中，所述预处理操作包括特征检测和关键点标注；根据关键点将所述待识别图像调整到对应位置；将所述待识别图像划归至同一尺度。其中，所述特征检测用于检测待识别图像中图像内容的关键点，例如，当图像内容为人脸时，所述特征检测可以用于检测人脸的轮廓、五官形状、五官的具体位置或肤色等特征；当图像内容为虹膜时，所述特征检测可以用于虹膜形状、虹膜像冠、水晶体、条纹等特征。所述关键点标注，关键点在待识别图像中的位置进行标志。所述将待识别图像划归至同一尺度，可以是将待识别图像的尺寸进行划归，例如，本实施例中可以将所述待识别图像统一划归为245*245尺度。可以选择的，本实施例所述的卷积神经网络可以用于识别人脸图像，进而提高人脸图像识别过程的执行效率。本实施例的技术方案，通过对待识别图像进行质量判别，剔除质量量化值小于所述质量判别预设阈值的待识别图像，可以大大减少识别所需的计算资源，提升人脸识别效率和准确率。实施例二图2为本专利技术实施例二提供的一种图像识别方法流程图，本实施例在上述实施例的基础上增加了对卷积神经网络的训练过程，具体包括如下步骤：S210、获取至少三个身份数据集作为训练数据集，并将所述训练数据集作为基模型的输入。其中，训练数据集中包括本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的图像识别方法，其特征在于，包括：基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，其中，所述质量量化值用于表示待识别图像的识别度；比较所述质量量化值与质量判别预设阈值；若所述质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别所述待识别图像；若所述质量量化值小于所述质量判别阈值，则剔除所述待识别图像。

【技术特征摘要】
1.一种基于卷积神经网络的图像识别方法，其特征在于，包括：基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，其中，所述质量量化值用于表示待识别图像的识别度；比较所述质量量化值与质量判别预设阈值；若所述质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别所述待识别图像；若所述质量量化值小于所述质量判别阈值，则剔除所述待识别图像。2.根据权利要求1所述的图像识别方法，其特征在于，基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值之前，包括：对所述待识别图像进行预处理操作；其中，所述预处理操作包括特征检测和关键点标注；根据关键点将所述待识别图像调整到对应位置；将所述待识别图像划归至同一尺度。3.根据权利要求1所述的图像识别方法，其特征在于，所述卷积神经网络预先训练而得且训练方法包括：获取至少三个身份数据集作为训练数据集，并将所述训练数据集作为基模型的输入；其中，训练数据集中包括至少两个表示相同图像内容的身份数据集，和至少两个表示不同图像内容身份数据集；身份数据集中包括多个表示相同图像内容的训练图像；所述基模型用于训练得到所述卷积神经网络；对于任意一个训练图像，基于基模型中的图像质量预测分支提取所述训练图像的质量量化值；基于所述基模型中的图像特征提取分支提取所述训练图像的特征向量；其中，所述基模型用于训练得到所述卷积神经网络；所述质量量化值与所述特征向量一一对应；将质量量化值作为对应于所述质量量化值的特征向量的附加权重信息，并对所述特征向量加权求和得到图像内容表示；所述图像内容表示与所述身份数据集一一对应；利用预设损失函数和所述训练数据集中与身份数据集分别对应的图像内容表示，计算模型损失；利用梯度反传法，并根据所述模型损失调整所述基模型的权重参数；返回执行训练数据集获取操作，并继续调整权重参数，直至满足迭代条件为止；确定最终权重参数，并得到所述卷积神经网络。4.根据权利要求3所述的图像识别方法，其特征在于：对于任意一个训练图像，并行提取训练图像的特征向量和质量量化值。5.根据权利要求3所述的图像识别方法，其特征在于：所述卷积神经网络和/或基模型的结构包括：输入层、卷积池化单元、全连接层、Sigmoid层、Normalization层；所述卷积池化单元包括：相连的卷积层、BatchNorm层、激活层、均值池化层和Scale层。6.根据权利要求3所述的图像识别方法，其特征在于，将所述训练数据集输入至基模型之前，还包括：对所述训练数据集中的训练图像进行预处理操作；其中，所述预处理操作包括特征检测和关键点标注；根据关键点将所述训练图像调整到对应位置；将所述训练图像划归至同一尺度。7.根据权利要求1-6任一所述的图像识别方法，其特征在于：所述卷积神经网络用于识别人脸图像。8.一种基于卷积神经网络的图像识别装置，其特征在于，包括：质量量化值提取模块，用于基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，其中，所述质量量化值用于表示待识别图像的识别度；图像质量判别模块，用于比较所述质量量化值与质量判别预设阈值；第一图像识别模块，用于若所述质量量化值大于或等于所述质量判别...

【专利技术属性】
技术研发人员：张静普，
申请(专利权)人：北京一维大成科技有限公司，
类型：发明
国别省市：北京,11