图像分类的方法及装置制造方法及图纸

本发明专利技术公开了一种图像分类的方法及装置，属于图像识别技术领域。方法包括：获取待分类的图像，并在所述待分类的图像中选取用于进行图像识别的指定区域；将所述指定区域中的图像数据输入至预设的深度卷积神经网络模型中提取所述指定区域的图像特征，并根据所述指定区域的图像特征计算所述待分类的图像相对于各图像类别的相似性；根据所述待分类的图像相对于各图像类别的相似性确定所述待分类的图像的分类结果。本公开通过预先根据多个图像类别对应的图像样本进行自适应学习的深度卷积神经网络，对待分类的图像进行识别并确定该图像的图像类别。提高了图像分类的准确性，避免了由于人工设定的识别特征所造成的图像识别效率低下的缺陷。

【技术实现步骤摘要】

本公开涉及图像识别
，特别涉及一种图像分类的方法及装置。
技术介绍
随着图像识别技术的发展，使得人们摆脱了传统人眼识别图像的方式，极大地节省了识别时间并提高了识别的效率。在图像识别过程中，需要将待分类的图像与用户预先根据经验设定的各类别图像对应的识别特征依次进行计算，确定待分类的图像与各图像类别对应的相似度，再通过预设的分类器确定各图像类别对应的相似度中选取待分类的图像对应的分类结果。
技术实现思路
为了解决相关技术的问题，本公开实施例提供了一种图像分类的方法及装置。所述技术方案如下:根据本公开实施例的第一方面，提供一种图像分类的方法，包括:获取待分类的图像，并在所述待分类的图像中选取用于进行图像识别的指定区域；将所述指定区域中的图像数据输入至预设的深度卷积神经网络模型中提取所述指定区域的图像特征，并根据所述指定区域的图像特征计算所述待分类的图像相对于各图像类别的相似性；所述深度卷积神经网络模型预先根据多个图像类别对应的图像样本进行自适应学习；根据所述待分类的图像相对于各图像类别的相似性确定所述待分类的图像的分类结果。可选的，所述在所述待分类的图像中选取用于进行图像识别的指定区域，包括:对所述待分类的图像进行人脸识别，确定所述待分类的图像中双眼的位置；根据所述待分类的图像中双眼之间的距离，以所述双眼的位置为中心在所述待分类的图像中选取用于进行图像识别的指定区域。可选的，所述将所述指定区域中的图像数据输入至预设的深度卷积神经网络模型中提取所述指定区域的图像特征，并根据所述指定区域的图像特征计算所述待分类的图像相对于各图像类别的相似性，包括:获取所述指定区域中每一像素点的灰度值，并根据所述指定区域中每一像素点的灰度值得到一组输入向量；获取预设的深度卷积神经网络模型中每一个节点对应的参数，并根据所述每一个节点对应的参数以及所述输入向量输入至预设的深度卷积神经网络模型中进行识别，提取所述指定区域的图像特征；根据所述指定区域的图像特征，计算所述待分类的图像相对于各图像类别的相似性。可选的，所述根据所述待分类的图像相对于各图像类别的相似性确定所述待分类的图像的分类结果，包括:在所述待分类的图像相对于各图像类别的相似性中，选取相似性最高的图像类别作为所述待分类的图像的分类结果。可选的，所述获取待分类的图像之前，所述方法还包括:获取多个图像类别对应的图像样本，并将所述多个图像类别对应的图像样本输入预设的深度卷积神经网络模型；根据所述多个图像类别对应的图像样本进行图像特征学习，确定所述预设的深度卷积神经网络模型中每一个节点对应的参数。根据本公开实施例的第二方面，提供一种图像分类的装置，包括:第一获取模块，用于获取待分类的图像；选取模块，用于在所述待分类的图像中选取用于进行图像识别的指定区域；提取模块，用于将所述指定区域中的图像数据输入至预设的深度卷积神经网络模型中提取所述指定区域的图像特征；计算模块，用于根据所述指定区域的图像特征计算所述待分类的图像相对于各图像类别的相似性；所述深度卷积神经网络模型预先根据多个图像类别对应的图像样本进行自适应学习；确定模块，用于根据所述待分类的图像相对于各图像类别的相似性确定所述待分类的图像的分类结果。可选的，所述选取模块，包括:确定单元，用于对所述待分类的图像进行人脸识别，确定所述待分类的图像中双眼的位置；选取单元，用于根据所述待分类的图像中双眼之间的距离，以所述双眼的位置为中心在所述待分类的图像中选取用于进行图像识别的指定区域。可选的，所述提取模块，包括:第一获取单元，用于获取所述指定区域中每一像素点的灰度值，并根据所述指定区域中每一像素点的灰度值得到一组输入向量；第二获取单元，用于获取预设的深度卷积神经网络模型中每一个节点对应的参数；提取单元，用于根据所述每一个节点对应的参数以及所述输入向量输入至预设的深度卷积神经网络模型中进行识别，提取所述指定区域的图像特征；相应的，所述计算模块用于:根据所述指定区域的图像特征，计算所述待分类的图像相对于各图像类别的相似性。可选的，所述确定模块用于:在所述待分类的图像相对于各图像类别的相似性中，选取相似性最高的图像类别作为所述待分类的图像的分类结果。可选的，所述装置还包括:第二获取模块，用于获取多个图像类别对应的图像样本；输入模块，用于将所述多个图像类别对应的图像样本输入预设的深度卷积神经网络丰吴型；学习模块，用于根据所述多个图像类别对应的图像样本进行图像特征学习，确定所述预设的深度卷积神经网络模型中每一个节点对应的参数。根据本公开实施例的第三方面，提供一种图像分类的装置，包括:处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为:获取待分类的图像，并在所述待分类的图像中选取用于进行图像识别的指定区域；将所述指定区域中的图像数据输入至预设的深度卷积神经网络模型中提取所述指定区域的图像特征，并根据所述指定区域的图像特征计算所述待分类的图像相对于各图像类别的相似性；所述深度卷积神经网络模型预先根据多个图像类别对应的图像样本进行自适应学习；根据所述待分类的图像相对于各图像类别的相似性确定所述待分类的图像的分类结果。本公开的实施例提供的技术方案可以包括以下有益效果:通过预先根据多个图像类别对应的图像样本进行自适应学习的深度卷积神经网络，对待分类的图像进行识别并确定该图像的图像类别。提高了图像分类的准确性，避免了由于人工设定的识别特征所造成的图像识别效率低下的缺陷。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。【附图说明】此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1是根据一示例性实施例示出的一种图像分类的方法的流程图；图2是根据一示例性实施例示出的一种图像分类的方法的流程图；图3是根据一示例性实施例示出的一种图像分类的方法的流程图；图4是根据一示例性实施例示出的一种图像分类的装置的框图；图5是根据一示例性实施例示出的一种图像分类的装置中选取模块的框图；图6是根据一示例性实施例示出的一种图像分类的装置中提取模块的框图；图7是根据一示例性实施例示出的一种图像分类的装置的框图。【具体实施方式】为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。本公开一示例性实施例提供了一种图像分类的方法，本方法实施例应用于服务器中，参见图1，方法流程包括:在步骤101中，获取待分类的图像，并在待分类的图像中选取用于进行图像识别的指定区域；在步骤102中，将指定区域中的图像数据输入至预设的深度卷积神经网络模型中提取指定区域的图像特征，并根据指定区域的图像特征计算待分类的图像相对于各图像类别的相似性；深度卷积神经网络模型预先根据多个图像类别对应的图像样本进行自适应学习；在步骤103中，根据待分类的图像相对于各图像类别的相似性确定待分类的图像的分类结果。本公开实施例通过预先根据多个图像类别对应的图像样本进行自适应学习的深度卷积神经网络，对待分类的图像进行识别并确定该图像的图像类别。提高了图像分类的准确性，避免了由于人工设定的识别特征所造成的图像识别效率当前第1页1 2 3&nb本文档来自技高网...

【技术保护点】
一种图像分类的方法，其特征在于，所述方法包括：获取待分类的图像，并在所述待分类的图像中选取用于进行图像识别的指定区域；将所述指定区域中的图像数据输入至预设的深度卷积神经网络模型中提取所述指定区域的图像特征，并根据所述指定区域的图像特征计算所述待分类的图像相对于各图像类别的相似性；所述深度卷积神经网络模型预先根据多个图像类别对应的图像样本进行自适应学习；根据所述待分类的图像相对于各图像类别的相似性确定所述待分类的图像的分类结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：张涛，陈志军，龙飞，
申请(专利权)人：小米科技有限责任公司，
类型：发明
国别省市：北京;11