图像中目标物体识别方法、冰箱内食品识别方法及系统技术方案

本发明专利技术涉及一种图像中目标物体识别方法、冰箱内食品识别方法及系统。所述图像中目标物体识别方法包括：获取训练图像，利用训练图像建立图像识别模型；获取测试图像，将测试图像与图像识别模型匹配，实现测试图像中目标物体的识别；其中，获取的训练图像和获取的测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间；和/或建立图像识别模型时进行正则化处理，使图像识别模型表达全样本分布。本发明专利技术所述方法使图像识别模型在测试数据上的表现尽可能的接近训练数据上的表现，实现图像识别的一致性，提高图像识别精度。

【技术实现步骤摘要】

本专利技术涉及图像识别
，尤其涉及图像中目标物体识别方法、冰箱内食品识别方法及系统。
技术介绍
现有的图像处理技术中，采集图像和采集图像不能保证图像的一致性，这种差异导致学习的信息智能反映数据的部分特征，因而在测试数据上的表现不理想，图像识别的识别率较低。尤其是在冰箱内图像识别
，冰箱的种类繁多，如果各冰箱分别进行拍摄，进行图像识别，会因为图片质量的差异影响识别率。不同型号的冰箱拍摄出来的图像不一致，冰箱内部摆放在不同位置的食品拍摄的图像也会有差异。图像的差异表现在亮度和色彩上。由于训练和采用的图像不同，这种差异导致学习的信息只能反映数据的部分特征，因而在测试数据上的表现不理想，图像识别的识别率不高。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供一种图像中目标物体识别方法、冰箱内食品识别方法及系统。本专利技术解决上述技术问题的技术方案如下：一种图像中目标物体识别方法，包括如下步骤：获取训练图像，利用训练图像建立图像识别模型；获取测试图像，将测试图像与图像识别模型匹配，实现测试图像中目标物体的识别；其中，获取的训练图像和获取的测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间；和/或建立图像识别模型时进行正则化处理，使图像识别模型表达全样本分布。为实现上述专利技术目的，本专利技术还提供一种冰箱内食品识别方法，包括采集冰箱内的图像数据作为训练图像和测试图像，根据上述技术方案所述的图像中目标物体识别方法获得待识别图像数据中食品的属性信息。为实现上述专利技术目的，本专利技术还提供一种图像中目标物体识别系统，包括：训练模块，用于在获取训练图像，利用训练图像建立图像识别模型；测试模块，用于获取测试图像，将测试图像与图像识别模型匹配，实现测试图像中目标物体的识别；归一化模块，用于对获取的训练图像和获取的测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间；正则化模块，用于在建立图像识别模型时进行正则化处理，使图像识别模型表达全样本分布。为实现上述专利技术目的，本专利技术还提供一种冰箱内食品识别系统，，包括安装在冰箱内部的图像采集装置和服务器，所述图像采集装置采集冰箱内的图像数据上传至服务器，所述服务器采用上述技术方案所述的图像中目标物体识别系统获得待识别图像数据中食品的属性信息。本专利技术的有益效果是：本专利技术通过训练图像和测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间，使得训练样本和测试样本同分布，用训练数据得到的图像识别模型在测试数据上可以取得较好的测试效果；通过在建立图像识别模型时进行正则化处理，使图像识别模型表达全样本分布，忽略只对训练样本进行描述的成分，使图像识别模型表达全样本分布，减小参数空间；通过上述处理使图像识别模型在测试数据上的表现尽可能的接近训练数据上的表现，实现图像识别的一致性，提高图像识别精度。附图说明图1为本专利技术实施例提供的图像中目标物体识别方法流程图；图2为本专利技术实施例提供的图像中目标物体识别方法流程图；图3为本专利技术实施例提供的图像中目标物体识别方法流程图；图4为本专利技术实施例提供的图像中目标物体识别系统框图；图5为本专利技术实施例提供的图像中目标物体识别方法框图；图6为本专利技术实施例提供的图像中目标物体识别方法框图；图7为本专利技术实施例提供的冰箱内食品识别系统框图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。如图1所示，本专利技术实施例提供一种图像中目标物体识别方法，包括如下步骤：S110,训练阶段获取训练图像，对训练图像进行归一化处理，利用训练图像建立图像识别模型；S120,测试阶段获取测试图像，对测试图像进行归一化处理，将测试图像与图像识别模型匹配，实现测试图像中目标物体的识别；训练阶段获取的训练图像和测试阶段获取的测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间。上述实施例中，通过训练图像和测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间，使得训练样本和测试样本同分布，用训练数据得到的图像识别模型在测试数据上可以取得较好的测试效果；通过在训练阶段建立图像识别模型时进行正则化处理，使图像识别模型表达全样本分布，忽略只对训练样本进行描述的成分，使图像识别模型表达全样本分布，减小参数空间；通过上述处理使模型在测试数据上的表现尽可能的接近训练数据上的表现。可选地，作为本专利技术一个实施例，训练阶段获取训练图像和测试阶段获取测试图像具有相同的拍摄环境。在该实施例中，保证训练阶段获取的图像和测试阶段获取的图像具体相同的拍摄环境，从硬件上保证训练图像和测试图像的一致性。可选地，作为本专利技术的一个实施例，测试阶段利用训练图像建立图像识别模型的步骤具体包括：a，获取预定数量的包含目标物体的图像数据；b，对所述图像数据中目标物体的属性参数进行标定，并将经标定处理的图像数据作为训练图像；c，设定图像识别模型、初始模型参数及损失函数，通过计算损失函数的期望获得风险函数；d，利用风险函数和训练数据更新图像识别模型，使所述图像识别模型满足所述损失函数的要求，得到所述目标物体对应的图像识别模型。具体地，所述目标物体的属性参数包括标定图像数据中目标物体的位置及种类。具体地，在该实施例中，所述图像识别模型标识输出与输入的映射关系，所述损失函数表示实际输出和模型输出之间的差异；所述风险函数为损失函数的期望。具体地，在该实施例中，对所述图像数据中目标物体的属性参数进行标定可以采用了点标注法：通过食品左上角的坐标(x,y)，宽度w和h标定食品在图片中的位置信息。同时给出该食材的种类信息。无论如何标注，只要能确定图片中关注物体的位置和种类即可。本专利技术实施例中，所述图像识别模型为，其中，x为图像数据，为模型输出，θ为模型参数；所述损失函数为，L＝(y，f(x，θ))损失函数L表示实际的输出和模型输出之间的差异，y为实际输出；f(x,θ)为图像识别模型；所述风险函数为，其中，R(θ)为风险函数，N代表训练图像的总数，i代表第i个训练图像。图像识别包括训练阶段和测试阶段。训练阶段，包括1、通过拍摄、标记得到训练数据；2、设定决策函数(模型)确立输入和输出的映射关系；3、设定评价函数衡量决策函数的好坏；4、通过学习算法和训练数据更新决策函数，使决策函数满足评价函数的要求。其中，风险函数时损失函数的期望，通过学习算法(如反向传播)使风险函数最小。具体来说，对于获得的图像数据(x)，标定目标物体位置和种类(y)，作为训练数据。设定图像识别模型和初始参数，表达了输出和输入的关系，用决策函数f(.)表示，对于已经标定好的参数x，输出为θ为模型参数。定义损失函数L＝(y，f(x，θ))，表示实际的输出和模型输出之间的差异。然后在所有样本上评价决策函数的风险风险函数是在已知样本(x,y)上计算得来，被称为经验风险。训练问题就转化为求解θ*，使得经验风险最小θ*＝argminR(θ)。测试阶段，具体来说，包括：1.对目标物体进行拍照，得到测试样本，即输入参数x；2通过预先训练好的图像识别模型，得到输出结果，识别结果为目标物体的位置和种类。本专利技术实施例中，风险函数在已知样本(x,y)上计算得到，被称为经验风险，训练问题就转化为求解θ*，使得本文档来自技高网...

【技术保护点】
一种图像中目标物体识别方法，其特征在于，包括如下步骤：获取训练图像，利用训练图像建立图像识别模型；获取测试图像，将测试图像与图像识别模型匹配，实现测试图像中目标物体的识别；其中，获取的训练图像和获取的测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间；和/或建立图像识别模型时进行正则化处理，使图像识别模型表达全样本分布。

【技术特征摘要】
1.一种图像中目标物体识别方法，其特征在于，包括如下步骤：获取训练图像，利用训练图像建立图像识别模型；获取测试图像，将测试图像与图像识别模型匹配，实现测试图像中目标物体的识别；其中，获取的训练图像和获取的测试图像进行归一化处理，将训练图像和测试图像映射到统一的空间；和/或建立图像识别模型时进行正则化处理，使图像识别模型表达全样本分布。2.根据权利要求1所述的图像中目标物体识别方法，其特征在于，所述归一化处理具体包括：对图像尺寸进行归一化处理，对图像数据特征矢量进行归一化处理和对图像数据进行搬移和缩放处理中的至少一种。3.根据权利要求2所述的图像中目标物体识别方法，其特征在于，所述图像尺寸归一化处理包括：在获取图像数据过程中，采集超过目标区域的图像，将感兴趣区域保留在图像中间位置，根据已知的感兴趣区域的大小，修正图像尺寸，去除冗余区域，保留感兴趣区域的全部内容，使所有图像数据具有相同尺寸；所述图像数据特征矢量归一化处理包括：利用训练数据的均值和协方差进行归一化处理；所述图像数据进行搬移和缩放处理包括：根据缩放因子对图像数据进行缩放处理，通过平移常量对图像数据进行搬移处理。4.根据权利要求1-3任一项所述的图像中目标物体识别方法，其特征在于，利用训练图像建立图像识别模型包括：获取预定数量的包含目标物体的图像数据；对所述图像数据中目标物体的属性参数进行标定，并将经标定处理的图像数据作为训练图像；设定图像识别模型、初始模型参数及损失函数，通过计算损失函数的期望获得风险函数；利用风险函数和训练数据更新图像识别模型，使所述图像识别模型满足所述损失函数的要求，得到所述目标物体对应的图像识别模型。5.根据权利要求4所述的图像中目标物体识别方法，其特征在于，所述风险函数为经验风险，所述经验风险为根据所有训练数据计算损失函数的期望获得的；通过计算获得使图像识别模型的经验风险最小的模型参数作为图像识别模型的最终模型参数，得到所述目标物体对应的图像识别模型。6.根据权利要求5所述的图像中目标物体识别方法，其特征在于，还包括进行正则化处理，所述正则化处理包括将经验风险转换为结构风险，具体为在经验风险上加上正则化项获得结构风险，通过计算获得使图像识别模型的结构风险最小的模型参数作为图像识别模型的最终模型参数，得到所述目标物体对应的图像识别模型。7.根据权利要求4所述的图像中目标物体识别方法，其特征在于，所述目标物体的属性参数包括标定图像数据中目标物体的位置及种类。8.根据权利要求1-3任一项所述的图像中目标物体识别方法，其特征在于，获取训练图像和获取测试图像具有相同的拍摄环境。9.一种冰箱内食品识别方法，其特征在于，采集冰箱内的图像数据作为训练图像和测试图...

【专利技术属性】
技术研发人员：杨世清，徐达，唐军，
申请(专利权)人：合肥华凌股份有限公司，合肥美的电冰箱有限公司，美的集团股份有限公司，
类型：发明
国别省市：安徽;34