一种图像分类器建立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器建立方法及装置，包括：获取样本图片集，样本图片集中包含含目标图像的正样本和不含目标图像的负样本；对样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；根据扩充后的样本图片集和深度卷积神经网络模型，获得针对目标图像的分类器；其中，深度卷积神经网络模型中对卷积层的输出进行归一化处理。通过上述方法，只需人工标识有限的样本图片集，之后再对有限的样本图片集进行扩充，从而扩大了样本数量，提高了分类器的准确性，此外，采用深度卷积神经网络模型进一步提高了分类器的识别精度，因此，本方案能够提供一种识别精度更高的针对目标图像的分类器。

【技术实现步骤摘要】
一种图像分类器建立方法及装置
本专利技术涉及计算机
，尤其涉及一种图像分类器建立方法及装置。
技术介绍
标识(LOGO)识别是图像识别的一种，通过特征比对判断图像中是否包含目标LOGO，这对于企业商品管理来说是非常重要的一个方面，例如，通过LOGO识别判断企业商标是否被他人冒用，通过LOGO识别判断商品类型等诸多方面。目前对于LOGO识别多采用通过人工提取特征，然后训练分类器的方法。但是人工提取的方法对LOGO提取的特征是人为指定的，对于机器的识别，可能存在覆盖面不足等情况，此外，由于LOGO特征需要人工提取，就使得训练分类器时无法获得足够大的样本库，因此获得的分类器对于图像识别的准确率并不高，没有办法达到实用的目的。综上，目前仍缺少一种高准确率的基于LOGO识别的图像分类器。
技术实现思路
本专利技术提供一种图像分类器建立方法及装置，用以提供一种高准确率的基于目标图像识别的图像分类器。本专利技术实施例提供一种图像分类器建立方法，包括：获取样本图片集，样本图片集中包含含目标图像的正样本和不含目标图像的负样本；对样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；根据扩充后的样本图片集和深度卷积神经网络模型，获得针对目标图像的分类器；其中，深度卷积神经网络模型中对卷积层的输出进行归一化处理。可选地，对样本图片集中的样本图片进行变形处理，包括以下至少之一：镜像翻转、旋转、随机裁剪、亮度调整。可选地，包括：深度卷积神经网络模型为Googlenet模型；根据扩充后的样本图片集和深度卷积神经网络模型，获得针对目标图像的分类器，包括：将样本图片输入初始化的Googlenet模型中；前向传播获取Googlenet模型的损失函数loss值；根据loss值反向传播更新Googlenet模型参数，直至Googlenet模型的loss值符合预设条件，得到针对目标图像的分类器。可选地，深度卷积神经网络模型中对卷积层的输出进行归一化处理，包括：对深度卷积神经网络模型中的每层卷积层的输出值进行归一化处理。本专利技术实施例提供一种根据本专利技术实施例提供的方法建立的图像分类器的图像识别方法，包括：获取待识别图片；将待识别图片输入分类器，得到待识别图片是否包含目标图像的分类结果。本专利技术实施例提供一种图像分类器建立装置，包括：获取模块，用于获取样本图片集，样本图片集中包含含目标图像的正样本和不含目标图像的负样本；扩充模块，用于对样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；处理模块，用于根据扩充后的样本图片集和深度卷积神经网络模型，获得针对目标图像的分类器；其中，深度卷积神经网络模型中对卷积层的输出进行归一化处理。可选地，扩充模块，具体用于对样本图片集中的样本图片进行如下至少之一的变形处理：镜像翻转、旋转、随机裁剪、亮度调整。可选地，处理模块采用的深度卷积神经网络模型为Googlenet模型；处理模块具体用于：将样本图片输入初始化的Googlenet模型中；前向传播获取Googlenet模型的损失函数loss值；根据loss值反向传播更新Googlenet模型参数，直至Googlenet模型的loss值符合预设条件，得到针对目标图像的分类器。可选地，处理模块，具体用于对深度卷积神经网络模型中的每层卷积层的输出值进行归一化处理。本专利技术实施例提供一种图像识别装置，包括：获取模块，用于获取待识别图片；处理模块，用于将待识别图片输入目标图像的分类器，得到待识别图片是否包含目标图像的分类结果，其中，目标图像的分类器由本专利技术实施例提供的图像分类器建立装置得到。综上所述，本专利技术实施例提供了一种图像分类器建立方法及装置，包括：获取样本图片集，样本图片集中包含含目标图像的正样本和不含目标图像的负样本；对样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；根据扩充后的样本图片集和深度卷积神经网络模型，获得针对目标图像的分类器；其中，深度卷积神经网络模型中对卷积层的输出进行归一化处理。通过上述方法，只需人工标识有限的样本图片集，之后再对有限的样本图片集进行扩充，从而扩大了样本数量，提高了分类器的准确性，此外，采用深度卷积神经网络模型进一步提高了分类器的识别精度，因此，本方案能够提供一种识别精度更高的针对目标图像的分类器。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种图像分类器建立方法流程示意图；图2为本专利技术实施例提供的一种Googlenet模型结构示意图；图3为本专利技术实施例提供的一种图像识别方法流程图；图4为本专利技术实施例提供的一种图像分类器建立装置结构示意图；图5为本专利技术实施例提供的一种图像识别装置结构示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部份实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的一种图像分类器建立方法流程示意图，如图1所示，包括以下步骤：S101：获取样本图片集，样本图片集中包含含目标图像的正样本和不含目标图像的负样本；S102：对样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；S103：根据扩充后的样本图片集和深度卷积神经网络模型，获得针对目标图像的分类器；其中，深度卷积神经网络模型中对卷积层的输出进行归一化处理。具体实施过程中，目标图像为一个固定的图像，该图像的形态可能不规整、色泽可能不清晰等等。目标图像可以为公司标识、注册商标、认证标识、图像作品等多种形式。对于目标图像的识别指的是判断待识别图片中是否包含目标图像。在步骤S101的具体实施过程中，获取样本图片集的方式和渠道并没有限制，可以通过网络爬取从互联网中获取样本图片集，也可以通过人工拍摄的方式获取样本图片集，也可以通过其它渠道或者方式获得，更可以将多种渠道或者方式相结合以获得足够多的样本图片以构成样本图片集。样本图片集的样本图片中，既有包含目标图像的样本图片，又有不包含目标图像的样本图片。这样可以得到可识别目标图像的分类器，如包含目标图像，分类器输出1，不包含目标图像，分类器输出0。可选地，对样本图片集进行人工标注，将样本图片集分为包含目标图像的正样本和不包含目标图像的负样本。可选地，对于正样本人工标注为1，对于负样本人工标注为0。表一为本专利技术实施例提供的一种标注列表，如表一所示，表一中记录了样本图片集中各样本图片的名称及其对应的路径和标注信息，其中，路径用来表示样本图片的存储位置，标注用来区分样本图片为正样本还是负样本，如表1中Pic1，其存储位置为D:\A\B\Pictures1，且Pic1中包含有目标图像，所以其标注信息为1，是一个正样本。表1图片路径标注………Pic1D:\A\B\Pictures11Pic2D:\A\B\Pictures20Pic3D:\A\B\Pictures31………在步骤S1本文档来自技高网...

【技术保护点】
一种图像分类器建立方法，其特征在于，包括：获取样本图片集，所述样本图片集中包含含目标图像的正样本和不含目标图像的负样本；对所述样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；根据所述扩充后的样本图片集和深度卷积神经网络模型，获得针对所述目标图像的分类器；其中，所述深度卷积神经网络模型中对卷积层的输出进行归一化处理。

【技术特征摘要】
1.一种图像分类器建立方法，其特征在于，包括：获取样本图片集，所述样本图片集中包含含目标图像的正样本和不含目标图像的负样本；对所述样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；根据所述扩充后的样本图片集和深度卷积神经网络模型，获得针对所述目标图像的分类器；其中，所述深度卷积神经网络模型中对卷积层的输出进行归一化处理。2.如权利要求1所述的方法，其特征在于，对所述样本图片集中的样本图片进行变形处理，包括以下至少之一：镜像翻转、旋转、随机裁剪、亮度调整。3.如权利要求1所述的方法，其特征在于，包括：所述深度卷积神经网络模型为Googlenet模型；根据所述扩充后的样本图片集和深度卷积神经网络模型，获得针对所述目标图像的分类器，包括：将所述样本图片输入初始化的Googlenet模型中；前向传播获取所述Googlenet模型的损失函数loss值；根据所述loss值反向传播更新所述Googlenet模型参数，直至所述Googlenet模型的loss值符合预设条件，得到针对所述目标图像的分类器。4.如权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型中对卷积层的输出进行归一化处理，包括：对所述深度卷积神经网络模型中的每层卷积层的输出值进行归一化处理。5.一种根据如权利要求1至4任一项所述的方法建立的图像分类器的图像识别方法，其特征在于，包括：获取待识别图片；将所述待识别图片输入所述分类器，得到所述待识别图片是否包含所述目标图像的分类结果。6.一种图像...

【专利技术属性】
技术研发人员：刘想，华锦芝，王宇，潘岑蕙，张莉敏，冯亮，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：上海,31