图像分类方法、电视设备及计算机可读存储介质技术

本发明专利技术公开了一种图像分类方法、电视设备及计算机可读存储介质，本发明专利技术通过电视设备获取待分类图像和所述待分类图像对应的目标背景标签，根据所述目标背景标签对所述待分类图像进行标记，将标记后的待分类图像传输至改进型SqueezeNet模型中，获得与所述标记后的待分类图像对应的目标训练数据，所述改进型SqueezeNet模型反映图像的图像特征值与训练数据的对应关系，根据所述目标训练数据对所述待分类图像进行分类，采用基于现有结构改进设置的改进型SqueezeNet模型能够极大降低训练的参数量，降低计算复杂度，并降低待分类图片分类处理的时间，提高了图片分类的准确率，提升用户体验。

【技术实现步骤摘要】
图像分类方法、电视设备及计算机可读存储介质
本专利技术涉及互联网电视领域，尤其涉及一种图像分类方法、电视设备及计算机可读存储介质。
技术介绍
图像背景分类，是利用拍摄的图像中的不同的背景进行分类的方法。不同类型的背景在纹理表现上是不同的，可以通过计算机纹理分析来进行背景图像的分类。CNN中的平均值提取层(average-pooling)是利用规定的滤波尺寸大小，计算出滤波尺寸大小内的平均值替换原滤波尺寸数值的方法。最大值提取层(max-pooling)是提取规定的滤波尺寸大小内的最大值替换原滤波尺寸数值的方法。average-pooling对背景方面的整体识别比max-pooling的背景识别更好，它是基于整体的特征的提取，而max-pooling是针对最优特征的提取。传统方法利用反向传播算法中loss计算，是直接采用每个预测出的像素点和真实像素点的差值，通过训练不断减少差值，反向传播修改权值和偏置的参数。传统的训练图像背景识别方法，存储带宽影响图像背景识别，且计算的复杂度较高，时间比较长，在不同种类的背景场景识别中准确率较低。因此需要一种结合SqueezeNet结构的图像背景分类方法以解决现有技术中图像背景分类识别出现的问题，SqueezeNet是在利用现有的基于卷积神经网络(ConvolutionalNeuralNetworks，CNN)模型并以有损的方式压缩的一种小型模型的网络结构。利用少量的参数训练网络模型，实现模型的压缩。它采用FireModle模型结构，利用squeeze和expand相连接形成一种Fire模块中组织卷积过滤器。通常的SqueezeNet开始于一个独立的卷积层(conv1)，然后是8个Fire模块，最后是一个最终的转换层(conv10)。
技术实现思路
本专利技术的主要目的在于一种图像分类方法、电视设备及计算机可读存储介质，旨在解决现有技术中在不同种类的背景场景识别中准确率较低的技术问题。为实现上述目的，本专利技术提供一种图像分类方法，所述图像分类方法包括以下步骤：电视设备获取待分类图像和所述待分类图像对应的目标背景标签，根据所述目标背景标签对所述待分类图像进行标记；将标记后的待分类图像传输至改进型SqueezeNet模型中，获得与所述标记后的待分类图像对应的目标训练数据，所述改进型SqueezeNet模型反映图像的图像特征值与训练数据的对应关系；根据所述目标训练数据对所述待分类图像进行分类。优选地，所述将标记后的待分类图像传输至改进型SqueezeNet模型中，获取与所述标记后的待分类图像对应的目标训练数据，具体包括：将所述标记后的待分类图像依次通过所述改进型SqueezeNet模型的第一卷积层、第一平均值提取层、预设Fire模块层、第二卷积层、第二平均值提取层和全连接层，获取与所述标记后的待分类图像对应的所述目标训练数据。优选地，所述将所述标记后的待分类图像依次通过所述改进型SqueezeNet模型的第一卷积层、第一平均值提取层、预设Fire模块层、第二卷积层、第二平均值提取层和全连接层，获取与所述标记后的待分类图像对应的所述目标训练数据之前，所述图像分类方法还包括：依次按照第一squeeze卷积层、第一expand扩展层、第二squeeze卷积层和第二expand扩展层的排列顺序进行混合，生成所述预设Fire模块层，所述第一squeeze卷积层和所述第二squeeze卷积层的步长为1*1，所述第一expand扩展层和所述第二expand扩展层的步长为3*3。优选地，所述将标记后的所述待分类图像依次通过所述改进型SqueezeNet模型的第一卷积层、第一平均值提取层、预设Fire模块层、第二卷积层、第二平均值提取层和全连接层，获取与所述标记后的待分类图像对应的所述目标训练数据，具体包括：将所述标记后的待分类图像传输至所述第一卷积层，获得第一特征，并将所述第一特征传输至所述第一平均值提取层，获得第一特征平均值；将所述第一特征平均值传输至预设Fire模块层，获得模型特征值，将所述模型特征值传输至所述第二卷积层，获得第二特征，并将所述第二特征传输至所述第二平均值提取层，获得第二特征平均值；将所述第二特征平均值传输至所述全连接层后，获取与所述标记后的待分类图像对应的所述目标训练数据。优选地，所述将标记后的待分类图像传输至改进型SqueezeNet模型中，获取与所述标记后的待分类图像对应的目标训练数据之前，所述图像分类方法还包括：将标记有样本背景标签的各类别的样本图像传输至初始网络模型中，对所述初始网络模型进行训练，将训练后的初始网络模型作为所述改进型SqueezeNet模型。优选地，所述将标记有样本背景标签的各类别的样本图像传输至初始网络模型中，对所述初始网络模型进行训练，将训练后的初始网络模型作为所述改进型SqueezeNet模型，具体包括：获取各类别的样本图像的尺寸参数，获取与各尺寸参数匹配的运算参数，所述运算参数为所述初始网络模型进行图像运算的参数；通过所述样本背景标签对各类别的样本图像分别进行标记，并将标记后的样本图像传输至所述初始网络模型，根据所述运算参数和所述标记后的样本图像对所述初始网络模型进行训练，将训练后的初始网络模型作为所述改进型SqueezeNet模型。优选地，所述通过所述样本背景标签对各类别的样本图像分别进行标记，并将标记后的样本图像传输至所述初始网络模型，根据所述运算参数和所述标记后的样本图像对所述初始网络模型进行训练，将训练后的初始网络模型作为所述改进型SqueezeNet模型，具体包括：通过所述样本背景标签对各类别的样本图像进行标记，将标记后的样本图像传输至所述改进型SqueezeNet模型；根据所述运算参数和所述标记后的样本图像对所述初始网络模型进行训练，获得各类别的样本图像特征训练值；获取各类别的样本图像的样本图像特征预测值，根据各类别的所述样本图像特征预测值和所述样本图像特征训练值确定所述初始网络模型是否训练成功；当所述初始网络模型训练成功时，将训练后的初始网络模型作为所述改进型SqueezeNet模型。优选地，所述获取各类别的样本图像的样本图像特征预测值，根据各类别的所述样本图像特征预测值和所述样本图像特征训练值确定所述初始网络模型是否训练成功，具体包括：获取各类别的样本图像的样本图像特征预测值；分别计算各类别中相同类别的所述样本图像特征训练值的平均值与所述样本图像特征预测值的平均值之间的范数，并将所述范数与预设阈值进行比对；当所述范数小于所述预设阈值时，判定所述初始网络模型训练成功；当所述范数大于或等于所述预设阈值时，对所述运算参数进行调整，根据调整后的运算参数和所述标记后的样本图像计算新的范数，直至新的范数小于所述预设阈值为止。此外，为实现上述目的，本专利技术还提出一种电视设备，所述电视设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像分类程序，所述图像分类程序配置为实现如上文所述的图像分类方法的步骤。此外，为实现上述目的，本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图像分类程序，所述图像分类程序被处理器执行时实现如上文所述的图像分类方法的步骤。本专利技术提出的图像分类方法，本专利技术通过电视设备获取待分类本文档来自技高网...

【技术保护点】
一种图像分类方法，其特征在于，所述图像分类方法包括：电视设备获取待分类图像和所述待分类图像对应的目标背景标签，根据所述目标背景标签对所述待分类图像进行标记；将标记后的待分类图像传输至改进型SqueezeNet模型中，获得与所述标记后的待分类图像对应的目标训练数据，所述改进型SqueezeNet模型反映图像的图像特征值与训练数据的对应关系；根据所述目标训练数据对所述待分类图像进行分类。

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述图像分类方法包括：电视设备获取待分类图像和所述待分类图像对应的目标背景标签，根据所述目标背景标签对所述待分类图像进行标记；将标记后的待分类图像传输至改进型SqueezeNet模型中，获得与所述标记后的待分类图像对应的目标训练数据，所述改进型SqueezeNet模型反映图像的图像特征值与训练数据的对应关系；根据所述目标训练数据对所述待分类图像进行分类。2.如权利要求1所述的图像分类方法，其特征在于，所述将标记后的所述待分类图像传输至改进型SqueezeNet模型中，获取与所述待分类图像对应的目标训练数据，具体包括：将所述标记后的待分类图像依次通过所述改进型SqueezeNet模型的第一卷积层、第一平均值提取层、预设Fire模块层、第二卷积层、第二平均值提取层和全连接层，获取与所述标记后的待分类图像对应的所述目标训练数据。3.如权利要求2所述的图像分类方法，其特征在于，所述将所述标记后的待分类图像依次通过所述改进型SqueezeNet模型的第一卷积层、第一平均值提取层、预设Fire模块层、第二卷积层、第二平均值提取层和全连接层，获取与所述标记后的待分类图像对应的所述目标训练数据之前，所述图像分类方法还包括：依次按照第一squeeze卷积层、第一expand扩展层、第二squeeze卷积层和第二expand扩展层的排列顺序进行混合，生成所述预设Fire模块层，所述第一squeeze卷积层和所述第二squeeze卷积层的步长为1*1，所述第一expand扩展层和所述第二expand扩展层的步长为3*3。4.如权利要求2所述的图像分类方法，其特征在于，所述将所述标记后的待分类图像依次通过所述改进型SqueezeNet模型的第一卷积层、第一平均值提取层、预设Fire模块层、第二卷积层、第二平均值提取层和全连接层，获取与所述标记后的待分类图像对应的所述目标训练数据，具体包括：将所述标记后的待分类图像传输至所述第一卷积层，获得第一特征，并将所述第一特征传输至所述第一平均值提取层，获得第一特征平均值；将所述第一特征平均值传输至预设Fire模块层，获得模型特征值，将所述模型特征值传输至所述第二卷积层，获得第二特征，并将所述第二特征传输至所述第二平均值提取层，获得第二特征平均值；将所述第二特征平均值传输至所述全连接层后，获取与所述标记后的待分类图像对应的所述目标训练数据。5.如权利要求1-4中任一项所述的图像分类方法，其特征在于，所述将标记后的所述待分类图像传输至改进型SqueezeNet模型中，获取与所述标记后的待分类图像对应的目标训练数据之前，所述图像分类方法还包括：将标记有样本背景标签的各类别的样本图像传输至初始网络模型中，对所述初...

【专利技术属性】
技术研发人员：王甜甜，李其浪，
申请(专利权)人：深圳TCL新技术有限公司，
类型：发明
国别省市：广东,44