模型生成方法、装置、电子设备和计算机可读存储介质制造方法及图纸

本公开的实施例提供一种模型生成方法，包括：构建关于所述样本图像的训练样本集，其中，所述样本图像的特征信息为所述线条信息和光流信息；对所述训练样本集进行学习，生成以图像的线条信息和光流信息为输入量的识别模型。根据本公开的实施例，基于生成的识别模型对图像进行识别，可以以图像中的线条信息和光流信息为输入量对图像进行识别，避免了对抗噪声对识别结果的影响，提高了识别的准确性。

【技术实现步骤摘要】
模型生成方法、装置、电子设备和计算机可读存储介质
本公开的实施例涉及图像识别
，具体而言，涉及模型生成方法、模型生成装置、电子设备和计算机可读存储介质以及图像识别方法。
技术介绍
目前识别图像，主要通过将图像的数据输入到模型中进行识别，而目前确定模型的方法主要是通过机器学习。通过机器学习生成模型，需要预先确定训练样本集，训练样本集中包含多个训练样本。然而目前通过机器学习生成模型存在安全隐患，其中一种就是对抗样本攻击。对抗样本攻击是以人眼几乎无法察觉的方式修改图像，例如在的图像的每个像素上添加噪声信息，从而使得基模型无法准确地识别该图像。例如图1A、图1B和图1C所示，图1A为正常的图像，图1B为噪声生信息，图1C为在图1A所示图像中添加噪声信息后得到的对抗样本。在人眼来看，图1A和图1C几乎相同，但是识别图像的模型以57.7％的置信度正确地将图1A识别为熊猫，却以99.3％的置信度错误地将图1C识别为长臂猿。为了防范对抗样本，目前采用的方法主要有增广法和去噪法，但是增广法仅能对特定类型的对抗样本保持较高的鲁棒性，对于新类型的对抗样本则会失效，去噪法虽然理论上能够从根本上去除对抗样本中的噪声信息，但是实际上对抗样本中的噪声信息很难被去除，所以实际效果并不够好。
技术实现思路
有鉴于此，本公开的实施例提出了模型生成方法、模型生成装置、电子设备和计算机可读存储介质以及图像识别方法。根据本公开的第一方面，提出一种模型生成方法，包括：构建关于所述样本图像的训练样本集，其中，所述样本图像的特征信息为所述线条信息和光流信息；通过机器学习算法对所述训练样本集进行学习，生成以图像的线条信息和光流信息为输入量的识别模型。可选地，所述方法还包括：在构建关于所述样本图像的训练样本集之前，滤除所述线条信息中的噪点。可选地，所述滤除所述线条信息中的噪点包括：对所述线条信息进行图像形态学处理，和/或对所述线条信息进行低通滤波处理。可选地，所述方法还包括：根据样本图像中像素的运动方向和运动速度，确定所述样本图像的光流信息。可选地，所述方法还包括：在构建关于样本图像的训练样本集之前，基于多个预设维度，对所述线条信息所表达的图像和所述光流信息所表达的图像进行拼接，以得到包含所述线条信息和所述光流信息的所述样本图像。根据本公开的第二方面，提出一种模型生成装置，包括：集合构建模块，用于构建关于所述样本图像的训练样本集，其中，所述样本图像的特征信息为所述线条信息和光流信息；模型生成模块，用于通过机器学习算法对所述训练样本集进行学习，生成以图像的线条信息和光流信息为输入量的识别模型。可选地，所述装置还包括：噪点滤除模块，用于滤除所述线条信息中的噪点。可选地，所述噪点滤除模块用于对所述线条信息进行图像形态学处理，和/或对所述线条信息进行低通滤波处理。可选地，所述装置还包括：光流确定模块，用于根据样本图像中像素的运动方向和运动速度，确定所述样本图像的光流信息。可选地，所述装置还包括：图像拼接模块，用于基于多个预设维度，对所述线条信息所表达的图像和所述光流信息所表达的图像进行拼接，以得到包含所述线条信息和所述光流信息的所述样本图像。根据本公开的第三方面，提出一种电子设备，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执行上述任一实施例所述方法中的步骤。根据本公开的第四方面，提出一种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执行上述任一实施例所述方法中的步骤。根据本公开的第五方面，提出一种图像识别方法，包括：根据上述任一实施例所述方法和/或上述任一实施例所述装置中生成的识别模型识别图像。根据本公开的实施例，由于图像中物体的线条和运动趋势可以表达图像中的内容，因此可以采集物体的线条信息和表示运动趋势的光流信息作为区分图像的特征，从而基于以线条信息和光流信息作为特征信息的样本图像构建训练样本集。进而通过机器学习对训练样本集进行学习，生成的识别模型就以图像的线条信息和光流信息为输入量，而由于在对抗样本中加入的对抗噪声对于图像中的线条信息和光流信息几乎没有影响，所以基于生成的识别模型对图像进行识别，可以以图像中的线条信息和光流信息为输入量对图像进行识别，避免了对抗噪声对识别结果的影响，提高了识别的准确性。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1A是一种正常的图像的示意图；图1B是一声噪声生信息的示意图；图1C是在图1A所示图像中添加噪声信息后得到的对抗样本的示意图；图2是本公开一示例性实施例示出的一种模型生成方法的示意流程图；图3A是本公开一示例性实施例示出的一种样本图像的示意图；图3B是本公开一示例性实施例示出的一种样本图像的光流信息；图3C是本公开一示例性实施例示出的另一种样本图像的光流信息；图4是本公开一示例性实施例示出的另一种模型生成方法的示意流程图；图5A是本公开一示例性实施例示出的一种样本图像的线条信息；图5B是本公开一示例性实施例示出的另一种样本图像的线条信息；图6是本公开一示例性实施例示出的又一种模型生成方法的示意流程图；图7是本公开一示例性实施例示出的又一种模型生成方法的示意流程图；图8是本公开一示例性实施例示出的模型生成装置所在终端的一种硬件结构图；图9是本公开一示例性实施例示出的一种模型生成装置的示意框图；图10是本公开一示例性实施例示出的另一种模型生成装置的示意框图；图11是本公开一示例性实施例示出的又一种模型生成装置的示意框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。图2是本公开一示例性实施例示出的一种模型生成方法的示意流程图。如图2所示，所述模型生成方法可以包括以下步骤：步骤S1，构建关于所述样本图像的训练样本集，其中，所述样本图像的特征信息为线条信息和光流信息；在一个实施例中，图像的线条信息可以是一种信息，也可以是多种信息，例如可以包括直线条信息、曲线条信息、封闭线条信息；步骤S2，通过机器学习算法对所述训练样本集进行学习，生成以图像的线本文档来自技高网...

【技术保护点】
1.一种模型生成方法，其特征在于，包括：构建关于样本图像的训练样本集，其中，所述样本图像的特征信息为线条信息和光流信息；对所述训练样本集进行学习，生成以图像的线条信息和光流信息为输入量的识别模型。

【技术特征摘要】
1.一种模型生成方法，其特征在于，包括：构建关于样本图像的训练样本集，其中，所述样本图像的特征信息为线条信息和光流信息；对所述训练样本集进行学习，生成以图像的线条信息和光流信息为输入量的识别模型。2.根据权利要求1所述的方法，其特征在于，还包括：在构建关于所述样本图像的训练样本集之前，滤除所述线条信息中的噪点。3.根据权利要求2所述的方法，其特征在于，所述滤除所述线条信息中的噪点包括：对所述线条信息进行图像形态学处理，和/或对所述线条信息进行低通滤波处理。4.根据权利要求1所述的方法，其特征在于，还包括：根据样本图像中像素的运动方向和运动速度，确定所述样本图像的光流信息。5.根据权利要求1至4中任一项所述的方法，其特征在于，还包括：在构建关于样本图像的训练样本集之前，基于多个预设维度，对所述线条信息所表达的图像和所述光流信息所表达的图像进行拼接，以得到包含所述线条信息和所述光流信息的所述样本图像。6.一种模型生成装置，其特征在于，包...

【专利技术属性】
技术研发人员：钱德恒，任冬淳，丁曙光，付圣，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11