图像局部特征的分类方法、装置和存储介质制造方法及图纸

本发明专利技术公开了一种图像局部特征的分类方法，包括：获取目标图像；运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。本发明专利技术还公开了一种图像局部特征的分类装置和计算机可读存储介质。

【技术实现步骤摘要】
图像局部特征的分类方法、装置和存储介质
本专利技术涉及图像识别技术，尤其涉及一种图像局部特征的分类方法、装置和计算机可读存储介质。
技术介绍
图像中局部特征分类是指针对图像中的某个局部特征进行分类的问题，例如，自动驾驶采集的道路图像中的车道线分类，人脸五官(如眼睛、发型类型)特征的分类等。现有的解决方案一般分为两种：一种是基于大量数据的图像特征分类，需要对大量数据进行标注，并采用一个分类的深度神经网络，通过不断地训练，从而找到对应的特征进行分类；另外一种技术是采用pipeline的方式，先利用物体识别(ObjectDetection)或者图像分割技术，提取图像局部特征后，再采用机器学习算法完成分类训练。针对上述第一种分类方法来说，该方法的缺点是需要标注的数据量大，而且由于受到复杂背景的干扰，该模型一般收敛慢或者难以收敛；而另外一种是采用管道(pipeline)的方式，该方法的缺点是将物体识别或分割与分类隔离，即需要分别取优化分割或识别算法以及分类算法，流程较为复杂，且最终分类结果受图像识别或分割结果的影响很大。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种图像局部特征的分类方法、装置和计算机可读存储介质。为达到上述目的，本专利技术的技术方案是这样实现的：本专利技术实施例提供了一种图像局部特征的分类方法，所述方法包括：获取目标图像；运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。上述方案中，所述图像识别模型，包括：串联混合卷积神经网络；所述方法还包括：训练所述串联混合卷积神经网络，根据训练后的所述串联混合卷积神经网络获得所述图像识别模型。上述方案中，所述训练所述串联混合卷积神经网络，包括：获取预设数量的训练图像，确定所述预设数量的训练图像中每个训练图像的分割标签和分类标签；根据所述训练图像、所述训练图像对应的所述分割标签和分类标签，训练所述串联混合卷积神经网络。上述方案中，所述串联混合卷积神经网络包括：第一输出端和第二输出端；所述根据所述训练图像、所述训练图像对应的所述分割标签和分类标签，训练所述串联混合卷积神经网络，包括：将所述训练图像、所述训练图像对应的所述分割标签和分类标签输入所述串联混合卷积神经网络，获得所述第一输出端输出的第一结果、及所述第二输出端输出的第二结果；所述第一结果表征所述串联混合卷积神经网络提取的所述训练图像包含的训练局部特征；所述第二结果表征所述串联混合卷积神经网络识别的所述训练局部特征对应的训练类别；根据所述分割标签、所述第一结果、所述分类标签和所述第二结果构造联合损失函数；根据所述联合损失函数对所述串联混合卷积神经网络进行反向传播，以更新所述串联混合卷积神经网络中的权重值。上述方案中，所述运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果，包括：将所述目标图像输入所述图像识别模型；所述图像识别模型识别所述目标图像，提取所述目标图像的局部特征并识别所述局部特征的类别，根据所述局部特征和所述局部特征的类别获得所述目标图像的识别结果。本专利技术实施例提供了一种图像局部特征的分类装置，所述装置包括：第一处理模块和第二处理模块；其中，所述第一处理模块，用于获取目标图像；所述第二处理模块，用于运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。上述方案中，所述图像识别模型，包括：串联混合卷积神经网络；所述装置还包括：预处理模块，用于训练所述串联混合卷积神经网络，根据训练后的所述串联混合卷积神经网络获得所述图像识别模型；所述预处理模块，具体用于获取预设数量的训练图像，确定所述预设数量的训练图像中每个训练图像的分割标签和分类标签；根据所述训练图像、所述训练图像对应的所述分割标签和分类标签，训练所述串联混合卷积神经网络。上述方案中，所述串联混合卷积神经网络包括：第一输出端和第二输出端；所述预处理模块，具体用于将所述训练图像、所述训练图像对应的所述分割标签和分类标签输入所述串联混合卷积神经网络，获得所述第一输出端输出的第一结果、及所述第二输出端输出的第二结果；所述第一结果表征所述串联混合卷积神经网络提取的所述训练图像包含的训练局部特征；所述第二结果表征所述串联混合卷积神经网络识别的所述训练局部特征对应的训练类别；根据所述分割标签、所述第一结果、所述分类标签和所述第二结果构造联合损失函数；根据所述联合损失函数对所述串联混合卷积神经网络进行反向传播，以更新所述串联混合卷积神经网络中的权重值。本专利技术实施例提供了一种图像局部特征的分类装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行以上所述的任意一种图像局部特征的分类方法的步骤。本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的任意一种图像局部特征的分类方法的步骤。本专利技术实施例所提供的图像局部特征的分类方法、装置和计算机可读存储介质，获取目标图像；运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。本专利技术实施例中，同时输出图像局部特征的分割结果和分类结果，分类结果不受图像识别或分割结果的影响，提高分类的准确度。附图说明图1为本专利技术实施例提供的一种图像局部特征的分类方法的流程示意图；图2为本专利技术实施例提供的一种常用的图像分类网络的结构示意图；图3为本专利技术实施例提供的一种串联混合卷积神经网络的结构示意图；图4为本专利技术实施例提供的一种训练串联混合卷积神经网络的流程示意图；图5为本专利技术实施例提供的一种图像局部特征的分类装置的结构示意图；图6为本专利技术实施例提供的另一种图像局部特征的分类装置的结构示意图。具体实施方式在本专利技术的各种实施例中，获取目标图像；运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。下面结合实施例对本专利技术再作进一步详细的说明。图1为本专利技术实施例提供的一种图像局部特征的分类方法的流程示意图；所述方法可以应用于服务器，如图1所示，所述方法包括：步骤101、获取目标图像。这里，所述目标图像为待识别图像。在一实施例中，所述目标图像可以保存在服务器中，由所述服务器读取自身保存的目标图像，即获取目标图像；在另一实施例中，可以由其他终端将目标图像发送给所述服务器，从而所述服务器获得所述目标图像。步骤102、运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。具体来说，所述运用预设的图像识别模型识别所述目标图像，获得所述目标图像的局部特征的分割结果和分类结果，包括：将所述目标图像输入所述图像识别模型；所述图像识别模型识别所述目标图像，提取所述目标图像的局部特征并识别所述局部特征的类别，根据所述局部特征和所述局部特征的类别获得所述目标图像的识别结果。这里需要说明的是，根据识别需求可以预先设定所述图像识别模型仅输本文档来自技高网...

【技术保护点】
1.一种图像局部特征的分类方法，其特征在于，所述方法包括：获取目标图像；运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。

【技术特征摘要】
1.一种图像局部特征的分类方法，其特征在于，所述方法包括：获取目标图像；运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果；所述识别结果包括：所述目标图像的局部特征和所述局部特征对应的类别。2.根据权利要求1所述的方法，其特征在于，所述图像识别模型，包括：串联混合卷积神经网络；所述方法还包括：训练所述串联混合卷积神经网络，根据训练后的所述串联混合卷积神经网络获得所述图像识别模型。3.根据权利要求2所述的方法，其特征在于，所述训练所述串联混合卷积神经网络，包括：获取预设数量的训练图像，确定所述预设数量的训练图像中每个训练图像的分割标签和分类标签；根据所述训练图像、所述训练图像对应的所述分割标签和分类标签，训练所述串联混合卷积神经网络。4.根据权利要求3所述的方法，其特征在于，所述串联混合卷积神经网络包括：第一输出端和第二输出端；所述根据所述训练图像、所述训练图像对应的所述分割标签和分类标签，训练所述串联混合卷积神经网络，包括：将所述训练图像、所述训练图像对应的所述分割标签和分类标签输入所述串联混合卷积神经网络，获得所述第一输出端输出的第一结果、及所述第二输出端输出的第二结果；所述第一结果表征所述串联混合卷积神经网络提取的所述训练图像包含的训练局部特征；所述第二结果表征所述串联混合卷积神经网络识别的所述训练局部特征对应的训练类别；根据所述分割标签、所述第一结果、所述分类标签和所述第二结果构造联合损失函数；根据所述联合损失函数对所述串联混合卷积神经网络进行反向传播，以更新所述串联混合卷积神经网络中的权重值。5.根据权利要求1所述的方法，其特征在于，所述运用预设的图像识别模型识别所述目标图像，获得所述目标图像的识别结果，包括：将所述目标图像输入所述图像识别模型；所述图像识别模型识别所述目标图像，提取所述目标图像的局部特征并识别所述局部特征的类别，根据所述局部特征和所述局部特征的类别获得所述目标图像的...

【专利技术属性】
技术研发人员：赵璐，刘佑达，马杰，钟宜峰，李鹏飞，
申请(专利权)人：咪咕文化科技有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：北京,11