一种图像识别方法和电子设备技术

本发明专利技术实施例提供了一种图像识别方法和电子设备，该方法应用于电子设备中的协处理器，电子设备中还包括CPU，该方法包括：接收由CPU发送的待识别图像；将待识别图像输入至预先构建的内容识别神经网络，获得内容识别结果；内容识别神经网络：用于识别图像所包含的对象的类别及位置；将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性；将得到的每个对象的类别及属性发送给CPU，以使CPU将接收到的对象的类别及属性，作为待识别图像的图像识别结果。应用本发明专利技术实施例，可以借助内容、属性识别神经网络对图像所包含的对象的类别及属性进行准确识别，并降低CPU的计算压力。

【技术实现步骤摘要】
一种图像识别方法和电子设备
本专利技术涉及图像处理
，特别是涉及一种图像识别方法和电子设备。
技术介绍
目前，常常需要对摄像机监测得到的图像进行识别，以识别该图像中包含的各个对象的类别，以及各个对象的属性。例如，识别一张道路监测图像中包含的一个对象的类别为车，并识别该车的车型、颜色等属性。其中，由于摄像机会源源不断的采集图像数据，因而需要进行识别的图像的数量是非常巨大的。而在相关技术中，常常通过中央处理器CPU来处理这些大量的图像，以识别这些图像中包含的对象的类别，以及这些对象的属性。但是，该种通过CPU来对图像进行识别的方式，当需要识别的图像较多时，会给CPU造成较大的计算压力。
技术实现思路
本专利技术实施例的目的在于提供一种图像识别方法和电子设备，以准确识别图像所包含对象的类别及属性，并降低CPU的计算压力。第一方面，本专利技术实施例提供了一种图像识别方法，该方法应用于电子设备中的协处理器，该电子设备中还包括中央处理器CPU，该方法可以包括：接收由CPU发送的待识别图像；将待识别图像输入至预先构建的内容识别神经网络，获得内容识别结果，内容识别结果中包括：待识别图像所包含的对象的类别及位置；其中，内容识别神经网络：用于识别图像所包含的对象的类别及位置；将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性；其中，属性识别神经网络用于识别对象的属性；将得到的每个对象的类别及属性发送给CPU，以使CPU将接收到的对象的类别及属性，作为待识别图像的图像识别结果。可选地，将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，可以包括：基于预设映射关系和待识别图像所包含的每个对象的类别，确定每个对象对应的属性识别神经网络；其中，预设映射关系包括：预设的类别和预先构建的属性识别神经网络之间的对应关系；将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性。可选地，将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性的步骤，可以包括：将待识别图像所包含的对象分为两组，得到第一组对象和第二组对象；基于第一组对象中每个对象的位置，将第一组对象中每个对象输入至：该对象对应的属性识别神经网络，得到第一组对象中每个对象的属性；将第二组对象中每个对象的位置发送至CPU，以使CPU基于第二组对象中每个对象的位置，将第二组对象中每个对象输入至：该对象对应的属性识别神经网络，得到第二组对象中每个对象的属性；将得到的每个对象的类别及属性发送给CPU的步骤，包括：将第一组对象中每个对象的类别及属性，第二组对象中每个对象的类别发送至CPU，以使CPU将第一组对象中每个对象的类别及属性，和第二组对象中每个对象的类别及属性，作为待识别图像的图像识别结果。可选地，将待识别图像所包含的对象分为两组，得到第一组对象和第二组对象的步骤，可以包括：从待识别图像所包含的对象中选择出预设数量个对象，作为第一组对象，剩余对象作为第二组对象；或者，将待识别图像中第一预设类别的对象，作为第一组对象，将待识别图像中不为第一预设类别的对象，作为第二组对象。可选地，将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性的步骤，可以包括：将待识别图像所包含的对象中为第二预设类别的每个第一对象的位置发送至CPU，以使CPU基于每个第一对象的位置，将每个第一对象输入至：该第一对象对应的属性识别神经网络中的第一类属性识别神经网络，得到每个第一对象的第一类属性；将每个第一对象输入至：该第一对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第一对象的第二类属性；将待识别图像所包含的对象中不为第二预设类别的每个第二对象，输入至：该第二对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第二对象的第二类属性；将得到的每个对象的类别和属性发送给CPU的步骤，包括：将每个第一对象的第二类属性和类别，及每个第二对象的第二属性和类别发送至CPU，以使CPU将每个第一对象的第一类属性、第二类属性和类别，以及每个第二对象的第二类属性及类别，作为待识别图像的图像识别结果。可选地，将得到的每个对象的类别及属性发送给CPU，以使CPU将接收到的对象的类别及属性，作为待识别图像的图像识别结果的步骤，可以包括：将得到的每个对象的位置、类别及属性发送给CPU，以使CPU将接收到的对象的位置、类别及属性，作为待识别图像的图像识别结果。可选地，内容识别神经网络还用于识别图像所包含的对象的类别对应的置信度；内容识别结果中还包括：图像所包含的对象的类别对应的置信度；在将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性之前，方法还可以包括：判断得到的置信度是否大于预设阈值；若是，将大于预设阈值的置信度对应的对象，作为筛选后的对象；将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，包括：基于筛选后的每个对象的位置，将筛选后的每个对象发送至预先构建的属性识别神经网络进行属性识别，得到筛选后的每个对象的属性；将得到的每个对象的类别及属性发送给CPU的步骤，包括：将得到的筛选后的每个对象的类别及属性发送给CPU。可选地，协处理器包括图形处理器GPU、数字信号处理器DSP和现场可编程门阵列处理器FPGA中的至少一种。可选地，将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，包括：将得到的每个位置对应的对象进行缩放处理；将缩放处理后得到的每个对象输入至预先构建的属性识别神经网络，获得每个对象的属性。可选地，待识别图像为：CPU对原始图像进行图像格式转换和缩放处理后得到的。第二方面，本专利技术实施例还提供了一种电子设备，该电子设备可以包括协处理器和中央处理器CPU；CPU用于向协处理器发送待识别图像；协处理器用于接收CPU发送的待识别图像；协处理器还用于：将待识别图像输入至预先构建的内容识别神经网络，获得内容识别结果，内容识别结果中包括：待识别图像所包含的对象的类别及位置；其中，内容识别神经网络：用于识别图像所包含的对象的类别及位置；协处理器还用于：将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性；其中，属性识别神经网络用于识别对象的属性；协处理器还用于：将得到的每个对象的类别及属性发送给CPU；CPU，还用于接收协处理器发送的每个对象的类别及属性，并将接收到的对象的类别及属性，作为待识别图像的图像识别结果。可选地，在本专利技术实施例中，该协处理器具体可以用于：基于预设映射关系和待识别图像所包含的每个对象的类别，确定每个对象对应的属性识别神经网络；其中，预设映射关系包括：预设的类别和预先构建的属性识别神经网络之间的对应关系；将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性。可选地，在本专利技术实施例中，协处理器具体可以用于：将待识别图像所包含的对象分为两组，得到第一组对象和第二组对象；基于第一组对象中每个对象的位置，将第一组对象中每个对象输入至：该对象对应的属性识别神经网络，得到第一组对象中每个对象的属性；将第二本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，应用于电子设备中的协处理器，所述电子设备中还包括中央处理器CPU，所述方法包括：接收由所述CPU发送的待识别图像；将所述待识别图像输入至预先构建的内容识别神经网络，获得内容识别结果，所述内容识别结果中包括：所述待识别图像所包含的对象的类别及位置；其中，所述内容识别神经网络：用于识别图像所包含的对象的类别及位置；将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性；其中，所述属性识别神经网络用于识别对象的属性；将得到的每个对象的类别及属性发送给所述CPU，以使所述CPU将接收到的对象的类别及属性，作为所述待识别图像的图像识别结果。

【技术特征摘要】
1.一种图像识别方法，其特征在于，应用于电子设备中的协处理器，所述电子设备中还包括中央处理器CPU，所述方法包括：接收由所述CPU发送的待识别图像；将所述待识别图像输入至预先构建的内容识别神经网络，获得内容识别结果，所述内容识别结果中包括：所述待识别图像所包含的对象的类别及位置；其中，所述内容识别神经网络：用于识别图像所包含的对象的类别及位置；将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性；其中，所述属性识别神经网络用于识别对象的属性；将得到的每个对象的类别及属性发送给所述CPU，以使所述CPU将接收到的对象的类别及属性，作为所述待识别图像的图像识别结果。2.根据权利要求1所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，包括：基于预设映射关系和所述待识别图像所包含的每个对象的类别，确定所述每个对象对应的属性识别神经网络；其中，所述预设映射关系包括：预设的类别和预先构建的属性识别神经网络之间的对应关系；将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性。3.根据权利要求2所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性的步骤，包括：将所述待识别图像所包含的对象分为两组，得到第一组对象和第二组对象；基于所述第一组对象中每个对象的位置，将所述第一组对象中每个对象输入至：该对象对应的属性识别神经网络，得到所述第一组对象中每个对象的属性；将所述第二组对象中每个对象的位置发送至所述CPU，以使所述CPU基于所述第二组对象中每个对象的位置，将所述第二组对象中每个对象输入至：该对象对应的属性识别神经网络，得到所述第二组对象中每个对象的属性；所述将得到的每个对象的类别及属性发送给所述CPU的步骤，包括：将所述第一组对象中每个对象的类别及属性，所述第二组对象中每个对象的类别发送至所述CPU，以使所述CPU将所述第一组对象中每个对象的类别及属性，和所述第二组对象中每个对象的类别及属性，作为所述待识别图像的图像识别结果。4.根据权利要求3所述的方法，其特征在于，所述将所述待识别图像所包含的对象分为两组，得到第一组对象和第二组对象的步骤，包括：从所述待识别图像所包含的对象中选择出预设数量个对象，作为第一组对象，剩余对象作为第二组对象；或者，将所述待识别图像中第一预设类别的对象，作为第一组对象，将所述待识别图像中不为所述第一预设类别的对象，作为第二组对象。5.根据权利要求2所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性的步骤，包括：将所述待识别图像所包含的对象中为第二预设类别的每个第一对象的位置发送至所述CPU，以使所述CPU基于每个第一对象的位置，将每个第一对象输入至：该第一对象对应的属性识别神经网络中的第一类属性识别神经网络，得到每个第一对象的第一类属性；将所述每个第一对象输入至：该第一对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第一对象的第二类属性；将所述待识别图像所包含的对象中不为所述第二预设类别的每个第二对象，输入至：该第二对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第二对象的第二类属性；所述将得到的每个对象的类别和属性发送给所述CPU的步骤，包括：将每个第一对象的第二类属性和类别，及每个第二对象的第二属性和类别发送至所述CPU，以使所述CPU将每个第一对象的第一类属性、第二类属性和类别，以及每个第二对象的第二类属性及类别，作为所述待识别图像的图像识别结果。6.根据权利要求1-5中任一项所述的方法，其特征在于，所述将得到的每个对象的类别及属性发送给所述CPU，以使所述CPU将接收到的对象的类别及属性，作为所述待识别图像的图像识别结果的步骤，包括：将得到的每个对象的位置、类别及属性发送给所述CPU，以使所述CPU将接收到的对象的位置、类别及属性，作为所述待识别图像的图像识别结果。7.根据权利要求1-5中任一项所述的方法，其特征在于，所述内容识别神经网络还用于识别图像所包含的对象的类别对应的置信度；所述内容识别结果中还包括：所述图像所包含的对象的类别对应的置信度；在所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性之前，所述方法还包括：判断得到的置信度是否大于预设阈值；若是，将大于所述预设阈值的置信度对应的对象，作为筛选后的对象；所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，包括：基于筛选后的每个对象的位置，将筛选后的每个对象发送至预先构建的属性识别神经网络进行属性识别，得到筛选后的每个对象的属性；所述将得到的每个对象的类别及属性发送给所述CPU的步骤，包括：将得到的筛选后的每个对象的类别及属性发送给所述CPU。8.根据权利要求1所述的方法，其特征在于，所述协处理器包括图形处理器GPU、数字信号处理器DSP和现场可编程门阵列处理器FPGA中的至少一种。9.根据权利要求1所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对...

【专利技术属性】
技术研发人员：张子敬，颜奉丽，王星晨，朱涛，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33