基于人工智能的图像识别方法、装置、计算机设备及介质制造方法及图纸

本申请提供了一种基于人工智能的图像识别方法、装置、计算机设备及介质，属于图像处理技术领域。本申请基于数据增强处理后的每个第二样本图像预处理得到的至少两个第三样本图像进行训练，得到证件照识别模型，可以在样本图像数量较少的情况下，通过训练得到识别结果较为准确的证件照识别模型，通过证件照识别模型中输入尺度不同的至少两个深度神经网络分别对原始图像预处理后得到的至少两个预处理图像并行进行预测处理，可以综合尺度不同的深度神经网络的识别结果进行判断，避免单个深度神经网络误判，在目标概率符合第一预设条件的情况下，将原始图像识别为证件照图像，无需识别原始图像中的字符，避免背景中的字符影响识别，提高识别准确率。

Image recognition method, device, computer equipment and media based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的图像识别方法、装置、计算机设备及介质
本申请涉及图像处理
，特别涉及一种基于人工智能的图像识别方法、装置、计算机设备及介质。
技术介绍
在开放式的网络环境中，作为网络安全的第一道防线，身份认证有着至关重要的作用，但在现实生活中，人们可能不会随时携带着相关证件，从而可能会导致无法及时进行身份认证，进而导致有些需要进行身份认证的才能使用的功能无法使用。因此，亟需一种图像识别方法，来从终端获取到的图像中识别出属于证件照的图像，以便用户保存到终端的本地存储中以供下次需要进行身份识别时使用。目前主要是通过利用光学字符识别（OpticalCharacterRecognition，OCR）技术，来对图像中的字符进行识别，从而根据识别出的字符判断该图像是否属于证件照图像，从而实现从大量图像中识别出证件照图像。运用OCR技术通过识别字符来对证件照进行识别时，如果证件照图像的背景中包含与身份信息或证件照相关的字符，可能会对证件照的识别造成影响，导致识别准确率较低。
技术实现思路
本申请实施例提供了一种基于人工本文档来自技高网...

【技术保护点】
1.一种基于人工智能的图像识别方法，其特征在于，所述方法包括：/n获取至少一个第一样本图像和所述至少一个第一样本图像的标签，所述标签用于指示所述第一样本图像是否属于证件照图像；/n对所述至少一个第一样本图像进行数据增强处理，得到所述第一样本图像对应的至少两个第二样本图像，所述数据增强处理包括裁剪、旋转和添加高斯白噪声中的至少一项；/n对所述至少一个第一样本图像以及所述至少两个第二样本图像进行预处理，得到每个所述第一样本图像和所述第二样本图像对应的尺度不同的至少两个第三样本图像；/n基于所述尺度不同的至少两个第三样本图像进行训练，得到证件照识别模型，所述证件照识别模型中包括输入尺度不同的至少两个...

【技术特征摘要】
1.一种基于人工智能的图像识别方法，其特征在于，所述方法包括：
获取至少一个第一样本图像和所述至少一个第一样本图像的标签，所述标签用于指示所述第一样本图像是否属于证件照图像；
对所述至少一个第一样本图像进行数据增强处理，得到所述第一样本图像对应的至少两个第二样本图像，所述数据增强处理包括裁剪、旋转和添加高斯白噪声中的至少一项；
对所述至少一个第一样本图像以及所述至少两个第二样本图像进行预处理，得到每个所述第一样本图像和所述第二样本图像对应的尺度不同的至少两个第三样本图像；
基于所述尺度不同的至少两个第三样本图像进行训练，得到证件照识别模型，所述证件照识别模型中包括输入尺度不同的至少两个深度神经网络；
获取待识别的原始图像，对所述原始图像进行预处理后，将经过预处理得到的至少两个预处理图像输入证件照识别模型，通过所述证件照识别模型中的输入尺度不同的至少两个深度神经网络分别对所述至少两个预处理图像进行证件照图像预测处理，得到与所述至少两个预处理图像分别对应的至少两个预测概率；其中，所述预测概率用于指示所述预处理图像为所述证件照图像的概率；
在所述至少两个预测概率对应的目标概率符合第一预设条件的情况下，将所述原始图像识别为所述证件照图像。


2.根据权利要求1所述的方法，其特征在于，所述通过所述证件照识别模型中的输入尺度不同的至少两个深度神经网络分别对所述至少两个预处理图像进行证件照图像预测处理，得到与所述至少两个预处理图像分别对应的至少两个预测概率包括：
对于所述证件照识别模型中的任一个深度神经网络，通过所述深度神经网络的卷积层，提取与所述深度神经网络的输入尺度对应的预处理图像的特征图；
通过所述深度神经网络的特征采样层，对所述特征图进行采样；
通过所述深度神经网络的特征拼接层，对所述卷积层输出的和采样得到的特征进行融合，得到卷积特征；
对所述卷积特征进行归一化处理，根据归一化处理的结果确定与所述深度神经网络的输入尺度对应的预处理图像的预测概率。


3.根据权利要求1所述的方法，其特征在于，所述对所述原始图像进行预处理后，将经过预处理得到的至少两个预处理图像输入证件照识别模型包括：
根据所述至少两个深度神经网络对应的输入尺度，对所述原始图像进行缩放，得到尺度符合所述至少两个深度神经网络的输入尺度的至少两个预处理图像；
将所述至少两个预处理图像输入所述证件照识别模型。


4.根据权利要求1所述的方法，其特征在于，所述通过所述证件照识别模型中的输入尺度不同的至少两个深度神经网络分别对所述至少两个预处理图像进行证件照图像预测处理，得到与所述至少两个预处理图像分别对应的至少两个预测概率之后，所述方法还包括：
根据所述至少两个预测概率，确定所述至少两个预测概率的平均概率；
将所述平均概率确定为所述目标概率。


5.根据权利要求1所述的方法，其特征在于，所述基于所述尺度不同的至少两个第三样本图像进行训练，得到证件照识别模型包括：
将所述至少两个第三样本图像输入初始模型，所述初始模型中包括输入尺度不同的至少两个初始深度神经网络；
基于所述至少两个第三样本图像和所述至少一个第一样本图像的标签，对所述输入尺度不同的至少两个初始深度神经网络分别进行训练，得到用于进行证件照识别的证件识别模型。


6.根据权利要求5所述的方法，其特征在于，所述基于所述至少两个第三样本图像和所述至少一个第一样本图像的标签，对所述输入尺度不同的至少两个初始深度神经网络分别进行训练包括：
对于所述初始模型中的任一个初始深度神经网络，通过所述初始深度神经网络，对与所述初始深度神经网络的输入尺度对应的第三样本图像进行证件照图像预测处理，确定所述第三样本图像属于证件照图像的概率；
根据所述第三样本图像属于证件照图像的概率与所述第一样本图像的标签，确定损失函数值；
根据所述损失函数值，通过梯度下降法，对所述初始深度神经网络的参数进行调整，直至调整后的初始深度神经网络满足第二预设条件，将满足所述第二预设条件的初始深度神经网络作为所述证件照识别模型中的深度神经网络。


7.根据权利要求1所述的方法，其特征在于，所述对所述至少一个第一样本图像以及所述至少两个第二样本图像进行预处理，得到每个所述第一样本图像和所述第二样本图像对应的尺度不同的至少两个第三样本图像包括：
根据所述至少两个初始深度神经网络对应的输...

【专利技术属性】
技术研发人员：郭梓铿，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44