一种图像中的对象标识信息识别方法、装置及存储介质制造方法及图纸

本申请公开了一种图像中的对象标识信息识别方法、装置及存储介质，所述方法包括：获取待识别对象图像；基于对象标识信息识别模型，得到所述待识别对象图像所对应的对象标识信息；所述对象标识信息识别模型的训练方法包括：构建预设机器学习模型，并将预设机器学习模型确定为当前机器学习模型；将样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征；确定每类图像特征子集的类中心；基于所述每类图像特征子集的类中心，确定交叉熵损失值；基于所述交叉熵损失值，确定对象标识信息识别模型。采用本申请构建的对象标识信息识别模型，进行对象标识信息的识别处理，提高了图像中对象标识信息的识别准确率。

A recognition method, device and storage medium of object identification information in image

【技术实现步骤摘要】
一种图像中的对象标识信息识别方法、装置及存储介质
本申请涉及图像识别
，尤其涉及一种图像中的对象标识信息识别方法、装置及存储介质。
技术介绍
现有技术中，对视频信息中某一个特定对象进行识别时，通常是基于样本与全连接层权重间欧式距离构建损失函数，并确定识别模型。将全连接层权重作为类中心计算样本和某类之间相似度时，由于全连接层的表达能力很强，因此其容易对样本进行过拟合，从而导致将其权重作为类中心时无法代表该类样本真正的分布情况；此外，基于欧式距离计算向量相似度时，数值会受到向量本身模大小的影响，无法准确地描述样本与类的归属关系，从而无法准确识别图像中的对象标识。因此，有必要提供一种图像中的对象标识信息识别方法、装置及存储介质，减小训练期间对象标识信息识别模型的过拟合，提高模型的泛化能力，从而提高图像中对象标识信息的识别准确率。
技术实现思路
本申请提供了一种图像中的对象标识信息识别方法、装置及存储介质，可以减小训练期间对象标识信息识别模型的过拟合，提高模型的泛化能力，从而提高图像中对象标识信息的识别准确率。一方面，本申请提供了一种图像中的对象标识信息识别方法，所述方法包括：获取待识别对象图像；基于对象标识信息识别模型，对所述待识别对象图像进行对象标识信息识别处理，得到所述待识别对象图像所对应的对象标识信息；其中，所述对象标识信息识别模型的训练方法包括：构建预设机器学习模型，并将所述预设机器学习模型确定为当前机器学习模型；将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集，所述图像特征集包括至少一类图像特征子集；确定每类图像特征子集的样本中心，并将所述每类图像特征子集的样本中心作为所述每类图像特征子集的类中心；基于所述每类图像特征子集的类中心，确定交叉熵损失值；当所述交叉熵损失值大于预设阈值时，基于所述交叉熵损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后机器学习模型，将所述更新后机器学习模型重新确定为所述当前机器学习模型；重复步骤：将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集；当所述交叉熵损失值小于或等于所述预设阈值时，将所述当前机器学习模型确定为所述对象标识信息识别模型。另一方面提供了一种图像中的对象标识信息识别装置，所述装置包括：待识别对象图像获取模块，用于获取待识别对象图像；对象标识信息识别模块，用于基于对象标识信息识别模型，对所述待识别对象图像进行对象标识信息识别处理，得到所述待识别对象图像所对应的对象标识信息；对象标识信息识别模型训练模块，所述对象标识信息识别模型训练模块包括：当前机器学习模型确定子模块，用于构建预设机器学习模型，并将所述预设机器学习模型确定为当前机器学习模型；图像特征集确定子模块，用于将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集，所述图像特征集包括至少一类图像特征子集；类中心确定子模块，用于确定每类图像特征子集的样本中心，并将所述每类图像特征子集的样本中心作为所述每类图像特征子集的类中心；交叉熵损失值确定子模块，用于基于所述每类图像特征子集的类中心，确定交叉熵损失值；模型更新子模块，用于当所述交叉熵损失值大于预设阈值时，基于所述交叉熵损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后机器学习模型，将所述更新后机器学习模型重新确定为所述当前机器学习模型；重复步骤：将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集；对象标识信息识别模型确定子模块，用于当所述交叉熵损失值小于或等于所述预设阈值时，将所述当前机器学习模型确定为所述对象标识信息识别模型。另一方面提供了一种图像中的对象标识信息识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的图像中的对象标识信息识别方法。另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的图像中的对象标识信息识别方法。本申请提供的图像中的对象标识信息识别方法、装置及存储介质，具有如下技术效果：本申请在对象标识信息识别模型的训练过程中，将样本对象图像集对应的每类图像特征子集的样本中心作为所述每类图像特征子集的类中心，计算交叉熵损失值，从而减小训练期间模型的过拟合，提高了模型的泛化能力；采用本申请构建的对象标识信息识别模型，进行对象标识信息的识别处理，提高了图像中对象标识信息的识别准确率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本申请实施例提供的一种对象标识信息识别系统的示意图；图2是本申请实施例提供的一种图像中的对象标识信息识别方法的流程示意图；图3是本申请实施例提供的一种确定目标对象的移动轨迹的方法的流程示意图；图4是本申请实施例提供的一种确定样本对象图像集对应的图像特征集的方法的流程示意图；图5是本申请实施例提供的另一种确定样本对象图像集对应的图像特征集的方法的流程示意图；图6是本申请实施例提供的一种确定对象标识信息识别模型的方法的流程示意图；图7是本申请实施例提供的一种确定每类图像特征子集的样本中心的方法的流程示意图；图8是本申请实施例提供的一种确定交叉熵损失值的方法的流程示意图；图9是本申请实施例提供的一种实时采集的样本对象图像集的示意图；图10是本申请实施例提供的一种区块链系统的结构示意图；图11是本申请实施例提供的区块结构示意图；图12是本申请实施例提供的一种对象标识信息识别装置的结构示意图；图13是本申请实施例提供的一种服务器的结构示意图。具体实施方式人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决本文档来自技高网...

【技术保护点】
1.一种图像中的对象标识信息识别方法，其特征在于，所述方法包括：/n获取待识别对象图像；/n基于对象标识信息识别模型，对所述待识别对象图像进行对象标识信息识别处理，得到所述待识别对象图像所对应的对象标识信息；/n其中，所述对象标识信息识别模型的训练方法包括：/n构建预设机器学习模型，并将所述预设机器学习模型确定为当前机器学习模型；/n将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集，所述图像特征集包括至少一类图像特征子集；/n确定每类图像特征子集的样本中心，并将所述每类图像特征子集的样本中心作为所述每类图像特征子集的类中心；/n基于所述每类图像特征子集的类中心，确定交叉熵损失值；/n当所述交叉熵损失值大于预设阈值时，基于所述交叉熵损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后机器学习模型，将所述更新后机器学习模型重新确定为所述当前机器学习模型；重复步骤：将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集；/n当所述交叉熵损失值小于或等于所述预设阈值时，将所述当前机器学习模型确定为所述对象标识信息识别模型。/n...

【技术特征摘要】
1.一种图像中的对象标识信息识别方法，其特征在于，所述方法包括：
获取待识别对象图像；
基于对象标识信息识别模型，对所述待识别对象图像进行对象标识信息识别处理，得到所述待识别对象图像所对应的对象标识信息；
其中，所述对象标识信息识别模型的训练方法包括：
构建预设机器学习模型，并将所述预设机器学习模型确定为当前机器学习模型；
将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集，所述图像特征集包括至少一类图像特征子集；
确定每类图像特征子集的样本中心，并将所述每类图像特征子集的样本中心作为所述每类图像特征子集的类中心；
基于所述每类图像特征子集的类中心，确定交叉熵损失值；
当所述交叉熵损失值大于预设阈值时，基于所述交叉熵损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后机器学习模型，将所述更新后机器学习模型重新确定为所述当前机器学习模型；重复步骤：将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集；
当所述交叉熵损失值小于或等于所述预设阈值时，将所述当前机器学习模型确定为所述对象标识信息识别模型。


2.根据权利要求1所述的方法，其特征在于，所述确定每类图像特征子集的样本中心的步骤之前，所述方法还包括：
确定所述图像特征集中每个图像特征对应的对象标识信息；
将所述图像特征集中的图像特征按照对象标识信息进行分类，得到至少一类图像特征子集；
相应的，所述确定每类图像特征子集的样本中心包括：
根据所述每类图像特征子集中各个图像特征对应的特征值，计算所述每类图像特征子集的图像特征平均值；
将所述每类图像特征子集的图像特征平均值作为所述每类图像特征子集的样本中心。


3.根据权利要求1所述的方法，其特征在于，所述基于所述每类图像特征子集的类中心，确定交叉熵损失值包括：
计算每个图像特征的特征值与所述每个图像特征所在图像特征子集的类中心的余弦相似度；
计算所述每个图像特征对应的余弦相似度与预设分类差值的差，得到所述每个图像特征对应的差值余弦相似度；
基于所述每个图像特征对应的类中心与差值余弦相似度，确定所述交叉熵损失值。


4.根据权利要求3所述的方法，其特征在于，所述基于所述每个图像特征对应的类中心与差值余弦相似度，确定所述交叉熵损失值的计算公式如下：



其中，L为交叉熵损失值，N为类的个数，S为预设放大常量，m为预设分类差值；f为当前样本的图像特征，i，j均表示类；yi为第i类样本对应的类标签，为第i类的样本中心。


5.根据权利要求1所述的方法，其特征在于，所述将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集的步骤之前，所述方法还包括：
对所述样本对象图像集中的每个样本对象图像进行预处理；
相应的，所述将标注有对象标识信息的样本对象图像集输入所述当前机器学习模型，确定每个样本对象图像的图像特征，得到图像特征集包括：
对预处理后样本对象图像集进行空间域卷积的降维处理；
对降维后特征图集中每个特征图进行池化处理，得到图像特征集。


6.根据权利要求1所述的方法，其特征在于，所述获取待识别对象图像包括：
从目标视频信息中获取至少两个待识别对象图像；

【专利技术属性】
技术研发人员：宫毅非，蒋忻洋，孙星，郭晓威，余宗桥，彭湃，
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