【技术实现步骤摘要】
图像识别的方法及装置、电子设备、计算机可读介质
本专利技术涉及图像识别
，特别涉及图像识别的方法及装置、电子设备、计算机可读介质。
技术介绍
图像识别是一个有监督学习过程，在现有技术中，首先利用训练集构造一个数学训练模型，然后将测试集与训练集进行匹配，找到与之对应的训练集图像。最容易的方式是直接利用欧式距离计算测试集的每一幅图像与训练集的每一幅图像的距离，然后选择距离最近的图像作为识别的结果。这种直接计算距离的方式计算量非常大。举例来说，每幅图像大小为100*100，训练集大小1000，则识别测试集中的一幅图像就需要1000*100*100的计算量。通过上述描述可见，现有技术的训练模型的过程中计算量较大。
技术实现思路
本专利技术实施例提供了图像识别的方法及装置、电子设备、计算机可读介质，能够降低训练模型的过程中的计算量。第一方面，本专利技术实施例提供了图像识别的方法，包括：确定用于训练的多个样本图像与类别的对应关系；对所述多个样本图像进行降维处理，生成所述多个样本图
【技术保护点】
1.图像识别的方法，其特征在于，/n确定用于训练的多个样本图像与类别的对应关系；/n对所述多个样本图像进行降维处理，生成所述多个样本图像的样本数据；/n根据所述多个样本图像的样本数据和所述对应关系，对图像识别模型进行训练，直到生成满足要求的图像识别模型；/n还包括：/n利用所述满足要求的图像识别模型对待识别图像进行识别，获取所述满足要求的图像识别模型输出的识别结果。/n
【技术特征摘要】 【专利技术属性】
1.图像识别的方法，其特征在于，
确定用于训练的多个样本图像与类别的对应关系；
对所述多个样本图像进行降维处理，生成所述多个样本图像的样本数据；
根据所述多个样本图像的样本数据和所述对应关系，对图像识别模型进行训练，直到生成满足要求的图像识别模型；
还包括：
利用所述满足要求的图像识别模型对待识别图像进行识别，获取所述满足要求的图像识别模型输出的识别结果。
2.根据权利要求1所述的方法，其特征在于，
所述根据所述多个样本图像的样本数据和所述对应关系，对图像识别模型进行训练，直到生成满足要求的图像识别模型，包括：
S1：将所述多个样本图像的样本数据划分为训练集和测试集；
S2：将所述训练集中的样本数据输入到所述图像识别模型中，获取所述图像识别模型输出的类别；
S3：根据所述对应关系中的类别和所述图像识别模型输出的类别，对应所述图像识别模型进行调整；
S4：利用所述测试集中的样本数据和所述对应关系，确定所述图像识别模型识别的准确率是否大于预设准确率，如果是，则执行S5，否则，返回S2；
S5：将当前的所述图像识别模型作为所述满足要求的图像识别模型。
3.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k最邻近KNN模型；
所述根据所述多个样本图像的样本数据和所述对应关系，对图像识别模型进行训练，直到生成满足要求的图像识别模型，包括：
根据所述多个样本图像的样本数据和所述对应关系，利用KNN算法对所述KNN模型进行训练，直到生成满足要求的KNN模型超参数，根据满足要求的KNN模型超参数得到满足要求的KNN模型。
4.根据权利要求1所述的方法，其特征在于，
所述对所述多个样本图像进行降维处理，生成所述多个样本图像的样本数据，包括：
对所述多个样本图像进行处理，使得每个所述样本图像的像素数量相同；
根据每个所述样本图像的像素信息，生成一个二维数组，其中，所述二维数组的每一行对应一个样本图像，每一行的每个元素表示该行对应的样本图像的一个像素的像素信息；
确定所述二维数组的每行的元素的平均值，将每行的元素减去该行对应的平均值，得到第一矩阵；
确定所述第一矩阵的协方差矩阵；
确定所述协方差矩阵的特征值和特征向量；
确定所述协方差矩阵的最大的k个特征值以及该最大的k个特征值对应的特征向量；
根据该最大的k个特征值对应的特征向量，生成第二矩阵；
将第一矩阵的逆矩阵乘以所述第二矩阵，生成第三矩阵；
将所述二维数组中每个所述样本图像对应的行作为每个所述样本图像的图像向量；
将每个所述样本图像的图像向量乘以所述第三矩阵，得到每个所述样本图像的所述样本数据。
5.根据权利要求1-4中任一所述的方法，其特征在于，
在所述利用所述满足要求的图像识别模型对待识别图像进行识别之前，进一步包括：
对所述待识别图像进行降维处理，生成所述待识别图像的待识别数据；
所述利用所述满足要求的图像识别模型对待识别图像进行识别，包括：
将所述待识别数据输入所述满足要求的图像识别模型中，利用所述满足要求的图像识别模型对所述待识别数据进行处理。
技术研发人员：陈乃阔，刘卓，刘毅枫，
申请(专利权)人：山东超越数控电子股份有限公司，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。