图像识别模型训练方法、图像识别方法及装置制造方法及图纸

本申请适用于图像处理技术领域，提供了一种图像识别模型训练方法、图像识别方法及装置，上述图像识别模型训练方法包括获取训练图像；提取训练图像的卷积特征，并利用持续同调方法提取训练图像的拓扑特征；对拓扑特征进行矢量化，得到矢量化拓扑特征；将卷积特征和矢量化拓扑特征进行自适应融合，得到融合特征；基于融合特征构建图像识别模型。持续同调方法可以提取图像的连通性、孔洞等全局拓扑特征，增强图像识别模型对噪声的鲁棒性，并且对旋转具有良好的不变性。通过将卷积特征和矢量化拓扑特征进行自适应融合，得到的融合特征能全面的实现对图像的表达，提高图像识别的精度。

【技术实现步骤摘要】
图像识别模型训练方法、图像识别方法及装置
本申请属于图像处理
，尤其涉及一种图像识别模型训练方法、图像识别方法及装置。
技术介绍
图像形状识别在公共安全、生物、工业、农业、交通、医疗等很多领域都有广泛的应用，能够帮助智能系统分类感兴趣区域的目标，提高工作效率、公共安全、产业效益。全局特征和局部特征在图像形状分类中具有重要作用，这里的全局特征一般指拓扑特征。但是在认知心理学领域，关于人类视觉是先感知局部特征还是整体特征，一直是同一个热点问题，其中主要分为两派：一是局部优先，另一个是整体优先。前者主要以Marr的计算视觉理论为主，该理论认为视觉信息的获取首先来源于事物的局部特征，例如点、线、面及其组合等属性。成分识别理论认为通过把复杂对象的结构拆分为简单的部件形状，就可进行视觉识别。特征整合理论(FeatureIntegration)，认为视觉处理是一个以自下而上的加工为主要特征的、具有局部交互作用的过程。目前的一些图像形状识别技术也更偏向于提取图像形状的局部信息，当前深度学习领域的卷积神经网络，先提取局部信息，随着层数的增加本文档来自技高网...

【技术保护点】
1.一种图像识别模型训练方法，其特征在于，包括：/n获取训练图像；/n提取所述训练图像的卷积特征，并利用持续同调方法提取所述训练图像的拓扑特征；/n对所述拓扑特征进行矢量化，得到矢量化拓扑特征；/n将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征；/n基于所述融合特征构建图像识别模型。/n

【技术特征摘要】
1.一种图像识别模型训练方法，其特征在于，包括：
获取训练图像；
提取所述训练图像的卷积特征，并利用持续同调方法提取所述训练图像的拓扑特征；
对所述拓扑特征进行矢量化，得到矢量化拓扑特征；
将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征；
基于所述融合特征构建图像识别模型。


2.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述利用持续同调方法提取所述训练图像的拓扑特征，包括：
将所述训练图像进行灰度化处理，生成灰度化图像；
对所述灰度化图像进行过滤；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；
提取过滤后的所述灰度化图像的拓扑特征。


3.根据权利要求2所述的图像识别模型训练方法，其特征在于，所述提取过滤后的所述灰度化图像的拓扑特征，包括：
计算所述灰度化图像中每个像素点的像素值；
将像素值大于预设阈值的所述像素点加入到立方体复形中；其中，所述立方体复形为对所述灰度化图像进行过滤后得到；
计算所述立方体复形中所有所述像素点形成图像的拓扑特征；其中，所述拓扑特征包括以下至少一项：连通性和一维孔。


4.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述将所述卷积特征和所述矢量化拓扑特征进行自适应融合，得到融合特征，包括：
在多个预设方向上对所述训练图像进行过滤，以及提取所述矢量化拓扑特征；其中，所述过滤包括以下至少一项：高度过滤、径向过滤、密度过滤、膨胀过滤和侵蚀过滤；
将所述卷积特征和各个所述预设方向上的所述矢量化拓扑特征进行融合，得到所述融合特征。


5.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述基于所述融合特征构建图像识别模型，包括：
基于所述融合特征构建超香肠神经元，并利用所述超香肠神经元构建图像特征分布空间，形成所述图像识别模型。
<...

【专利技术属性】
技术研发人员：宁欣，张少林，王昌硕，董肖莉，李卫军，
申请(专利权)人：深圳市威富视界有限公司，
类型：发明
国别省市：广东;44