基于网络模型的图像识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于网络模型的图像识别方法、装置、设备及存储介质，该方法包括：获取红外图像样本；根据第一类CDC网络模型对红外图像样本的类型进行识别；根据识别处理结果输出红外图像样本的类型；其中，红外样本图像的分辨率为第一类CDC网络模型的指定分辨率，第一类CDC网络模型包括两个特征提取模块和一个多尺度空间注意力模块，红外图像样本的类型包括攻击图像或真实图像。相比现有的网络模型结构，本方案中的第一类CDC网络模型具有轻量的结构优势，因此，可以以较少的运算量快速识别出红外样本图像的类型，在低算力场景下具有较好的优势。较好的优势。较好的优势。

【技术实现步骤摘要】
基于网络模型的图像识别方法、装置、设备及存储介质


[0001]本申请实施例涉及网络模型识别领域，尤其涉及一种基于网络模型的图像识别方法、装置、设备及存储介质。

技术介绍

[0002]在生物特征识别领域，人脸识别、手指识别、掌静脉识别等手段被广泛应用于不同的场景下，其中，掌静脉识别方法由于其大多数特征来自于由红外摄像头反射的手掌皮肤下的血管，使得这样的特征更加难以模仿。因此，对于活体攻击而言，该方法具有更好的鲁棒性。现有的网络模型对掌静脉图像进行识别时，识别精度低且运算量较大。

技术实现思路

[0003]本申请实施例提供了一种基于网络模型的图像识别方法、装置、设备及存储介质，该方案中的第一类CDC网络模型具有轻量的结构优势，因此，可以以较少的运算量快速识别出红外样本图像的类型，在低算力场景下具有较好的优势。
[0004]第一方面，本申请实施例提供了一种基于网络模型的图像识别方法，该方法包括：
[0005]获取红外图像样本；
[0006]根据第一类中心差分卷积(Central Difference Convolution，CDC)网络模型对红外图像样本的类型进行识别；
[0007]根据识别处理结果输出红外图像样本的类型；
[0008]其中，红外样本图像的分辨率为第一类CDC网络模型的指定分辨率，第一类CDC网络模型包括两个特征提取模块和一个多尺度空间注意力模块，红外图像样本的类型包括攻击图像或真实图像。
[0009]第二方面，本申请实施例还提供了一种基于网络模型的图像样本识别装置，该装置包括：
[0010]获取模块，用于获取红外图像样本；
[0011]处理模块，用于根据第一类CDC网络模型对红外图像样本的类型进行识别；
[0012]输出模块，用于根据识别处理结果输出红外图像样本的类型；
[0013]其中，红外样本图像的分辨率为第一类CDC网络模型的指定分辨率，第一类CDC网络模型包括两个特征提取模块和一个多尺度空间注意力模块，红外图像样本的类型包括攻击图像或真实图像。
[0014]第三方面，本申请实施例还提供了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行计算机程序时，实现如本申请任意实施例提供的基于网络模型的图像识别方法。
[0015]第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请任意实施例提供的基于网络模型的图像识别方法。
[0016]本申请实施例提供了一种基于网络模型的图像识别方法、装置、设备及存储介质，该方法包括：获取红外图像样本；根据第一类CDC网络模型对红外图像样本的类型进行识别；根据识别处理结果输出红外图像样本的类型；其中，红外样本图像的分辨率为第一类CDC网络模型的指定分辨率，第一类CDC网络模型包括两个特征提取模块和一个多尺度空间注意力模块，红外图像样本的类型包括攻击图像或真实图像。相比现有的网络模型结构，本方案中的第一类CDC网络模型具有轻量的结构优势，因此，可以以较少的运算量快速识别出红外样本图像的类型，在低算力场景下具有较好的优势。
附图说明
[0017]图1为本申请实施例中的一种基于网络模型的图像识别方法的流程图；
[0018]图2是本申请实施例中的第一类CDC网络模型的结构示意图；
[0019]图3为本申请实施例提供的第一类CDC网络模型针对攻击图像和真实图像的识别结果可视化图；
[0020]图4a为本申请实施例提供的两种预处理方式下的打印攻击图像；
[0021]图4b为本申请实施例提供的两种预处理方式下的剪裁后的攻击图像；
[0022]图5为本申请实施例提供的一种基于网络模型的图像识别装置的结构示意图；
[0023]图6为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0024]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0025]另外，在本申请实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本申请实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
[0026]图1为本申请实施例提供的一种基于网络模型的图像识别方法的流程图，该方法可以应用于红外图像识别场景下，能够快速识别出红外图像的具体类型(例如，为真实样本或者为攻击样本)。该方法可以由本申请实施例提供的基于网络模型的图像识别装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在计算机设备中，计算机设备比如可以是服务器、个人电脑等。以下实施例将以该装置集成在计算机设备中为例进行说明，如图1所示，该方法可以包括但不限于以下步骤：
[0027]S101、获取红外图像样本。
[0028]本申请实施例中的红外图像样本可以为基于红外摄像头采集的图像，示例性地，采集到的红外图像可以包括掌静脉图像、人脸图像、手指图像等。该红外图像样本的分辨率为第一类CDC网络模型的指定分辨率，该第一类CDC网络模型可以理解为识别红外图像样本的模型，示例性定地，第一类CDC网络模型的指定分辨率可以为128*128。
[0029]S102、根据第一类CDC网络模型对红外图像样本的类型进行识别。
[0030]在本申请实施例中，第一类CDC网络模型是对现有的CDCN模型结构进行轻量化改
进后得到，其具有参数量少、网络结构简单、运算速度快的优势，并且相较于CDCN模型要求的256*256分辨率，其指定图像分辨率也更低。示例性地，该第一类CDC网络模型的结构示意图如图2所示。在第一类CDC网络模型中包括有两个特征提取模块和一个多尺度空间注意力模块。
[0031]S103、根据识别处理结果输出红外图像样本的类型。
[0032]本申请实施例中，红外图像样本的类型包括攻击图像或真实图像。以红外图像样本为掌静脉手掌图像为例，真实图像可以理解为基于红外摄像头采集到的关于真实手掌的掌静脉的图像，攻击图像可以理解为红外摄像头采集到的在A4纸上打印的手掌掌静脉的图像。
[0033]在本申请实施例中，获取红外样本图像后，基于第一类CDC网络模型对红外图像样本进行识别处理，由于该第一类CDC网络模型包括两个特征提取模块和一个多尺度空间注意力模块，并且，该第一类CDC网络模型指定了输入的红外图像样本的分辨率，相比现有的网络模型结构，具有轻量的结构优势，因此，可以以较少的运算量快速识别出红外样本图像的类型，在低算力场景下具有较好的优势。
[0034]在本申请实施例中，第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网络模型的图像识别方法，其特征在于，包括：获取红外图像样本；根据第一类中心差分卷积CDC网络模型对所述红外图像样本的类型进行识别；根据识别处理结果输出所述红外图像样本的类型；其中，所述红外样本图像的分辨率为所述第一类CDC网络模型的指定分辨率，所述第一类CDC网络模型包括两个特征提取模块和一个多尺度空间注意力模块，所述红外图像样本的类型包括攻击图像或真实图像。2.根据权利要求1所述的方法，其特征在于，所述指定分辨率为128*128。3.根据权利要求1所述的方法，其特征在于，所述根据第一类CDC网络模型对所述红外图像样本的类型进行识别，包括：以降采样和聚集的方式基于所述第一类CDC网络模型对所述红外图像样本的类型进行识别。4.根据权利要求1或3所述的方法，其特征在于，所述两个特征提取模块包括第一特征提取模块和第二特征提取模块，所述第一特征提取模块和所述第二特征提取模块均包含三个卷积层；所述第一特征提取模块用于基于包含的所述卷积层对输入的红外图像样本进行特征处理，其中，所述输入的红外图像样本为所述第一特征提取模块输入端连接的第一卷积层模块对获取的红外图像样本进行卷积处理后得到的；所述第一特征提取模块与第一处理模块连接，所述第一处理模块用于对所述第一特征提取模块处理后的红外图像样本进行第一次分辨率处理，得到第一红外图像样本。5.根据权利要求4所述的方法，其特征在于，所述第二特征提取模块与第二处理模块连接，所述第二特征提取模块用于基于包含的所述卷积层对所述第一红外图像样本进行特征处理；所述第二处理模块用于对所述第二特征提取模块处理后的红外图像样本进行第...

【专利技术属性】
技术研发人员：埃德温，
申请(专利权)人：广州新科佳都科技有限公司，
类型：发明
国别省市：