一种基于人工智能的图像识别方法技术

本发明专利技术涉及图像识别，具体涉及一种基于人工智能的图像识别方法，获取待识别图像集，对待识别图像集中的待识别图像进行遍历；利用分类模型识别判断待识别图像是否为不可用图像，并判断剩余待识别图像是否为可用图像；对各可用图像设置标签，并将可用图像与相应标签作为训练数据集，利用训练数据集对图像识别模型进行模型训练；获取原始图像，并将原始图像输入训练好的图像识别模型；图像识别模型的网络主体结构对原始图像中的目标对象进行特征提取，并通过输出层对提取的图像特征进行分类，输出目标对象对应的识别结果；本发明专利技术提供的技术方案能够有效克服现有技术所存在的图像识别准确度较低、不便筛选高质量训练图像进行模型训练的缺陷。练的缺陷。练的缺陷。

【技术实现步骤摘要】
一种基于人工智能的图像识别方法


[0001]本专利技术涉及图像识别，具体涉及一种基于人工智能的图像识别方法。

技术介绍

[0002]人工智能(AI,Artificial Intelligence)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、方法和技术的应用系统。
[0003]图像识别(Image Classification)，是指利用计算机对图像进行处理、分析和理解，以识别处于各种不同模式的目标、对象的技术。随着人工智能技术的发展，图像识别技术也在不断革新，人脸识别、人体识别等技术也越来越广泛的应用在各个领域。
[0004]现有技术中，图像识别通常是通过对图像进行采集、预处理，并对图像进行特征提取，基于图像特征对图像进行识别。然而，现有的图像识别方法准确度较低，并且在对图像识别模型进行模型训练时，有些情况下需要采用高质量的训练图像作为输入样本，而人工筛选高质量训练图像费时费力，不便于模型训练工作的顺利进行。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术所存在的上述缺点，本专利技术提供了一种基于人工智能的图像识别方法，能够有效克服现有技术所存在的图像识别准确度较低、不便筛选高质量训练图像进行模型训练的缺陷。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于人工智能的图像识别方法，包括以下步骤：
[0010]S1、获取待识别图像集，对待识别图像集中的待识别图像进行遍历；
[0011]S2、利用分类模型识别判断待识别图像是否为不可用图像，并判断剩余待识别图像是否为可用图像；
[0012]S3、对各可用图像设置标签，并将可用图像与相应标签作为训练数据集，利用训练数据集对图像识别模型进行模型训练；
[0013]S4、获取原始图像，并将原始图像输入训练好的图像识别模型；
[0014]S5、图像识别模型的网络主体结构对原始图像中的目标对象进行特征提取，并通过输出层对提取的图像特征进行分类，输出目标对象对应的识别结果。
[0015]优选地，S2中利用分类模型识别判断待识别图像是否为不可用图像，包括：
[0016]利用分类模型识别判断待识别图像是否为逆光图像、昏暗图像、物体遮挡图像，若否，则继续判断该待识别图像是否为可用图像；否则判断该待识别图像为不可用图像。
[0017]优选地，S2中判断剩余待识别图像是否为可用图像，包括：
[0018]判断剩余待识别图像是否为模糊图像，以及拍摄视角是否在预设视角范围之外，
若否，则判断该待识别图像为可用图像。
[0019]优选地，所述判断剩余待识别图像是否为模糊图像，包括：
[0020]从待识别图像中截取第一目标区域，并生成第一目标区域对应的灰度图像；
[0021]对灰度图像进行卷积，生成目标灰度图像；
[0022]计算目标灰度图像中所有像素点的灰度方差，若灰度方差小于设定阈值，则判断该待识别图像为模糊图像，否则判断该待识别图像不属于模糊图像。
[0023]优选地，所述判断剩余待识别图像的拍摄视角是否在预设视角范围之外，包括：
[0024]从待识别图像中划分出对应预设视角范围的第二目标区域，并确定目标对象在待识别图像中的目标位置；
[0025]确定目标位置是否在第二目标区域内，若否，则判断该待识别图像的拍摄视角在预设视角范围之外，否则判断该待识别图像的拍摄视角在预设视角范围之内。
[0026]优选地，S3中利用训练数据集对图像识别模型进行模型训练，包括：
[0027]根据图像识别任务，从标签样本中选择与可用图像适配的标签；
[0028]将可用图像输入初始图像识别模型，初始图像识别模型的网络主体结构对目标对象进行特征提取，并通过输出层输出识别结果；
[0029]根据识别结果、标签和损失函数确定损失值，通过优化模型参数使损失值最小，以完成对图像识别模型的模型训练。
[0030]优选地，S3中利用训练数据集对图像识别模型进行模型训练之前，包括：
[0031]获取基于自然图像训练得到的初始图像识别模型的模型参数，并将该模型参数作为初始参数对网络主体结构进行初始化。
[0032]优选地，所述图像识别模型的网络主体结构，包括：
[0033]卷积层，对原始图像中的目标对象进行特征提取，得到第一特征信息；
[0034]稠密连接的卷积神经网络，通过各卷积神经网络模块对第一特征信息进行特征提取，输出中间图像特征；
[0035]过渡层，对稠密连接的卷积神经网络输出的中间图像特征进行下采样，得到第二特征信息；
[0036]池化层，对第二特征信息进行全局平均池化，获取与目标对象对应的图像特征。
[0037]优选地，S5中通过输出层对提取的图像特征进行分类，输出目标对象对应的识别结果，包括：
[0038]根据图像识别任务，在多个输出层中确定目标输出层，并从网络主体结构提取的图像特征中获取与图像识别任务对应的子图像特征；
[0039]对子图像特征进行全连接，得到第三特征信息；
[0040]对第三特征信息中的子特征信息进行归一化，获取子特征信息对应的概率值，并根据概率值确定目标对象对应的识别结果。
[0041]优选地，所述图像识别模型的输出层，包括：
[0042]全连接层，对子图像特征进行全连接，得到第三特征信息；
[0043]归一化层，对第三特征信息中的子特征信息进行归一化，获取子特征信息对应的概率值。
[0044](三)有益效果
[0045]与现有技术相比，本专利技术所提供的一种基于人工智能的图像识别方法，具有以下有益效果：
[0046]1)利用分类模型识别判断待识别图像集中的待识别图像是否为逆光图像、昏暗图像、物体遮挡图像，若都不是则继续判断待识别图像是否为可用图像，当判断待识别图像不属于模糊图像，且拍摄视角在预设视角范围之内时，确定待识别图像为可用图像，从而能够从待识别图像集中筛选出高质量的训练图像，为后续提升图像识别模型的识别准确度提供训练数据支撑；
[0047]2)对各可用图像设置标签，并将可用图像与相应标签作为训练数据集，利用训练数据集对图像识别模型进行模型训练，图像识别模型的网络主体结构对原始图像中的目标对象进行特征提取，并通过输出层对提取的图像特征进行分类，输出目标对象对应的识别结果，从而能够得到更加准确的图像识别结果，经高质量的训练图像进行模型训练得到的图像识别模型能够适用对图像识别具有高精度要求的领域。
附图说明
[0048]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术本文档来自技高网...

【技术保护点】

【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：包括以下步骤：S1、获取待识别图像集，对待识别图像集中的待识别图像进行遍历；S2、利用分类模型识别判断待识别图像是否为不可用图像，并判断剩余待识别图像是否为可用图像；S3、对各可用图像设置标签，并将可用图像与相应标签作为训练数据集，利用训练数据集对图像识别模型进行模型训练；S4、获取原始图像，并将原始图像输入训练好的图像识别模型；S5、图像识别模型的网络主体结构对原始图像中的目标对象进行特征提取，并通过输出层对提取的图像特征进行分类，输出目标对象对应的识别结果。2.根据权利要求1所述的基于人工智能的图像识别方法，其特征在于：S2中利用分类模型识别判断待识别图像是否为不可用图像，包括：利用分类模型识别判断待识别图像是否为逆光图像、昏暗图像、物体遮挡图像，若否，则继续判断该待识别图像是否为可用图像；否则判断该待识别图像为不可用图像。3.根据权利要求2所述的基于人工智能的图像识别方法，其特征在于：S2中判断剩余待识别图像是否为可用图像，包括：判断剩余待识别图像是否为模糊图像，以及拍摄视角是否在预设视角范围之外，若否，则判断该待识别图像为可用图像。4.根据权利要求3所述的基于人工智能的图像识别方法，其特征在于：所述判断剩余待识别图像是否为模糊图像，包括：从待识别图像中截取第一目标区域，并生成第一目标区域对应的灰度图像；对灰度图像进行卷积，生成目标灰度图像；计算目标灰度图像中所有像素点的灰度方差，若灰度方差小于设定阈值，则判断该待识别图像为模糊图像，否则判断该待识别图像不属于模糊图像。5.根据权利要求3所述的基于人工智能的图像识别方法，其特征在于：所述判断剩余待识别图像的拍摄视角是否在预设视角范围之外，包括：从待识别图像中划分出对应预设视角范围的第二目标区域，并确定目标对象在待识别图像中的目标位置；确定目标位置是否在第二目标区域内，若否，则判断该待识别图像的拍摄视角在预设视角范围之外，否则判断该待识别图像的拍摄视角在预设视角范...

【专利技术属性】
技术研发人员：卢青松，杨有丽，金磊，
申请(专利权)人：安徽超清科技股份有限公司，
类型：发明
国别省市：