图像分类方法、装置及设备制造方法及图纸

本申请提出一种图像分类方法、装置及设备，该方法包括：通过预先训练的人脸检测模型和美颜识别模型识别待处理图像是否为美颜图像；通过预先训练的多类别分类模型对待处理图像进行分类处理，分别得到待处理图像属于各个图像类别的概率；通过预先训练的人物分类模型识别待处理图像中是否包括目标人物的图像。本申请集成了用于识别美颜图像的美颜识别模型，用于对多种图像类别进行分类的多类别分类模型，用于识别图像中是否包含目标人物的人物分类模型，等等。通过这多个模型对待处理图像进行自动分类，实时性强，能够实现对大量图像的自动分类，提高了图像数据结构化处理的效率。提高了图像数据结构化处理的效率。提高了图像数据结构化处理的效率。

【技术实现步骤摘要】
图像分类方法、装置及设备


[0001]本申请属于图像处理
，具体涉及一种图像分类方法、装置及设备。

技术介绍

[0002]目前，在网络中每天都会产生大量的图像，基于海量的图像可以为用户提供文字搜图、以图搜图等服务。在提供这些服务之前首先需要对图像进行分类，将图像数据结构化。
[0003]相关技术中通常依靠人工对用户上传的图像进行分类，耗时耗力。或者，相关技术中还明确规定上传的图像与相关分类标签的一一对应关系，以指导用户按照分类标签上传图像。但实际存在很多用户不按规定上传图像，导致图像结构化的准确性很低。

技术实现思路

[0004]本申请提出一种图像分类方法、装置及设备，集成了用于识别美颜图像的美颜识别模型，用于对多种图像类别进行分类的多类别分类模型，用于识别图像中是否包含目标人物的人物分类模型。通过这多个模型对待处理图像进行自动分类，实时性强，能够实现对大量图像的自动分类，提高了图像数据结构化处理的效率。
[0005]本申请第一方面实施例提出了一种图像分类方法，包括：
[0006]通过预先训练的人脸检测模型和美颜识别模型识别待处理图像是否为美颜图像；
[0007]通过预先训练的多类别分类模型对所述待处理图像进行分类处理，分别得到所述待处理图像属于各个图像类别的概率；
[0008]通过预先训练的人物分类模型识别所述待处理图像中是否包括目标人物的图像。
[0009]在本申请的一些实施例中，所述通过预先训练的人脸检测模型和美颜识别模型识别待处理图像是否为美颜图像，包括：
[0010]通过预先训练的人脸检测模型确定待处理图像中是否存在满足预设人脸分类条件的人脸区域；
[0011]如果是，通过预先训练的美颜识别模型识别满足所述预设人脸分类条件的人脸区域的图像是否为美颜图像。
[0012]在本申请的一些实施例中，所述通过预先训练的人脸检测模型确定待处理图像中是否存在满足预设人脸分类条件的人脸区域，包括：
[0013]通过预先训练的人脸检测模型检测待处理图像中是否包含至少一个人脸区域；
[0014]如果是，则确定所述至少一个人脸区域中是否包含人脸面积占比大于预设阈值的目标人脸区域；
[0015]若存在所述目标人脸区域，则确定所述待处理图像中存在满足预设人脸分类条件的人脸区域。
[0016]在本申请的一些实施例中，所述确定所述至少一个人脸区域中是否包含人脸面积占比大于预设阈值的目标人脸区域，包括：
[0017]检测每个人脸区域对应的人脸关键点；
[0018]根据每个人脸区域对应的人脸关键点，分别确定出每个人脸区域的面积；
[0019]根据每个人脸区域的面积和所述待处理图像的面积，分别计算每个人脸区域对应的人脸面积占比；
[0020]根据所述每个人脸区域对应的人脸面积占比，确定所述至少一个人脸区域中是否包含人脸面积占比大于预设阈值的目标人脸区域。
[0021]在本申请的一些实施例中，所述通过预先训练的美颜识别模型识别满足所述预设人脸分类条件的人脸区域的图像是否为美颜图像，包括：
[0022]从所述待处理图像中截取出满足所述预设人脸分类条件的人脸区域，得到对应的人脸图像；
[0023]生成所述人脸图像对应的人脸对齐图像；
[0024]通过预先训练的美颜识别模型识别所述人脸对齐图像是否为美颜图像。
[0025]在本申请的一些实施例中，所述生成所述人脸图像对应的人脸对齐图像，包括：
[0026]将所述人脸图像缩放为预设尺寸的第一图像；
[0027]获取所述人脸图像的多个人脸关键点；
[0028]根据预设标准关键点和所述人脸图像的多个人脸关键点，对所述人脸图像进行对齐操作，得到第二图像；
[0029]基于颜色通道对所述第一图像和所述第二图像进行合并，得到所述人脸图像对应的人脸对齐图像。
[0030]在本申请的一些实施例中，所述通过预先训练的人脸检测模型和美颜识别模型识别待处理图像是否为美颜图像之前，还包括：
[0031]构建用于识别美颜图像的美颜识别模型的结构；
[0032]获取第一训练集；
[0033]根据所述第一训练集，对所述美颜识别模型进行训练。
[0034]在本申请的一些实施例中，所述构建用于识别美颜图像的美颜识别模型的结构，包括：
[0035]将预设数目个卷积模块顺次连接，所述预设数目为大于或等于3的整数；
[0036]将顺次连接的所述预设数目个卷积模块中最后一个卷积模块与预设高效网络连接，得到用于识别美颜图像的美颜识别模型的结构。
[0037]在本申请的一些实施例中，所述获取第一训练集，包括：
[0038]获取多个美颜的人脸图像及多个素颜的人脸图像；
[0039]分别生成获取的每个人脸图像对应的人脸对齐图像；
[0040]分别在每个人脸对齐图像中标注分类标签，得到第一训练集。
[0041]在本申请的一些实施例中，所述分别在每个人脸对齐图像中标注分类标签，包括：
[0042]在每个美颜的人脸对齐图像中标注美颜标签，以及在每个素颜的人脸对齐图像中标注素颜标签；和/或，
[0043]在所述美颜的人脸对齐图像中对美颜的人脸部位标注美颜标签。
[0044]在本申请的一些实施例中，所述根据所述第一训练集，对所述美颜识别模型进行训练，包括：
[0045]从所述第一训练集中获取人脸对齐图像；
[0046]将获取的人脸对齐图像输入所述美颜识别模型中，得到所述人脸对齐图像对应的人脸图像的分类结果；
[0047]根据所述人脸图像的分类结果，通过预设的分类
‑
中心损失函数计算当前训练周期的损失值。
[0048]在本申请的一些实施例中，所述分类结果包括人脸图像属于各个图像类别的概率，所述各个图像类别至少包括美颜图像；
[0049]所述根据所述人脸图像的分类结果，通过预设的分类
‑
中心损失函数计算当前训练周期的损失值，包括：
[0050]根据所述图像类别的数目和人脸图像属于每个图像类别的概率，通过预设的分类
‑
中心损失函数包括的第一分类损失函数计算所述人脸图像对应的第一分类损失值；
[0051]根据所述人脸图像对应的各图像类别的特征向量及特征中心点，通过所述分类
‑
中心损失函数包括的中心损失函数计算所述人脸图像对应的中心损失值；
[0052]根据所述第一分类损失值和所述中心损失值，计算当前训练周期的损失值。
[0053]在本申请的一些实施例中，所述分类结果还包括人脸图像中至少一个人脸部位的图像属于各个图像类别的概率；
[0054]所述根据所述人脸图像的分类结果，通过预设的分类
‑
中心损失函数计算当前训练周期的损失值，包括：
[0055]根据所述至少一个人脸部位的数目、所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：通过预先训练的人脸检测模型和美颜识别模型识别待处理图像是否为美颜图像；通过预先训练的多类别分类模型对所述待处理图像进行分类处理，分别得到所述待处理图像属于各个图像类别的概率；通过预先训练的人物分类模型识别所述待处理图像中是否包括目标人物的图像。2.根据权利要求1所述的方法，其特征在于，所述通过预先训练的人脸检测模型和美颜识别模型识别待处理图像是否为美颜图像，包括：通过预先训练的人脸检测模型确定待处理图像中是否存在满足预设人脸分类条件的人脸区域；如果是，从所述待处理图像中截取出满足所述预设人脸分类条件的人脸区域，得到对应的人脸图像；生成所述人脸图像对应的人脸对齐图像；通过预先训练的美颜识别模型识别所述人脸对齐图像是否为美颜图像。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：将预设数目个卷积模块顺次连接；将顺次连接的所述预设数目个卷积模块中最后一个卷积模块与预设高效网络连接，得到用于识别美颜图像的美颜识别模型的结构；获取第一训练集；根据所述第一训练集，对所述美颜识别模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述获取第一训练集，包括：获取多个美颜的人脸图像及多个素颜的人脸图像；分别生成获取的每个人脸图像对应的人脸对齐图像；在每个美颜的人脸对齐图像中标注美颜标签，以及在每个素颜的人脸对齐图像中标注素颜标签，得到第一训练集；和/或，在所述美颜的人脸对齐图像中对美颜的人脸部位标注美颜标签，得到第一训练集。5.根据权利要求3所述的方法，其特征在于，所述根据所述第一训练集，对所述美颜识别模型进行训练，包括：从所述第一训练集中获取人脸对齐图像；将获取的人脸对齐图像输入所述美颜识别模型中，得到所述人脸对齐图像对应的人脸图像的分类结果；根据所述人脸图像的分类结果，通过预设的分类
‑
中心损失函数计算当前训练周期的损失值。6.根据权利要求5所述的方法，其特征在于，所述分类结果包括人脸图像属于各个图像类别的概率，所述各个图像类别至少包括美颜图像；所述根据所述人脸图像的分类结果，通过预设的分类
‑
中心损失函数计算当前训练周期的损失值，包括：根据所述图像类别的数目和人脸图像属于每个图像类别的概率，通过预设的分类
‑
中心损失函数包括的第一分类损失函数计算所述人脸图像对应的第一分类损失值；根据所述人脸图像对应的各图像类别的特征向量及特征中心点，通过所述分类
‑
中心
损失函数包括的中心损失函数计算所述人脸图像对应的中心损失值；根据所述第一分类损失值和所述中心损失值，计算当前训练周期的损失值。7.根据权利要求6所述的方法，其特征在于，所述分类结果还包括人脸图像中至少一个人脸部位的图像属于各个图像类别的概率；所述根据所述人脸图像的分类结果，通过预设的分类
‑
中心损失函数计算当前训练周期的损失值，包括：根据所述至少一个人脸部位的数目、所述图像类别的数目和每个所述人脸部位的图像属于各个图像类别的概率，通过所述分类
‑
中心损失函数包括的第二分类损失函数计算所述人脸图像对应的第二分类损失值；根据所述第一分类损失值、所述第二分类损失值和所述中心损失值，计算当前训练周期的损失值。8.根据权利要求5所述的方法，其特征在于，所述分类结果包括人脸图像中至少一个人脸部位的图像属于各个图像类别的概率；所述根据所述人脸图像的分类结果，通过预设的分类
‑
中心损失函数计算当前训练周期的损失值，包括：根据所述至少一个人脸部位的数目、所述图像类别的数目和每个所述人脸部位的图像属于各个图像类别的概率，通过所述分类
‑
中心损失函数包括的第二分类损失函数计算所述人脸图像对应的第二分类损失值；根据所述人脸图像对应的各图像类别的特征向量及特征中心点，通过所述分类
‑
中心损失函数包括的中心损失函数计算所述人脸图像对应的中心损失值；根据所述第二分类损失值和所述中心损失值，计算当前训练周期的损失值。9.根据权利要求1所述的方法，其特征在于，所述通过预先训练的多类别分类模型对所述待处理图像进行分类处理之前，还包括：获取第二训练集，所述第二训练集包括多个图像，每个图像中均标注有各个图像类别对应的类别标签；将预设高效网络的输出端与双向长短期记忆网络的输入端连接，得到用于进行多标签分类的第一神经网络模型；根据所述第二训练集对构建的所述第一神经网络模型进行训练，得到多类别分类模型。10.根据权利要求9所述的方法，其特征在于，所述根据所述第二训练集对构建的所述第一神经网络模型进行训练，得到多类别分类模型之后，还包括：分别确定所述多类别分类模型对每个图像类别进行分类的准确度；若存在准确度低于预设阈值的第一图像类别，则训练所述第一图像类别对应的分支模型；利用所述分支模型对所述多类别分类模型进行修正，得到修正后的多类别分类模型。11.根据权利要求10所述的方法，其特征在于，所述通过预先训练的多类别分类模型对所述待处理图像进行分类处理，分别得到所述待处理图像属于各个图像类别的概率，包括：通过所述修正后的多类别分类模型中的预设高效网络提取所述待处理图像的特征向量；
通过所述修正后的多类别分类模型中的所述分支模型对所述特征向量分类处理，得到所述待处理图像属于第一图像类别的第一...

【专利技术属性】
技术研发人员：降小龙，杨浩杰，
申请(专利权)人：北京新氧科技有限公司，
类型：发明
国别省市：