【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种图像对象识别方法、装置、电子设备和存储介质。
技术介绍
1、随人工智能技术发展，通过视觉感知识别图像中的目标对象得到了长足发展，比如，智能识别行驶路况图像中的车信对象，以用于自动驾驶的定位修正和地图构建等。如图12所示，现有的图像对象识别方式普遍采用目标检测方法，针对目标对象输出一个检测框，以作为对象识别区域。但是该方法仅能定位出包含目标对象的区域，缺少对象的精确位置信息，识别精度差，从而影响定位修正和地图构建等后续应用的准确度。
技术实现思路
1、本申请提供了一种图像对象识别方法、装置、设备和存储介质，可以显著提高图像对象识别的精度和可靠性。
2、一方面，本申请提供了一种图像对象识别方法，所述方法包括：
3、获取待识别图像，所述待识别图像包括至少一个图像对象；
4、基于对象识别模型对所述待识别图像进行对象特征识别，得到所述至少一个图像对象对应的多个关键点各自的点位置信息和所述多个关键点各自对应的聚类特征；
5、基于所述聚类特征对所述多个关键点进行对象聚类处理，得到所述至少一个图像对象中每一图像对象对应的关键点集；
6、基于所述点位置信息对所述关键点集中的关键点进行拟合，得到所述每一图像对象对应的对象识别结果。
7、另一方面提供了一种图像对象识别装置，所述装置包括：
8、图像获取模块：用于获取待识别图像，所述待识别图像包括至少一个图像对象；
9、特征识别模
10、聚类模块：用于基于所述聚类特征对所述多个关键点进行对象聚类处理，得到所述至少一个图像对象中每一图像对象对应的关键点集；
11、拟合模块：用于基于所述点位置信息对所述关键点集中的关键点进行拟合，得到所述每一图像对象对应的对象识别结果。
12、另一方面提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的图像对象识别方法。
13、另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的图像对象识别方法。
14、另一方面提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的图像对象识别方法。
15、另一方面提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的图像对象识别方法。
16、另一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令被处理器执行时实现如上述的图像对象识别方法。
17、本申请提供的图像对象识别方法、装置、设备、存储介质、服务器、终端、计算机程序和计算机程序产品，具有如下技术效果：
18、本申请的技术方案首先获取待识别图像，待识别图像包括至少一个图像对象；并基于对象识别模型对待识别图像进行对象特征识别，得到至少一个图像对象对应的多个关键点各自的点位置信息和多个关键点各自对应的聚类特征，通过引入关键点和聚类特征，能够实现图像对象位置的精准表达；然后基于聚类特征对多个关键点进行对象聚类处理，得到至少一个图像对象中每一图像对象对应的关键点集；进而基于点位置信息对关键点集中的关键点进行拟合，得到每一图像对象对应的对象识别结果，以通过聚类特征的聚类实现不同图像对象的准确分类和位置拟合，实现图像对象位置的精准感知，进而提高后续应用的结果准确度；并且，无需模型进行不同图像对象的点分类，降低对象识别模型的能力要求，进而降低设备的算力需求。
本文档来自技高网...【技术保护点】
1.一种图像对象识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于对象识别模型对所述待识别图像进行对象特征识别，得到所述至少一个图像对象对应的多个关键点各自的点位置信息和所述多个关键点各自对应的聚类特征包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述聚类特征对所述多个关键点进行对象聚类处理，得到所述至少一个图像对象中每一图像对象对应的关键点集包括：
4.根据权利要求1或2所述的方法，其特征在于，所述基于所述点位置信息对所述关键点集中的关键点进行拟合，得到所述每一图像对象对应的对象识别结果包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述预测点位置信息、所述预测置信度、所述聚类特征、所述标注点位置信息和所述样本类标签训练所述预设识别模型，得到对象识别模型包括：
8.根据权利要求7所述的方法，其特征在于，所
9.根据权利要求8所述的方法，其特征在于，所述基于所述聚类特征计算每一特征区域集对应的类内距离损失和不同特征区域集间的类间距离损失包括：
10.一种图像对象识别装置，其特征在于，所述装置包括：
11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-9中任一项所述的图像对象识别方法。
12.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-9中任一项所述的图像对象识别方法。
13.一种计算机程序产品或计算机程序，其特征在于，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令被处理器执行时实现如权利要求1-9中任一项所述的图像对象识别方法。
...【技术特征摘要】
1.一种图像对象识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于对象识别模型对所述待识别图像进行对象特征识别，得到所述至少一个图像对象对应的多个关键点各自的点位置信息和所述多个关键点各自对应的聚类特征包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述聚类特征对所述多个关键点进行对象聚类处理，得到所述至少一个图像对象中每一图像对象对应的关键点集包括：
4.根据权利要求1或2所述的方法，其特征在于，所述基于所述点位置信息对所述关键点集中的关键点进行拟合，得到所述每一图像对象对应的对象识别结果包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述预测点位置信息、所述预测置信度、所述聚类特征、所述标注点位置信息和所述样本类标签训练所述预设识别模型，得到对象识别模型包括：
8.根据...
【专利技术属性】
技术研发人员：李德辉，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
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。