[发明专利]一种图像识别方法和装置

说明书

技术领域

本发明涉及图像识别领域，尤其涉及一种图像识别方法和装置。

背景技术

卷积神经网络(ConvolutionNeuralNetwork，CNN)近年来在图像识别应用领域取得了非常突出的成就。因此业界对CNN算法的优化和高效率实现开始关注并重视，且很多公司都开始投入了CNN优化算法的研究。但目前CNN算法在进行图像识别时计算量都很大。

发明内容

本发明实施例提供了一种图像识别方法和装置，可以减少图像识别时的计算量。

第一方面，本发明实施例提供一种图像识别方法，包括：

获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据；

对所述小波变换数据进行特征处理运算，获得特征平面数据；

使用全连接网络对所述特征平面数据进行分类识别，获得所述图像的识别结果。

该实现方式中，由于采用小波变换对输入的图像做变换，而小波变换会保留图像的空间特征，同时大幅度减少有效数据量，从而本实现方式可以降低图像识别时的计算量。

第一方面的第一种可能的实现方式中，上述方法还可以包括：

使用预先获取的概率密度分布函数对所述小波变换数据进行数据采样，获取所述小波变换数据的部分数据；

上述对所述小波变换数据进行特征处理运算，获得特征平面数据，包括：

对所述部分数据进行特征处理运算，获得特征平面数据。

该实现方式中由对小波变换数据进行采样，这样可以进一步降低了有效输入数据量，从而进一步降低了计算量。

结合第一方面或者第一方面的第一种可能的实现方式，在第一方面的第一种可能的实现方式中，上述获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据，可以包括：

使用第一卷积运算模板、第二卷积运算模板、第三卷积运算模板和第四卷积运算模板对第i减1阶第一变换图像进行卷积运算，获得第i阶第一变换图像、第i阶第二变换图像、第i阶第三变换图像和第i阶第四变换图像，其中，第0阶第一变换图像为所述输入的图像，所述i的初始值为1；

将所述第i阶第一变换图像、第i阶第二变换图像、第i阶第三变换图像和第i阶第四变换图像按照特定顺序排放；

将所述i加1，并重复执行所述使用第一卷积运算模板、第二卷积运算模板、第三卷积运算模板和第四卷积运算模板对第i减1阶第一变换图像进行卷积运算的步骤，直到所述第i阶第一变换图像的分辨率为预设分辨率；

将计算获得的所有变换图像中像素点的像素值小于预设门限的像素点置零。

该实施方式可以将像素值小于预设门限的像素点置零，这样可以进一步减少有效数据量，以减少计算量。

结合第一方面或者第一方面的第一种可能的实现方式或者第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，上述对所述小波变换数据进行特征处理运算，获得特征平面数据，可以包括：

按照预设顺序依次对所述小波变换数据包括的数据进行卷积运算或者全连接运算，获取特征平面数据。

结合第一方面或者第一方面的第一种可能的实现方式或者第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，上述对所述小波变换数据进行特征处理运算，获得特征平面数据，包括：

根据所述小波变换数据的空间结构分布规律使用相同的特征参数对所述小波变换数据进行特征处理运算，获得特征平面数据。

该实施方式中，由于在进行特征处理运算时使用相同的特征参数，从而可以大大减少特征参数的数据量以及相应的计算量。

结合第一方面或者第一方面的第一种可能的实现方式，在第一方面的第四种可能的实现方式中，所述获取对输入的图像进行小波变换后的空间和尺度结构分布规律的小波变换数据，包括：

获取经过小波变换、量化和编码的压缩图像，对所述压缩图像进行编码和量化的逆运算，获得对所述压缩图像的原始图像进行小波变换后的空间和尺度结构分布规律的小波变换数据。

该实施方式中，只需要对压缩图像进行编码和量化的逆运算就可以获取到小波变换数据，从而可以避免小波变换过程产生的计算量，从而可以减少图像识别的整体计算量。

第二方面，本发明实施例提供一种图像识别装置，该图像识别装置被配置实现上述方法的功能，由硬件/软件实现，其硬件/软件包括与上述功能相应的单元。