[发明专利]一种图像识别方法和装置

权利要求书

1.一种图像识别方法，其特征在于，包括：

获取待识别图像；

将所述待识别图像输入特征提取模型，得到所述待识别图像的第一特征向量，所述特征提取模型是通过样本图像和深度卷积神经网络模型得到的；

将所述待识别图像按预设规则划分为多个子图像；

将所述多个子图像分别输入所述特征提取模型，得到所述多个子图像的第二特征向量；

将所述第一特征向量和所述第二特征向量进行合并，得到第三特征向量；

根据所述第三特征向量与样本特征库中的各类样本图像的第四特征向量的相似度，确定所述待识别图像的种类类型，所述样本特征库为将所述各类样本图像输入所述特征提取模型得到的。

2.如权利要求1所述的方法，其特征在于，所述样本特征库为将所述各类样本图像输入所述特征提取模型得到的，包括：

采用如下方式确定每类样本图像的第四特征向量：

将所述样本图像输入所述特征提取模型，得到所述样本图像的第五特征向量；

将所述样本图像按所述预设规则划分为多个子样本图像；

将所述多个子样本图像分别输入所述特征提取模型，得到所述多个子样本图像的第六特征向量；

将所述第五特征向量和所述第六特征向量进行合并，得到所述第四特征向量；

将所述第四特征向量与所述样本图像对应的种类类型存于所述样本特征库中。

3.如权利要求2所述的方法，其特征在于，

将所述第一特征向量和所述第二特征向量进行合并，得到第三特征向量，包括：

将所述第一特征向量和所述第二特征向量进行合并，对合并后的所述第一特征向量和所述第二特征向量进行主成分分析PCA降维，得到所述第三特征向量；

将所述第五特征向量和所述第六特征向量进行合并，得到所述第四特征向量，包括：

将所述第五特征向量和所述第六特征向量进行合并，对合并后的所述第五特征向量和所述第六特征向量进行主成分分析PCA降维，得到所述第四特征向量。

4.如权利要求1至3任一项所述的方法，其特征在于，所述特征提取模型是通过样本图像和深度卷积神经网络模型得到的，包括：

获取样本图像集，所述样本图像集中包括多个不同种类类型的样本图像；

对所述样本图像集中的样本图像进行变形处理，得到扩充后的样本图像集；

针对每个种类类型，将所述种类类型的样本图像和所述种类类型输入初始化的深度卷积神经网络模型进行迭代训练处理，直至损失函数满足预设条件，得到所述特征提取模型。

5.如权利要求4所述的方法，其特征在于，对所述样本图像集中的样本图片进行变形处理，包括以下至少之一：

镜像翻转、旋转、亮度调整。

6.如权利要求4所述的方法，其特征在于，将所述种类类型的样本图像和所述种类类型输入初始化的深度卷积神经网络模型进行迭代训练处理，直至损失函数满足预设条件，包括：

将所述种类类型的样本图像和所述种类类型输入初始化的深度卷积神经网络模型中，前向传播得到损失函数loss值；

根据所述loss值，采用下降梯度算法反向传播调整所述深度卷积神经网络的参数，直至所述loss值符合所述预设条件。

7.一种图像识别装置，其特征在于，包括：

获取单元，用于获取待识别图像；

第一输入单元，用于将所述待识别图像输入特征提取模型，得到所述待识别图像的第一特征向量，所述特征提取模型是通过样本图像和深度卷积神经网络模型得到的；

划分单元，用于将所述待识别图像按预设规则划分为多个子图像；

第二输入单元，用于将所述多个子图像分别输入所述特征提取模型，得到所述多个子图像的第二特征向量；

合并单元，用于将所述第一特征向量和所述第二特征向量进行合并，得到第三特征向量；

确定单元，用于根据所述第三特征向量与样本特征库中的各类样本图像的第四特征向量的相似度，确定所述待识别图像的种类类型，所述样本特征库为将所述各类样本图像输入所述特征提取模型得到的。