[发明专利]一种图像识别方法和装置

说明书

技术领域

本发明实施例涉及图像处理领域，尤其涉及一种图像识别方法和装置。

背景技术

ML(Machine Learning,机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

信用卡图片产品分类是一个典型的分类问题，由于信用卡类别比较多，要求机器学习模型具有极强的特征提取能力，传统机器学习模型很难做到很好的分类效果。比如，现有技术中，利用传统的机器学习方法来对信用卡图片产品进行分类，传统的机器学习模型是基于人工的特征提取方法无法提取信用卡图片的深层次特征，只能实现信用卡发卡行或卡等级的基本分类，并不能实现信用卡种类的细分，对信用卡图片的识别率低、误识别率也高，这对信用卡图片相似度比较高的情况下尤为明显。

综上所述，现有技术对于信用卡产品分类采用传统机器学习模型进行分类，这种方法存在无法提取信用卡图片的深层次特征，识别率低、误识别率也高的缺点，因此，需要提出有效的方法来解决上述问题。

发明内容

本发明实施例提供了一种图像识别方法和装置，用以解决现有技术中采用传统机器学习模型对信用卡产品分类而存在无法提取信用卡图片的深层次特征，识别率低、误识别率也高的问题。

本发明实施例提供一种图像识别方法，包括：

获取待识别图像；

将待识别图像输入特征提取模型，得到待识别图像的第一特征向量，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；

将待识别图像按预设规则划分为多个子图像；

将多个子图像分别输入特征提取模型，得到多个子图像的第二特征向量；

将第一特征向量和第二特征向量进行合并，得到第三特征向量；

根据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，确定待识别图像的种类类型，样本特征库为将各类样本图像输入特征提取模型得到的。

可选地，样本特征库为将各类样本图像输入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：

将样本图像输入特征提取模型，得到样本图像的第五特征向量；

将样本图像按预设规则划分为多个子样本图像；

将多个子样本图像分别输入特征提取模型，得到多个子样本图像的第六特征向量；

将第五特征向量和第六特征向量进行合并，得到第四特征向量；

将第四特征向量与样本图像对应的种类类型存于样本特征库中。

可选地，将第一特征向量和第二特征向量进行合并，得到第三特征向量，包括：

将第一特征向量和第二特征向量进行合并，对合并后的第一特征向量和第二特征向量进行主成分分析PCA降维，得到第三特征向量；

将第五特征向量和第六特征向量进行合并，得到第四特征向量，包括：

将第五特征向量和第六特征向量进行合并，对合并后的第五特征向量和第六特征向量进行主成分分析PCA降维，得到第四特征向量。

可选地，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，样本图像集中包括多个不同种类类型的样本图像；

对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，将种类类型的样本图像和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，得到特征提取模型。

可选地，对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。

可选地，将种类类型的样本图像和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：

将种类类型的样本图像和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loss值，采用下降梯度算法反向传播调整深度卷积神经网络的参数，直至loss值符合预设条件。

本发明实施例还提供一种图像识别装置，包括：

获取单元：用于获取待识别图像；

第一输入单元：用于将待识别图像输入特征提取模型，得到待识别图像的第一特征向量，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；