[发明专利]图像内容理解方法、装置及服务器

说明书

本发明实施例公开了图像内容理解方法、装置及服务器，包括下述步骤：获取需要分析的人脸图像；提取所述人脸图像的初始高维特征集；通过线性变换系数矩阵对所述初始高维特征集进行处理，获取表征所述初始高维特征集主要识别特征的低维特征集；基于所述低维特征集，对所述人脸图像进行内容理解。在对图像进行降维时，采用表征高维特征和低维特征之间映射关的线性变换系数矩阵作为相对方，由于线性变换系数矩阵被严格限定误差率，因此得出的初始高维特征集能够很好地反应初始高维特征集的可区分识别特征，提高了图像识别的准确率同时也保证了图像识别的效率。

技术领域

本发明实施例涉及图像处理领域，尤其是一种图像内容理解方法、装置及服务器。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。在图像识别领域对照片进行识别时，首先需要对原始图像提取特征，然后对特征进行选择和降维，最后用提取的特征与数据库中特征进行比对识别。

现有技术中，对于图像识别技术的基本要求是兼顾准确率与处理速度，因此，在进行图像比对之前，需要对图像进行降维处理，降维处理的目的在于在保持图像最主要的特征的前提下，降低图像的维度，以便于降低比对时的数据量提高处理速度。现有技术中通常采用无监督的PCA(主成分分析)变换对图像进行降维，PCA通过线性变换将原始特征变换为一组各维度线性无关的表示，用于提取特征的主要特征分量，同时达到降维的目的。

本发明创造的发明人在研究中发现，PCA变换本身是一种无监督的方法，提取的低维特征有时并不能很好的反应原始数据的可区分特征，有时，降维后的特征比原始特征的区分度差，造成在图像识别准确率偏低的问题。

发明内容

本发明实施例提供一种能够有效提高降维后低维特征与原始数据之间对应度的，图像内容理解方法、装置及服务器。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种图像内容理解方法，包括下述步骤：

获取需要分析的人脸图像；

提取所述人脸图像的初始高维特征集；

通过线性变换系数矩阵对所述初始高维特征集进行处理，获取表征所述初始高维特征集主要识别特征的低维特征集；

基于所述低维特征集，对所述人脸图像进行内容理解。

具体地，所述线性变换系数矩阵通过下述步骤计算形成：

将训练样本数据进行归一化处理得到表征所述训练样本数据的样本标量数据；

将所述样本标量数据输入卷积神经网络分类模型得到所述样本标量数据的初步特征数据；

采用PCA技术对所述初步特征数据进行主成分分析，得到所述初步特征数据的目标低维数据；

计算表征所述初步特征数据与所述目标低维数据之间映射关系的线性变换系数矩阵。

具体地，所述计算表征所述初步特征数据与所述目标低维数据之间映射关系的线性变换系数矩阵的步骤之后，还包括下述步骤：

通过损失函数对所述线性变换系数矩阵进行训练学习；

当所述损失函数计算的误差值低于预设的第一损失阈值时结束学习。

具体地，所述将所述样本标量数据输入卷积神经网络分类模型得到所述样本标量数据的初步特征数据的步骤，具体包括下述步骤：

将所述样本标量数据输入VGG卷积神经网络分类模型进行分类；

获取所述VGG卷积神经网络分类模型倒数第二层的输出作为所述样本标量数据的初步特征数据。