[发明专利]图像识别方法、装置及终端

权利要求书

1.一种图像识别方法，其特征在于，所述方法包括：

采用图像检测模型获取目标图像中的每一个像素为目标的概率；根据各个像素对应的概率确定目标候选区域，所述目标候选区域包括概率大于预设阈值的像素，所述目标候选区域为包含目标的图像块；

当从所述目标图像中检测出所述目标候选区域时，提取所述目标候选区域；

获取所述目标候选区域的分辨率，之后对所述目标候选区域的分辨率进行分辨率提升处理，并使处理后的目标候选区域的分辨率达到预设分辨率；

采用图像识别模型对所述处理后的目标候选区域进行特征提取，得到所述处理后的目标候选区域的图像特征；

采用所述图像识别模型获取所述处理后的目标候选区域的图像特征与各个预设的识别结果的图像特征之间的匹配程度；

将所述匹配程度符合第三预设条件的识别结果确定为所述目标图像的识别结果；

其中，所述图像检测模型和所述图像识别模型之间相互独立。

2.根据权利要求1所述的方法，其特征在于，所述根据各个像素对应的概率确定所述目标候选区域，包括：

根据各个像素对应的概率获取符合第一预设条件的图像块，将所述符合第一预设条件的图像块确定为目标图像块，其中，所述第一预设条件是指包含连续的预设数量的目标像素，所述目标像素是指概率大于预设阈值的像素；

将包含所述目标图像块且符合第二预设条件的矩形区域确定为所述目标候选区域，所述第二预设条件为所述目标图像块在矩形区域内的占比大于预设比例。

3.根据权利要求1所述的方法，其特征在于，所述图像检测模型包括卷积层、激活层、池化层、上卷积层和拼接层；

所述卷积层用于对所述目标图像、所述激活层的输出、所述池化层的输出、所述拼接层的输出执行卷积操作；

所述激活层用于对所述卷积层的输出执行激活操作，并输出被标记出所述目标候选区域的所述目标图像；

所述池化层用于对所述激活层的输出执行最大值池化操作；

所述上卷积层用于对所述激活层的输出执行上卷积操作；

所述拼接层用于对所述激活层的输出和所述上卷积层的输出执行拼接操作。

4.根据权利要求1所述的方法，其特征在于，所述图像识别模型包括卷积层、激活层和池化层；

所述卷积层用于对所述目标候选区域、所述激活层的输出和所述池化层的输出执行卷积操作；

所述激活层用于对所述卷积层的输出执行激活操作，并输出所述目标图像的识别结果；

所述池化层用于对所述激活层的输出执行最大值池化操作。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述当从所述目标图像中检测出所述目标候选区域时，提取所述目标候选区域之前，还包括：

获取所述目标候选区域占所述目标图像的比例；

若所述比例大于预设门限，则直接执行所述采用图像识别模型对所述目标候选区域进行识别，得到所述目标图像的识别结果的步骤。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述采用图像检测模型检测目标图像中的目标候选区域之前，还包括：

获取第一训练样本集，所述第一训练样本集包含多张第一训练样本，每张所述第一训练样本被标记出包括所述目标的区域和/或不包括所述目标的区域；

采用所述第一训练样本集对卷积神经网络CNN进行训练，得到所述图像检测模型。

7.根据权利要求1至4任一项所述的方法，其特征在于，所述采用图像识别模型对所述目标候选区域进行识别，得到所述目标图像的识别结果之前，还包括：

获取第二训练样本集，所述第二训练样本集包含多张第二训练样本，每张所述第二训练样本对应有识别结果；

采用所述第二训练样本集对卷积神经网络CNN进行训练，得到所述图像识别模型。