[发明专利]一种基于卷积神经网络的图像识别方法和装置

权利要求书

1.一种基于卷积神经网络的图像识别方法，其特征在于，包括：

基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，其中，所述质量量化值用于表示待识别图像的识别度；

比较所述质量量化值与质量判别预设阈值；

若所述质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别所述待识别图像；

若所述质量量化值小于所述质量判别阈值，则剔除所述待识别图像。

2.根据权利要求1所述的图像识别方法，其特征在于，基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值之前，包括：

对所述待识别图像进行预处理操作；其中，所述预处理操作包括特征检测和关键点标注；

根据关键点将所述待识别图像调整到对应位置；

将所述待识别图像划归至同一尺度。

3.根据权利要求1所述的图像识别方法，其特征在于，所述卷积神经网络预先训练而得且训练方法包括：

获取至少三个身份数据集作为训练数据集，并将所述训练数据集作为基模型的输入；其中，训练数据集中包括至少两个表示相同图像内容的身份数据集，和至少两个表示不同图像内容身份数据集；身份数据集中包括多个表示相同图像内容的训练图像；所述基模型用于训练得到所述卷积神经网络；

对于任意一个训练图像，基于基模型中的图像质量预测分支提取所述训练图像的质量量化值；基于所述基模型中的图像特征提取分支提取所述训练图像的特征向量；其中，所述基模型用于训练得到所述卷积神经网络；所述质量量化值与所述特征向量一一对应；

将质量量化值作为对应于所述质量量化值的特征向量的附加权重信息，并对所述特征向量加权求和得到图像内容表示；所述图像内容表示与所述身份数据集一一对应；

利用预设损失函数和所述训练数据集中与身份数据集分别对应的图像内容表示，计算模型损失；

利用梯度反传法，并根据所述模型损失调整所述基模型的权重参数；

返回执行训练数据集获取操作，并继续调整权重参数，直至满足迭代条件为止；确定最终权重参数，并得到所述卷积神经网络。

4.根据权利要求3所述的图像识别方法，其特征在于：

对于任意一个训练图像，并行提取训练图像的特征向量和质量量化值。

5.根据权利要求3所述的图像识别方法，其特征在于：

所述卷积神经网络和/或基模型的结构包括：输入层、卷积池化单元、全连接层、Sigmoid层、Normalization层；所述卷积池化单元包括：相连的卷积层、BatchNorm层、激活层、均值池化层和Scale层。

6.根据权利要求3所述的图像识别方法，其特征在于，将所述训练数据集输入至基模型之前，还包括：

对所述训练数据集中的训练图像进行预处理操作；其中，所述预处理操作包括特征检测和关键点标注；

根据关键点将所述训练图像调整到对应位置；

将所述训练图像划归至同一尺度。

7.根据权利要求1-6任一所述的图像识别方法，其特征在于：

所述卷积神经网络用于识别人脸图像。

8.一种基于卷积神经网络的图像识别装置，其特征在于，包括：

质量量化值提取模块，用于基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值，其中，所述质量量化值用于表示待识别图像的识别度；

图像质量判别模块，用于比较所述质量量化值与质量判别预设阈值；

第一图像识别模块，用于若所述质量量化值大于或等于所述质量判别预设阈值，则基于卷积神经网络中的图像特征提取分支识别所述待识别图像；

第二图像识别模块，用于若所述质量量化值小于所述质量判别阈值，则剔除所述待识别图像。

9.根据权利要求8所述的图像识别装置，其特征在于，所述图像识别装置还包括：

预处理模块，用于对所述待识别图像进行预处理操作；其中，所述预处理操作包括特征检测和关键点标注；

图像位置调整模块，用于根据关键点将所述待识别图像调整到对应位置；

图像尺度划归模块，用于将所述待识别图像划归至同一尺度。