[发明专利]一种图像识别方法及装置

说明书

本申请提供了一种图像识别方法，其中，该方法包括：获取不同的待检测图像；分别对不同的待检测图像进行特征提取，得到每个待检测图像对应的特征向量；将不同的待检测图像分别对应的特征向量进行合并，得到合并后的特征向量；将合并后的特征向量输入预先训练的验证分类模型，识别不同的待检测图像是否为同一待测物体的图像。采用上述方式，无需进行相似度的计算也无需与预设的阈值进行比较，即可实现对待检测图像识别验证，从而有效规避在不同应用场景下需要利用不同应用场景对应的测试集来更新最佳阈值的问题，使得验证分类模型在不同的应用场景中更具有鲁棒性，也提高了该验证分类模型在不同应用场景的可移植性。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像识别方法及装置。

背景技术

随着人工智能技术的不断发展，在很多应用场景下都可以基于图像处理技术来实现对待测物体的智能识别。例如，在银行办理业务、或在打车软件中进行打车业务等应用场景下，需要对用户进行人脸识别等。

目前，较为常用的人脸识别方式是计算采集到的人脸图像与预先存储的人脸图像之间的相似度，之后，将计算的相似度与预先设定的阈值进行比较，以确定上述两张人脸图像是否为同一个人的人脸图像。上述人脸识别方式中，影响人脸识别的准确率的因素之一为阈值的大小。现有方案中主要利用测试集中的图像样本进行测试以及验证得出最佳阈值，使得人脸识别的准确率较高。

然而，发明人发现，得出的最佳阈值往往会随着测试集的不同而变化，比如利用测试集A下得出的最佳阈值为0.39，而利用测试集B得出的最佳阈值可能就为0.29。因此，对于一个训练好的模型必须根据特定的测试场景去设定最佳阈值，当测试场景更换时，如果不更新最佳阈值，可能使得人脸识别的准确率下降。故上述人脸识别方式在不同应用场景下的可移植性不强。

发明内容

有鉴于此，本申请实施例的目的在于提供一种图像识别方法及装置，以有效规避在不同应用场景下需要利用不同应用场景对应的测试集来更新最佳阈值的问题。

第一方面，本申请实施例提供了一种图像处理方法，包括：

获取不同的待检测图像；

分别对所述不同的待检测图像进行特征提取，得到每个待检测图像对应的特征向量；

将所述不同的待检测图像分别对应的特征向量进行合并，得到合并后的特征向量；

将所述合并后的特征向量输入预先训练的验证分类模型，识别所述不同的待检测图像是否为同一待测物体的图像。

具体的，所述分别对所述不同的待检测图像进行特征提取，得到每个待检测图像对应的特征向量，包括：

将所述不同的待检测图像输入至预先训练的特征提取模型中进行特征提取后，得到每个待检测图像对应的特征向量。

一种可能的实施方式中，所述方法还包括：

获取第一样本训练集，所述第一样本训练集中包括不同待测物体的多个图像样本；

根据以下方式训练得到所述特征提取模型：

从所述第一样本训练集中选取第一预设数量的图像样本输入至待训练的特征提取模型中；

针对输入的每个图像样本，对每个图像样本进行特征提取后得到特征向量，并对每个图像样本的特征向量进行分类，确定用于指示图像样本所表征的待测物体的第一分类结果；

基于每个图像样本对应的第一分类结果、以及每个图像样本对应的第一预设结果，计算本轮训练过程的第一损失值；

当所述第一损失值大于第一设定值时，对所述待训练的特征提取模型的模型参数进行调整，并利用调整后的所述待训练的特征提取模型进行下一轮训练过程，直至计算出的第一损失值小于或等于所述第一设定值时，确定训练完成。