[发明专利]一种基于深度学习高识别率的图像分析方法

说明书

本发明公开了一种基于深度学习高识别率的图像分析方法，用于生成图像分析系统，包括以下步骤：收集数据，建立常见物体数据集，将常见物体数据集按照物体类别分类成不同的分类常见样本，对各个分类常见样本再具体划分成不同的具体常见样本；对具体常见样本的子样本进行物体标注；针对特定的物体，建立特定物体数据集，将特定物体数据集按照物体类别分类成不同的分类特定样本，对各个分类特定样本再具体划分成不同的具体特定样本；对具体特定样本的子样本进行物体标注；对每一个具体样本结合目标检测算法进行模型训练得到物体专用模型。本方法生成的系统适用于公安、司法等特殊领域，支持用户自定义扩展，用户可以根据自己的需求建立物体专用模型，且图像识别率高。

技术领域

本发明涉及图像识别领域，特别是涉及一种基于深度学习高识别率的图像分析方法。

背景技术

在公安、司法等电子数据取证领域存在大量图片识别需求，目前多是通过人工方式进行分类、筛选，往往单个证据源样本就需要数小时甚至数天，花费大量的人力和时间成本；并且随着互联网发展，数据量大幅膨胀，人工处理的方式越来越跟不上案件节奏。现有的智能识别分类方案大多是某些常见物体类别的识别，而由于公安、司法等领域的特殊性，需识别大量的敏感内容，如：凶器、烟草等。取证领域涉及很多复杂场景和合成图像，目前的智能识别模型训练方案大多只是简单的按特征分类，对于较复杂的图像识别率很低。而且目前没有支持的智能识别系统用户自定义扩展的功能。

发明内容

针对上述现有技术的不足，本发明提供了一种基于深度学习高识别率的图像分析方法，在取证领域能够识别敏感内容，且识别率较高，同时支持用户自定义扩展。

为了解决上述技术问题，本发明采用了如下的技术方案：

本发明所述一种基于深度学习高识别率的图像分析方法，用于生成图像分析系统，该方法的具体步骤如下：

S1:收集数据，建立常见物体数据集，将常见物体数据集按照物体类别分类成不同的分类常见样本，对各个分类常见样本再具体划分成不同的具体常见样本；

S2:对具体常见样本的子样本进行物体标注；

S3:针对特定的物体，建立特定物体数据集，将特定物体数据集按照物体类别分类成不同的分类特定样本，对各个分类特定样本再具体划分成不同的具体特定样本；

S4:对具体特定样本的子样本进行物体标注；

S5:对所述常见物体数据集和所述特定物体数据集取并集：将所述分类常见样本和所述分类特定样本合并成分类样本，在所述分类样本中的具体常见样本和具体特定样本进行合并成具体样本，若所述具体常见样本与所述具体特定样本为重复样本，则保留所述具体常见样本为具体样本；

S6:对每一个具体样本结合目标检测算法进行模型训练得到物体专用模型；

S7:将所述物体专用模型封装到API接口供前端调用。

作为优化，所述图像分析系统包括A个所述物体专用模型，所述物体专用模型由常见物体数据集和特定物体数据集组成，所述常见物体数据集包括M个分类常见样本，所述分类常见样本由N个具体常见样本组成，所述特定物体数据集包括X个分类特定样本和Y个具体特定样本，其中，A、M、N、X、Y均为大于等于1的正整数；所述具体常见样本和所述具体特定样本包含Z个子样本，其中，Z为大于等于1的正整数。

作为优化，所述步骤S2和S4中的物体标注方法为矩形框标注和异形框标注。

作为优化，所述步骤S6中的目标检测算法为Faster-RCNN算法。

作为优化，所述步骤S6的具体实施步骤如下：

6.1)对每一个具体样本随机提取固定比例的子样本标记为检测模型子样本，其余的子样本为训练模型子样本；