[发明专利]图像分类方法、装置、计算机设备及存储介质

说明书

本发明实施例提供一种图像分类方法、装置、计算机设备及存储介质，所述方法包括：获取待识别图像输入训练后的检测神经网络模型，通过所述检测神经网络模型确定所述待识别图像中所包括的对象对应的图像数据；截取所述对象对应的图像数据作为待分类图像数据，通过训练后的分类神经网络模型判断所述对象的类别。

技术领域

本发明涉及图像处理技术，特别涉及一种图像分类方法、装置、计算机设备及存储介质。

背景技术

如今零售业正处于巨大的变革当中，新技术已经把零售业推到了风口浪尖。目前市面上广泛成熟使用的自动售货机，虽然近年来在支付手段上有所突破，但其在成本、效率、体验上都已跟不上时代的需求。最近市面上出现了一种新型无人售货柜，能够让顾客打开柜门后如同在超市一样自助选取商品，无人售货柜通过重力推算、图像识别等技术手段推算顾客购买商品，顾客关门后智能结算。毫无疑问，这种顾客体验更佳、占地面积更小、更具科技感的购物方式，会是未来零售行业的一个主流发展方向。

图像识别是这种新型无人售货柜的核心技术：售货柜通过摄像头采集顾客购买过程的视频，对于视频的每一帧图像，采用图像识别技术识别顾客购买商品，进而推算出顾客的购买清单。随着机器学习方法的不断完善和发展，深度学习算法越来越受到重视，卷积神经网络就是深度学习中一种重要的算法，目前已成为图像识别领域的研究热点。基于卷积神经网络的图像分类技术能够自动从图像中提取特征信息，通过提取的特征进行图像表达。

然而，针对不同具体领域或者不同类别的图像，基于卷积神经网络进行分类时，往往需要分别建立与该领域或者类别对应的网络模型，每个网络模型包含的层级与整体架构通过训练的方式进行确定，而为了获取更好的特征表达能力以取得更好的分类精度，尤其是针对分类精度要求更高的领域，往往需要针对同一领域或类别的图像分别获得更多相同或者同类的原始图像数据作为训练数据。在实际使用中，由于时间和成本的限制，往往只能采集到少数的样本进行标注，以无人售货柜为例，出于时间和成本的限制，能够采集到顾客购买商品的图像并标注的数据量有限，虽然能够识别出顾客购买的商品，但也很容易把顾客身上的服饰识别为某一个商品，从而影响购物清单的推算。

发明内容

本发明实施例提供一种图像分类方法、装置、计算机设备及存储介质，能够降低误检率。

本发明实施例的技术方案是这样实现的：

第一方面，本发明实施例提供一种图像分类方法，获取待识别图像输入训练后的检测神经网络模型，通过所述检测神经网络模型确定所述待识别图像中所包括的对象对应的图像数据；截取所述对象对应的图像数据作为待分类图像数据，通过训练后的分类神经网络模型判断所述对象的类别。

第二方面，本发明实施例提供一种图像分类装置，包括检测模块，用于获取待识别图像输入训练后的检测神经网络模型，通过所述检测神经网络模型确定所述待识别图像中所包括的对象对应的图像数据；分类模块，用于截取所述对象对应的图像数据作为待分类图像数据，通过训练后的分类神经网络模型判断所述对象的类别。

第三方面，本发明实施例提供一种计算机设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行本发明实施例所提供的图像分类方法。

第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例所提供的图像分类方法。

本发明实施例具有以下有益效果：采用检测神经网络模型加分类神经网络模型组成的架构，通过检测神经网络模型确定待识别图像中包括的对象对应的图像数据，以及分类神经网络模型判断对象的类别，可以把降低误检率的任务主要放在分类神经网络模型解决，可以以较小的代价引入包含对对象的类别的识别精度有干扰影响的待区分对象的图像集对分类神经网络模型进行训练，从而有效降低误检率。

附图说明