[发明专利]图片识别方法、装置、设备及存储介质

说明书

本发明提供一种图片识别方法、装置、设备及存储介质，即基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；基于ArcFace loss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德Jaccard距离，并结合预设检测局部特征算法，输出所述待处理图像对应的识别结果。本发明基于待处理图像的低频图像信息进行图像识别减少数据计算量，基于ArcFace loss提取图像特征，提升了图像识别精确度。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种图片识别方法、装置、设备及计算机可读存储介质。

背景技术

目前大部分智能终端会装载有具有图像匹配功能的软件，例如汽车事故理赔软件，当车主发生车辆事故的时候，车主可以使用智能终端中的汽车事故理赔软件对车辆受损部位进行拍摄，然后智能终端会拍摄到的事故图像与数据库中预存的理赔图片进行匹配。上述软件在进行图像匹配过程中，一般是采用cross entropy loss函数训练出来的模型作为分类模型。采用这种模型应用到图像匹配过程中，通常是单独使用局部sift特征进行图像查询，对更精细的图片的区分度效果不是很理想；同时需要引入较多的图像特征参数进行比较，有些图像参数属于一些冗余信息，增大了计算量。因此，如何解决现有图像识别精确度以及识别效率低下的技术问题，成为了目前亟待解决的技术问题。

发明内容

本发明的主要目的在于提供一种图片识别方法、装置、设备及计算机可读存储介质，旨在解决现有图像识别精确度以及识别效率低下的技术问题。

为实现上述目的，本发明提供一种图片识别方法，所述图片识别方法包括以下步骤：

在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；

提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；

基于预设分类损失函数ArcFace loss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；

计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德Jaccard距离，并基于所述各个Jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应的识别结果。

可选地，所述在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图的步骤具体包括：

在接收到图像识别指令时，获取待处理图像，基于预设卷积神经网络模型，对所述待处理图像进行傅里叶变换，生成所述待处理图像的频谱图；

基于所述卷积神经网络模型，对所述待处理图像的频谱图进行八度卷积操作OctConv处理，生成所述待处理图像的高频图像信息以及低频图像信息；

获取所述待处理图像的低频图像信息，作为所述图像采样图。

可选地，所述在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图的步骤之前，还包括：

预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生成卷积神经网络模型。

可选地，所述预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生成卷积神经网络模型的步骤之后，还包括：