[发明专利]基于图像的对象识别和/或验证方法和设备

说明书

提供了基于图像的对象识别和/或验证方法和设备。该方法包括接收所述对象的图像以输入卷积神经网络；提取所述卷积神经网络中的至少两个卷积层的输出结果；将所述至少两个卷积层的所述输出结果组合以生成表征所述对象的识别码；和基于所述识别码来进行所述对象的识别和/或验证。由此，提高了对象识别和/或验证的准确度。

技术领域

本发明涉及计算机领域，尤其涉及对象的识别和/或验证。

背景技术

基于图像进行的对象识别和/或验证高度依赖于图像的表面纹理和/或特定的特征点。当前已经开发了使用卷积神经网络(CNN)来对图像的纹理特征进行识别的算法。但是当前使用卷积神经网络进行的图像纹理特征提取方法更多地关注基于所提取的图像纹理特征进行对象分类。这样的方法在对象的识别和/或验证应用中往往难以获得令人满意的结果。

发明内容

提供一种改进的对象识别和/或验证方法，其不仅关注通过卷积神经网络获得的图像深层特征信息，同样关注通过卷积神经网络获得的浅层特征信息，从而能够提取更适于进行对象识别和/或验证的特征信息，提高对象识别和验证的准确率。

已经认识到，基于图像进行的对象识别和/或验证与对象的分类不同。在对象分类中，更多地关注将当前对象与其他对象区分开的最根本的特征，因此，在设计基于卷积神经网络的对象分类算法时，采用了越来越深的网络结构、越来越多的卷积层、和多个池化层，从而提取最能够将当前对象与其他类别对象区分开的特征，便于对对象进行分类。然而，在识别和/或验证对象时，不是简单地区分对象的类别而是要识别和/或验证当前对象的身份信息，即不仅将当前对象与其他类别的对象区别开，还要将当前对象与同类别的其他对象区分开，从而识别和/或验证特定的对象。因此，在识别和/或验证对象时，图像中的浅层特征信息很可能有助于将当前对象与同类别的其他对象区分开，对于识别和/或验证对象而言是有用的。而当前用于对象分类的基于卷积神经网络的方法中所涉及的越来越深的网络结构、越来越多的卷积层、和多个池化层恰恰可能使得输出结果忽略掉这些浅层特征信息，从而使得这样的方法在对象识别和/或验证中难以获得令人满意的结果。

根据本公开的各个方面的各个实施例，通过提取并组合卷积神经网络中至少两层的输出，构成多水平特征信息，以用于生成对象的识别码，由此，在对象识别和/或验证中，关注了对象图像的多个层次的特征信息，包括浅层特征信息和深层特征信息。能够为对象的识别和/或验证提供足够的信息以准确地将当前对象与其他对象区分开来，唯一地识别和/或验证该对象。

根据一个方面，提供一种基于图像的对象识别和/或验证方法。该方法包括接收所述对象的图像以输入卷积神经网络；提取所述卷积神经网络中的至少两个卷积层的输出结果；将所述至少两个卷积层的所述输出结果组合以生成表征所述对象的识别码；和基于所述识别码来进行所述对象的识别和/或验证。

根据另一个方面，提供一种基于图像的对象识别和/或验证设备。该设备包括卷积处理单元，用于接收所述对象的图像以输入卷积神经网络；提取单元，用于提取所述卷积神经网络中的至少两个卷积层的输出结果；组合单元，用于将所述至少两个卷积层的所述输出结果组合以生成表征所述对象的识别码；和识别/验证单元，用于基于所述识别码来进行所述对象的识别和/或验证。

根据另一个方面，提供一种基于图像的对象识别和/或验证系统。该系统包括：存储器，其存储计算机程序指令；和处理器，其运行所述计算机程序指令以执行根据本公开各个实施例的任一项所述的方法。

根据再一个方面，提供一种机器可读存储介质，其存储计算机程序指令，所述计算机程序指令当被运行时使得计算机执行根据本公开各个实施例所述的方法。

附图说明

在附图中，实施例仅通过示例的方式而不是限制的方式进行说明，在附图中相似的附图标记指代相似的元件。

图1示出了根据一个实施例的基于图像的对象识别和/或验证方法的网络结构框架图；