[发明专利]一种图像识别方法、装置、设备及存储介质

说明书

本发明实施例公开了一种图像识别方法、装置、设备及存储介质，通过获取待检测图像，并确定待检测图像对应的目标轮廓框图像，目标轮廓框图像包含至少一个目标轮廓框；将目标轮廓框图像输入至目标分割网络模型中，获得目标分割网络模型输出的各所述目标轮廓框所对应的至少一个目标偏移量，其中，目标分割网络模型通过对预先所构建待训练分割网络模型的训练获得；根据各目标偏移量调整所述目标轮廓框中对应的各轮廓点的位置，得到目标图像，解决了图像识别准确度较低的问题，通过训练待训练分割网络模型得到目标分割网络模型，准确预测目标轮廓框对应的目标偏移量，进而根据目标偏移量调整各轮廓点的位置，得到准确的目标图像，提高数据处理精度。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种图像识别方法、装置、设备及存储介质。

背景技术

图像的语义分割通过判断图像中每个像素属于预定义的多个类别中哪个类，进而得到像素化的密集分类。随着深度学习技术的发展，卷积神经网络CNN在语义分割中得到越来越广泛的应用。特别是自2014年Long等人首次使用全卷积网络对自然图像进行端到端分割，语义分割产生了很大的突破。语义分割只是对每个像素进行语义分类，不能区分属于同一类别但不同物体的像素，例如将重复相邻的连续字符或者有重叠的多个人作为一个整体分割，不能区分出每个个体，所以出现了实例分割的图像处理方法。

实例分割是比语义分割更困难的计算机视觉任务，不仅要分类出每个像素所属语义类别，还需区分并定位图像中所有不同目标。实例分割目前常用的框架有两种：Top-DownBased和Bottom-Up Based。Top-Down Based也称Two Stage方法，2020年由浙大提出的一种最新开源算法DeepSnake，一种用于实例分割的Two Stage算法，根据所求轮廓点周围固定数量的临近轮廓点的特征确定偏移量，但是仅根据所求轮廓点周围固定数量的临近轮廓点的特征确定偏移量，学习到的特征精确度较低，无法满足高精度数据处理要求，无法实现对图像的准确识别。

发明内容

本发明提供一种图像识别方法、装置、设备及存储介质，以实现图像的准确识别。

第一方面，本发明实施例提供了一种图像识别方法，所述图像识别方法包括：

获取待检测图像，并确定所述待检测图像对应的目标轮廓框图像，所述目标轮廓框图像包含至少一个目标轮廓框；

将所述目标轮廓框图像输入至目标分割网络模型中，获得所述目标分割网络模型输出的各所述目标轮廓框所对应的至少一个目标偏移量，其中，所述目标分割网络模型通过对预先所构建待训练分割网络模型的训练获得；

根据各所述目标偏移量调整所述目标轮廓框中对应的各轮廓点的位置，得到目标图像。

第二方面，本发明实施例还提供了一种图像识别装置，该图像识别装置包括：

图像获取模块，用于获取待检测图像，并确定所述待检测图像对应的目标轮廓框图像，所述目标轮廓框图像包含至少一个目标轮廓框；

偏移量确定模块，用于将所述目标轮廓框图像输入至目标分割网络模型中，获得所述目标分割网络模型输出的各所述目标轮廓框所对应的至少一个目标偏移量，其中，所述目标分割网络模型通过对预先所构建待训练分割网络模型的训练获得；

目标图像确定模块，用于根据各所述目标偏移量调整所述目标轮廓框中对应的各轮廓点的位置，得到目标图像。

第三方面，本发明实施例还提供了一种图像识别设备，该图像识别设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的一种图像识别方法。