[发明专利]基于深度学习的图像识别方法、装置、设备及存储介质

说明书

本发明涉及图像处理技术领域，公开了一种基于深度学习的图像识别方法、装置、设备及存储介质，所述方法包括：对获取的待识别图像进行粗提取，获得图像特征点，根据预设筛选规则从图像特征点中筛选出目标特征点，并基于目标特征点获得初阶图像特征，将初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据特征挖掘结果生成图像识别结果。通过对获取待识别图像进行粗提取和特征点筛选以实现快速获取目标特征点，再基于目标特征点的特征描述子获得初阶图像特征，然后将初阶图像特征输入至预设深度学习模型中进行特征挖掘，以基于特征挖掘结果对待识别图像的高效识别，便于快速定位待识别图像对应的待识别对象。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的图像识别方法、装置、设备及存储介质。

背景技术

现有技术中，在对待识别图像进行识别时，多是基于点或面来进行图像识别，在基于面来进行图像识别的算法中，多采用方向梯度直方图(Histogram of OrientedGradient,HOG)、局部二值模式(Local Binary Patterns，LBP)、哈尔特征(Haar-likefeatures，Haar)等算法，然而由于此类算法提取的是面的信息，主要表示一块区域的特征，更适合用于人脸、人体等的图像识别，在表示待识别图像的纹理细节等方面不及基于点来进行图像识别的算法，如，尺度不变特征变换(Scale-invariant feature transform，SIFT)、加速稳健特征(Speeded Up Robust Features，SURF)等，其提取的是关键点的信息，更适合用于表示待识别图像的细节、指纹等，再进一步用于图像匹配、三维建模等算法，然而SIFT和SURF计算复杂，难以用于实时性特征检测，也难以快速地处理批量的待识别图像。因此，如何实现高效识别批量的待识别图像，成为一个亟待解决的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种基于深度学习的图像识别方法、装置、设备及存储介质，旨在解决如何实现高效识别批量的待识别图像的技术问题。

为实现上述目的，本发明提供了一种基于深度学习的图像识别方法，所述方法包括以下步骤：

获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点；

根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征；

将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。

可选地，所述获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点的步骤，具体包括：

从待识别图像的所有像素点中任选一像素点为圆心作圆，并获取所述圆的预设位置处的圆周像素点的灰度值；

获取所述圆心对应的像素点的灰度值，根据所述圆心对应的像素点的灰度值和所述圆周像素点的灰度值判断所述圆心对应的像素点是否为特征点；

在所述圆心对应的像素点为特征点时，标记所述特征点；

遍历所述待识别图像的所有像素点，以标记出所有的特征点，将所有标记的特征点作为图像特征点。

可选地，所述根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征的步骤，具体包括：

获取所述图像特征点对应的圆周像素点的像素值；

基于所述圆周像素点的像素值对所述图像特征点进行评分，并对获得的评分结果进行排序，获得评分排序结果；

根据所述评分排序结果从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征。