[发明专利]图像识别方法和装置

权利要求书

1.一种图像识别方法，其特征在于，包括：

获取待识别图像的特征矩阵；

在所述特征矩阵中选取一个特征值作为目标特征值a，并选取与所述目标特征值位于同一列且与所述目标特征值之间的距离为第一设定距离的特征值，作为列特征值b，并选取与所述目标特征值位于同一行且与所述目标特征值之间的距离为第二设定距离的特征值，作为行特征值c，将所述目标特征值a、列特征值b和行特征值c带入公式中，以对所述目标特征值进行编码，得到编码后的目标特征值a1；

在所述特征矩阵未被选取作为所述目标特征值的特征值中重新选取一个特征值作为所述目标特征值，并重新选取与所述目标特征值对应的列特征值和行特征值，将重新选取的所述目标特征值、重新选取的与所述目标特征值对应的列特征值和行特征值带入公式，以对重新选取的所述目标特征值进行编码，直至所述特征矩阵中的特征值均作为所述目标特征值进行编码，得到编码后的特征矩阵；

将所述编码后的特征矩阵输入图像识别模型中，以对所述待识别图像进行识别。

2.根据权利要求1所述的图像识别方法，其特征在于，

所述列特征值为所述特征矩阵中与所述目标特征值位于同一列、位于所述目标特征值右侧且与所述目标特征值相邻的特征值；

所述行特征值为所述特征矩阵中与所述目标特征值位于同一行、位于所述目标特征值下方且与所述目标特征值相邻的特征值。

3.根据权利要求1所述的图像识别方法，其特征在于，在将所述目标特征值a、列特征值b和行特征值c带入公式之前，所述方法包括：

若所述列特征值为空，则将所述列特征值确定为1；

若所述行特征值为空，则将所述行特征值确定为1。

4.根据权利要求1所述的图像识别方法，其特征在于，在将所述编码后的特征矩阵输入图像识别模型之前，所述方法包括：

获取预训练的神经网络模型中各隐藏层权重；

若所述隐藏层权重小于权重阈值，则去除所述隐藏层，得到所述图像识别模型。

5.根据权利要求4所述的图像识别方法，其特征在于，在去除所述隐藏层之后，所述方法包括：

获取所述神经网络模型的权重指数，所述权重指数由所述隐藏层权重按照所述隐藏层在所述神经网络模型中的顺序组合形成；

将被去除的隐藏层对应的隐藏层权重，从所述权重指数中删除，得到去除所述隐藏层后的权重指数。

6.根据权利要求1所述的图像识别方法，其特征在于，在将所述编码后的特征矩阵输入图像识别模型之前，所述方法包括：

获取预训练的神经网络模型中各隐藏层权重对应的权重矩阵；

对所述各隐藏层权重对应的权重矩阵进行聚类，得到各隐藏层权重对应的聚类后的权重矩阵；

基于所述各隐藏层权重对应的聚类后的权重矩阵，更新各隐藏层，得到所述图像识别模型。

7.根据权利要求6所述的图像识别方法，其特征在于，所述对所述各隐藏层权重对应的权重矩阵进行聚类，得到各隐藏层权重对应的聚类后的权重矩阵，包括：

获取所述隐藏层的输入神经元数量/输出神经元数量；

对所述隐藏层对应的权重矩阵中的特征值进行聚类，得到多个特征簇；

在所述多个特征簇中选取与所述输入神经元数量/输出神经元数量相同数量的特征簇；

对同一特征簇中的特征值求平均值，将所述平均值作为聚类特征值；

基于所述聚类特征值，确定所述隐藏层权重对应的聚类后的权重矩阵。

8.根据权利要求7所述的图像识别方法，其特征在于，所述基于所述类别特征值确定所述隐藏层权重对应的聚类后的权重矩阵，包括：

获取所述隐藏层对应与所述权重矩阵的梯度矩阵；

对同一特征簇中的特征值对应的梯度求和，得到聚类梯度；

将所述聚类特征值与对应所述聚类特征值的聚类梯度求和，得到求和结果；

将所述求和结果进行组合，得到所述隐藏层权重对应的聚类后的权重矩阵。