基于神經網絡的多層圖像特征提取建模、圖像識別方法及裝置制造方法及圖紙

本發明專利技術提供一種基于神經網絡的多層圖像特征提取建模方法及裝置，從預設應用場景的訓練集中獲取第一圖片、第二圖片、第一圖片的第一分類及第二圖片的第二分類；根據第一圖片、第一分類、第二圖片及第二分類確定全局損失代價函數值；根據全局損失代價函數值及訓練參數在訓練集上訓練多層圖像對象驗證神經網絡；通過預設應用場景的測試集對多層圖像對象驗證神經網絡進行測試，并根據測試結果確定測試精度，根據測試精度及多層圖像對象驗證神經網絡確定目標多層圖像對象驗證特征提取模型。該方法及裝置可以達到將建模得到的圖像特征模型應用圖像識別應用場景中進行圖像識別時，提高圖片識別精度的有益效果。本發明專利技術還提供一種圖像識別方法及裝置。

【技術實現步驟摘要】

本專利技術涉及圖像識別
，尤其涉及一種基于神經網絡的多層圖像特征提取建模方法及裝置以及一種圖像識別方法及裝置。
技術介紹
圖像識別是計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。針對人臉的圖像識別即為人臉識別，它是一種基于人的臉部特征信息進行身份識別的生物識別技術，一般是用攝像機或攝像頭采集含有人臉的圖像或視頻流后，自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別，通常也叫做人像識別、面部識別。目前，人臉識別算法均是基于人臉照片和與其對應的身份信息，使用神經網絡進行模型訓練，并最終使用分類器進行人臉識別。在人臉識別神經網絡中對模型的訓練中只考慮人臉圖片的身份信息，對于利用該模型的人臉識別的識別精度還有待進一步地提升。
技術實現思路
基于此，有必要提供一種能夠在圖像識別應用場景中提高識別精度的基于神經網絡的多層圖像特征提取建模方法及裝置，以及一種應用通過該基于神經網絡的多層圖像特征提取建模方法及裝置建立的圖像特征模型的圖像識別方法及裝置。一種基于神經網絡的多層圖像特征提取建模方法，包括：從預設應用場景的訓練集中獲取第一圖片、第二圖片、所述第一圖片的第一分類及所述第二圖片的第二分類；將所述第一圖片、所述第一分類、所述第二圖片及所述第二分類作為多層圖像對象驗證神經網絡的輸入，確定全局損失代價函數值；根據所述全局損失代價函數值及訓練參數在所述訓練集上訓練所述多層圖像對象驗證神經網絡；通過所述預設應用場景的測試集對所述多層圖像對象驗證神經網絡進行測試，并根據測試結果確定測試精度，根據所述測試精度及所述多層圖像對象驗證神經網絡確定目標多層圖像對象驗證特征提取模型。一種圖像識別方法，包括：獲取待識別圖片，并將所述待識別圖片作為上述的基于神經網絡的多層圖像特征提取建模方法確定的目標多層圖像對象驗證特征提取模型的輸入，確定待識別驗證特征；將所述待識別驗證特征與訓練集中的圖片對應的圖片驗證特征進行對比，并將與所述待識別驗證特征距離最近的圖片驗證特征對應的圖片所屬的分類確定為所述待識別圖片的分類。一種基于神經網絡的多層圖像特征提取建模裝置，包括：圖片分類獲取模塊，用于從預設應用場景的訓練集中獲取第一圖片、第二圖片、所述第一圖片的第一分類及所述第二圖片的第二分類；損失代價確定模塊，用于將所述第一圖片、所述第一分類、所述第二圖片及所述第二分類作為多層圖像對象驗證神經網絡的輸入，確定全局損失代價函數值；神經網絡訓練模塊，用于根據所述全局損失代價函數值及訓練參數在所述訓練集上訓練所述多層圖像對象驗證神經網絡；特征模型確定模塊，用于通過所述預設應用場景的測試集對所述多層圖像對象驗證神經網絡進行測試，并根據測試結果確定測試精度，根據所述測試精度及所述多層圖像對象驗證神經網絡確定目標多層圖像對象驗證特征提取模型。一種圖像識別裝置，包括：待識特征確定模塊，用于獲取待識別圖片，并將所述待識別圖片作為上述的基于神經網絡的多層圖像特征提取建模裝置確定的目標多層圖像對象驗證特征提取模型的輸入，確定待識別驗證特征；對比分類確定模塊，用于將所述待識別驗證特征與訓練集中的圖片對應的圖片驗證特征進行對比，并將與所述待識別驗證特征距離最近的圖片驗證特征對應的圖片所屬的分類確定為所述待識別圖片的分類。上述基于神經網絡的多層圖像特征提取建模方法及裝置，由于訓練模型的時候采用的全局損失代價函數值，不僅與第一圖片、第二圖片相關，還與第一圖片的第一分類、第二圖片的第二分類相關。因此，建模得到的圖像對象驗證特征模型與第一圖片的第一分類、第二圖片的第二分類相關。從而，可以達到將建模得到的圖像對象驗證特征模型應用在預設應用場景中進行圖像識別時，提高圖像識別精度的有益效果。同時，采用的圖像對象驗證神經網絡為多層次的多層圖像對象驗證神經網絡，確定的圖像對象驗證特征提取模型為多層次的多層圖像對象驗證特征提取模型。相較于圖像對象驗證特征提取模型，多層圖像對象驗證特征提取模型不僅輸出最高層圖像對象驗證特征，還輸出中間層的圖像對象驗證特征。從而，可以進一步達到將建模得到的圖像對象驗證特征模型應用在預設應用場景中進行圖像識別時，提高圖像識別精度的有益效果。上述圖像識別方法及裝置，由于通過上述基于神經網絡的多層圖像特征提取建模方法或裝置確定的目標多層圖像對象驗證特征提取模型確定待識別驗證特征，并通過該待識別驗證特征與訓練集中的圖片驗證特征進行對比，最終確定待識別圖片的分類，因此，上述圖像識別方法及裝置的識別精度高。附圖說明圖1為一實施例的基于神經網絡的多層圖像特征提取建模方法的流程圖；圖2為圖1的基于神經網絡的多層圖像特征提取建模方法的一個步驟的具體流程圖；圖3為另一實施例的基于神經網絡的多層圖像特征提取建模方法的流程圖；圖4為一實施例的基于神經網絡的多層圖像特征提取建模方法中進行人臉對齊處理前的示例圖；圖5為圖4的示例圖進行人臉對齊處理后的結果圖；圖6為圖1的基于神經網絡的多層圖像特征提取建模方法的另一個步驟的具體流程圖；圖7為一實施例的圖像識別方法的流程圖；圖8為一實施例的基于神經網絡的多層圖像特征提取建模裝置的結構圖；圖9為另一實施例的基于神經網絡的多層圖像特征提取建模裝置的結構圖；圖10為一實施例的圖像識別裝置的結構圖。具體實施方式為了便于理解本專利技術，下面將參照相關附圖對本專利技術進行更全面的描述。附圖中給出了本專利技術的較佳的實施例。但是，本專利技術可以以許多不同的形式來實現，并不限于本文所描述的實施例。相反地，提供這些實施例的目的是使對本專利技術的公開內容的理解更加透徹全面。除非另有定義，本文所使用的所有的技術和科學術語與屬于本專利技術的
的技術人員通常理解的含義相同。本文中在本專利技術的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在于限制本專利技術。本文所使用的術語“或/和”包括一個或多個相關的所列項目的任意的和所有的組合。如圖1所示，為本專利技術一個實施例的基于神經網絡的多層圖像特征提取建模方法，包括：S140：從預設應用場景的訓練集中獲取第一圖片、第二圖片、所述第一圖片的第一分類及所述第二圖片的第二分類。預設應用場景可以為對圖像識別精度要求較高的場景，尤其是對人臉識別精度要求較高的場景，如銀行VTM(VirtualTellerMachine，遠程柜員機)驗證、珠寶店VIP(VeryImportantPerson，貴賓)識別等場景。每一張圖片上均包括待識別的對象，如，可以為待識別的物品或人。同一分類表示同一個對象，如可以為同一個人或同一個物品。S160：將所述第一圖片、所述第一分類、所述第二圖片及所述第二分類作為多層圖像對象驗證神經網絡的輸入，確定全局損失代價函數值。通過第一圖片及第二圖片，根據多層圖像對象驗證神經網絡中的多層圖像對象驗證特征提取模型可以分別確定第一圖片、第二圖片的對象特征及驗證特征，進而根據第一分類、第二分類以及這些對象特征、驗證特征確定全局損失代價函數的值。多層圖像對象驗證神經網絡以現有技術的圖像對象識別神經網絡為基礎，包括以圖像對象識別神經網絡中的圖像對象識別特征提取模型為基礎確定的多層圖像對象驗證特征提取模型。具體地，該圖像對象識別神經網絡為經過訓練的圖像對象識別神經網絡，是采用現有技術進行圖像識別的已經訓練本文檔來自技高網...

【技術保護點】
一種基于神經網絡的多層圖像特征提取建模方法，其特征在于，包括：從預設應用場景的訓練集中獲取第一圖片、第二圖片、所述第一圖片的第一分類及所述第二圖片的第二分類；將所述第一圖片、所述第一分類、所述第二圖片及所述第二分類作為多層圖像對象驗證神經網絡的輸入，確定全局損失代價函數值；根據所述全局損失代價函數值及訓練參數在所述訓練集上訓練所述多層圖像對象驗證神經網絡；通過所述預設應用場景的測試集對所述多層圖像對象驗證神經網絡進行測試，并根據測試結果確定測試精度，根據所述測試精度及所述多層圖像對象驗證神經網絡確定目標多層圖像對象驗證特征提取模型。

【技術特征摘要】
1.一種基于神經網絡的多層圖像特征提取建模方法，其特征在于，包括：從預設應用場景的訓練集中獲取第一圖片、第二圖片、所述第一圖片的第一分類及所述第二圖片的第二分類；將所述第一圖片、所述第一分類、所述第二圖片及所述第二分類作為多層圖像對象驗證神經網絡的輸入，確定全局損失代價函數值；根據所述全局損失代價函數值及訓練參數在所述訓練集上訓練所述多層圖像對象驗證神經網絡；通過所述預設應用場景的測試集對所述多層圖像對象驗證神經網絡進行測試，并根據測試結果確定測試精度，根據所述測試精度及所述多層圖像對象驗證神經網絡確定目標多層圖像對象驗證特征提取模型。2.根據權利要求1所述的基于神經網絡的多層圖像特征提取建模方法，其特征在于，所述多層圖像對象驗證神經網絡包括以圖像對象識別神經網絡的圖像對象識別特征提取模型為基礎確定的多層圖像對象驗證特征提取模型；所述將所述第一圖片、所述第一分類、所述第二圖片及所述第二分類作為所述多層圖像對象驗證神經網絡的輸入，確定全局損失代價函數值的步驟包括：將所述第一圖片與所述第一分類作為所述多層圖像對象驗證特征提取模型的模型輸入，確定多層第一對象特征與多層第一驗證特征，將所述第二圖片與所述第二分類作為所述多層圖像對象驗證特征提取模型的另一個模型輸入，確定多層第二對象特征與多層第二驗證特征；或者，所述多層圖像對象驗證特征提取模型包括相同的兩個，將所述第一圖片與所述第一分類作為其中一個所述多層圖像對象驗證特征提取模型的模型輸入，確定多層第一對象特征與多層第一驗證特征，將所述第二圖片與所述第二分類作為另一個所述多層圖像對象驗證特征提取模型的模型輸入，確定多層第二對象特征與多層第二驗證特征；根據所述多層第一對象特征及所述第一分類確定第一對象信息損失函數值；根據所述多層第二對象特征及所述第二分類確定第二對象信息損失函數值；根據所述第一分類、所述第二分類、所述多層第一驗證特征及所述多層第二驗證特征確定驗證損失函數值；根據所述第一對象信息損失函數值、所述第二對象信息損失函數值及所述驗證損失函數值確定全局損失代價函數值。3.根據權利要求1所述的基于神經網絡的多層圖像特征提取建模方法，其特征在于，所述圖像為人臉圖片；所述從預設應用場景的訓練集中獲取第一圖片、第二圖片、所述第一圖片的第一分類及所述第二圖片的第二分類的步驟之前，還包括：在所述預設應用場景中采集視頻圖片，并對所述視頻圖片進行人臉檢測得到人臉圖片；獲取對所述人臉圖片進行分類的分類信息，根據所述分類信息對各所述人臉圖片進行分類，并對分類后的各所述人臉圖片進行人臉對齊處理，形成訓練集。4.根據權利要求1所述的基于神經網絡的多層圖像特征提取建模方法，其特征在于，所述根據所述全局損失代價函數值及訓練參數在所述訓練集上訓練所述多層圖像對象驗證神經網絡的步驟，包括：獲取初始訓練參數，根據所述全局損失代價函數值及所述初始訓練參數在所述訓練集上訓練所述多層圖像對象驗證神經網絡；更新訓練參數，根據所述全局損失代價函數值及更新后的所述訓練參數在所述訓練集上訓練所述多層圖像對象驗證神經網絡。5.一種圖像識別方法，其特征在于，包括：獲取待識別圖片，并將所述待識別圖片作為權利要求1-4任意一項所述的基于神經網絡的多層圖像特征提取建模方法確定的目標多層圖像對象驗證特征提取模型的輸入，確定待識別驗證特征；將所述待識別驗證特征與訓練集中的圖片對應的圖片驗證特征進行對比，并將與所述待識別驗證特征距離最近的圖片驗證特征對應的圖片所屬的分類確定為所述待識別圖片的分類。6.一種基于神經網絡的多層圖像特征提取...

【專利技術屬性】
技術研發人員：張玉兵，
申請(專利權)人：廣州視源電子科技股份有限公司，
類型：發明
國別省市：廣東;44