[發(fā)明專利]一種圖像識別方法、裝置及終端設(shè)備

在審

• 申請?zhí)枺?/td>: 201811580564.1
• 申請日: 2018-12-24
• 公開（公告）號: CN111369489A
• 公開（公告）日: 2020-07-03
• 發(fā)明（設(shè)計）人: 俞大海;占宏鋒;刑蓮萍
• 申請（專利權(quán)）人: TCL集團股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 深圳中一聯(lián)合知識產(chǎn)權(quán)代理有限公司 44414
• 代理人: 張全文

1.一種圖像識別方法，其特征在于，所述方法包括：

獲取原始圖像，并對所述原始圖像進行預(yù)處理得到第一圖像和第二圖像；

將所述第一圖像輸入一級分類卷積神經(jīng)網(wǎng)絡(luò)，得到圖像類別信息；

將所述第二圖像輸入與所述圖像類別信息對應(yīng)的二級檢測卷積神經(jīng)網(wǎng)絡(luò)，得到圖像識別結(jié)果。

2.如權(quán)利要求1所述的方法，其特征在于，在所述將所述第一圖像輸入一級分類卷積神經(jīng)網(wǎng)絡(luò)，得到圖像類別信息的步驟之前，還包括：

根據(jù)常規(guī)卷積核Convolution和深度卷積核Depthwise Convolution的大小以及通道數(shù)，按照預(yù)先設(shè)置的層數(shù)，構(gòu)建分類卷積層；

根據(jù)所述分類卷積層，并結(jié)合平均池化層Average Pooling，構(gòu)建所述一級分類卷積神經(jīng)網(wǎng)絡(luò)。

3.如權(quán)利要求2所述的方法，其特征在于，在所述根據(jù)所述分類卷積層，并結(jié)合平均池化層Average Pooling，構(gòu)建所述一級分類卷積神經(jīng)網(wǎng)絡(luò)的步驟之后，還包括：

將第一訓(xùn)練數(shù)據(jù)集輸入所述一級分類卷積神經(jīng)網(wǎng)絡(luò)；

基于所述第一訓(xùn)練數(shù)據(jù)集，對所述一級分類卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；

當(dāng)訓(xùn)練次數(shù)達到第一預(yù)設(shè)閾值時，停止對所述一級分類卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

4.如權(quán)利要求3所述的方法，其特征在于，在所述將第一訓(xùn)練數(shù)據(jù)集輸入所述一級分類卷積神經(jīng)網(wǎng)絡(luò)的步驟之前，還包括：

基于預(yù)分類圖像，構(gòu)建原始訓(xùn)練數(shù)據(jù)集；

按照預(yù)設(shè)圖像處理方式，對所述原始訓(xùn)練數(shù)據(jù)集的圖像數(shù)據(jù)進行增強和擴充處理，得到擴充后的訓(xùn)練數(shù)據(jù)集；

按照第一預(yù)設(shè)圖像尺寸，對擴充后的訓(xùn)練數(shù)據(jù)集進行尺寸調(diào)整，得到第一訓(xùn)練數(shù)據(jù)集；

按照第二預(yù)設(shè)圖像尺寸，對擴充后的訓(xùn)練數(shù)據(jù)集進行尺寸調(diào)整，得到第二訓(xùn)練數(shù)據(jù)集。

5.如權(quán)利要求1所述的方法，其特征在于，所述獲取原始圖像，并對所述原始圖像進行預(yù)處理得到第一圖像和第二圖像的步驟，包括：

按照第一預(yù)設(shè)圖像尺寸，對所述原始圖像進行尺寸調(diào)整，得到第一圖像；

按照第二預(yù)設(shè)圖像尺寸，對所述原始圖像進行尺寸調(diào)整，得到第二圖像，所述第一預(yù)設(shè)圖像尺寸小于所述第二預(yù)設(shè)圖像尺寸；

消除所述第一圖像和所述第二圖像的邊緣非判斷區(qū)域。

6.如權(quán)利要求1至5任一所述的方法，其特征在于，在所述將所述第二圖像輸入與所述圖像類別信息對應(yīng)的二級檢測卷積神經(jīng)網(wǎng)絡(luò)，得到圖像識別結(jié)果的步驟之前，還包括：

根據(jù)常規(guī)卷積核Convolution的大小和通道數(shù)，按照預(yù)先設(shè)置的層數(shù)，并結(jié)合圖像下采樣DownScale，構(gòu)建檢測卷積層；

根據(jù)所述檢測卷積層，并結(jié)合平均池化層Average Pooling和興趣區(qū)池化層ROIPooling，構(gòu)建所述二級檢測卷積神經(jīng)網(wǎng)絡(luò)。

7.如權(quán)利要求6所述的方法，其特征在于，在所述根據(jù)所述檢測卷積層，并結(jié)合平均池化層Average Pooling和興趣區(qū)池化層ROI Pooling，構(gòu)建所述二級檢測卷積神經(jīng)網(wǎng)絡(luò)的步驟之后，還包括：

將第二訓(xùn)練數(shù)據(jù)集輸入所述二級檢測卷積神經(jīng)網(wǎng)絡(luò)；

基于所述第二訓(xùn)練數(shù)據(jù)集，對所述二級檢測卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；

當(dāng)訓(xùn)練次數(shù)達到第二預(yù)設(shè)閾值時，停止對所述二級檢測卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

8.一種圖像識別裝置，其特征在于，所述裝置包括：

圖像預(yù)處理單元，用于獲取原始圖像，并對所述原始圖像進行預(yù)處理得到第一圖像和第二圖像；

圖像分類單元，用于將所述第一圖像輸入一級分類卷積神經(jīng)網(wǎng)絡(luò)，得到圖像類別信息；

圖像識別單元，用于將所述第二圖像輸入與所述圖像類別信息對應(yīng)的二級檢測卷積神經(jīng)網(wǎng)絡(luò)，得到圖像識別結(jié)果。

9.一種終端設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至7任一項所述圖像識別方法的步驟。

10.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7任一項所述圖像識別方法的步驟。