[發明專利]圖片識別方法及裝置

在審

• 申請號: 201910370617.5
• 申請日: 2019-05-05
• 公開（公告）號: CN110070087A
• 公開（公告）日: 2019-07-30
• 發明（設計）人: 喻一凡
• 申請（專利權）人: 廣東三維家信息科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 徐麗

1.一種圖片識別方法，其特征在于，包括：

獲取待識別圖片，所述待識別圖片包括目標產品；

提取所述待識別圖片包括的所述目標產品的特征，并根據所述目標產品的特征確定所述目標產品的類別；

在所述待識別圖片中對所述目標產品進行定位，并在所述目標產品所在的位置生成目標邊框；

關聯顯示所述目標邊框和所述目標產品的類別。

2.根據權利要求1所述的圖片識別方法，其特征在于，所述目標產品的類別包括家居模型和家居貼圖。

3.根據權利要求1所述的圖片識別方法，其特征在于，所述提取所述待識別圖片包括的所述目標產品的特征，并根據所述目標產品的特征確定所述目標產品的類別包括：

采用預先訓練的基于卷積神經網絡的識別模型，提取所述目標產品的低頻特征；

采用預先訓練的基于卷積神經網絡的識別模型，通過跳級連接的方式，提取所述目標產品的高頻細節特征；

基于所述預先訓練的基于卷積神經網絡的識別模型，確定所述目標產品的低頻特征和所述目標產品的高頻細節特征對應的所述目標產品的類別。

4.根據權利要求3所述的圖片識別方法，其特征在于，還包括：

確定訓練樣本，每個訓練樣本包括一個訓練圖片和所述訓練圖片包括的訓練產品的第一類別以及第一邊框；

根據所述訓練樣本訓練所述基于卷積神經網絡的識別模型；

其中，所述基于卷積神經網絡的識別模型包括特征提取運算、分類運算以及定位運算；所述特征提取運算用于提取訓練產品的低頻特征和高頻特征；所述分類運算用于根據所述訓練產品的低頻特征和高頻特征確定所述訓練產品的第二類別；所述定位運算用于根據所述訓練產品的低頻特征和高頻特征在所述訓練產品所在的位置生成第二邊框；

所述特征提取運算包括第一參數，所述分類運算包括第二參數，所述定位運算包括第三參數；

在訓練過程中，基于如下公式作為目標函數對所述第一參數、所述第二參數和所述三參數進行優化：

其中，coordErr為所述第一邊框和所述第二邊框的坐標誤差；iouErr為所述第一邊框和所述第二邊框的交并比損失；clsErr為所述第一類別和所述第二類別的誤差損失；α、β、γ為權重；γ大于β且γ大于α。

5.根據權利要求1所述的圖片識別方法，其特征在于，還包括：

記錄所述框的坐標信息以及類別信息；

將框選及標注后的圖片轉換成XML解析文件。

6.根據權利要求1所述的圖片識別方法，其特征在于，獲取待識別圖片的步驟包括：

讀取待識別圖片；

對所述待識別圖片進行預處理；

對預處理后的待識別圖片進行格式統一及尺寸統一。

7.根據權利要求4所述的圖片識別方法，其特征在于，確定訓練樣本，的步驟包括：

讀取待識別圖片；

對所述待識別圖片進行預處理；

對預處理后的待識別圖片進行格式統一、尺寸統一及重命名；

對進行格式統一、尺寸統一及重命名后的待識別圖片標注第一類別和第一邊框。

8.一種圖片識別裝置，其特征在于，包括獲取模塊、特征提取模塊、定位模塊和顯示模塊：

所述獲取模塊用于獲取待識別圖片，所述待識別圖片包括目標產品；

所述特征提取模塊用于提取所述待識別圖片包括的所述目標產品的特征，并根據所述目標產品的特征確定所述目標產品的類別；

所述定位模塊用于在所述待識別圖片中對所述目標產品進行定位，并在所述目標產品所在的位置生成目標邊框；

所述顯示模塊用于關聯顯示所述目標邊框和所述目標產品的類別。

9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現上述權利要求1至7任一項所述的方法的步驟。

10.一種具有處理器可執行的非易失的程序代碼的計算機可讀介質，其特征在于，所述程序代碼使所述處理器執行所述權利要求1至7任一所述方法。