[發明專利]一種圖像識別方法、裝置、設備及存儲介質

在審

• 申請號: 202011520209.2
• 申請日: 2020-12-21
• 公開（公告）號: CN112508975A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 王林武
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/13
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本發明實施例公開了一種圖像識別方法、裝置、設備及存儲介質，通過獲取待檢測圖像，并確定待檢測圖像對應的目標輪廓框圖像，目標輪廓框圖像包含至少一個目標輪廓框；將目標輪廓框圖像輸入至目標分割網絡模型中，獲得目標分割網絡模型輸出的各所述目標輪廓框所對應的至少一個目標偏移量，其中，目標分割網絡模型通過對預先所構建待訓練分割網絡模型的訓練獲得；根據各目標偏移量調整所述目標輪廓框中對應的各輪廓點的位置，得到目標圖像，解決了圖像識別準確度較低的問題，通過訓練待訓練分割網絡模型得到目標分割網絡模型，準確預測目標輪廓框對應的目標偏移量，進而根據目標偏移量調整各輪廓點的位置，得到準確的目標圖像，提高數據處理精度。

技術領域

本發明實施例涉及圖像處理技術領域，尤其涉及一種圖像識別方法、裝置、設備及存儲介質。

背景技術

圖像的語義分割通過判斷圖像中每個像素屬于預定義的多個類別中哪個類，進而得到像素化的密集分類。隨著深度學習技術的發展，卷積神經網絡CNN在語義分割中得到越來越廣泛的應用。特別是自2014年Long等人首次使用全卷積網絡對自然圖像進行端到端分割，語義分割產生了很大的突破。語義分割只是對每個像素進行語義分類，不能區分屬于同一類別但不同物體的像素，例如將重復相鄰的連續字符或者有重疊的多個人作為一個整體分割，不能區分出每個個體，所以出現了實例分割的圖像處理方法。

實例分割是比語義分割更困難的計算機視覺任務，不僅要分類出每個像素所屬語義類別，還需區分并定位圖像中所有不同目標。實例分割目前常用的框架有兩種：Top-DownBased和Bottom-Up Based。Top-Down Based也稱Two Stage方法，2020年由浙大提出的一種最新開源算法DeepSnake，一種用于實例分割的Two Stage算法，根據所求輪廓點周圍固定數量的臨近輪廓點的特征確定偏移量，但是僅根據所求輪廓點周圍固定數量的臨近輪廓點的特征確定偏移量，學習到的特征精確度較低，無法滿足高精度數據處理要求，無法實現對圖像的準確識別。

發明內容

本發明提供一種圖像識別方法、裝置、設備及存儲介質，以實現圖像的準確識別。

第一方面，本發明實施例提供了一種圖像識別方法，所述圖像識別方法包括：

獲取待檢測圖像，并確定所述待檢測圖像對應的目標輪廓框圖像，所述目標輪廓框圖像包含至少一個目標輪廓框；

將所述目標輪廓框圖像輸入至目標分割網絡模型中，獲得所述目標分割網絡模型輸出的各所述目標輪廓框所對應的至少一個目標偏移量，其中，所述目標分割網絡模型通過對預先所構建待訓練分割網絡模型的訓練獲得；

根據各所述目標偏移量調整所述目標輪廓框中對應的各輪廓點的位置，得到目標圖像。

第二方面，本發明實施例還提供了一種圖像識別裝置，該圖像識別裝置包括：

圖像獲取模塊，用于獲取待檢測圖像，并確定所述待檢測圖像對應的目標輪廓框圖像，所述目標輪廓框圖像包含至少一個目標輪廓框；

偏移量確定模塊，用于將所述目標輪廓框圖像輸入至目標分割網絡模型中，獲得所述目標分割網絡模型輸出的各所述目標輪廓框所對應的至少一個目標偏移量，其中，所述目標分割網絡模型通過對預先所構建待訓練分割網絡模型的訓練獲得；

目標圖像確定模塊，用于根據各所述目標偏移量調整所述目標輪廓框中對應的各輪廓點的位置，得到目標圖像。

第三方面，本發明實施例還提供了一種圖像識別設備，該圖像識別設備包括：

一個或多個處理器；

存儲裝置，用于存儲一個或多個程序，

當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現如本發明實施例中任一所述的一種圖像識別方法。