[发明专利]图像分类模型的建立方法、建立装置和设备

说明书

本发明提供了一种图像分类模型的建立方法、建立装置和设备，其中，所述图像分类模型的建立方法包括：针对多种训练样本图像，按种类提取每张训练样本图像的特征向量；根据所述特征向量，计算所述每种训练样本图像的特征均值；根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型。通过本发明的技术方案，可以利用较少的工作量实现多种类图像的分组与分层，并降低过拟合，提系统高识别率。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种图像分类模型的建立方法、一种图像分类模型的建立装置和一种具有图像处理功能的设备。

背景技术

近年以来，随着人工智能以及大数据技术的快速发展，越来越多的产品开始向智能化发展，较之非智能化产品，智能化产品多有功能更加强大，用户的体验更加舒适等特点。在众多智能化产品中，图像识别占有举足轻重的领域，一个完整的图像识别系统以图像作为输入信息，通过不同的方法对图像进行识别，最后输出识别结果。

目前主流的图片识别方法，多是使用识别算法建立图像分类模型，具体地，计算每两个图像之间的相似度，并将相似度小于某一阈值的图像全部分为一类，但在为种类繁多的图像建立图像分类模型时，由于种类过多，每两个图像之间的相似度都计算出来，计算量过于繁重。而且利用相似度建立的图像分类模型能够识别出的种类有限。

因此，如何利用较少的计算量建立图像分类模型，而且该图像分类模型能够识别出较多种类的图像成为亟待解决的技术问题。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提出了一种图像分类模型的建立方法。

本发明的另一个目的在于提出了一种图像分类模型的建立装置。

本发明的又一个目的在于提出了一种具有图像处理功能的设备。

为实现上述至少一个目的，根据本发明的第一方面的实施例，提出了一种图像分类模型的建立方法，包括：针对多种训练样本图像，按种类提取每张训练样本图像的特征向量；根据所述特征向量，计算所述每种训练样本图像的特征均值；根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型。

根据本发明的一个实施例的图像分类模型的建立方法，通过计算出每种训练样本图像的特征均值并聚类来建立多层树状的图像分类模型，避免通过计算每两个图像之间的相似度的方式来建立图像分类模型，从而有效地降低了建立图像分类模型时的处理数据量。另外，通过建立多层树状的图像分类模型，可以有效降低多种类模型过拟合的问题，提高系统识别率。

根据本发明的上述实施例的图像分类模型的建立方法，还可以具有以下技术特征：

根据本发明的一个实施例，所述图像分类模型的每一层包括至少一个节点分类器，所述根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型，具体包括：当训练所述图像分类模型的任一节点分类器时，判断被训练的节点分类器是否有下一层节点分类器；若判定所述被训练的节点分类器没有下一层节点分类器，则将所述被训练的节点分类器训练成底层分类器；若判定所述被训练的节点分类器有下一层节点分类器，则对所述被训练的节点分类器的识别种类的图像的特征均值进行聚类来确定所述被训练的节点分类器的每个下一层节点分类器的识别种类，以对所述每个下一层节点分类器进行训练。

根据本发明的实施例的图像分类模型的建立方法，通过聚类算法对节点分类器的识别种类的图像的特征均值进行聚类，以将相似度较高的图像归为一类，从而建立多层树状的图像分类模型，不仅解决了大数据样本分层困难的技术问题，还保证了图像分类模型对图像识别的准确率。