[发明专利]图像识别方法、装置、计算机设备和存储介质

权利要求书

1.一种图像识别方法，其特征在于，所述方法包括以下步骤：

获取待识别的图像；

采用训练后的第一卷积神经网络模型，对所述待识别图像进行图像识别，以确定所述待识别的图像中所展示的对象；其中，所述第一卷积神经网络模型包括用于提取图像全局特征的第一路卷积神经网络和用于提取图像局部特征的第二路卷积神经网络。

2.根据权利要求1所述的图像识别方法，其特征在于，所述采用训练后的第一卷积神经网络模型，对所述待识别图像进行图像识别之前，还包括：

采集图像样本；所述图像样本，从预先建立的图像库得到，并根据图像样本中的对象进行标注；

从所述图像样本中获取训练样本，并将所述训练样本输入到第一卷积神经网络模型中，采用所述第一卷积神经网络模型进行图像识别，以确定所述训练样本所展示的对象；

根据各训练样本所展示的对象以及训练样本的标注，确定损失函数的取值；

根据所述损失函数的取值，对所述第一卷积神经网络模型进行参数调整，以根据参数调整后的第一卷积神经网络模型重新确定训练样本所展示的对象，并重新确定所述损失函数的取值，直至所述损失函数的取值小于阈值时，确定所述第一卷积神经网络模型训练完成。

3.根据权利要求1所述的图像识别方法，其特征在于，所述采用训练后的第一卷积神经网络模型，对所述待识别图像进行图像识别，以确定所述待识别的图像中所展示的对象，包括：

采用所述第一路卷积神经网络和所述第二路卷积神经网络，分别对待识别的图像进行特征提取；

将所述第一路卷积神经网络和所述第二路卷积神经网络提取的特征，输入到外积层，使所述外积层根据所述图像局部特征和所述图像全局特征进行外积计算，得到各像素点的特征；

采用池化层对各像素点的特征进行加和，得到图像的双线性特征向量，并由归一化层进行归一化处理；

采用全连接层将归一化的特征进行特征融合并输入到分类器，识别目标对象。

4.根据权利要求3所述的图像识别方法，其特征在于，所述采用所述第一路卷积神经网络和所述第二路卷积神经网络，分别对待识别的图像进行特征提取，包括：

采用所述第一路卷积神经网络提取全局特征后，采用所述第二路卷积神经网络提取局部特征；

或者，采用所述第二路卷积神经网络提取局部特征后，采用所述第一路卷积神经网络提取全局特征；

或者，采用所述第一路卷积神经网络提取全局特征的同时，并行采用所述第二路卷积神经网络提取局部特征；

或者，根据对象所属的类别，确定采用所述第一路卷积神经网络和所述第二路卷积神经网络，分别对待识别的图像进行特征提取的顺序。

5.根据权利要求2所述的图像识别方法，其特征在于，所述采集图像样本之后，还包括将所述图像样本作为待去雾图像，进行去雾处理；

所述获取待识别的图像之后，还包括将所述待识别的图像作为待去雾图像，进行去雾处理。

6.根据权利要求5所述的图像识别方法，其特征在于，所述进行去雾处理，包括：

对所述待去雾图像采用最小值滤波算法进行滤波，得到暗通道图；

从所述暗通道图中确定亮度高于阈值的目标像素；

根据所述暗通道图中的所述目标像素，确定与所述待去雾图像中的对应像素；

将所述对应像素的最大亮度作为大气亮度；

根据所述大气亮度和预设的去雾因子，对所述图像样本进行计算，得到透射率图；

根据暗通道图、大气亮度和透射率图，对所述待去雾图像进行去雾处理。

7.根据权利要求2所述的图像识别方法，其特征在于，所述确定所述第一卷积神经网络模型训练完成之后，还包括：

从所述图像样本中获取测试样本，并将所述测试样本输入到训练后的第一卷积神经网络模型中，识别得到所述测试样本所展示的对象；

根据识别得到的对象和所述测试样本的标注，计算所述第一卷积神经网络模型的准确度；

确定所述第一卷积神经网络模型的准确度高于阈值。