[发明专利]一种宠物图像识别的方法和装置

说明书

本发明提供了一种宠物图像识别的方法和装置，涉及数字图像处理的技术领域，包括：获取待处理图像，其中，所述待处理图像的数量为多个，且每个所述待处理图像中均包括待识别宠物；调用预先构建的目标神经网络，其中，所述目标神经网络为预先通过目标层级分类树的层级损失函数构建的神经网络；将所述待处理图像输入至所述目标神经网络中进行识别，以使所述目标神经网络按照所述目标层级分类树中所包含的分类特征对所述待处理图像进行分类识别，得到识别结果。本发明缓解了现有的宠物图像识别技术只能应用于特定的限制场景，无法获取更全面或更深度的宠物属性信息，难以在实际应用中发挥作用的技术问题。

技术领域

本发明涉及数字图像处理的技术领域，尤其是涉及一种宠物图像识别的方法和装置。

背景技术

深度神经网络是近几年来比较热门的一个研究方向，它从仿生学的角度模拟人类大脑神经的多层计算架构体系，通过表征一些复杂的模式与函数，在语音识别及图像处理领域，取得了接近或超过人类水平的效果。但深度学习存在训练困难，计算量大，训练周期长等缺点，而且业界目前的图像识别研究领域主要针对与人相关的图像识别如人脸识别及分类，针对宠物图像识别的技术研究还不多，不能很好的满足实际需求。例如，目前宠物识别主要局限在对宠物的品种识别如狗/猫/鸟类/水族，或单品种的分类如针对狗种类的识别或针对猫种类的识别，目前还没有跨物种的全品类的宠物识别方法，以及深入到宠物的血统，年龄、性别、体型、毛发等更多更细的属性识别方法。

针对上述问题，还未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种宠物图像识别的方法和装置，以缓解了现有的宠物图像识别技术只能应用于特定的限制场景，无法获取更全面或更深度的待识别宠物的属性特征，难以在实际应用中发挥作用的技术问题。

第一方面，本发明实施例提供了一种宠物图像识别的方法，该方法包括：获取待处理图像，其中，所述待处理图像的数量为多个，且每个所述待处理图像中均包括待识别宠物；调用预先构建的目标神经网络，其中，所述目标神经网络为预先通过目标层级分类树的层级损失函数构建的神经网络；将所述待处理图像输入至所述目标神经网络中进行识别，以使所述目标神经网络按照所述目标层级分类树中所包含的分类特征对所述待处理图像进行分类识别，得到识别结果，其中，所述识别结果为所述待处理图像中所包含的所述待识别宠物的种类。

进一步地，在获取待处理图像之前，所述方法还包括：构建所述目标层级分类树；计算所述目标层级分类树的层级损失函数；基于所述层级损失函数构建所述目标神经网络，其中，所述目标神经网络的损失函数为所述层级损失函数。

进一步地，构建所述目标层级分类树包括：确定所述目标层级分类树的分类属性，其中，所述分类属性包括：种类和/或属性特征，所述种类包括：待识别宠物的品种，所述属性特征包括以下至少之一：待识别宠物的血统，待识别宠物的年龄，待识别宠物的年龄，待识别宠物的性别，待识别宠物的体型，待识别宠物的毛发；基于所述分类属性，为所述目标层级分类树的各个节点配置对应的类别和/或对应的属性特征；在为所述目标层级分类树的各个节点配置对应的类别和/或对应的属性特征之后，为每个所述节点赋予对应的概率值，以及为每个所述节点赋予对应的权重，从而得到所述目标层级分类树。

进一步地，获取待处理图像包括：获取待处理的原始图像，其中，所述待处理的原始图像为包括所述待识别宠物的图像；对所述待处理的原始图像进行预处理，得到所述待处理图像，其中，所述预处理包括：剪裁处理和白化处理。

进一步地，在获取待处理图像之前，所述方法还包括：获取训练集图像；通过所述训练集图像对所述目标神经网络的初始网络进行训练，训练得到所述目标神经网络。

进一步地，获取训练集图像包括：对所述训练集图像的原始图像进行预处理，得到所述训练集图像，其中，所述预处理包括：剪裁处理，翻转处理，亮度变化处理，对比度变化处理，白化处理。