[发明专利]一种图像识别的方法、系统及相关组件

说明书

本申请公开了一种图像识别的方法，所述方法包括当接收到模型训练指令时，根据所述模型训练指令对训练样本集执行图像特征提取操作得到M帧样本图片的特征向量；将所有所述样本图片划分为个样本图片组；利用段落融合网络将每个所述样本图片组内的N帧样本图片的特征向量拼接为一个拼接特征向量得到个拼接特征向量，并对所有所述拼接特征向量进行池化操作得到段落融合特征；将所有所述段落融合特征传输至循环神经网络进行训练得到图像识别模型，以便利用所述图像识别模型进行图像识别操作。本方法能够降低图像识别模型的训练成本，提升图像识别的工作效率。本申请还公开了一种图像识别的系统、一种计算机可读存储介质及一种电子设备，具有以上有益效果。

技术领域

本发明涉及计算机视觉领域，特别涉及一种图像识别的方法、系统、一种计算机可读存储介质及一种图像识别装置。

背景技术

人体动作识别是视频理解和计算机视觉的重要研究方向，并被广泛应用于实际中，例如人体运动分析、人机交互、视频检索、智能视频监控以及异常事件检测等。在研究与研发中，涌现了大量人体动作识别方法及装置。但由于人体动作样式复杂、光照多变、拍摄视角倾斜、背景干扰等原因，目前基于视频的人体动作识别依然计算机视觉领域的难点问题。

采用人为既定的特征模板进行特征提取，需要数量庞大的特征模板来适应人体动作样式的多变性与复杂性。因此现有技术中利用深度学习进行特征提取的新型识别方法具有自适应性，无需事先规定特征模板，但由于深度学习需要从大量样本中提取特征进行学习，训练十分耗时，导致训练成本高、产品迭代慢。

因此，如何降低图像识别模型的训练成本，提升图像识别的工作效率是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种图像识别的方法、系统、一种计算机可读存储介质及一种图像识别装置，能够降低图像识别模型的训练成本，提升图像识别的工作效率。

为解决上述技术问题，本申请提供一种图像识别的方法，该方法包括：

当接收到模型训练指令时，根据所述模型训练指令对训练样本集执行图像特征提取操作得到M帧样本图片的特征向量；

将所有所述样本图片划分为个样本图片组；其中，每个所述样本图片组内包括N帧相邻的所述样本图片；

利用段落融合网络将每个所述样本图片组内的N帧样本图片的特征向量拼接为一个拼接特征向量得到个拼接特征向量，并对所有所述拼接特征向量进行池化操作得到段落融合特征；

将所有所述段落融合特征传输至循环神经网络进行训练得到图像识别模型，以便利用所述图像识别模型进行图像识别操作。

可选的，根据所述模型训练指令对训练样本集执行图像特征提取操作得到M帧样本图片的特征向量包括：

根据所述模型训练指令将所述训练样本集中的样本图像输入卷积神经网络进行所述图像特征提取操作得到多帧所述样本图片的所述特征向量。

可选的，将所有所述段落融合特征传输至循环神经网络进行训练得到图像识别模型包括：

将所有所述段落融合特征传输至长短期记忆网络进行训练得到所述图像识别模型；其中，所述长短期记忆网络为所述循环神经网络中的一种人工神经网络。

可选的，在根据所述模型训练指令对训练样本集执行图像特征提取操作得到M帧样本图片的特征向量之前，还包括：

获取视频数据并将所述视频数据按照预设周期进行截图操作得到若干张样本图像，根据所有所述样本图像构建所述训练样本集。

可选的，根据所述模型训练指令对训练样本集执行图像特征提取操作得到M帧样本图片的特征向量包括：

根据所述模型训练指令利用三帧差分法提取所述训练样本集中每一帧样本图像的运动目标区域；