[发明专利]一种图像识别方法

说明书

本申请公开了一种图像识别方法，包括：边缘服务器接收用户上传的图像数据，对所述图像数据进行预处理；所述边缘服务器利用云服务器预先发来的特征提取器P对预处理后的图像数据进行特征提取，并将提取的特征数据发送到云服务器，用于进行图像识别；其中，所述特征提取器P是利用云服务器中的图像数据集生成的，所述特征提取器P提取的特征用于将图像数据区分为不同类别。应用本申请，能够在减少传输到云服务器的数据量同时提高图像识别的准确率。

技术领域

本申请涉及图像处理技术，特别涉及一种图像识别方法。

背景技术

随着智能手机、平板电脑等移动设备的普及，越来越多的图像识别应用被提出，例如，TapTapSee应用可以帮助视力障碍人士识别生活中遇到的物体；CalorieMama应用可以识别图片中的食物信息，给我们提出保持健康和营养均衡的建议。由此可见，基于终端设备的图像识别的研究有着重大的现实意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。

在目前的图像识别方法中，通常是将原始图片或简单预处理后的图片传输到云服务器，由云服务器根据接收的图片数据进行识别。然而，终端设备传输到云服务器的用于图像识别的数据量非常庞大，这会导致较大的传输延迟。另外，终端设备传输原始图片或预处理后的图片包含大量的噪声，这会降低图像识别的准确率。

发明内容

本申请提供了一种图像识别方法，能够在减少传输到云服务器的数据量同时提高图像识别的准确率。

为实现上述目的，本申请采用如下的技术方案：

一种图像识别方法，包括：

边缘服务器接收用户上传的图像数据，对所述图像数据进行预处理；

所述边缘服务器利用云服务器预先发来的特征提取器P对预处理后的图像数据进行特征提取，并将提取的特征数据发送到云服务器，用于进行图像识别；

其中，所述特征提取器P是利用云服务器中的图像数据集生成的，所述特征提取器P提取的特征用于将图像数据区分为不同类别。

较佳地，所述特征提取器P的生成方式包括：

求解满足和P^TP＝I的P，将该P作为所述特征提取器；

其中，f_gb为全局类间不相似度函数，表示云服务器图像数据中每一类样本点的中心点与整体样本的中心点之间的不相似程度；f_lb为局部类间不相似度函数，表示不同类别的数据样本点中，样本点与其近邻样本点之间的不相似程度；f_gw为全局类内不相似度函数，表示每一类数据样本点与该类数据样本点的中心点之间的不相似程度；f_lw为局部类内不相似度函数，表示在同一类别的数据样本点中，样本点与其近邻样本点之间的不相似程度；α,β,γ均为预设的权重值。

较佳地，其中，x_i表示云服务器图像数据集中的样本点，表示第j个样本的k₁个同类近邻样本点的集合，表示第j个样本的k₂个异类近邻样本点的集合，μ表示云服务器图像数据集中样本点的中心点，μ^m表示第m类样本点的中心点，m为类别索引。

较佳地，求解特征提取器P的方式包括：

对γβf_gb+γ(1-β)f_lb]-[α(1-γ)f_gw+(1-γ)(1-α)f_lw进行特征分解，获得取值为正的特征值λ_i及其对应的特征向量P_i，i＝1,…,r；

将所有特征向量P_i构成矩阵P作为所述特征提取器。

较佳地，所述对预处理后的图像数据进行特征提取包括：