[发明专利]一种细粒度图像分类方法、系统、装置和存储介质

说明书

本发明公开了一种细粒度图像分类方法、系统、装置和存储介质，其中方法包括以下步骤：获取待分类的图像信息；将图像信息输入采用局部区域进行训练的识别模型进行细粒度识别后，输出识别分类结果。本发明采用局部区域进行增强模型训练，使模型更加适应于细粒度识别，当两个商品高度相似时，识别模型更能有效地抓住商品图像中的关键区别信息，从而能够快速准确地对商品进行识别以及分类，可广泛应用于图像数据处理领域。

技术领域

本发明涉及图像数据处理领域，尤其涉及一种细粒度图像分类方法、系统、装置和存储介质。

背景技术

基于图像识别和目标检测算法的商品识别技术，在新零售、无人商店领域具有很大应用潜力。例如：通过商品识别，可以在顾客选取商品时自动进行记录，配合移动支付手段，可以不用在出口处排队进行支付，从而提升商超运营效率。但通用的目标检测算法，更加侧重于依赖形状、纹理、颜色等内容进行检测，而对于常见的商品包装中，在同一品类下的各种商品的区分中，往往其外形规律性非常强(往往是长方体、圆柱体等)，只能依赖局部内容差异来区分，因此这些算法往往效果不佳。

发明内容

为了解决上述技术问题之一，本发明的目的是提供一种识别分类效果更佳加的细粒度图像分类方法、系统、装置和存储介质。

本发明所采用的第一技术方案是：

一种细粒度图像分类方法，包括以下步骤：

获取待分类的图像信息；

将图像信息输入采用局部区域进行训练的识别模型进行细粒度识别后，输出识别分类结果。

进一步，还包括建立识别模型的步骤，所述建立识别模型的步骤具体包括以下步骤：

获取输入图像，提取输入图像的图像局部区域；

对图像局部区域进行重叠区域检测，并对重叠的图像局部区域进行合并处理；

计算合并后的图像局部区域的图像复杂度，根据计算结果筛选多个图像局部区域；

按照预设的方式对筛选获得的图像局部区进行分组后，获得多个局部图像集；

结合输入图像、局部图像集和预设的损失函数对神经网络进行训练后，获得识别模型。

进一步，所述提取输入图像的图像局部区域这一步骤，具体为：

采用选择性搜索算法提取输入图像的图像局部区域。

进一步，所述对图像局部区域进行重叠区域检测，并对重叠的图像局部区域进行合并处理这一步骤，具体为：

采用交并比方式计算图像局部区域之间的重叠度，并在检测到重叠度大于预设值时，将对应的图像局部区域进行合并处理。

进一步，所述计算合并后的图像局部区域的图像复杂度，根据计算结果筛选多个图像局部区域这一步骤，具体包括以下步骤：

采用图像熵算法计算合并后的图像局部区域的图像复杂度；

根据计算结果对图像局部区域进行排序，并根据排序顺序获取多个图像局部区域。

进一步，所述结合输入图像、局部图像集和预设的损失函数对神经网络进行训练后，获得识别模型这一步骤，具体包括以下步骤：

将输入图像和局部图像集分别输入预设的神经网络中进行特征向量提取，获得多个特征向量；

将获得的特征向量进行拼接，并结合损失函数对神经网络进行训练后，获得识别模型。

进一步，所述损失函数采用交叉熵损失函数。

本发明所采用的第二技术方案是：