[发明专利]基于Riesz小波变换的图像识别方法及装置

权利要求书

1.一种基于Riesz小波变换的图像识别的方法，其特征在于，包括：

获取待识别群体性事件的全方位图像；

通过训练完成的小波变换模型，提取所述全方位图像的纹理特征；

根据所述纹理特征，获取所述全方位图像的保留图像纹理特征的特征向量；

将所述特征向量作为输入数据，使用训练完成的卷积神经网络模型对所述全方位图像进行识别并分类，得到群体性事件的风险评估等级，所述风险评估等级包括高风险、中风险和低风险；

其中，所述卷积神经网络模型是基于包含有风险评估等级的全方位图像，训练得到。

2.根据权利要求1所述的方法，其特征在于，所述根据所述纹理特征，获取所述全方位图像的保留纹理特征的特征向量，包括：

根据所述纹理特征，获取纹理差异度；

基于小波分解方法，根据所述纹理差异度，对所述全方位图像进行分解处理，获取第一子图像集和第二子图像集；

提取所述第一子图像集和所述第二子图像集中各子图像的特征向量；

将所述各子图像的特征向量进行归一化处理，获取所述全方位图像的保留纹理特征的特征向量。

3.根据权利要求2所述的方法，其特征在于，所述提取所述第一子图像集和所述第二子图像集中各子图像的特征向量，包括：

计算所述第一子图像集的第一能量参数和所述第二子图像集的第二能量参数；

根据所述第一能量参数和所述第二能量参数，进行特征提取，获取所述第一子图像集和所述第二子图像集中各子图像的特征向量。

4.根据权利要求3所述的方法，其特征在于，在所述计算所述第一子图像集的第一能量参数和所述第二子图像集的第二能量参数之前，包括：

对所述第一子图像集进行非线性图像增强；

对所述第二子图像集进行小波去燥处理。

5.根据权利要求4所述的方法，其特征在于，所述训练完成的小波变换模型是通过以下方式训练得到的：

获取历史全方位图像，所述历史全方位图像包含图像纹理特征；

根据所述历史全方位图像对小波变换模型进行训练。

6.根据权利要求5所述的方法，其特征在于，所述训练完成的卷积神经网络模型是通过以下方式训练得到的：

获取历史的特征向量；

根据所述历史的特征向量对卷积神经网络模型进行训练。

7.根据权利要求6所述的方法，其特征在于，在所述通过训练完成的小波变换模型，获取所述全方位图像的纹理特征之前，还包括：

根据所述全方位图像，通过分割算法，获取所述全方位图像中的主体对象区域。

8.根据权利要求7所述的方法，其特征在于，所述根据所述全方位图像，通过分割算法，获取所述全方位图像中的主体对象区域，包括：

将所述全方位图像进行特征提取，得到所述全方位图像的特征数据；

基于所述特征数据，得到所述主体对象区域分割框信息；

基于所述特征数据和所述主体对象区域分割框信息，得到所述全方位图像的所述主体对象区域语义分割信息。

9.一种基于Riesz小波变换的图像识别的装置，其特征在于，包括：

第一获取模块，用于获取待识别群体性事件的全方位图像；

提取模块，用于通过训练完成的小波变换模型，获取所述全方位图像的纹理特征；

第二获取模块，用于根据所述纹理特征，获取所述全方位图像的保留纹理特征的特征向量；

识别模块，用于将所述特征向量作为输入数据，使用训练完成的卷积神经网络模型对所述全方位图像进行识别并分类，得到群体性事件的风险评估等级，所述风险评估等级包括高风险、中风险和低风险；

其中，所述卷积神经网络模型是基于包含有风险评估等级的全方位图像，训练得到。

10.根据权利要求9所述的装置，其特征在于，

所述第二获取模块包括：

获取单元，用于根据所述纹理特征，获取纹理差异度；

分解单元，用于基于小波分解方法，根据所述纹理差异度，对所述全方位图像进行分解处理，获取第一子图像集和第二子图像集；

提取单元，用于提取所述第一子图像集和所述第二子图像集中各子图像的特征向量；

归一化单元，用于将所述各子图像的特征向量进行归一化处理，获取所述全方位图像的保留纹理特征的特征向量；

提取单元包括：

计算子单元，用于计算所述第一子图像集的第一能量参数和所述第二子图像集的第二能量参数，；

提取子单元，用于根据所述第一能量参数和所述第二能量参数，进行特征提取，获取所述第一子图像集和所述第二子图像集中各子图像的特征向量；

提取单元还包括：

增强子单元，用于对所述第一子图像集进行非线性图像增强；

去燥子单元，用于对所述第二子图像集进行小波去燥处理。