[发明专利]基于Riesz小波变换的图像识别方法及装置

说明书

本申请的实施例提供了一种基于Riesz小波变换的图像识别方法及装置，涉及社会安全领域。所述方法，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，提取全方位图像的纹理特征；根据纹理特征，获取全方位图像的保留纹理特征的特征向量；将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。本申请能够改善群体性事件的风险评估等级确定耗时较长且精准性不高，对处理群体性事件结果造成较大的偏差的问题，达到缩短群体性事件的风险评估等级的确定时长，提高确定的精准性的效果。

技术领域

本申请的实施例涉及社会安全技术领域，尤其涉及一种基于Riesz小波变换的图像识别方法及装置。

背景技术

在实现本发明的过程中，发明人发现，当前，群体性事件的风险评估等级确定是一个复杂系统的工程，耗时较长且精准性不高，对处理群体性事件结果造成较大的偏差。

发明内容

本申请的实施例提供了一种基于Riesz小波变换的图像识别方法及装置，能够改善群体性事件的风险评估等级确定耗时较长且精准性不高，对处理群体性事件结果造成较大的偏差的问题。

在本申请的第一方面，提供了一种基于Riesz小波变换的图像识别方法，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。

通过采用以上技术方案，本申请实施例提供的基于R i esz小波变换的图像识别中，获取包含群众微表情的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和训练完成的卷积神经网络模型，对全方位图像中群众微表情进行识别，并将识别出的群众微表情进行分类，获取该群体性事件的风险评估等级，能够改善群体性事件的风险评估等级确定耗时较长且精准性不高，对处理群体性事件结果造成较大的偏差的问题，达到缩短群体性事件的风险评估等级的确定时长，提高确定的精准性的效果。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。