[发明专利]一种基于大数据的图像智能识别方法

说明书

本发明涉及图像识别技术领域，具体涉及一种基于大数据的图像智能识别方法。该方法包括：获得待识别物体的正视图像并进行预处理得到待识别图像，并将待识别图像进行分块；将分块后的待识别图像输入图像识别网络，输出目标识别效果图；提取待识别图像的边界轮廓信息获得其边界轮廓图像，利用目标识别效果图、待识别图像中每个像素点的特征描述子以及边界轮廓图像获得目标识别图像；将目标识别图像与待识别图像相乘获得待识别图像中的识别目标区域。本发明通过对图像识别网络中损失函数的优化，可提高目标区域的检测精度，同时结合待识别图像自身特征信息保证目标像素点识别的准确度，具有检测速度快，识别精度高，分割效果好等有益效果。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于大数据的图像智能识别方法。

背景技术

图像智能识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。

现有的主要的图像识别方法有基于神经网络的图像识别方法、基于小波矩的图像识别方法等。传统语义分割、目标检测网络对目标进行识别检测时，网络在训练过程中不能够达到完全收敛，需要基于标签数据对网络进行反复训练，网络的训练精度不够高，该方法具有较强的人为主观性，无法根据图像本身的特征信息对目标物进行精确识别，且标签制作工作量较大，同时传统语义分割网络在进行目标识别时，分割结果多出现粘连、边缘不连续等状况，使得目标检测结果不够准确。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于大数据的图像智能识别方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于大数据的图像智能识别方法：获得待识别物体的正视图像并进行预处理得到待识别图像，并将待识别图像进行分块获得多个相同尺寸子块，所述待识别图像为灰度图；将分块后的待识别图像输入图像识别网络，输出目标识别效果图；

利用大量待识别图像作为训练样本训练图像识别网络，具体过程为：人为构造作为训练样本的各待识别图像对应的标签图像；构建第一损失函数，所述第一损失函数为交叉熵损失函数；将各待识别图像对应的标签图像进行分块中获得相对应的子块；根据目标识别效果图和其对应的标签图像中对应的两个子块的灰度值均值、灰度值方差以及协方差获得相对应的两个子块的局部损失函数；利用待识别图像中各像素点的二阶灰度梯度构成的各像素点的特征矩阵获得各像素点的特征描述子；基于训练样本中每个待识别图像中各子块的像素点的特征描述子的均值、对应的第一损失函数值、对应的局部损失函数值获得图像识别网络的最终损失函数；

提取待识别图像的边界轮廓信息获得其边界轮廓图像，利用目标识别效果图、待识别图像中每个像素点的特征描述子以及边界轮廓图像获得目标识别图像；将目标识别图像与待识别图像相乘获得待识别图像中的识别目标区域。

优选地，获得待识别物体的正视图像并进行预处理获得待识别图像包括：对获得的待识别物体的正视图像进行高斯滤波和伽马变换处理，并对处理后的图像灰度化获得待识别图像。

优选地，图像识别网络的结构为编码器-解码器的网络结构。

优选地，局部损失函数为：

其中，表示目标识别效果图和其对应的标签图像中相对应的第i个子块的局部损失函数；和分别为大于0的超参数；为目标识别效果图中第i个子块的灰度值均值；表示目标识别效果图中第i个子块在标签图像中对应的子块的灰度值均值；表示目标识别效果图和其对应的标签图像中相对应的第i个子块的协方差；表示目标识别效果图中第i个子块的灰度值方差的平方；表示目标识别效果图中第i个子块在标签图像中对应的子块的灰度值方差的平方。