圖像分類的方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本公開涉及圖像識別技術(shù)領(lǐng)域,特別涉及一種圖像分類的方法及裝置。
【背景技術(shù)】
[0002]隨著圖像識別技術(shù)的發(fā)展,使得人們擺脫了傳統(tǒng)人眼識別圖像的方式,極大地節(jié)省了識別時間并提高了識別的效率。
[0003]在圖像識別過程中,需要將待分類的圖像與用戶預(yù)先根據(jù)經(jīng)驗設(shè)定的各類別圖像對應(yīng)的識別特征依次進行計算,確定待分類的圖像與各圖像類別對應(yīng)的相似度,再通過預(yù)設(shè)的分類器確定各圖像類別對應(yīng)的相似度中選取待分類的圖像對應(yīng)的分類結(jié)果。
【發(fā)明內(nèi)容】
[0004]為了解決相關(guān)技術(shù)的問題,本公開實施例提供了一種圖像分類的方法及裝置。所述技術(shù)方案如下:
[0005]根據(jù)本公開實施例的第一方面,提供一種圖像分類的方法,包括:
[0006]獲取待分類的圖像,并在所述待分類的圖像中選取用于進行圖像識別的指定區(qū)域;
[0007]將所述指定區(qū)域中的圖像數(shù)據(jù)輸入至預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中提取所述指定區(qū)域的圖像特征,并根據(jù)所述指定區(qū)域的圖像特征計算所述待分類的圖像相對于各圖像類別的相似性;所述深度卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)先根據(jù)多個圖像類別對應(yīng)的圖像樣本進行自適應(yīng)學(xué)習(xí);
[0008]根據(jù)所述待分類的圖像相對于各圖像類別的相似性確定所述待分類的圖像的分類結(jié)果。
[0009]可選的,所述在所述待分類的圖像中選取用于進行圖像識別的指定區(qū)域,包括:
[0010]對所述待分類的圖像進行人臉識別,確定所述待分類的圖像中雙眼的位置;
[0011]根據(jù)所述待分類的圖像中雙眼之間的距離,以所述雙眼的位置為中心在所述待分類的圖像中選取用于進行圖像識別的指定區(qū)域。
[0012]可選的,所述將所述指定區(qū)域中的圖像數(shù)據(jù)輸入至預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中提取所述指定區(qū)域的圖像特征,并根據(jù)所述指定區(qū)域的圖像特征計算所述待分類的圖像相對于各圖像類別的相似性,包括:
[0013]獲取所述指定區(qū)域中每一像素點的灰度值,并根據(jù)所述指定區(qū)域中每一像素點的灰度值得到一組輸入向量;
[0014]獲取預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中每一個節(jié)點對應(yīng)的參數(shù),并根據(jù)所述每一個節(jié)點對應(yīng)的參數(shù)以及所述輸入向量輸入至預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中進行識別,提取所述指定區(qū)域的圖像特征;
[0015]根據(jù)所述指定區(qū)域的圖像特征,計算所述待分類的圖像相對于各圖像類別的相似性。
[0016]可選的,所述根據(jù)所述待分類的圖像相對于各圖像類別的相似性確定所述待分類的圖像的分類結(jié)果,包括:
[0017]在所述待分類的圖像相對于各圖像類別的相似性中,選取相似性最高的圖像類別作為所述待分類的圖像的分類結(jié)果。
[0018]可選的,所述獲取待分類的圖像之前,所述方法還包括:
[0019]獲取多個圖像類別對應(yīng)的圖像樣本,并將所述多個圖像類別對應(yīng)的圖像樣本輸入預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型;
[0020]根據(jù)所述多個圖像類別對應(yīng)的圖像樣本進行圖像特征學(xué)習(xí),確定所述預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中每一個節(jié)點對應(yīng)的參數(shù)。
[0021]根據(jù)本公開實施例的第二方面,提供一種圖像分類的裝置,包括:
[0022]第一獲取模塊,用于獲取待分類的圖像;
[0023]選取模塊,用于在所述待分類的圖像中選取用于進行圖像識別的指定區(qū)域;
[0024]提取模塊,用于將所述指定區(qū)域中的圖像數(shù)據(jù)輸入至預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中提取所述指定區(qū)域的圖像特征;
[0025]計算模塊,用于根據(jù)所述指定區(qū)域的圖像特征計算所述待分類的圖像相對于各圖像類別的相似性;所述深度卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)先根據(jù)多個圖像類別對應(yīng)的圖像樣本進行自適應(yīng)學(xué)習(xí);
[0026]確定模塊,用于根據(jù)所述待分類的圖像相對于各圖像類別的相似性確定所述待分類的圖像的分類結(jié)果。
[0027]可選的,所述選取模塊,包括:
[0028]確定單元,用于對所述待分類的圖像進行人臉識別,確定所述待分類的圖像中雙眼的位置;
[0029]選取單元,用于根據(jù)所述待分類的圖像中雙眼之間的距離,以所述雙眼的位置為中心在所述待分類的圖像中選取用于進行圖像識別的指定區(qū)域。
[0030]可選的,所述提取模塊,包括:
[0031]第一獲取單元,用于獲取所述指定區(qū)域中每一像素點的灰度值,并根據(jù)所述指定區(qū)域中每一像素點的灰度值得到一組輸入向量;
[0032]第二獲取單元,用于獲取預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中每一個節(jié)點對應(yīng)的參數(shù);
[0033]提取單元,用于根據(jù)所述每一個節(jié)點對應(yīng)的參數(shù)以及所述輸入向量輸入至預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中進行識別,提取所述指定區(qū)域的圖像特征;
[0034]相應(yīng)的,所述計算模塊用于:
[0035]根據(jù)所述指定區(qū)域的圖像特征,計算所述待分類的圖像相對于各圖像類別的相似性。
[0036]可選的,所述確定模塊用于:
[0037]在所述待分類的圖像相對于各圖像類別的相似性中,選取相似性最高的圖像類別作為所述待分類的圖像的分類結(jié)果。
[0038]可選的,所述裝置還包括:
[0039]第二獲取模塊,用于獲取多個圖像類別對應(yīng)的圖像樣本;
[0040]輸入模塊,用于將所述多個圖像類別對應(yīng)的圖像樣本輸入預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)豐吳型;
[0041]學(xué)習(xí)模塊,用于根據(jù)所述多個圖像類別對應(yīng)的圖像樣本進行圖像特征學(xué)習(xí),確定所述預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中每一個節(jié)點對應(yīng)的參數(shù)。
[0042]根據(jù)本公開實施例的第三方面,提供一種圖像分類的裝置,包括:
[0043]處理器;
[0044]用于存儲處理器可執(zhí)行指令的存儲器;
[0045]其中,所述處理器被配置為:
[0046]獲取待分類的圖像,并在所述待分類的圖像中選取用于進行圖像識別的指定區(qū)域;
[0047]將所述指定區(qū)域中的圖像數(shù)據(jù)輸入至預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中提取所述指定區(qū)域的圖像特征,并根據(jù)所述指定區(qū)域的圖像特征計算所述待分類的圖像相對于各圖像類別的相似性;所述深度卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)先根據(jù)多個圖像類別對應(yīng)的圖像樣本進行自適應(yīng)學(xué)習(xí);
[0048]根據(jù)所述待分類的圖像相對于各圖像類別的相似性確定所述待分類的圖像的分類結(jié)果。
[0049]本公開的實施例提供的技術(shù)方案可以包括以下有益效果:
[0050]通過預(yù)先根據(jù)多個圖像類別對應(yīng)的圖像樣本進行自適應(yīng)學(xué)習(xí)的深度卷積神經(jīng)網(wǎng)絡(luò),對待分類的圖像進行識別并確定該圖像的圖像類別。提高了圖像分類的準(zhǔn)確性,避免了由于人工設(shè)定的識別特征所造成的圖像識別效率低下的缺陷。
[0051]應(yīng)當(dāng)理解的是,以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的,并不能限制本公開。
【附圖說明】
[0052]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分,示出了符合本公開的實施例,并與說明書一起用于解釋本公開的原理。
[0053]圖1是根據(jù)一示例性實施例示出的一種圖像分類的方法的流程圖;
[0054]圖2是根據(jù)一示例性實施例示出的一種圖像分類的方法的流程圖;
[0055]圖3是根據(jù)一示例性實施例示出的一種圖像分類的方法的流程圖;
[0056]圖4是根據(jù)一示例性實施例示出的一種圖像分類的裝置的框圖;
[0057]圖5是根據(jù)一示例性實施例示出的一種圖像分類的裝置中選取模塊的框圖;
[0058]圖6是根據(jù)一示例性實施例示出的一種圖像分類的裝置中提取模塊的框圖;
[0059]圖7是根據(jù)一示例性實施例示出的一種圖像分類的裝置的框圖。
【具體實施方式】
[0060]為使本公開的目的、技術(shù)方案和優(yōu)點更加清楚,下面將結(jié)合附圖對本公開實施方式作進一步地詳細描述。
[0061]本公開一示例性實施例提供了一種圖像分類的方法,本方法實施例應(yīng)用于服務(wù)器中,參見圖1,方法流程包括:
[0062]在步驟101中,獲取待分類的圖像,并在待分類的圖像中選取用于進行圖像識別的指定區(qū)域;
[0063]在步驟102中,將指定區(qū)域中的圖像數(shù)據(jù)輸入至預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型中提取指定區(qū)域的圖像特征,并根據(jù)指定區(qū)域的圖像特征計算待分類的圖像相對于各圖像類別的相似性;深度卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)先根據(jù)多個圖像類別對應(yīng)的圖像樣本進行自適應(yīng)學(xué)習(xí);
[0064]在步驟103中,根據(jù)待分類的圖像相對于各圖像類別的相似性確定待分類的圖像的分類結(jié)果。
[0065]本公開實施例通過預(yù)先根據(jù)多個圖像類別對應(yīng)的圖像樣本進行自適應(yīng)學(xué)習(xí)的深度卷積神經(jīng)網(wǎng)絡(luò),對待分類的圖像進行識別并確定該圖像的圖像類別。提高了圖像分類的準(zhǔn)確性,避免了由于人工設(shè)定的識別特征所造成的圖像識別效率