[发明专利]基于深度学习神经网络的对象识别方法及装置

说明书

技术领域

本发明涉及神经网络技术领域，特别是一种基于深度学习神经网络的对象识别方法及装置。

背景技术

目前，在神经网络领域，由浅层的人工神经网络所获取的特征来进行分类和识别。在复杂环境条件下，这些浅层特征对识别来说是不够的。同时，图像识别效果容易受到环境的影响。在不同的场景下，图像匹配的相似度会出现波动，某些场景下，识别的正确率会急剧下降。目前，输入的图像通常被直接输入到对象识别模块进行识别，识别准确率较低。

发明内容

鉴于上述情况，本发明的一个方面提供了一种基于深度学习神经网络的对象识别方法和装置，能够提高识别准确率。

一方面，本发明提供了一种基于深度学习神经网络的对象识别方法，包括：获取图像数据，所述图像数据为对象所处场景的图像数据；利用场景识别模型确定所述图像数据对应的场景；利用所述场景对应的对象识别模型对所述对象进行识别。

在一个实施例中,所述对象识别方法还包括:获取不同场景的样本数据；对所述不同的场景的样本数据进行学习,获得所述场景模型。

在一个实施例中，在所述利用场景识别模型确定所述图像数据对应的场景之前，还包括：存储所获取的图像数据；对所述图像数据进行预处理，得到预处理后的图像数据，所述预处理包括缩放处理、压缩处理和挖框中的至少一个，其中，所述利用场景识别模型确定所述图像数据对应的场景，包括：将所述预处理后图像数据输入到所述场景识别模型，以确定所述预处理后的图像数据对应的场景；其中所述利用场景对应的对象识别模型对所述对象进行识别，包括：利用所述场景对应的对象识别模型对所述存储的图像数据中包含的对象进行识别。

在一个实施例中，所述利用场景识别模型确定所述图像数据对应的场景，包括：将所述图像数据输入到所述场景识别模型中；根据预设的场景阈值确定所述图像数据对应的场景。

在一个实施例中，不同场景对应的对象识别模型的权重和偏置中的至少一个不相同，其中所述利用所述场景对应的对象识别模型对所述对象进行识别，包括：调用与所述场景对应的对象识别模型的权重和偏置对所述对象进行识别。

在一个实施例中，所述对象为人脸。

在一个实施例中，所述场景包括晴天、雨天、雾天、夜晚、早晨、黄昏、雪天等场景、室内、室外、强光、弱光、暗光。

本发明的另一方面提供了一种基于深度学习神经网络的对象识别装置，所述装置包括：获取单元，用于获取图像数据，所述图像数据为对象所处场景的图像数据；确定单元，用于利用场景识别模型确定所述图像数据对应的场景；识别单元，用于利用所述场景对应的对象识别模型对所述对象进行识别。

在一个实施例中，所述获取单元还用于获取不同场景的样本数据，并对所述不同的场景的样本数据进行学习，获得所述场景识别模型。

在一个实施例中，所述对象识别装置还包括：存储单元，用于存储所获取的图像数据；预处理单元，用于对所存储的图像数据进行预处理，得到预处理后的图像数据，所述预处理包括缩放处理、压缩处理和挖框中的至少一个，其中，所述识别单元还被配置为利用所述场景对应的对象识别模型对所述存储的图像数据中包含的对象进行识别，其中，所述确定单元将所述预处理后图像数据输入到所述场景识别模型，以确定所述预处理后的图像数据对应的场景。

在一个实施例中，所述确定单元还被配置为将所述图像数据输入到所述场景识别模型中，以及根据预设的场景阈值确定所述图像数据对应的场景。

在一个实施例中，不同场景对应的对象识别模型的权重和偏置中的至少一个不相同，其中所述识别单元还被配置为调用与所述场景对应的对象识别模型的权重和偏置对所述对象进行识别。

在一个实施例中，所述对象为人脸。

在一个实施例中，所述场景包括晴天、雨天、雾天、夜晚、早晨、黄昏、雪天等场景、室内、室外、强光、弱光、暗光。

本发明的又一方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述对象识别方法。

通过采用本发明的对象识别方法，首先确定图像数据对应的场景，然后根据所确定的场景对应的对象识别模型对图像数据中包括的对象进行识别，提高了对象识别准确率。

附图说明

从下面结合附图对本发明实施例的详细描述中，本发明的这些和/或其它方面和优点将变得更加清楚并更容易理解，其中：

图1为本发明的一个实施例的基于深度学习神经网络的对象识别方法的示意性流程图；