[发明专利]图像识别方法及装置、图像获取方法及设备、计算机设备及非易失性计算机可读存储介质

说明书

本发明公开了一种基于多层卷积神经网络的图像识别方法及装置、图像获取方法及设备、计算机设备及非易失性计算机可读存储介质。本发明实施方式的基于多层卷积神经网络的图像识别方法及装置、图像获取方法及设备、计算机设备及非易失性计算机可读存储介质构建三层卷积层加两层池化层的多层卷积神经网络模型，并使用分辨率归一化为第一分辨率的训练图像训练多层卷积神经网络模型，使用分辨率归一化为第二分辨率的测试图像测试多层卷积神经网络模型，无需使用全连接层即可实现对图像场景的识别，减小了场景识别算法的复杂度，场景识别的计算量较小，计算耗时较短。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于多层卷积神经网络模型的图像识别方法、基于多层卷积神经网络模型的图像识别装置、图像获取方法、图像获取设备、计算机设备、及非易失性计算机可读存储介质。

背景技术

现有的采用人工设计的特征来识别图像场景的方法存在设计周期长、鲁棒性差的缺点，且对于复杂的图像场景的识别能力较差。而基于卷积神经网络的场景是识别方法需要用到全连接层，存在计算量大、计算时间长的缺陷。

发明内容

本发明的实施例提供了一种基于多层卷积神经网络模型的图像识别方法、基于多层卷积神经网络模型的图像识别装置、图像获取方法、图像获取设备、计算机设备、及非易失性计算机可读存储介质。

本发明提供一种基于多层卷积神经网络模型的图像识别方法，所述图像识别方法包括：

对预先采集的每幅训练图像标记目标类别，并对每幅所述训练图像进行预处理以得到多幅第一分辨率的所述训练图像；

设定所述多层卷积神经网络模型的初始结构，所述初始结构为顺序排列的第一层卷积层、第二层池化层、第三层卷积层、第四层池化层和第五层卷积层；

根据第一分辨率的所述训练图像与第一层卷积层的第一参数计算得到至少一幅第一特征图像；

将所述第一特征图像输入所述第二层池化层以计算得到与所述第一特征图像一一对应的第二特征图像；

根据所述第二特征图像与所述第三层卷积层的第三参数计算得到至少一幅第三特征图像；

将所述第三特征图像输入所述第四层池化层以计算得到与所述第三特征图像一一对应的第四特征图像；

根据所述第四特征图像与所述第五层卷积层的第五参数计算得到至少一幅第五特征图像；

根据所述第五特征图像确认每幅所述训练图像的场景识别结果；

根据所述目标类别和所述场景识别结果计算所述多层卷积神经网络的损耗值；

在所述损耗值小于预设损耗值时确认所述多层卷积神经网络模型收敛；

对采集的测试图像进行预处理以得到多幅第二分辨率的所述测试图像，所述第二分辨率大于所述第一分辨率；

输入所述测试图像至收敛的所述多层卷积神经网络模型以测试收敛的所述多层卷积神经网络模型；和

采用测试后的所述多层卷积神经网络模型识别场景图像中的场景类别。

本发明提供一种图像获取方法，所述图像获取方法包括：

获取场景图像；

采用上述的多层卷积神经网络模型识别所述场景图像中的场景类别；

根据所述场景类别调整摄像头的拍摄参数以获取与所述场景图像对应的新场景图像，所述拍摄参数包括色温、曝光时间、感光度和曝光补偿中的至少一种。