[发明专利]一种基于图像的物体分类方法、系统及电子设备

说明书

本发明提供一种基于图像的物体分类方法，该方法通过获取具有粗分类模型的神经网络，将多种细分类模型调整至对应的粗分类模型下，分别保存待分类物体的粗分类、细分类特征向量作为检索底库，输入具有待分类物体的第一图像，获得n张与所述第一图像相似度大于第一阈值的第二图像，在n张第二图像内进行筛选，进一步获得m张与所述第一图像相似度大于第二阈值的第三图像，在m张第三图像的特征向量中进行测距筛选，获得待分类物体的分类结果，提高了模型的分类效率，使得当神经网络需要识别新的种类时，只需要通过将新种类的特征向量进行存储即可进行识别分类，避免了对神经网络的重新训练，降低了对大量学习样本的依赖。

【技术领域】

本发明涉及图像识别领域，特别涉及一种基于图像的物 体分类方法、系统及电子设备。

【背景技术】

在图像识别领域，通常使用神经网络对图像内的物体进 行识别分类，其通过对固定种类集合的物体图像进行标注， 并将带有标注的图像输入至模型进行训练，以获得具有识别 分类功能的神经网络模型。

但在现有的具有图像识别分类功能的神经网络中，当需 要识别分类新的种类物体时，需要准备大量带有标注的训练 样本以对神经网络进行重新训练，对大量学习样本的依赖较 大，分类效率较低。

【发明内容】

为了克服目前现有基于图像的物体分类方法中分类效 率较低的问题，本发明提供一种基于图像的物体分类方法。

本发明为解决上述技术问题，提供一技术方案如下：一 种基于图像的物体分类方法，包括如下步骤:步骤S1：获取具 有粗分类模型的神经网络；步骤S2：获取多种细分类模型， 并将多种细分类模型调整至对应的粗分类模型下；步骤S3： 分别保存预设的待分类物体的粗分类特征向量、细分类特征 向量作为检索底库；步骤S4：输入具有待分类物体的第一图 像，获得n张与所述第一图像相似度大于第一阈值的第二图 像；步骤S5：在n张第二图像内进行筛选，进一步获得n张与 所述第一图像相似度大于第二阈值的第三图像；及步骤S6： 对比m张第三图像对应的细分类特征向量与第一图像中待分 类物体的细分类特征向量之间的距离，以获得待分类物体的 分类结果。

优选地，上述步骤S2中细分类模型是通过预先训练获得 的神经网络模型。

优选地，上述步骤S4具体包括如下步骤：步骤S41：输 入具有待分类物体的第一图像，粗分类特征提取器提取待分 类物体的特征向量；及步骤S42：对检索底库中的特征向量与待分类物体的特征向量进行筛选，获得n张与所述第一图 像相似度大于第一阈值的第二图像。

优选地，上述步骤S4还包括步骤S43，步骤S43：根据提 取的所述第一图像内的待分类物体，获得待分类物体在第一 图像内的位置。

优选地，步骤S5具体包括如下步骤：步骤S51：根据待 分类物体在所述第一图像的位置，使用粗分类模型下对应的 细分类特征提取器提取待分类物体的特征；及步骤S52：将细分类特征提取器提取的特征在n张第二图像中进行进一步 筛选，获得n张与所述第一图像相似度大于第二阈值的第三 图像。

优选地，步骤S2中所述所述粗分类特征向量、细分类特 征向量通过降维处理后存入检索底库中。

优选地，上述步骤S6具体包括如下步骤：步骤S61：测 量n张第三图像的细分类特征向量与第一图像的细分类特征 向量之间的距离；步骤S62：选取与第一图像的特征向量距 离最短的一第三图像；及步骤S63：根据选取的第三图像所 属的类别作为第一图像内待分类物体的分类结果。