CN103942554A - 一种图像识别方法及装置 - Google Patents

Abstract

本发明公开了一种图像识别方法及装置，属于图像处理技术领域。所述方法包括：采用云模型对待识别图像进行分割，得到多个图像块；采用并行强化学习方法对所述多个图像块进行学习，得到多类特征组合；基于D-S证据理论对所述多类特征组合进行融合，确定所述待识别图像所包含物品。本发明基于并行强化学习的多类特征组合优化方法，充分利用图像各单一特征之间的优势特征，综合考虑多类特征对图像进行描述，使得图像识别较准确。

Description

一种图像识别方法及装置

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像识别方法及装置。

背景技术

随着互联网购物的蓬勃发展，人们对产品图片进行分组的需求越来越庞大。目前针对产品拍摄图片并进行分组一般是通过人工完成的，其流程大致为：将拍摄相机内的产品图片拷贝到PC机后，通过人工识别将若干张同类图片归为一组，并移动到一个新文件夹中，然后对新文件夹以相应产品条码命名。

上述方法涉及到人工识别产品图片、图片归类及图组命名等环节，当产品图片的数量增大时，在图片识别和图片分类的过程中发生错误的机率也随之增大。除此之外，人工分图的方法效率也较低。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种图像识别方法及装置。所述技术方案如下：

一方面，提供了一种图像识别方法，所述方法包括：

采用云模型对待识别图像进行分割，得到多个图像块；

采用并行强化学习方法对所述多个图像块进行学习，得到多类特征组合；

基于D-S证据理论对所述多类特征组合进行融合，确定所述待识别图像所包含物品。

另一方面，提供了一种图像识别装置，所述装置包括：

图像分割模块，用于采用云模型对待识别图像进行分割，得到多个图像块；

特征提取模块，用于采用并行强化学习装置对所述多个图像块进行学习，得到多类特征组合；

特征融合模块，用于基于D-S证据理论对所述多类特征组合进行融合，确定所述待识别图像所包含物品。

本发明实施例提供的技术方案带来的有益效果是：

基于并行强化学习的多类特征组合优化方法，充分利用图像各单一特征之间的优势特征，综合考虑多类特征对图像进行描述，使得图像识别较准确。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的图像识别方法流程图；

图2是本发明实施例提供的图像识别方法流程图；

图3是本发明实施例提供的图像识别装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1是本发明实施例提供的图像识别方法流程图。参见图1，该方法包括：

101、采用云模型对待识别图像进行分割，得到多个图像块；

102、采用并行强化学习方法对该多个图像块进行学习，得到多类特征组合；

103、基于D-S证据理论对该多类特征组合进行融合，确定该待识别图像所包含物品。

可选地，该采用云模型对待识别图像进行分割，得到多个图像块之前，该方法还包括：

获取该待识别图像。

可选地，该采用云模型对待识别图像进行分割，得到多个图像块包括：

将图像空间中的像素用对应的特征空间点表示；

根据该对应的特征空间点在特征空间的聚集对特征空间进行分割；

将该对应的特征空间点映射回原图像空间，得到多个图像块。

可选地，该采用并行强化学习方法对该多个图像块进行学习，得到多类特征组合包括：

对于多个强化学习代理的每一个强化学习代理，将该多个图像块的角度调整至预设角度；

分别提取该多个图像块特征信息，得到该强化学习代理学习的特征组合，该特征信息包括颜色特征信息、纹理特征信息和形状特征信息。

本发明实施例提供的方法，基于并行强化学习的多类特征组合优化方法，充分利用图像各单一特征之间的优势特征，综合考虑多类特征对图像进行描述，使得图像识别较准确。

图2是本发明实施例提供的图像识别方法流程图。参见图2，该方法包括：

201、获取该待识别图像；

在本发明实施例中，该待识别图像可以是从云存储器获取，也可以是从终端获取，也可以是终端拍摄到该待识别图像后，推送至服务器侧。

202、采用云模型对待识别图像进行分割，得到多个图像块；

用户使用手机拍照得到的图像的目标边缘部分由于受其他类别像素的干扰，具有较高的不确定性。另外，用户对图像认知的主观性和检索的需求也往往具有不确定性。云模型是针对模糊集理论的隶属函数提出的定性定量间不确定性转换模型，采用云模型来描述和分析图像中的不确定性问题，更能直观地反映像素聚类为区域后存在的模糊性。本发明实施例采用云模型进行图像分割以解决图像分割的不确定性问题。

可选地，采用云模型对待识别图像进行分割，得到多个图像块的具体实施方式包括：将图像空间中的像素用对应的特征空间点表示；根据该对应的特征空间点在特征空间的聚集对特征空间进行分割；将该对应的特征空间点映射回原图像空间，得到多个图像块。

203、采用并行强化学习方法对该多个图像块进行学习，得到多类特征组合；

由于图像数据特征的海量特性及指数级特征组合，需要并行化以提高运算效率。因此，本项目采用并行强化学习来学习图像分类的特征组合。

可选地，采用并行强化学习方法对该多个图像块进行学习，得到多类特征组合的具体实施方式包括：对于多个强化学习代理的每一个强化学习代理，将该多个图像块的角度调整至预设角度；分别提取该多个图像块特征信息，得到该强化学习代理学习的特征组合，该特征信息包括颜色特征信息、纹理特征信息和形状特征信息。

本发明实施例基于并行强化学习的多类特征组合优化方法，充分利用图像各单一特征之间的优势互补特性，综合考虑多类特征对图像进行描述，具有更高的图像聚类精度。该方法使多个强化学习代理在各自的环境中独立地学习特征组合，避免了在传统Q-学习中，每次迭代时只更新一个状态-动作对的Q值，使多个状态-动作对的Q值更新可并发执行，提高了特征组合优化的效率。由于在学习过程中，多个强化学习代理在各自的环境中独立学习，使海量图像的特征组合优化具有很强的并发性和可扩展性。

204、基于D-S证据理论对该多类特征组合进行融合，确定该待识别图像所包含物品。

本发明实施例采用D-S证据理论对各个强化学习代理的学习结果进行融合，消除多强化学习代理之间可能存在的Q值的冗余和矛盾，并加以互补，降低其不确定性，获得一致的Q值。假设***中有n个强化学习代理，在所有的强化学习代理完成一个周期的学习之后，对它们的Q表进行融合。归一化Q表中的Q(s,a)值，利用D-S证据组合规则进行融合，每次融合都是两个证据之间的融合。

本发明实施例提供的方法，基于并行强化学习的多类特征组合优化方法，充分利用图像各单一特征之间的优势特征，综合考虑多类特征对图像进行描述，使得图像识别较准确。

图3是本发明实施例体的图像识别装置的结构示意图。参见图3，该装置包括：图像分割模块301、特征提取模块302和特征融合模块303。其中：

图像分割模块301用于采用云模型对待识别图像进行分割，得到多个图像块；图像分割模块301与特征提取模块302连接，特征提取模块302用于采用并行强化学习装置对该多个图像块进行学习，得到多类特征组合；特征提取模块302与特征融合模块303连接，特征融合模块303用于基于D-S证据理论对该多类特征组合进行融合，确定该待识别图像所包含物品。

可选地，该装置还包括：图像获取模块，用于获取该待识别图像。

可选地，该图像分割模块301还用于将图像空间中的像素用对应的特征空间点表示；根据该对应的特征空间点在特征空间的聚集对特征空间进行分割；将该对应的特征空间点映射回原图像空间，得到多个图像块。

可选地，该特征提取模块302还用于对于多个强化学习代理的每一个强化学习代理，将该多个图像块的角度调整至预设角度；分别提取该多个图像块特征信息，得到该强化学习代理学习的特征组合，该特征信息包括颜色特征信息、纹理特征信息和形状特征信息。

本发明实施例提供的装置，基于并行强化学习的多类特征组合优化方法，充分利用图像各单一特征之间的优势特征，综合考虑多类特征对图像进行描述，使得图像识别较准确。

需要说明的是：上述实施例提供的图像识别装置在图像识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的图像识别装置与图像识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种图像识别方法，其特征在于，所述方法包括：

采用云模型对待识别图像进行分割，得到多个图像块；

采用并行强化学习方法对所述多个图像块进行学习，得到多类特征组合；

基于D-S证据理论对所述多类特征组合进行融合，确定所述待识别图像所包含物品。

2.根据权利要求1所述的方法，其特征在于，所述采用云模型对待识别图像进行分割，得到多个图像块之前，所述方法还包括：

获取所述待识别图像。

3.根据权利要求1所述的方法，其特征在于，所述采用云模型对待识别图像进行分割，得到多个图像块包括：

将图像空间中的像素用对应的特征空间点表示；

根据所述对应的特征空间点在特征空间的聚集对特征空间进行分割；

将所述对应的特征空间点映射回原图像空间，得到多个图像块。

4.根据权利要求1所述的方法，其特征在于，所述采用并行强化学习方法对所述多个图像块进行学习，得到多类特征组合包括：

对于多个强化学习代理的每一个强化学习代理，将所述多个图像块的角度调整至预设角度；

分别提取所述多个图像块特征信息，得到所述强化学习代理学习的特征组合，所述特征信息包括颜色特征信息、纹理特征信息和形状特征信息。

5.一种图像识别装置，其特征在于，所述装置包括：

图像分割模块，用于采用云模型对待识别图像进行分割，得到多个图像块；

特征提取模块，用于采用并行强化学习装置对所述多个图像块进行学习，得到多类特征组合；

特征融合模块，用于基于D-S证据理论对所述多类特征组合进行融合，确定所述待识别图像所包含物品。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

图像获取模块，用于获取所述待识别图像。

7.根据权利要求5所述的装置，其特征在于，图像分割模块还用于将图像空间中的像素用对应的特征空间点表示；根据所述对应的特征空间点在特征空间的聚集对特征空间进行分割；将所述对应的特征空间点映射回原图像空间，得到多个图像块。

8.根据权利要求5所述的装置，其特征在于，特征提取模块还用于对于多个强化学习代理的每一个强化学习代理，将所述多个图像块的角度调整至预设角度；分别提取所述多个图像块特征信息，得到所述强化学习代理学习的特征组合，所述特征信息包括颜色特征信息、纹理特征信息和形状特征信息。