CN107729822A

CN107729822A - 对象识别方法及装置

Info

Publication number: CN107729822A
Application number: CN201710891134.0A
Authority: CN
Inventors: 万韶华
Original assignee: Beijing Xiaomi Mobile Software Co Ltd
Current assignee: Beijing Xiaomi Mobile Software Co Ltd
Priority date: 2017-09-27
Filing date: 2017-09-27
Publication date: 2018-02-23

Abstract

本公开是关于一种对象识别方法及装置。该方法包括：对待识别图像进行归一化处理，获取归一化后的待识别图像；根据深度卷积神经网络模型，确定归一化后的待识别图像中第一目标对象的多个特征点的位置；根据多个特征点的位置，确定第一目标对象的位置。根据本公开的实施例，通过深度卷积神经网络模型确定归一化后的待识别图像中第一目标对象的多个特征点的位置，进而确定第一目标对象的位置，以便在后续处理中去除第一目标对象的干扰，提高被第一目标对象所遮挡的第二目标对象的识别准确度。

Description

对象识别方法及装置

技术领域

本公开涉及计算机技术领域，尤其涉及一种对象识别方法及装置。

背景技术

随着深度卷积神经网络(Depth convolution neural network，DCNN)在物体分类、物体检测、自然语言理解等方面的应用，特征识别(例如人脸识别)算法也从传统的基于人工设计特征和分类器的阶段，前进到了采用深度卷积神经网络提取特征和分类的阶段。完整的深度卷积神经网络通常由不同类型的层依次连接而成，这些层包括卷积层、激活层、池化层、全连接层等。

在相关技术中，在通过特征识别(例如人脸识别)进行验证时，如果待识别图像中加入了其他对象，例如待识别的人脸佩戴有眼镜，而已存储的人脸未佩戴眼镜，则可能特征识别失败，导致验证不成功。

发明内容

为克服相关技术中存在的问题，本公开提供一种对象识别方法及装置。

根据本公开实施例的第一方面，提供一种对象识别方法，包括：

对待识别图像进行归一化处理，获取归一化后的待识别图像；

根据深度卷积神经网络模型，确定所述归一化后的待识别图像中第一目标对象的多个特征点的位置；

根据所述第一目标对象的多个特征点的位置，确定所述第一目标对象的位置。

对于以上方法，在一种可能的实现方式中，所述方法还包括：

根据所述第一目标对象的位置，对所述归一化后的待识别图像中的第二目标对象进行识别，

其中，在所述归一化后的待识别图像中，所述第一目标对象对所述第二目标对象有遮挡。

对于以上方法，在一种可能的实现方式中，所述深度卷积神经网络模型包括一个全连接层。

对于以上方法，在一种可能的实现方式中，所述深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3的卷积核。

针对归一化后的参考图像，采用深度卷积神经网络模型确定所述归一化后的参考图像中第一目标对象的多个特征点的预测位置；

根据所述预测位置以及所述第一目标对象的多个特征点的参考位置，确定所述深度卷积神经网络模型的目标函数值；

根据所述目标函数值，对所述深度卷积神经网络模型的参数权重进行调整，确定调整后的深度卷积神经网络模型；

在调整后的深度卷积神经网络模型的目标函数满足预测条件时，将所述调整后的深度卷积神经网络模型确定为最终的深度卷积神经网络模型。

对于以上方法，在一种可能的实现方式中，所述深度卷积神经网络模型的目标函数包括L2范数损失函数。

根据本公开实施例的第二方面，提供一种对象识别装置，包括：

归一化模块，用于对待识别图像进行归一化处理，获取归一化后的待识别图像；

第一位置确定模块，用于根据深度卷积神经网络模型，确定所述归一化后的待识别图像中第一目标对象的多个特征点的位置；

第二位置确定模块，用于根据所述第一目标对象的多个特征点的位置，确定所述第一目标对象的位置。

对于以上装置，在一种可能的实现方式中，所述装置还包括：

对象识别模块，用于根据所述第一目标对象的位置，对所述归一化后的待识别图像中的第二目标对象进行识别，

对于以上装置，在一种可能的实现方式中，所述深度卷积神经网络模型包括一个全连接层，

对于以上装置，在一种可能的实现方式中，所述深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3的卷积核。

预测位置确定模块，用于针对归一化后的参考图像，采用深度卷积神经网络模型确定所述归一化后的参考图像中第一目标对象的多个特征点的预测位置；

函数值确定模块，用于根据所述预测位置以及所述第一目标对象的多个特征点的参考位置，确定所述深度卷积神经网络模型的目标函数值；

权重调整模块，用于根据所述目标函数值，对所述深度卷积神经网络模型的参数权重进行调整，确定调整后的深度卷积神经网络模型；

模型确定模块，用于在调整后的深度卷积神经网络模型的目标函数满足预测条件时，将所述调整后的深度卷积神经网络模型确定为最终的深度卷积神经网络模型。

对于以上装置，在一种可能的实现方式中，所述深度卷积神经网络模型的目标函数包括L2范数损失函数。

本公开的实施例提供的技术方案可以包括以下有益效果：通过深度卷积神经网络模型确定归一化后的待识别图像中第一目标对象的多个特征点的位置，进而确定第一目标对象的位置，以便在后续处理中去除第一目标对象的干扰，提高被第一目标对象所遮挡的第二目标对象的识别准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种对象识别方法的流程图。

图2是根据一示例性实施例示出的一种对象识别方法的流程图。

图3是根据一示例性实施例示出的一种对象识别方法的流程图。

图4是根据一示例性实施例示出的一种对象识别方法的应用示例的示意图。

图5是根据一示例性实施例示出的一种对象识别装置的框图。

图6是根据一示例性实施例示出的一种对象识别装置的框图。

图7是根据一示例性实施例示出的一种对象识别装置的框图。

图8是根据一示例性实施例示出的一种对象识别装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种对象识别方法的流程图，如图1所示，该对象识别方法用于终端或服务器中，包括以下步骤。

在步骤S11中，对待识别图像进行归一化处理，获取归一化后的待识别图像；

在步骤S12中，根据深度卷积神经网络模型，确定所述归一化后的待识别图像中第一目标对象的多个特征点的位置；

在步骤S13中，根据所述第一目标对象的多个特征点的位置，确定所述第一目标对象的位置。

根据本公开的实施例，通过深度卷积神经网络模型确定归一化后的待识别图像中第一目标对象的多个特征点的位置，进而确定第一目标对象的位置，以便在后续处理中去除第一目标对象的干扰，提高被第一目标对象所遮挡的第二目标对象的识别准确度。

举例来说，在特征识别(例如人脸识别)***中，可以选取或通过摄像头等拍摄待识别的图像，并将待识别图像输入到深度卷积神经网络模型中进行识别。该深度卷积神经网络模型可包括卷积层、激活层、池化层、全连接层等。该待识别图像可以例如依次在卷积层进行卷积处理、在激活层进行激活处理以及在池化层进行池化处理。在多次卷积-激活-池化后，可进入全连接层进一步处理，并可将全连接层的输出结果作为所述待识别图像的特征值。

在一种可能的实现方式中，在进行人脸识别时，可以采用相关技术的人脸检测算法对待识别图像中的人脸位置进行检测，并根据检测结果进行归一化处理，使得人脸归一化为相同的大小，从而获得归一化后的待识别图像。

在一种可能的实现方式中，针对归一化后的待识别图像，可以采用深度卷积神经网络模型确定归一化后的待识别图像中的第一目标对象(例如眼镜)的位置。如果待识别图像中存在第一目标对象(例如图像中的人脸上佩戴有眼镜)，则可以确定第一目标对象的多个特征点的位置。进而，可以将第一目标对象的多个特征点的位置确定为第一目标对象的位置。

其中，该第一目标对象可以是对第二目标对象(例如人脸)识别造成干扰的任意物品或元素；该特征点可以是第一目标对象的轮廓点，所确定的特征点数量可以根据实际需要进行设定，例如可确定20个特征点。本公开对第一目标对象的具体类型及特征点的数量不作限制。

图2是根据一示例性实施例示出的一种对象识别方法的流程图。如图2所示，在一种可能的实现方式中，所述方法还包括：

在步骤S14中，根据所述第一目标对象的位置，对所述归一化后的待识别图像中的第二目标对象进行识别，

举例来说，在归一化后的待识别图像中，第一目标对象可以例如为眼镜，第二目标对象可以例如为人脸，第一目标对象对所述第二目标对象有遮挡。在确定归一化后的待识别图像中第一目标对象的位置后，可以在后续的处理中从待识别图像中自动去除第一目标对象的影响，实现对第二目标对象的识别。例如，将去除第一目标对象后的待识别图像的特征值与***中已存储的参考图像的特征值进行比对，根据待识别图像与参考图像之间的相似度，确定待识别图像与参考图像中的人脸特征是否相同。如果待识别图像与参考图像的特征相同，认为待识别图像符合识别条件，从而可以执行相对应的操作，例如***解锁等。应当理解，可以采用本领域公知的方式，根据特征值确定待识别图像与参考图像之间的相似度，本公开对此不作限制。

图3是根据一示例性实施例示出的一种对象识别方法的流程图。如图3所示，在一种可能的实现方式中，该对象识别方法还包括：

在步骤S15中，针对归一化后的参考图像，采用深度卷积神经网络模型确定所述归一化后的参考图像中第一目标对象的多个特征点的预测位置；

在步骤S16中，根据所述预测位置以及所述第一目标对象的多个特征点的参考位置，确定所述深度卷积神经网络模型的目标函数值；

在步骤S17中，根据所述目标函数值，对所述深度卷积神经网络模型的参数权重进行调整，确定调整后的深度卷积神经网络模型；

在步骤S18中，在调整后的深度卷积神经网络模型的目标函数满足预测条件时，将所述调整后的深度卷积神经网络模型确定为最终的深度卷积神经网络模型。

如图3所示，在确定待识别图像中第一目标对象的特征点位置之前，可以首先确定出所使用的深度卷积神经网络模型。例如，可准备具有第一目标对象的多个参考图像(例如多张佩戴有眼镜的人脸图像)，并且采用相关技术的人脸检测算法对参考图像中的人脸位置进行检测，并根据检测结果进行归一化处理，使得人脸归一化为相同的大小，从而获得归一化后的参考图像。

在一种可能的实现方式中，可以先在归一化后的参考图像中标记第一目标对象的M个特征点的参考位置，例如标记人脸图像中的眼镜轮廓的20个特征点的参考位置。将归一化后的参考图像输入到初始的深度卷积神经网络模型中，可以确定参考图像中第一目标对象的M个特征点的预测位置。

在一种可能的实现方式中，所述深度卷积神经网络模型的目标函数包括L2范数损失函数。

在确定参考位置和预测位置后，可以基于深度卷积神经网络模型的目标函数确定参考位置和预测位置之间的差距。相关技术中，深度卷积神经网络模型中通常采用多类别对数损失函数(Multi-class LogLoss)作为预测图像类别的目标函数。然而，在本公开的实施例中需要预测第一目标对象的位置，可以采用L2范数损失函数(L2-norm Loss)作为深度卷积神经网络模型中预测第一目标对象位置的目标函数。L2范数损失函数能够衡量预测的轮廓点(特征点)与真实轮廓点(特征点)之间距离。应当理解，也可以采用本领域公知的其他损失函数(例如L1范数损失函数、交叉熵损失函数等)作为目标函数，本公开对此不作限制。

在一种可能的实现方式中，可以确定人脸图像中眼镜的M个特征点的预测位置坐标(Xi，Yi)，其中1≤i≤M，M为特征点的数量。并且，在人脸图像中标注M个特征点的参考位置坐标(Xgi，Ygi)。在该情况下，深度卷积神经网络模型的目标函数(L2范数损失函数)L可表示为：

将参考位置坐标(Xi，Yi)、预测位置坐标(Xgi，Ygi)代入公式(1)，可以确定深度卷积神经网络模型的目标函数值。根据该目标函数值，可以确定深度卷积神经网络模型中每个参数权重的梯度值。根据每个参数权重的梯度值，可采用最大梯度下降法对参数权重进行调整，从而确定调整后的深度卷积神经网络模型。

在进行调整后，可以将参考图像输入到调整后的深度卷积神经网络模型中，再次获得第一目标对象的预测位置坐标，进而确定目标函数值并再次对深度卷积神经网络模型进行调整。经过多次迭代调整(例如迭代约10⁶次)，当目标函数满足预测条件时，可以将最后一次调整后的深度卷积神经网络模型确定为最终的深度卷积神经网络模型，从而完成了深度卷积神经网络模型的建立过程。通过这种方式，能够提高第一目标对象的识别精度，并降低模型的计算复杂度。

应当理解，预测条件可以根据所采用的目标函数(损失函数)来设定，例如采用L2范数损失函数时，可以设定该预测条件为目标函数值小于或等于预先设定的阈值。本公开对预测条件的具体设定不作限制。

在一种可能的实现方式中，深度卷积神经网络模型包括一个全连接层。

在一种可能的实现方式中，深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3、5×5、7×7、9×9或11×11的卷积核。

举例来说，为了降低计算复杂度，可以对深度卷积神经网络模型的结构进行简化。可以在模型中采用一个全连接层，将全连接层的输出结果作为预测结果。并且，深度卷积神经网络模型可包括多个卷积层，每个卷积层可包括3×3、5×5、7×7、9×9或11×11的卷积核，例如可以设定每个卷积层可包括3×3的卷积核。通过这种方式，能够显著降低整个模型的计算复杂度。

应当理解，每个卷积层可包括N×N的卷积核，N为大于1的自然数。本公开对卷积核的具体尺寸不作限制。

应用示例

以下结合“对待识别的人脸图像进行眼镜识别”作为一个示例性应用场景，给出根据本公开实施例的应用示例，以便于理解对象识别方法的流程。本领域技术人员应理解，以下应用示例仅仅是出于便于理解本发明实施例的目的，不应视为对本发明实施例的限制。

图4是根据一示例性实施例示出的一种对象识别方法的应用场景的示意图。如图3所示，在该应用示例中，可以选取或通过摄像头等拍摄待识别图像，并将待识别图像归一化后输入到深度卷积神经网络模型中进行识别。该深度卷积神经网络模型可以包括多个卷积层conv1、conv2、conv3、conv4、conv5；多个池化层pool1、pool2、pool3、pool4、pool5；以及一个全连接层fc1。其中，多个卷积层的卷积核为3×3的卷积核。

在该应用示例中，可将归一化后的待识别图像输入卷积层conv1进行卷积操作，获得的输出结果进入池化层pool1进行池化操作。重复上述步骤，依次进行多次卷积(卷积层conv2、conv3、conv4、conv5)及池化(池化层pool2、pool3、pool4、pool5)处理。然后，可将池化层pool5的输出结果输入全连接层fc1进行全连接处理。可将全连接层fc1的输出结果作为识别出的眼镜的多个轮廓点(例如20个轮廓点)的位置坐标。

在该应用示例中，可根据眼镜的多个轮廓点的位置坐标，确定眼镜的位置。在后续的处理中，可以在对待识别的人脸图像进行人脸(第二目标对象)识别时考虑图像中遮挡人脸的眼镜(第一目标对象)，去除眼镜的人脸识别的不利影响，从而提高人脸识别的准确度。

根据本公开的实施例，能够确定人脸图像中的第一目标对象(眼镜)的位置，以便在后续处理中排除该第一目标对象的干扰，提高特征识别的准确度。

图5是根据一示例性实施例示出的一种对象识别装置的框图。参照图5，该装置包括归一化模块51，第一位置确定模块52和第二位置确定模块53。

归一化模块51被配置为对待识别图像进行归一化处理，获取归一化后的待识别图像；

第一位置确定模块52被配置为根据深度卷积神经网络模型，确定所述归一化后的待识别图像中第一目标对象的多个特征点的位置；

第二位置确定模块53被配置为根据所述第一目标对象的多个特征点的位置，确定所述第一目标对象的位置。

图6是根据一示例性实施例示出的一种对象识别装置的框图。参照图6，在一种可能的实现方式中，所述装置还包括：

对象识别模块54，用于根据所述第一目标对象的位置，对所述归一化后的待识别图像中的第二目标对象进行识别，

在一种可能的实现方式中，所述深度卷积神经网络模型包括一个全连接层。

在一种可能的实现方式中，所述深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3、5×5、7×7、9×9或11×11的卷积核。

参照图6，在一种可能的实现方式中，所述装置还包括：

预测位置确定模块55，用于针对归一化后的参考图像，采用深度卷积神经网络模型确定所述归一化后的参考图像中第一目标对象的多个特征点的预测位置；

函数值确定模块56，用于根据所述预测位置以及所述第一目标对象的多个特征点的参考位置，确定所述深度卷积神经网络模型的目标函数值；

权重调整模块57，用于根据所述目标函数值，对所述深度卷积神经网络模型的参数权重进行调整，确定调整后的深度卷积神经网络模型；

模型确定模块58，用于在调整后的深度卷积神经网络模型的目标函数满足预测条件时，将所述调整后的深度卷积神经网络模型确定为最终的深度卷积神经网络模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7是根据一示例性实施例示出的一种对象识别装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图8是根据一示例性实施例示出的一种对象识别装置1900的框图。例如，装置1900可以被提供为一服务器。参照图8，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims

1.一种对象识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

3.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型包括一个全连接层。

4.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3、5×5、7×7、9×9或11×11的卷积核。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型的目标函数包括L2范数损失函数。

7.一种对象识别装置，其特征在于，所述装置包括：

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

9.根据权利要求7所述的装置，其特征在于，所述深度卷积神经网络模型包括一个全连接层。

10.根据权利要求7所述的装置，其特征在于，所述深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3、5×5、7×7、9×9或11×11的卷积核。

11.根据权利要求7所述的装置，其特征在于，所述装置还包括：

12.根据权利要求7所述的装置，其特征在于，所述深度卷积神经网络模型的目标函数包括L2范数损失函数。

13.一种对象识别装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1-6中任意一项所述的方法。

14.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据权利要求1-6中任意一项所述的方法。