CN108776787B - 图像处理方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开是关于一种图像处理方法及装置、电子设备、存储介质，涉及机器学习技术领域，该方法包括：通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量；通过所述目标特征向量确定待识别图像的识别结果。本公开可以提高图像处理的准确率。

Description

图像处理方法及装置、电子设备、存储介质

技术领域

本公开涉及机器学习技术领域，具体而言，涉及一种图像处理方法、图像处理装置、电子设备以及计算机可读存储介质。

背景技术

在互联网交易过程中，为了方便用户登录网站或者是手机APP等应用，可通过人脸识别方法进行登录。

相关技术中进行人脸识别时，一般提取的是人工设计的特征例如SIFT，HOG等特征，或者是基于深度学***均、取最大最小等简单运算，或者是将特征进行转换，然后再融合为新特征。

但是，在上述方法中，特征提取和模型融合为两个独立步骤，即首先进行特征提取，然后进行模型融合。其中，由于特征提取方法的限制，并不能保证提取到的特征是最优的特征；而且使用相同的方法融合不同的特征，并不能保证融合后的新特征能够得到最优结果，因此会影响识别结果的精准度，从而影响***安全性和稳定性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种图像处理方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的图像处理准确率低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种图像处理方法，包括：通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量；通过所述目标特征向量确定待识别图像的识别结果。

在本公开的一种示例性实施例中，通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量包括：根据样本图像以及所述样本图像的初始标签对多个初始特征模型进行训练，得到多个特征提取模型；通过所述多个特征提取模型分别对所述待识别图像进行特征提取，得到与各所述特征提取模型关联的多个第一特征向量。

在本公开的一种示例性实施例中，根据样本图像以及所述样本图像的初始标签对多个初始特征模型进行训练，得到多个特征提取模型包括：根据所述样本图像及所述样本图像的初始标签对多个卷积神经网络模型进行训练，得到多个特征模型；选择所述多个特征模型中的一个作为目标模型，并将所述多个特征模型中的另一特征模型叠加至所述目标模型中进行联合训练，得到预设模型；将所述预设模型作为所述目标模型，并继续与所述多个特征模型中的剩余模型进行联合训练，直至所述多个特征模型全部进行联合训练为止，并将多个所述目标模型作为所述多个特征提取模型。

在本公开的一种示例性实施例中，根据所述样本图像及所述样本图像的初始标签对多个卷积神经网络模型进行训练，得到多个特征模型包括：将所述样本图像和所述初始标签输入多个所述卷积神经网络模型，得到多个初始特征向量；对所述初始特征向量进行分类，得到预测标签；通过所述初始标签和所述预测标签更新各所述卷积神经网络模型的权重参数，以得到所述多个特征模型。

在本公开的一种示例性实施例中，通过所述初始标签和所述预测标签更新各所述卷积神经网络模型的权重参数包括：在各所述卷积神经网络模型中对所述初始标签和所述预测标签进行后向计算，以更新各所述卷积神经网络模型的权重参数。

在本公开的一种示例性实施例中，选择所述多个特征模型中的一个作为目标模型，并将所述多个特征模型中的另一特征模型叠加至所述目标模型中进行联合训练，得到预设模型包括：锁定所述目标模型的权重参数；对所述另一特征模型的权重参数进行调整得到目标权重参数；对所述目标权重参数和所述目标模型的权重参数进行联合调整，得到所述预设模型。

在本公开的一种示例性实施例中，通过所述多个特征提取模型分别对所述待识别图像进行特征提取，得到与各所述特征提取模型关联的多个第一特征向量包括：在各所述特征提取模型中对所述待识别图像进行前向计算，得到所述待识别图像的多个第一特征向量。

在本公开的一种示例性实施例中，对所述多个第一特征向量进行融合得到第二特征向量包括：对多个所述第一特征向量进行融合计算，以得到所述第二特征向量。

在本公开的一种示例性实施例中，将所述第二特征向量与多个预设特征向量进行匹配，并将所述预设特征向量其中之一确定为目标特征向量包括：计算所述第二特征向量和数据库中多个所述预设特征向量之间的相似度；将与所述第二特征向量的相似度大于预设阈值的所述预设特征向量确定为所述目标特征向量。

在本公开的一种示例性实施例中，将与所述第二特征向量的相似度大于预设阈值的所述预设特征向量确定为所述目标特征向量包括：计算所述第二特征向量与所述预设特征向量之间的欧式距离；如果所述欧式距离小于预设距离，则确定所述待识别图像与数据库中的参考图像相同；将所述参考图像对应的所述预设特征向量作为所述目标特征向量。

根据本公开的一个方面，提供一种图像处理装置，包括：特征提取模块，用于通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；匹配控制模块，用于将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量；识别控制模块，用于通过所述目标特征向量确定待识别图像的识别结果。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的图像处理方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的图像处理方法。

本公开示例性实施例中提供的一种图像处理方法、图像处理装置、电子设备以及计算机可读存储介质中，一方面，通过多个特征提取模型对待识别图像进行特征提取，并对得到的多个第一特征向量进行融合得到第二特征向量，能够更准确地得到待识别图像的特征，提高了特征提取的精准度；另一方面，通过第一特征向量与多个预设特征向量进行匹配将多个预设特征向量之一作为目标特征向量，以通过目标特征向量对待识别图像进行识别处理，能够提高图像处理的精准度，保证***安全性和稳定性。

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。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中用于实现图像处理方法的***架构示意图；

图2示意性示出本公开示例性实施例中一种图像处理方法示意图；

图3示意性示出本公开示例性实施例中特征提取过程示意图；

图4示意性示出本公开示例性实施例中一种图像处理装置的框图；

图5示意性示出本公开示例性实施例中一种电子设备的框图；

图6示意性示出本公开示例性实施例中一种程序产品。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了一种用于实现图像处理方法的***架构，可以应用于各种通过人脸识别方式登录网站或者浏览页面的图像识别场景。参考图1所示，该***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送请求指令等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图片处理应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本申请实施例所提供的图像处理方法一般由服务器105执行，相应地，图像处理装置一般设置于客户端101中。

基于上述***架构100，本示例中提供了一种图像处理方法，参考图2所示，该图像处理方法可以包括以下步骤：

在步骤S210中，通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；

在步骤S220中，将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量；

在步骤S230中，通过所述目标特征向量确定待识别图像的识别结果。

在本示例性实施例中提供的图像处理方法中，一方面，通过多个特征提取模型对待识别图像进行特征提取，并对得到的多个第一特征向量进行融合得到第二特征向量，能够更准确地得到待识别图像的特征，提高了特征提取的精准度；另一方面，通过第一特征向量与多个预设特征向量进行匹配将多个预设特征向量之一作为目标特征向量，以通过目标特征向量对待识别图像进行识别处理，能够提高图像处理的精准度，保证***安全性和稳定性。

接下来，结合附图对本示例性实施例中的图像处理方法进行进一步解释说明。

在步骤S210中，通过多个特征提取模型对待识别图像进行特征提取，得到多个初始特征向量，并对所述多个初始特征向量进行融合得到第一特征向量。

本示例性实施例中，待识别图像例如可以为人脸图像、动物图像或者是其他图像等等，且对待识别图像的尺寸大小、颜色像素等不作特殊限定。本示例性实施例中的应用场景颗粒如：用户登录某一应用平台或者网站时，可使用人脸识别进行登录，终端的摄像头可采集待登录用户的人脸图像，并将待登录用户的人脸图像与已经注册了该应用平台、网站的所有用户的人脸图像进行对比，以控制用户登录。在该场景中，可将待登录用户的人脸图像作为待识别图像。在对待识别图像进行识别之前，可对待识别图像进行预处理。此处的预处理过程可包括人脸图像对齐过程。该人脸对齐过程主要包括人脸检测，人脸关键点定位，然后将所有图像中检测到的人脸关键点尽可能的和预设的人脸关键点位置重合，最后从图像中切割出人脸区域并将人脸区域的分辨率调整至预定大小，如224×224。接下来可对预处理后的待识别图像进行具体操作。

多个特征提取模型指的是训练好的最终的特征提取模型，具体可对多个初始特征模型分别进行训练得到。初始特征模型的数量可根据实际需求进行设置，一般而言，在一定数量下，模型数量越多，得到的特征向量越多，提取的特征越准确，得到的最终识别率也越高。

可通过合适的机器学习算法或其他算法对每个初始特征模型进行训练，此处以神经网络算法为例进行说明。具体而言，每个初始特征模型均可以为卷积神经网络模型，且所有卷积神经网络模型可以为结构相同，权重参数不同的多个网络；也可以为结构不同且权重参数不同的多个网络。

在本示例性实施例中，可通过多个训练好的特征提取模型分别提取待识别图像的特征，得到多个不同或者是相同的第一特征向量。例如，特征提取模型1对应第一特征向量f1，特征提取模型2对应第一特征向量f2等等。

具体来说，可根据样本图像以及所述样本图像的初始标签对多个初始特征模型进行训练，得到多个特征提取模型；进而通过所述多个特征提取模型分别对所述待识别图像进行特征提取，得到与各所述特征提取模型关联的多个第一特征向量。样本图像例如可以为现有的具有能够跟其他人区分开的标签的多个人脸图像，例如数据集D＝{(X₁,Y₁)，(X₂,Y₂)，…，(Xn,Yn)}中的多个人脸图像。其中X₁至X_n指的是多个样本图像，Y₁至Y_n指的是每个样本图像对应的初始标签。多个卷积神经网络模型例如可以包括卷积神经网络N₁至卷积神经网络N_x，可将数据集D中的多个样本图像和样本图像对应的初始标签循环依次输入网络N₁至网络N_x，以得到每个网络对应的特征提取模型，例如通过对卷积神经网络N₁进行训练得到特征提取模型1，通过对卷积神经网络N₂进行训练得到特征提取模型2等。

具体而言，根据样本图像以及样本图像的初始标签对多个初始特征模型进行训练，得到多个特征提取模型的过程包括以下步骤：第一步，根据所述样本图像及所述样本图像的初始标签对多个卷积神经网络模型进行训练，得到多个特征模型。其中，首先可将所述样本图像和所述初始标签输入多个所述卷积神经网络模型，得到各所述卷积神经网络模型对应的初始特征向量；对所述初始特征向量进行分类，得到预测标签；通过所述初始标签和所述预测标签更新各所述卷积神经网络模型的权重参数，以得到所述多个特征模型。

本示例性实施例中，可基于目标任务将样本图像和样本图像的初始标签输入多个卷积神经网络模型，对多个卷积神经网络模型进行训练，由此可以得到多个初始特征向量。目标任务指的是由人脸识别任务确定的目标损失函数。接下来可对初始特征向量进行分类得到样本图像的预测标签，预测标签可与初始标签相同，也可以不同。进一步地，可在卷积神经网络模型中对所述初始标签和所述预测标签进行后向计算，以更新各所述卷积神经网络模型的权重参数，从而得到所述多个特征模型。其中，特征模型指的就是每一个卷积神经网络模型的权重参数更新之后的模型。

第二步，可选择所述多个特征模型中的一个作为目标模型，并将所述多个特征模型中的另一特征模型叠加至所述目标模型中进行联合训练，得到预设模型。也就是说，多个特征模型例如可包括特征模型1，特征模型2，特征模型3以及特征模型4。其中，特征模型1是卷积神经网络模型1更新权重参数后的模型，特征模型2是卷积神经网络模型2更新权重参数后的模型，特征模型3是卷积神经网络模型3更新权重参数后的模型，特征模型4是卷积神经网络模型4更新权重参数后的模型。可将多个特征模型中的任意一个作为目标模型，该目标模型即为一个训练好的特征提取模型，例如可将特征模型1作为目标模型。接下来，可以依次将多个特征模型中的另一特征模型叠加至确定的目标模型中进行联合训练，得到预设模型。其中，另一特征模型可以为特征模型2、特征模型3、特征模型4中的任意一个。预设模型指的是确定的目标模型以及另一特征模型联合训练得到的新的目标模型。也就是说，迭代次数每增加一次，联合训练的模型的数量也增加一个，目标模型以及预设模型也会根据联合训练的模型进行更新。例如，可先将特征模型2添加至目标模型进行第一次联合训练，得到预设模型。

在进行联合训练得到预设模型时，需要锁定所述目标模型的权重参数；对所述另一特征模型的权重参数进行调整得到目标权重参数；对所述目标权重参数和所述目标模型的权重参数进行调整，得到所述预设模型。也就是说，先保持目标模型的权重参数不变，只调整特征模型2的权重参数直至收敛，进一步地，可对目标模型的权重参数以及调整后的特征模型2的权重参数继续进行联合调整，直至收敛，得到预设模型。

第三步，可将所述预设模型作为所述目标模型，并继续与所述多个特征模型中的剩余模型进行联合训练，直至所述多个特征模型全部进行联合训练为止。也就是说，在目标模型的基础上，可将多个特征模型的剩余模型中的任意一个与目标模型进行联合训练，直至多个特征模型全部进行联合训练为止。例如，将第一次联合训练得到的预设模型作为新的目标模型，将剩余模型中的特征模型3添加至新的目标模型进行第二次联合训练，重新得到预设模型。按照以上方法依次对特征模型中的剩余模型进行联合训练，直至所有的特征模型均进行过联合训练为止，如此一来，可得到多个目标模型，且均可以将这些目标模型作为最终的多个特征提取模型进行图像识别。

举例而言，根据第一步至第三步的步骤，可将数据集D中的样本图像X和其标签Y，输入卷积神经网络模型N₁，该模型的权重参数为θ₁，X在网络N₁中前向计算得到初始特征向量F1，此外还需要一个分类函数c以及权重参数γ，初始特征向量F1经过分类函数c得到预测标签

如公式(1)所示：

根据预设的损失函数L得到损失

计算权重参数γ、权重参数θ₁、梯度

和

并对权重参数γ和θ₁进行更新，更新后的权重参数

和

如公式(2)所示：

接下来，可在已更新的目标模型，即调整权重参数后的卷积神经网络模型N₁的基础上，结合特征融合方法Γ，添加并训练特征模型2，即调整权重参数后的卷积神经网络模型N₂。训练时首先固定已完成的目标模型的所有权重参数θ₁，只调整网络N₂的权重参数θ₂，然后再两者一起调整得到目前最优的权重参数。具体来说，迭代输入样本图像X和其标签Y，网络N₁权重参数为θ₁，网络N₂权重参数为θ₂，分类函数c，权重参数γ，对样本图像X在网络N₁中进行前向计算得到初始特征向量F1，对样本图像X在网络N₂中进行前向计算得到初始特征向量F2，即公式(3)所示：

进一步地，可根据特征融合算法对得到的样本图像的多个初始特征向量进行融合，得到预测标签

根据损失函数L得到损失

接下来，可固定网络N₁的权重参数θ₁不变，计算γ，θ₂梯度

和

并将权重参数γ，θ₂更新为

和

直至收敛；然后同时更新参数γ，θ₁，θ₂，直至收敛。不断在更新权重参数后的网络N₁，N₂，……，N_x的基础上，加入特征模型N_x+1以进行模型训练，直至达到最优结果或者最大特征提取网络数量，最终的流程结构如图2所示，将得到多个目标模型作为最终的多个特征提取模型对待识别图像进行特征提取。

在确定多个特征提取模型之后，可执行步骤S110中的步骤，即通过多个特征提取模型对待识别图像进行特征提取，具体可在多个特征提取模型中对所述待识别图像进行前向计算，得到所述待识别图像的多个第一特征向量例如f1,f2,…fn，并对所述多个第一特征向量进行融合得到第二特征向量。其中，可采用特征融合算法可包括对所有第一特征向量进行求和运算，得到第二特征向量，该第二特征向量可为融合特征向量f＝Γ(f₁,f₂,...,f_x+1)。除此之外，还可采用相乘、求平均、取最大最小等其他融合算法对多个第一特征向量进行融合，得到第二特征向量。需要说明的是，可将第二特征向量看作是待识别图像的最优特征向量。通过对多个特征模型进行训练并对得到的多个第一特征向量进行融合，具有全局最优性，能够提高提取的特征向量的精准度，进而提高图像识别效果。

接下来，在步骤S220中，将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量。

本示例性实施例中，用户使用人脸识别登录某一应用平台或者网站时，可将待登录用户的人脸图像作为待识别图像，将已经注册了该应用平台、网站的所有用户的人脸图像作为参考图像。同时可使用得到的特征提取模型对所有参考图像进行特征提取，得到多个预设特征向量。接下来，可将待识别图像的第二特征向量与多个参考图像的预设特征向量进行匹配计算，将匹配成功的参考图像的预设特征向量作为目标特征向量。

具体匹配过程包括：计算所述第二特征向量和数据库中多个所述预设特征向量之间的相似度；将与所述第二特征向量的相似度大于预设阈值的所述预设特征向量确定为所述目标特征向量。其中，相似度可通过计算欧式距离来表示，也可以用余弦相似度等来表示。预设阈值的具体数值可根据实际需求进行设置。

如果第二特征向量与预设特征向量之间的欧式距离小于预设距离，则确定所述待识别图像与数据库中的参考图像相同，二者属于同一个人，此时可确定待识别图像与参考图像配成功，则可将匹配成功的参考图像对应的预设特征向量作为目标特征向量。

在步骤S230中，通过所述目标特征向量确定待识别图像的识别结果。

在待识别图像与参考图像匹配成功后，可根据该参考图像的目标特征向量对待识别图像进行识别，并确定识别结果。例如，待识别图像A的第二特征向量为fa，参考图像B的预设特征向量为fb，预设距离为1个单位长度，如果fa与fb之间的欧式距离小于1个单位长度，则认为待识别图像A与参考图像B属于同一个人，则待识别图像A对应的用户可通过人脸识别方式成功登录应用平台。

通过本示例性实施例中的步骤S210至步骤S230，可提高图像处理的精准度，从而保障***安全。

本公开还提供了一种图像处理装置。参考图4所示，该图像处理装置400可以包括：

特征提取模块401，可以用于通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；

匹配控制模块402，可以用于将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量；

识别控制模块403，可以用于通过所述目标特征向量确定待识别图像的识别结果。

需要说明的是，上述图像处理装置中各模块的具体细节已经在对应的图像处理方法中进行了详细描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。

下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同***组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2中所示的步骤：在步骤S210中，通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；在步骤S220中，将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量在步骤S230中，通过所述目标特征向量确定待识别图像的识别结果。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

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他实施例。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权利要求指出。

Claims (11)

1.一种图像处理方法，其特征在于，包括：

通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；

将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量；

通过所述目标特征向量确定待识别图像的识别结果；

其中，通过多个特征提取模型对待识别图像进行特征提取，得到多个第一特征向量包括：

根据样本图像以及所述样本图像的初始标签对多个初始特征模型进行联合训练，得到多个特征提取模型；

通过所述多个特征提取模型分别对所述待识别图像进行特征提取，得到与各所述特征提取模型关联的多个第一特征向量；

其中，根据样本图像以及所述样本图像的初始标签对多个初始特征模型进行训练，得到多个特征提取模型包括：

根据所述样本图像及所述样本图像的初始标签对多个卷积神经网络模型进行训练，得到多个特征模型；

选择所述多个特征模型中的一个作为目标模型，并将所述多个特征模型中的另一特征模型叠加至所述目标模型中进行联合训练，得到预设模型；

将所述预设模型作为所述目标模型，并继续与所述多个特征模型中的剩余模型进行联合训练，直至所述多个特征模型全部进行联合训练为止，并将多个所述目标模型作为所述多个特征提取模型。

2.根据权利要求1所述的图像处理方法，其特征在于，根据所述样本图像及所述样本图像的初始标签对多个卷积神经网络模型进行训练，得到多个特征模型包括：

将所述样本图像和所述初始标签输入多个所述卷积神经网络模型，得到多个初始特征向量；

对所述多个初始特征向量进行分类，得到预测标签；

通过所述初始标签和所述预测标签更新各所述卷积神经网络模型的权重参数，以得到所述多个特征模型。

3.根据权利要求2所述的图像处理方法，其特征在于，通过所述初始标签和所述预测标签更新各所述卷积神经网络模型的权重参数包括：

在各所述卷积神经网络模型中对所述初始标签和所述预测标签进行后向计算，以更新各所述卷积神经网络模型的权重参数。

4.根据权利要求1所述的图像处理方法，其特征在于，选择所述多个特征模型中的一个作为目标模型，并将所述多个特征模型中的另一特征模型叠加至所述目标模型中进行联合训练，得到预设模型包括：

锁定所述目标模型的权重参数；

对所述另一特征模型的权重参数进行调整得到目标权重参数；

对所述目标权重参数和所述目标模型的权重参数进行联合调整，得到所述预设模型。

5.根据权利要求1所述的图像处理方法，其特征在于，通过所述多个特征提取模型分别对所述待识别图像进行特征提取，得到与各所述特征提取模型关联的多个第一特征向量包括：

在各所述特征提取模型中对所述待识别图像进行前向计算，得到所述待识别图像的多个第一特征向量。

6.根据权利要求1所述的图像处理方法，其特征在于，对所述多个第一特征向量进行融合得到第二特征向量包括：

对多个所述第一特征向量进行融合计算，以得到所述第二特征向量。

7.根据权利要求1所述的图像处理方法，其特征在于，将所述第二特征向量与多个预设特征向量进行匹配，并将所述预设特征向量其中之一确定为目标特征向量包括：

计算所述第二特征向量和数据库中多个所述预设特征向量之间的相似度；

将与所述第二特征向量的相似度大于预设阈值的所述预设特征向量确定为所述目标特征向量。

8.根据权利要求7所述的图像处理方法，其特征在于，将与所述第二特征向量的相似度大于预设阈值的所述预设特征向量确定为所述目标特征向量包括：

计算所述第二特征向量与所述预设特征向量之间的欧式距离；

如果所述欧式距离小于预设距离，则确定所述待识别图像与数据库中的参考图像相同；

将所述参考图像对应的所述预设特征向量作为所述目标特征向量。

9.一种图像处理装置，其特征在于，包括：

模型训练模块，用于根据样本图像及所述样本图像的初始标签对多个卷积神经网络模型进行训练，得到多个特征模型；选择所述多个特征模型中的一个作为目标模型，并将所述多个特征模型中的另一特征模型叠加至所述目标模型中进行联合训练，得到预设模型；将所述预设模型作为所述目标模型，并继续与所述多个特征模型中的剩余模型进行联合训练，直至所述多个特征模型全部进行联合训练为止，并将多个所述目标模型作为多个特征提取模型；

特征提取模块，用于通过所述多个特征提取模型分别对待识别图像进行特征提取，得到与各所述特征提取模型关联的多个第一特征向量，并对所述多个第一特征向量进行融合得到第二特征向量；

匹配控制模块，用于将所述第二特征向量与多个参考图像的预设特征向量进行匹配，以将所述预设特征向量其中之一确定为目标特征向量；

识别控制模块，用于通过所述目标特征向量确定待识别图像的识别结果。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任意一项所述的图像处理方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任意一项所述的图像处理方法。

Images