CN112149701A - 一种图像识别方法、虚拟样本数据生成方法和存储介质 - Google Patents

Abstract

本公开提供了一种图像识别方法、虚拟样本数据生成方法和存储介质，涉及机器学习技术领域。方法包括：获取待识别图像；将待识别图像输入图像识别模型中，图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；输出待识别图像的第二识别结果。通过根据模型训练输出的第一识别结果生成的虚拟样本数据和标签信息训练得到模型，得到的虚拟样本数据更符合模型训练的需求，使得训练得到的图像识别模型的识别准确率高，从而通过该图像识别模型进行图像识别的效率高。

Description

一种图像识别方法、虚拟样本数据生成方法和存储介质

技术领域

本公开涉及机器学习技术领域，特别涉及一种图像识别方法、虚拟样本数据生成方法和存储介质。

背景技术

随着机器学习技术的发展，生活中的许多问题可以通过各种各样的模型来解决，使生活变得更加便利，例如在抓拍车辆违章，图片搜索，智慧泊车，人脸支付等各种应用场景中，计算机设备可以基于图像识别模型，对图像进行识别。例如，针对于抓拍车辆违章的场景，图像识别模型可以为车牌识别模型，计算机设备可以将抓拍到的违章图片输入到车牌识别模型中，根据车牌识别模型输出的识别结果，确定违章车辆的车牌号。

目前，在使用图像识别模型进行图像识别之前，计算机设备需要训练图像识别模型。计算机设备训练图像识别模型的过程可以为：用户获取真实的样本数据，然后标注该样本数据的标签信息，将该真实的样本数据和标签信息输入到计算机设备中。计算机设备根据该真实的样本数据和标签信息，进行模型训练，得到图像识别模型。

相关技术中，由于是根据真实的样本数据训练得到模型，而真实的样本数据的获取难度较大，导致图像识别模型的训练难度大，训练耗时较长，从而导致通过图像识别模型进行图像识别的效率低。

发明内容

本公开提供了一种图像识别方法、虚拟样本数据生成方法和存储介质，用于解决根据真实的样本数据训练得到模型，而真实的样本数据的获取难度较大，导致图像识别模型的训练难度大，训练耗时较长，从而导致通过图像识别模型进行图像识别的效率低的问题。

一方面，提供一种图像识别的方法，所述方法包括：

获取待识别图像；

将所述待识别图像输入图像识别模型中，所述图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，所述虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；

输出所述待识别图像的第二识别结果。

在一种可能的实现方式中，所述图像识别模型的训练过程包括：

根据模型训练输出的第一识别结果，确定识别错误的样本数据，所述第一识别结果用于指示模型训练时对输入的样本数据是否识别正确；

根据所述识别错误的样本数据，确定样本生成参数；

根据所述样本生成参数，生成所述虚拟样本数据和所述虚拟样本数据对应的标签信息；

根据所述虚拟样本数据和所述标签信息，进行模型训练，得到所述图像识别模型。

在另一种可能的实现方式中，所述根据所述识别错误的样本数据，确定所述样本生成参数，包括：

提取所述识别错误的样本数据中包括的至少一个特征信息；

根据所述至少一个特征信息的特征值，生成所述样本生成参数。

在另一种可能的实现方式中，所述根据所述识别错误的样本数据，确定所述样本生成参数，包括：

确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；

根据所述至少一个数据场景类型，生成所述样本生成参数。

在另一种可能的实现方式中，所述根据所述样本生成参数，生成所述虚拟样本数据和所述标签信息，包括：

根据样本生成参数进行建模，生成虚拟样本数据；

记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

另一方面，提供一种虚拟样本数据生成方法，所述方法包括：

根据模型训练时的输出结果，确定识别错误的样本数据，所述输出结果用于指示模型训练时对输入的样本数据是否识别正确；

根据所述识别错误的样本数据，确定样本生成参数；

根据所述样本生成参数，生成虚拟样本数据和所述虚拟样本数据对应的标签信息。

在一种可能的实现方式中，所述根据所述识别错误的样本数据，确定样本生成参数，包括：

提取所述识别错误的样本数据中包括的至少一个特征信息；

根据所述至少一个特征信息的特征值，生成所述样本生成参数。

在另一种可能的实现方式中，所述根据所述识别错误的样本数据，确定所述样本生成参数，包括：

确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；

根据所述至少一个数据场景类型，生成所述样本生成参数。

在另一种可能的实现方式中，所述根据所述样本生成参数，生成所述虚拟样本数据和所述虚拟样本数据对应的标签信息，包括：

根据样本生成参数进行建模，生成虚拟样本数据；

记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

另一方面，提供一种图像识别装置，所述装置包括：

获取模块，被配置为获取待识别图像；

输入模块，被配置为将所述待识别图像输入图像识别模型中，所述图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，所述虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；

输出模块，被配置为输出所述待识别图像的第二识别结果。

在一种可能的实现方式中，所述装置还包括：训练模块，被配置为根据模型训练输出的第一识别结果，确定识别错误的样本数据，所述第一识别结果用于指示模型训练时对输入的样本数据是否识别正确；根据所述识别错误的样本数据，确定样本生成参数；根据所述样本生成参数，生成所述虚拟样本数据和所述虚拟样本数据对应的标签信息；根据所述虚拟样本数据和所述标签信息，进行模型训练，得到所述图像识别模型。

在另一种可能的实现方式中，所述训练模块，还被配置为提取所述识别错误的样本数据中包括的至少一个特征信息；根据所述至少一个特征信息的特征值，生成所述样本生成参数。

在另一种可能的实现方式中，所述训练模块，还被配置为确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；

根据所述至少一个数据场景类型，生成所述样本生成参数。

在另一种可能的实现方式中，所述训练模块，还被配置为根据样本生成参数进行建模，生成虚拟样本数据；记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

另一方面，提供一种虚拟样本数据生成装置，包括：

确定模块，被配置为根据模型训练时的输出结果，确定识别错误的样本数据，所述输出结果用于指示模型训练时对输入的样本数据是否识别正确；

所述确定模块，还被配置为根据所述识别错误的样本数据，确定样本生成参数；

生成模块，被配置为根据所述样本生成参数，生成虚拟样本数据和所述虚拟样本数据对应的标签信息。

在一种可能的实现方式中，所述确定模块，还被配置为提取所述识别错误的样本数据中包括的至少一个特征信息；根据所述至少一个特征信息的特征值，生成所述样本生成参数。

在另一种可能的实现方式中，所述确定模块，还被配置为确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；根据所述至少一个数据场景类型，生成所述样本生成参数。

在另一种可能的实现方式中，所述生成模块，还被配置为根据样本生成参数进行建模，生成虚拟样本数据；

记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

另一方面，提供一种计算机设备，包括：

至少一个处理器；和

至少一个存储器；

所述至少一个存储器存储有一个或多个程序，所述一个或多个程序被配置成由所述至少一个处理器执行，所述一个或多个程序包含用于进行上述图像识别方法的指令。

另一方面，提供一种存储介质，所述存储介质应用于计算机设备，所述存储介质上存储有指令，所述指令被计算机设备的处理器加载并执行上述图像识别方法。

另一方面，提供一种计算机设备，包括：

至少一个处理器；和

至少一个存储器；

所述至少一个存储器存储有一个或多个程序，所述一个或多个程序被配置成由所述至少一个处理器执行，所述一个或多个程序包含用于进行上述虚拟样本数据生成方法的指令。

另一方面，提供一种存储介质，所述存储介质应用于计算机设备，所述存储介质上存储有指令，所述指令被计算机设备的处理器加载并执行上述虚拟样本数据生成方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

在本公开实施例中，通过获取待识别图像；将待识别图像输入图像识别模型中，图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；输出待识别图像的第二识别结果。通过根据模型训练输出的第一识别结果生成的虚拟样本数据和标签信息训练得到模型，得到的虚拟样本数据更符合模型训练的需求，使得训练得到的图像识别模型的识别准确率高，从而通过该图像识别模型进行图像识别的效率高。

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，并于说明书一起用于解释本公开的原理。

图1是根据本公开示例性实施例示出的一种图像识别方法的实施环境示意图；

图2是根据本公开示例性实施例示出的一种图像识别方法的流程图；

图3是根据本公开示例性实施例示出的另一种图像识别方法的流程图；

图4是根据本公开示例性实施例示出的一种模型训练的示意图；

图5是根据本公开示例性实施例示出的一种图像识别装置的框图；

图6是根据本公开示例性实施例示出的一种虚拟样本数据生成方法的流程图；

图7是根据本公开示例性实施例示出的另一种虚拟样本数据生成方法的流程图；

图8是根据本公开示例性实施例示出的一种图像识别装置的框图；

图9是根据本公开示例性实施例示出的一种虚拟样本数据生成装置的框图；

图10是根据本公开示例性实施例示出的一种计算机设备的框图。

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。

本公开提供了一种图像识别方法的实施环境的示意图，参见图1所示，该实施环境中包括计算机设备110和至少一个图像采集设备120。

计算机设备110可以为服务器、台式电脑、移动终端等，图像采集设备120可以为枪机，也可以为球机，还可以为其他具有图像采集功能的设备。

其中，该计算机设备110可以是一台设备，也可以是一个设备集群。当该计算机设备110为一个设备集群时，该计算机设备110中可以包括训练服务器集群111，验证服务器112，仿真服务器集群113，数据存储服务器114以及图像识别服务器115。其中训练服务器111与验证服务器112连接，用于训练图像识别模型，将训练过程中输出的识别结果发送至验证服务器；验证服务器112与训练服务器集群111以及仿真服务器集群113连接，用于验证训练过程中输出的识别结果，根据识别结果生成样本生成参数，将样本生成参数发送至仿真服务器集群113；仿真服务器集群113与验证服务器112和数据存储服务器114连接，用于根据样本生成参数生成虚拟样本数据和标签信息，将虚拟样本数据和标签信息发送至数据存储服务器114；数据存储服务器114与仿真服务器113、训练服务器集群111以及验证服务器112连接，用于存储仿真服务器集群113发送的虚拟样本数据和标签信息，向训练服务器集群111和验证服务器112发送存储的虚拟样本数据和标签信息，图像识别服务器115与训练服务器集群111和至少一个图像采集设备120连接，用于接收训练服务器集群111发送的图像识别模型和图像采集设备120发送的待识别图像，根据该图像识别模型对待识别图像进行图像识别，输出识别结果。

图2是根据本公开示例性实施例示出的一种图像识别方法的流程图。包括以下步骤。

在步骤201中，计算机设备获取待识别图像。

在步骤202中，计算机设备将待识别图像输入图像识别模型中，该图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，该虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据。

在步骤203中，计算机设备输出待识别图像的第一识别结果。

在本公开实施例中，通过获取待识别图像；将待识别图像输入图像识别模型中，图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，虚拟样本数据根据模型训练输出的第一识别结果生成的样本数据；输出待识别图像的第二识别结果。通过根据模型训练输出的第一识别结果生成的虚拟样本数据和标签信息训练得到模型，得到的虚拟样本数据更符合模型训练的需求，使得训练得到的图像识别模型的识别准确率高，从而通过该图像识别模型进行图像识别的效率高。

图3是根据本公开示例性实施例示出的另一种图像识别方法的流程图。包括以下步骤。

在步骤301中，计算机设备根据模型训练输出的第一识别结果，确定识别错误的样本数据，该第一识别结果用于指示模型训练时对输入的样本数据是否识别正确。

计算机设备可以获取该模型训练输出的第一识别结果，该第一识别结果中包括对每个样本数据进行识别后得到的识别数值，将该识别数值与该样本数据的真实值进行对比。当该识别数值与真实值相同时，确定该样本数据识别正确；当该识别数值与真实值不同时，确定该样本数据识别错误。

需要说明的是，模型训练的过程可以为在模型训练时将样本数据输入待训练的模型中，获取模型训练输出的第一识别结果，根据该第一识别结果调整该待训练的模型的参数，提高该待训练的模型的精度，使得该待训练的模型趋于完善。

步骤302中，计算机设备确定识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，该数据场景类型对应至少一个场景特征。

该数据场景类型可以根据样本数据的不同而分为多种不同的类型。例如，当该样本数据为带有车牌的图片时，该数据场景类型可以为正常场景、有光斑场景、有污泥场景以及有褶皱场景等。当该样本数据为名片时，该数据场景类型可以为正常场景、有反光场景、有涂鸦场景以及有破损场景等。

计算机设备可以通过样本数据的标签信息，确定每个样本数据所属的数据场景类型，得到至少一个数据场景类型。其中，每个样本数据可以仅属于一种数据场景类型，每个样本数据也可以属于多种数据场景类型。

在一种可选的实现方式中，当每个样本数据仅属于一种数据场景类型时，不同的样本数据所属的数据场景类型不同，由于模型识别结果可能存在一定误差，导致识别错误的样本数据所述的数据场景类型覆盖全部或者大部分的数据场景类型。为了减少误差造成的影响，计算机设备可以根据数据场景类型来统计该数据场景类型识别正确的个数、识别错误的个数从而得到该数据场景类型的识别准确率。其中识别准确率高于目标阈值的数据场景类型可能是由于误差造成的，因此计算机设备可以获取识别准确率低于目标阈值的至少一个数据场景类型。也即是当某个数据场景类型的识别准确率低于目标阈值时，计算机设备才获取该数据场景类型，而不是只要某个数据场景类型有识别错误的样本就获取该数据场景类型。通过统计该数据场景类型的识别准确率，来获取识别准确率低的数据场景类型，在识别结果有一定的误差范围时，减少误差造成的影响，使得确定的数据场景类型更具有代表性。其中，该误差范围可以根据模型训练的程度来确定，模型训练的程度越高，则误差范围可以设置的越小，模型训练的程度越低，则误差范围可以设置的越大。

例如，模型训练输入1000个带有车牌的图片，其中有光斑场景的车牌200个，识别正确180个，识别错误20个，识别准确率90％；正常场景的车牌400个，识别正确370个，识别错误30个，识别准确率92.5％；有污泥场景的车牌200个，识别正确180个，识别错误20个，识别准确率90％；有褶皱场景的车牌100个，识别正确70个，识别错误30个，识别准确率70％。

在一种可选的实现方式中，当每个样本数据属于多种数据场景类型时，识别错误的样本数据可能会覆盖全部的数据场景类型或者大部分的数据场景类型，导致确定的数据场景类型不能反映样本数据识别错误的原因。因此，当每个样本数据属于多种数据场景类型时。计算机设备可以在统计每个数据场景类型识别正确的个数、识别错误的个数得到该场景类型的识别准确率后，还可以确定复合数据场景类型的样本数据的识别正确的个数、识别错误的个数得到复合数据场景的识别准确率。计算机设备可以基于每个数据场景类型的识别准确率以及复合数据场景类型的识别准确率进行组合分析，确定造成识别错误的原因，从而确定数据场景类型，该确定的数据场景类型可以为单个数据场景类型，也可以为复合数据场景类型。

具体的，当仅属于某个数据场景类型的识别准确率高，而属于包括该数据场景类型的复合数据场景类型的识别准确率低，则可以确定该数据场景类型并不是造成样本数识别错误的主要原因。例如，有光斑场景的识别准确率高，而有光斑和有污泥的复合数据场景的识别准确率低，则有光斑不是造成样本数识别错误的主要原因。通过组合分析造成识别错误的原因，可以基于该原因确定模型的薄弱点，从而基于该薄弱点确定数据场景类型，使得训练得到的模型能够趋于完善。

例如，参见图4所示，模型训练输入1000个带有车牌的图片，正常场景的车牌300个，识别正确270个，识别错误30个，识别准确率为90％；有光斑场景的车牌共有400个，识别正确310个，识别错误90个，识别准确率为77.5％；有污泥场景的车牌共有400个，识别正确290个，识别错误110个，识别准确率72.5％；有褶皱场景的车牌400个，识别正确310个，识别错误90个，识别准确率为77.5％。其中，仅有光斑场景的车牌100个，识别正确95个，识别错误5个，识别准确率为95％；仅有污泥场景的车牌100个，识别正确70个，识别错误30个，识别准确率为70％；仅有褶皱场景的车牌100个，识别正确85个，识别错误15个，识别准确率为85％；既有光斑场景又有污泥场景的车牌100个，识别正确75个，识别错误25个，识别准确率为75％；既有光斑场景又有褶皱场景的车牌100个，识别正确80个，识别错误20个，识别准确率为80％；既有污泥场景又有褶皱场景的车牌100个，识别正确85个，识别错误15个，识别准确率为85％；既有光斑场景又有污泥场景还有褶皱场景的车牌100个，识别正确60个，识别错误40个，识别准确率为60％。

步骤303中，计算机设备根据至少一个数据场景类型，生成样本生成参数。

其中，该至少一个数据场景类型可以为单一数据场景类型，也可以为复合数据场景类型。

在一种可能的实现方式中，当该至少一个数据场景类型为单一数据场景类型时，对于每个数据场景类型，计算机设备可以获取该数据场景类型对应的至少一个特征信息，为每个特征信息赋予至少一个特征值，多个特征信息进行排列组合即可得到多组样本生成参数。其中，每个数据场景类型对应至少一个特征信息。例如，有光斑场景对应的特征信息为光斑的位置、光斑的大小、光斑的亮度等，涂鸦场景对应的特征信息为涂鸦的位置，涂鸦的形状、涂鸦的大小等。通过获取每个数据场景类型对应的特征信息来生成样本生成参数，该生成的样本生成参数用于生成该数据场景类型对应的样本数据，可以增加模型训练时针对于该数据场景类型的样本数据的数量，提高该数据场景类型的样本数据的识别准确率。

例如，计算机设备确定识别准确率小于目标阈值的数据场景类型为有光斑场景，该有光斑场景对应的特征信息为光斑的位置、光斑的大小以及光斑的亮度，计算机设备为每个特征信息赋予特征值。其中，光斑的位置有两个值：在车牌上、在车牌边缘；光斑的大小有三个值：直径0.5厘米、直径1厘米以及直径1.5厘米；光斑的亮度有两个值：底亮和高亮。计算机通过排列组合可以得到12组样本生成参数。

在一种可选的实现方式中，当该至少一个数据场景类型为复合数据场景类型时，计算机设备可以确定该复合数据场景类型对应的多个特征信息，设置每个复合数据场景类型对应的特征信息的特征值，得到该复合数据场景类型对应的样本生成参数。生成的样本生成参数可以用于生成复合数据场景类型对应的样本数据，使得参与模型训练的样本数据可以用来弥补模型的薄弱点。

例如，继续使用图4中的示例进行说明，有光斑场景的识别准确率为77.5％，有污泥场景的识别准确率为72.5％，而仅有光斑场景的识别率为95％，仅有污泥场景的识别准确率为70％，既有光斑场景又有污泥场景的识别准确率为75％。计算机通过分析识别准确率的差可以确定有光斑场景的识别准确率被有污泥场景的识别准确率拉低了，即造成识别准确率差值的原因在于在有光斑场景增加了有污泥场景，也即复合的数据类型场景。因此计算机设备根据有光斑场景和有污泥场景对应的特征信息，排列组合得到多组样本生成参数，该样本生成参数包括两种数据场景类型对应的特征信息的特征值。

在一种可选的实现方式中，计算机设备可以提取识别错误的样本数据中包括的至少一个特征信息，根据该至少一个特征信息的特征值，生成该样本生成参数。也即计算机设备不获取样本数据素数的数据场景类型，直接对识别错误的样本数据进行汇总，提取每个样本数据中包络的至少一个特征信息，确定出现根据每种特征信息出现的次数，确定该特征信息的重要性，该重要性越高，越容易造成样本数据识别错误。

例如，继续使用图4中的示例进行说明，识别错误的车牌共有150个，其中仅有光斑的有5个，仅有污泥的有30个，既有光斑又有污泥的有25个，仅有褶皱的15个，既有光斑又有褶皱的20个，既有污泥又有褶皱的15个，既有光斑又有褶皱还有污泥的40个。可以确定既有光斑又有褶皱还有污泥的重要性最高。

在一种可选的实现方式中，样本生成参数的生成过程可以由计算机设备中的数据生成参数模块来实现。该数据生成参数模块可以设置在验证服务器中。该验证服务器可以包括算法验证模块、错误分析模块、数据生成参数模块等。算法验证模块可以根据样本数据的标签信息，对每个样本数据按照数据场景类型进行分类，统计识别错误的样本数据的数量；错误分析模块可以确定每个数据场景类型对应的识别准确率，根据每个数据场景类型对应的识别准确率，确定每个数据场景类型对应的样本数据的识别结果分布以及每个数据场景类型对应的样本数据的生成数量，将该识别结果分布以及生成数量发送给数据生成参数模块；数据生成参数模块可以根据任一数据场景类型对应的识别结果分布和生成数量，生成样本生成参数。

在步骤304中，计算机设备根据样本生成参数，生成虚拟样本数据和该虚拟样本数据对应的标签信息。

计算机设备可以根据样本生成参数进行建模，生成虚拟样本数据，记录每个虚拟样本数据的属性值，和所属的数据场景类型对应的特征信息的特征值，得到标签信息，该标签信息中包括虚拟样本数据的属性值的标准值。由于标签信息是仿真过程中记录的值，不存在于实际值有差别的情况，与样本的实际值相同，即避免了使用真实的样本数据时，标签信息与样本的实际值有差别的情况。

其中，虚拟样本数据可以为图像，计算机设备根据样本生成参数进行建模，生成虚拟样本数据的过程可以为：计算机设备根据标准图像的属性信息，对该标准图像建模，该属性信息可以包括背景信息、待识别区域位置信息、待识别字符信息、颜色信息中的至少一种。计算机设备可以根据样本生成参数，在该标准图像中添加特征信息，得到虚拟样本数据。

例如，以虚拟样本数据为包括车牌的图像为例，计算机设备根据该车牌的位置、车牌的背景、车牌的字符等属性进行建模，车牌的位置即该车牌在图像中的位置，如中间、左侧、以及按照坐标确定的位置等；车牌的字符可以随机生成，按照预设的规则进行排列，如京A12345，京B23456等；车牌的背景可以进行填色，如蓝色、黄色等。样本生成参数中包括有光斑场景对应的光斑位置、光斑大小以及光斑亮度等特征信息，将特征信息添加到车牌所在的图片中，得到仿真的包括车牌的图像。

在一种可选的实现方式中，计算机设备可以通过数据仿真模块来生成虚拟样本数据和标签信息，该数据仿真模块可以设置到仿真服务器集群中。数据仿真模块可以对样本生成参数进行解析，获取多组特征值。通过生成多个未处理的样本数据，根据多组特征值在未处理的样本数据中添加特征信息，进行数据仿真得到虚拟样本数据。

在步骤305中，计算机设备根据虚拟样本数据和标签信息，进行模型训练，得到图像识别模型。

示例性的，计算机设备可以通过以下两种方式进行模型训练，在第一种可能的实现方式中，计算机设备可以仅使用新生成的虚拟样本数据和标签信息来进行模型训练；在第二种可能的实现方式中，计算机设备可以根据全部的虚拟样本数据和对应的标签信息来进行模型训练。

第一种可能的实现方式，计算机设备可以将虚拟样本数据作为输入数据，进行模型训练。每次进行模型训练时，输入数据均是全新的样本数据，可以使模型的快速暴露出存在的问题，从而使训练得到的模型较为完善。

第二种可能的实现方式，计算机设备可以从数据存储服务器中获取上一次模型训练时输入的样本数据和对应的标签信息，将该样本数据与虚拟样本数据一起作为输入数据，进行模型训练。每次进行模型训练时，输入数据相对于上一次训练时是递增的，即模型训练的样本数据量越来越大，可以使模型稳定的提升，从而使训练的得到的模型的准确率较高。

在一种可选的实现方式中，上述步骤301至步骤305为模型训练中的一个环节，计算机设备在根据虚拟样本数据和标签信息进行模型训练后，可以得到输出的第三识别结果和训练后的第一模型，当该第三识别结果满足目标条件时，将该第一模型作为图像识别模型；当第三识别结果不满足目标条件时，计算机设备可以将第三识别结果输入验证服务器中，验证服务器根据该第三识别结果进行错误分析，得到各种数据场景类型的样本数据的分布和数量，计算机设备可以根据至少一个数据场景类型，确定样本生成参数。即在模型训练过程中，计算机设备可以根据输出的识别结果生成虚拟样本数据，然后根据虚拟样本数据进行模型训练，直到输出的第三识别结果满足目标条件为止，可以参见图5所示，包括算法训练、算法验证、错误分析、数据生成参数、数据仿真、训练样本管理等多个模块执行的步骤。

其中，该目标条件用于指示该第一模型已训练完毕，例如，该目标条件可以为第三识别结果达到期望值，或者达到预设的训练次数，或者本次训练相对于上一次训练的提升率小于预设的阈值。

需要说明的是，上述步骤301至步骤303是计算机设备根据至少一个数据场景类型，确定样本生成参数的一种实现方式，计算机设备还可以通过其他实现方式来确定样本生成参数，例如，根据至少一个数据场景类型，统计识别错误的样本数据的数据场景类型，根据识别错误的样本数据的数据场景类型，确定样本生成参数等。

还需要说明的是，上述步骤301至步骤305是模型训练的过程，只需要训练一次即可，不需要重复训练，在后续步骤进行图像识别时，可以直接使用步骤301至步骤305训练得到的图像识别模型。

在步骤306中，计算机设备获取待识别图像。

计算机设备可以从图像采集设备中获取待识别图像，该待识别图像可以为条码、车牌、名片、视频截图等。该待识别图像可以对应至少一种场景，如有褶皱的条码、有光斑的和污泥的车牌、有涂鸦的名片等。

例如，该图像采集设备为枪机，用于拍摄路口的违章车辆。枪机将拍摄到的包括违章车辆的车牌的照片发送给计算机设备，计算机接收该照片，将该照片作为待识别图像。

在步骤307中，计算机设备将待识别图像输入图像识别模型中，该图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，该虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据。

计算机设备可以将待识别图像作为图像识别模型的输入数据，输入到图像识别模型中，该图像识别模型的训练过程可以参见步骤301至步骤305，在此不再赘述。

在步骤308中，计算机设备输出待识别图像的第二识别结果。

计算机设备可以获取图像识别模型对该待识别图像的第二识别结果，将该第二识别结果显示在该计算机设备的屏幕上，或者该计算机设备可以以文档或者表格的形式输出该第二识别结果。

例如，计算机设备获取图像识别模型对违章车辆的车牌照片的识别结果，将车牌号京A12345显示在屏幕上。

在本公开实施例中，通过获取待识别图像；将待识别图像输入图像识别模型中，图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；输出待识别图像的第二识别结果。通过根据模型训练输出的第一识别结果生成的虚拟样本数据和标签信息训练得到模型，得到的虚拟样本数据更符合模型训练的需求，使得训练得到的图像识别模型的识别准确率高，从而通过该图像识别模型进行图像识别的效率高。

图6是根据本公开示例性实施例示出的一种虚拟样本数据生成方法的流程图，包括以下步骤。

在步骤601中，计算机设备根据模型训练时输出的第一结果，确定识别错误的样本数据，该第一结果用于指示模型训练时对输入的样本数据是否识别正确。

在步骤602中，根据识别错误的样本数据，确定样本生成参数。

在步骤603中，根据样本生成参数，生成虚拟样本数据和虚拟样本数据对应的标签信息。

在一种可能的实现方式中，根据识别错误的样本数据，确定样本生成参数，包括：

提取识别错误的样本数据中包括的至少一个特征信息；

根据至少一个特征信息的特征值，生成样本生成参数。

在另一种可能的实现方式中，根据识别错误的样本数据，确定样本生成参数，包括：

确定识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，数据场景类型对应至少一个场景特征；

根据至少一个数据场景类型，生成样本生成参数。

在另一种可能的实现方式中，根据样本生成参数，生成虚拟样本数据和虚拟样本数据对应的标签信息，包括：

根据样本生成参数进行建模，生成虚拟样本数据；

记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

在本公开实施例中，通过根据模型训练时的输出结果，确定识别错误的样本数据，该输出结果用于指示模型训练时对输入的样本数据是否识别正确；根据该识别错误的样本数据，确定样本生成参数；根据该样本生成参数，生成虚拟样本数据和该虚拟样本数据对应的标签信息。根据模型训练时反馈的输出结果来统计识别错误的样本数据，基于识别错误的样本数据确定样本生成参数，根据该样本生成参数来指导虚拟样本数据和标签信息的生成，该生成的虚拟样本数据与模型训练反馈的输出结果有关，从而得到的虚拟样本数据更符合模型训练的需求。

图7是根据本公开示例性实施例示出的另一种虚拟样本数据生成方法的流程图，包括以下步骤。

在步骤701中，计算机设备根据模型训练输出的第一识别结果，确定识别错误的样本数据，该第一识别结果用于指示模型训练时对输入的样本数据是否识别正确。

本步骤的具体实现方式可以参照步骤301的内容，在此不再赘述。

在步骤702中，计算机设备确定识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，该数据场景类型对应至少一个场景特征。

本步骤的具体实现方式可以参照步骤302的内容，在此不再赘述。

在一种可选的实现方式中，计算机设备还可以提取是磁轭错误的样本数据中包括的至少一个特征信息，根据该至少一个特征信息的特征值，生成样本生成参数。具体实现方式可以参照步骤302的内容，在此不再赘述。

在步骤703中，计算机设备根据至少一个数据场景类型，生成样本生成参数。

本步骤的具体实现方式可以参照步骤303的内容，在此不再赘述。

在步骤704中，计算机设备根据样本生成参数，生成虚拟样本数据和该虚拟样本数据对应的标签信息。

本步骤的具体实现方式可以参照步骤304的内容，在此不再赘述。

在本公开实施例中，通过根据模型训练时反馈的输出结果来统计识别错误的样本数据，基于识别错误的样本数据所属的数据场景来生成样本生成参数，根据该样本生成参数来指导虚拟样本数据和标签信息的生成，该生成的虚拟样本数据与模型训练反馈的输出结果有关，从而得到的虚拟样本数据更符合模型训练的需求。

图8是根据本公开示例性实施例示出的一种图像识别装置的框图。该装置包括：获取模块801、输入模块802和输出模块803。

获取模块801，被配置为获取待识别图像；

输入模块802，被配置为将所述待识别图像输入图像识别模型中，所述图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，所述虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；

输出模块803，被配置为输出所述待识别图像的第二识别结果。

在一种可能的实现方式中，所述装置还包括：训练模块，被配置为根据模型训练输出的第一识别结果，确定识别错误的样本数据，所述第一识别结果用于指示模型训练时对输入的样本数据是否识别正确；根据所述识别错误的样本数据，确定样本生成参数；根据所述样本生成参数，生成所述虚拟样本数据和所述虚拟样本数据对应的标签信息；根据所述虚拟样本数据和所述标签信息，进行模型训练，得到所述图像识别模型。

在另一种可能的实现方式中，所述训练模块，还被配置为提取所述识别错误的样本数据中包括的至少一个特征信息；根据所述至少一个特征信息的特征值，生成所述样本生成参数。

在另一种可能的实现方式中，所述训练模块，还被配置为确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；

根据所述至少一个数据场景类型，生成所述样本生成参数。

在另一种可能的实现方式中，所述训练模块，还被配置为根据样本生成参数进行建模，生成虚拟样本数据；记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

在本公开实施例中，通过获取待识别图像；将待识别图像输入图像识别模型中，图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；输出待识别图像的第二识别结果。通过根据模型训练输出的第一识别结果生成的虚拟样本数据和标签信息训练得到模型，得到的虚拟样本数据更符合模型训练的需求，使得训练得到的图像识别模型的识别准确率高，从而通过该图像识别模型进行图像识别的效率高。

图9是根据本公开示例性实施例示出的一种虚拟样本数据生成装置的框图。该装置包括：确定模块901和生成模块902。

确定模块901，被配置为根据模型训练时的输出结果，确定识别错误的样本数据，所述输出结果用于指示模型训练时对输入的样本数据是否识别正确；

所述确定模块901，还被配置为根据所述识别错误的样本数据，确定样本生成参数；

生成模块902，被配置为根据所述样本生成参数，生成虚拟样本数据和所述虚拟样本数据对应的标签信息。

在一种可能的实现方式中，所述确定模块901，还被配置为提取所述识别错误的样本数据中包括的至少一个特征信息；根据所述至少一个特征信息的特征值，生成所述样本生成参数。

在另一种可能的实现方式中，所述确定模块901，还被配置为确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；根据所述至少一个数据场景类型，生成所述样本生成参数。

在另一种可能的实现方式中，所述生成模块902，还被配置为根据样本生成参数进行建模，生成虚拟样本数据；

记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息

在本公开实施例中，通过根据模型训练时的输出结果，确定识别错误的样本数据，该输出结果用于指示模型训练时对输入的样本数据是否识别正确；根据该识别错误的样本数据，确定样本生成参数；根据该样本生成参数，生成虚拟样本数据和该虚拟样本数据对应的标签信息。根据模型训练时反馈的输出结果来统计识别错误的样本数据，基于识别错误的样本数据确定样本生成参数，根据该样本生成参数来指导虚拟样本数据和标签信息的生成，该生成的虚拟样本数据与模型训练反馈的输出结果有关，从而得到的虚拟样本数据更符合模型训练的需求。

图10是本公开实施例提供的一种计算机设备的结构示意图，该计算机设备1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)1001和一个或一个以上的存储器1002，其中，存储器1002中存储有至少一条指令，至少一条指令由处理器1001加载并执行以实现上述各个方法实施例提供的方法。当然，该计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备还可以包括其他用于实现设备功能的部件，在此不做赘述。

本公开实施例还提供了一种存储介质，该存储介质中存储有指令，该指令由处理器加载并执行以实现上述实施例的图像识别方法中的步骤。

本公开实施例还提供了一种存储介质，该存储介质中存储有指令，该指令由处理器加载并执行以实现上述实施例的虚拟样本数据生成方法中的步骤。

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，实现上述图像识别方法的程序可以存储于一种存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

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执行了详细描述，此处将不做详细阐述说明。

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执行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图像识别方法，其特征在于，所述方法包括：

获取待识别图像；

将所述待识别图像输入图像识别模型中，所述图像识别模型为通过虚拟样本数据和标签信息训练得到的模型，所述虚拟样本数据为根据模型训练输出的第一识别结果生成的样本数据；

输出所述待识别图像的第二识别结果。

2.根据权利要求1所述的方法，其特征在于，所述图像识别模型的训练过程包括：

根据模型训练输出的第一识别结果，确定识别错误的样本数据，所述第一识别结果用于指示模型训练时对输入的样本数据是否识别正确；

根据所述识别错误的样本数据，确定样本生成参数；

根据所述样本生成参数，生成所述虚拟样本数据和所述虚拟样本数据对应的标签信息；

根据所述虚拟样本数据和所述标签信息，进行模型训练，得到所述图像识别模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述识别错误的样本数据，确定所述样本生成参数，包括：

提取所述识别错误的样本数据中包括的至少一个特征信息；

根据所述至少一个特征信息的特征值，生成所述样本生成参数。

4.根据权利要求2所述的方法，其特征在于，所述根据所述识别错误的样本数据，确定所述样本生成参数，包括：

确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；

根据所述至少一个数据场景类型，生成所述样本生成参数。

5.根据权利要求2所述的方法，其特征在于，所述根据所述样本生成参数，生成所述虚拟样本数据和所述标签信息，包括：

根据样本生成参数进行建模，生成虚拟样本数据；

记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

6.一种虚拟样本数据生成方法，其特征在于，所述方法包括：

根据模型训练时输出的第一识别结果，确定识别错误的样本数据，所述第一结果用于指示模型训练时对输入的样本数据是否识别正确；

根据所述识别错误的样本数据，确定样本生成参数；

根据所述样本生成参数，生成虚拟样本数据和所述虚拟样本数据对应的标签信息。

7.根据权利要求6所述的方法，其特征在于，所述根据所述识别错误的样本数据，确定样本生成参数，包括：

提取所述识别错误的样本数据中包括的至少一个特征信息；

根据所述至少一个特征信息的特征值，生成所述样本生成参数。

8.根据权利要求6所述的方法，其特征在于，所述根据所述识别错误的样本数据，确定所述样本生成参数，包括：

确定所述识别错误的样本数据所属的数据场景类型，得到至少一个数据场景类型，所述数据场景类型对应至少一个场景特征；

根据所述至少一个数据场景类型，生成所述样本生成参数。

9.根据权利要求6所述的方法，其特征在于，所述根据所述样本生成参数，生成所述虚拟样本数据和所述虚拟样本数据对应的标签信息，包括：

根据样本生成参数进行建模，生成虚拟样本数据；

记录每个虚拟样本数据的属性值和所属的数据场景类型对应的特征信息的特征值，得到标签信息。

10.一种存储介质，其特征在于，所述存储介质应用于计算机设备，所述存储介质上存储有指令，所述指令被所述计算机设备的处理器加载并执行权利要求1至5任一项权利要求所述的图像识别方法，或者执行权利要求6至9任一项权利要求所述的虚拟样本数据生成方法。

Images