图像识别方法、装置、电子设备及存储介质与流程

本申请涉及图像识别技术领域，具体而言，涉及一种图像识别方法、装置、电子设备及存储介质。

背景技术

目前，相关技术中基于多模板的图像识别方法(例如，指纹识别方法)包括将待识别样本与每一个模板进行比对，产生对应每一个模板的匹配信息，然后再采用简单的逻辑运算或数学运算(例如，或运算、与运算或者平均值等运算方式)得到识别结果，此种方式的图像识别逻辑简单，且计算难度低，但在此种方式下模板间的信息是相互独立的，其无法有效地利用模板间的信息及关系，因而容易在图像识别时产生误识或者拒识，影响图像识别的效果。

技术实现要素：

本申请实施例的目的在于提供一种图像识别方法、装置、电子设备及存储介质，可以有效地利用模板间的信息及关系，从而可以较好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

第一方面，本申请实施例提供了一种图像识别方法，包括：

获取待识别图像；

将所述待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据；

根据所述置信度数据及预设的决策模型，得到所述待识别图像的识别结果，所述预设的决策模型用于结合所述置信度数据输出得到所述识别结果。

在上述实现过程中，本申请实施例的图像识别方法，通过将获取的待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据，再根据置信度数据及预设的决策模型，得到待识别图像的识别结果，其中，预设的决策模型用于结合置信度数据输出得到识别结果，通过预设的决策模型将置信度数据结合，可以有效地利用模板(模板图像)间的信息及关系，从而可以较好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

进一步地，所述根据所述置信度数据及预设的决策模型，得到所述待识别图像的识别结果，包括：

根据所述置信度数据及预设的阈值区间，计算得到所述置信度数据对应的分布信息；

根据所述分布信息及预设的决策模型，得到所述待识别图像的识别结果。

在上述实现过程中，该方法通过置信度数据对应的分布信息及预设的决策模型，得到待识别图像的识别结果，可以较好地将置信度数据结合，较好地利用模板(模板图像)间的信息及关系，从而可以更好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

进一步地，所述根据所述置信度数据及预设的阈值区间，计算得到所述置信度数据对应的分布信息，包括：

根据所述置信度数据及预设的阈值区间，计算得到所述置信度数据在每个阈值区间的分布数量；

根据所述分布数量，计算得到所述置信度数据对应的分布比例；

所述根据所述分布信息及预设的决策模型，得到所述待识别图像的识别结果，包括：

根据所述分布比例及预设的决策模型，得到所述待识别图像的识别结果。

在上述实现过程中，该方法通过置信度数据对应的分布比例及预设的决策模型，可以更为科学、准确地得到待识别图像的识别结果，并且也更好地将置信度数据结合，更好地利用模板(模板图像)间的信息及关系。

进一步地，在所述根据所述置信度数据及预设的决策模型，得到所述待识别图像的识别结果之后，所述方法还包括：

在所述识别结果为比对成功时，将所述待识别图像作为新增模板图像。

在上述实现过程中，该方法在识别结果为比对成功时，将待识别图像作为新增模板图像，可以对模板图像进行更新，有利于后续的图像识别。

进一步地，所述预设的决策模型为机器学习模型。

在上述实现过程中，该方法中的预设的决策模型采用机器学习模型，可以较好地将置信度数据结合得到识别结果。

进一步地，所述预设的决策模型通过以下步骤得到：

获取多个训练样本及多个所述训练样本对应的决策结果，每个所述训练样本包含置信度样本数据；

以多个所述训练样本及所述决策结果对决策模型进行训练，得到所述预设的决策模型。

在上述实现过程中，该方法得到预设的决策模型的方式，可以使得预设的决策模型更为适用于将置信度数据结合得到识别结果。

第二方面，本申请实施例提供了一种图像识别装置，包括：

获取模块，用于获取待识别图像；

比对模块，用于将所述待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据；

识别模块，用于根据所述置信度数据及预设的决策模型，得到所述待识别图像的识别结果，所述预设的决策模型用于结合所述置信度数据输出得到所述识别结果。

在上述实现过程中，本申请实施例的图像识别装置，通过将获取的待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据，再根据置信度数据及预设的决策模型，得到待识别图像的识别结果，其中，预设的决策模型用于结合置信度数据输出得到识别结果，通过预设的决策模型将置信度数据结合，可以有效地利用模板(模板图像)间的信息及关系，从而可以较好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

进一步地，所述识别模块，具体用于：

根据所述置信度数据及预设的阈值区间，计算得到所述置信度数据对应的分布信息；

根据所述分布信息及预设的决策模型，得到所述待识别图像的识别结果。

在上述实现过程中，该装置通过置信度数据对应的分布信息及预设的决策模型，得到待识别图像的识别结果，可以较好地将置信度数据结合，较好地利用模板(模板图像)间的信息及关系，从而可以更好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

第三方面，本申请实施例提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的图像识别方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像识别方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例一提供的图像识别方法的第一流程示意图；

图2为本申请实施例一提供的步骤S130的流程示意图；

图3为本申请实施例一提供的置信度的统计示例；

图4为本申请实施例一提供的图像识别方法的第二流程示意图；

图5为本申请实施例二提供的图像识别装置的第一结构框图；

图6为本申请实施例二提供的图像识别装置的第二结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

目前，大多基于多模板的图像识别方法(例如，指纹识别方法)都是将待识别样本与每一个模板进行比对，产生对应每一个模板的匹配信息，然后再采用简单的逻辑运算或数学运算(例如，或运算、与运算或者平均值等运算方式)得到识别结果，此种方式的图像识别逻辑简单，且计算难度低，但在此种方式下模板间的信息是相互独立的，其无法有效地利用模板间的信息及关系，因而容易在图像识别时产生误识或者拒识，影响图像识别的效果。

针对上述现有技术中的问题，本申请提供了一种图像识别方法、装置、电子设备及存储介质，可以有效地利用模板间的信息及关系，从而可以较好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

实施例一

参见图1，图1为本申请实施例提供的图像识别方法的第一流程示意图。本申请实施例中下述的图像识别方法可应用于服务器、指纹识别设备等能用于实现图像识别的设备。

在本实施例中，以本申请实施例的图像识别方法应用于指纹识别设备对本申请实施例的图像识别方法进行相关解释说明。

本申请实施例的图像识别方法，包括如下步骤：

步骤S110，获取待识别图像。

在本实施例中，本申请实施例的图像识别方法应用于指纹识别设备，待识别图像即为待识别指纹图像。

步骤S120，将待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据。

在本实施例中，模板图像也即为模板指纹图像。

可以理解地，置信度可以是待识别图像与单个模板图像的匹配程度，置信度的取值可以在[0，1]之间；置信度数据中置信度的数量与模板图像的数量相对应，且在图像识别中置信度与模板图像相对应。

步骤S130，根据置信度数据及预设的决策模型，得到待识别图像的识别结果，预设的决策模型用于结合置信度数据输出得到识别结果。

在本实施例中，预设的决策模型是预先训练好的决策模型，预设的决策模型通过将置信度数据结合输出得到待识别图像的识别结果。

可选地，预设的决策模型可以是机器学习模型。

可以理解地，在指纹识别时，待识别图像的识别结果可以是比对成功或比对失败。

本申请实施例的图像识别方法，通过将获取的待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据，再根据置信度数据及预设的决策模型，得到待识别图像的识别结果，其中，预设的决策模型用于结合置信度数据输出得到识别结果，通过预设的决策模型将置信度数据结合，可以有效地利用模板(模板图像)间的信息及关系，从而可以较好地避免在图像识别时产生误识或者拒识，提升图像识别的效果；

同时，在一些图像识别的应用场景中，例如，指纹识别，由于图像采集面积有限，容易导致小尺寸或者宽高比例差异较大的待识别样本无法与单个模板产生较好的重叠率或匹配率，进而导致识别失败，通过本申请实施例的图像识别方法可以较好地避免此种情况的出现，提升图像识别的效率。

在本申请的一些实施方式中，预设的决策模型可通过以下步骤得到：

获取多个训练样本及多个训练样本对应的决策结果，每个训练样本包含置信度样本数据；

以多个训练样本及决策结果对决策模型进行训练，得到预设的决策模型。

具体地，决策结果也即图像识别结果；通常，每个训练样本包含的置信度样本数据是不同的。

在上述过程中，该方法得到预设的决策模型的方式，可以使得预设的决策模型更为适用于将置信度数据结合得到识别结果。

参见图2，图2为本申请实施例提供的步骤S130的流程示意图。

在本申请的一些实施方式中，步骤S130，根据置信度数据及预设的决策模型，得到待识别图像的识别结果，可包括如下步骤：

步骤S131，根据置信度数据及预设的阈值区间，计算得到置信度数据对应的分布信息；

步骤S132，根据分布信息及预设的决策模型，得到待识别图像的识别结果。

具体地，预设的阈值区间包括多个阈值区间。

置信度数据对应的分布信息可以是置信度数据在多个阈值区间的分布数量或置信度数据在多个阈值区间的分布比例等分布信息。

在上述过程中，该方法通过置信度数据对应的分布信息及预设的决策模型，得到待识别图像的识别结果，可以较好地将置信度数据结合，较好地利用模板(模板图像)间的信息及关系，从而可以更好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

可选地，步骤S131，根据置信度数据及预设的阈值区间，计算得到置信度数据对应的分布信息，可包括：

根据置信度数据及预设的阈值区间，计算得到置信度数据在每个阈值区间的分布数量；

根据分布数量，计算得到置信度数据对应的分布比例；

步骤S132，根据分布信息及预设的决策模型，得到待识别图像的识别结果，可包括：

根据分布比例及预设的决策模型，得到待识别图像的识别结果。

对于上述过程，可参见图3，图3为本申请实施例提供的置信度的统计示例，在图3中，子模板即为模板图像，输入样本即为待识别图像，Score表示置信度，置信区间即为阈值区间；以图3的示例为例，最终得到的待识别图像的识别结果是比对成功。

在上述过程中，该方法通过置信度数据对应的分布比例及预设的决策模型，可以更为科学、准确地得到待识别图像的识别结果，并且也更好地将置信度数据结合，更好地利用模板(模板图像)间的信息及关系。

需要说明的是，在其他实施方式中，还可通过其他方式得到待识别图像的识别结果，例如，可通过预设的决策模型以预设的计算方式计算置信度数据的置信度得分，根据置信度得分得到待识别图像的识别结果等方式。

参见图4，图4为本申请实施例提供的图像识别方法的第二流程示意图。

在本申请的一些实施方式中，本申请实施例的图像识别方法，在步骤S130，根据置信度数据及预设的决策模型，得到待识别图像的识别结果之后，还可包括如下步骤：

步骤S140，在识别结果为比对成功时，将待识别图像作为新增模板图像。

可以理解地，新增模板图像可以用于后续的图像识别。

在上述过程中，该方法在识别结果为比对成功时，将待识别图像作为新增模板图像，可以对模板图像进行更新，有利于后续的图像识别。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种图像识别装置。

参见图5，图5为本申请实施例提供的图像识别装置的第一结构框图。

本申请实施例的图像识别装置，包括：

获取模块210，用于获取待识别图像；

比对模块220，用于将待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据；

识别模块230，用于根据置信度数据及预设的决策模型，得到待识别图像的识别结果，预设的决策模型用于结合置信度数据输出得到识别结果。

本申请实施例的图像识别装置，通过将获取的待识别图像与多个模板图像分别进行比对，得到相对应的置信度数据，再根据置信度数据及预设的决策模型，得到待识别图像的识别结果，其中，预设的决策模型用于结合置信度数据输出得到识别结果，通过预设的决策模型将置信度数据结合，可以有效地利用模板(模板图像)间的信息及关系，从而可以较好地避免在图像识别时产生误识或者拒识，提升图像识别的效果。

作为一种可选的实施方式，识别模块230，可具体用于：

根据置信度数据及预设的阈值区间，计算得到置信度数据对应的分布信息；

根据分布信息及预设的决策模型，得到待识别图像的识别结果。

可选地，识别模块230在根据置信度数据及预设的阈值区间，计算得到置信度数据对应的分布信息时，可：

根据置信度数据及预设的阈值区间，计算得到置信度数据在每个阈值区间的分布数量；

根据分布数量，计算得到置信度数据对应的分布比例；

识别模块230在根据分布信息及预设的决策模型，得到待识别图像的识别结果时，可：

根据分布比例及预设的决策模型，得到待识别图像的识别结果。

参见图6，图6为本申请实施例提供的图像识别装置的第二结构框图。

作为一种可选的实施方式，本申请实施例的图像识别装置，还可包括：

模板新增模块240，用于在识别结果为比对成功时，将待识别图像作为新增模板图像。

作为一种可选的实施方式，本申请实施例的图像识别装置，还可包括：

训练数据获得模块，用于获取多个训练样本及多个训练样本对应的决策结果，每个训练样本包含置信度样本数据；

训练模块，用于以多个训练样本及决策结果对决策模型进行训练，得到预设的决策模型。

上述的图像识别装置可实施上述实施例一的图像识别方法。上述实施例一中的可选项也适用于本实施例，这里不再详述。

本申请实施例的其余内容可参照上述实施例一的内容，在本实施例中，不再进行赘述。

实施例三

本申请实施例提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的图像识别方法。

可选地，上述电子设备可以是服务器、指纹识别设备等能用于实现图像识别的设备。

另外，本申请实施例还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像识别方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。