图像识别方法、装置及终端的制作方法
【技术领域】
[0001]本公开涉及图像处理技术领域，尤其涉及图像识别方法、装置及终端。
【背景技术】
[0002]随着图像处理技术的发展，用户对图像中人物属性的识别需求也越来越高。作为神经网络中的一种网络结构的卷积神经网络，逐渐构成了广泛应用于图像处理等领域，且能高效识别人物属性的相关技术，该相关技术可通过训练后的卷积神经网络，将相同光源下拍摄的人脸图像进行年龄、性别等人物属性的分类识别。
[0003]但是，上述相关技术对不同光源下拍摄的人脸图像的识别准确度低。
【发明内容】
[0004]本公开提供了图像识别方法、装置及终端，以解决上述相关技术对不同光源下拍摄的人脸图像的识别准确度低的问题。
[0005]根据本公开实施例的第一方面，提供一种图像识别方法，所述方法包括:
[0006]获取待识别的第一类光源图像与第二类光源图像；
[0007]将所述第一类光源图像与所述第二类光源图像分别输入训练后的卷积神经网络模型，确定所述第一类光源图像的第一特征与所述第二类光源图像的第二特征；
[0008]将与所述第一特征和所述第二特征对应的类别参数输入训练后的分类模型，识别出图像类别，所述图像类别用于表示所述第一类光源图像所含对象与所述第二类光源图像所含对象是否一致。
[0009]可选的，所述获取待识别的第一类光源图像与第二类光源图像，包括:
[0010]接收所述第一类光源图像与所述第二类光源图像；
[0011]分别将所述第一类光源图像与所述第二类光源图像归一化到预设的像素尺寸。
[0012]可选的，所述训练后的卷积神经网络模型包括一个输入层、五个卷积层、三个池化层和两个全连接层；五个卷积层之前为输入层，三个池化层分别位于第一、第二、第五个卷积层之后，两个全连接层位于第三个池化层之后。
[0013]可选的，在将所述第一类光源图像与所述第二类光源图像分别输入训练后的卷积神经网络模型，确定所述第一类光源图像的第一特征与所述第二类光源图像的第二特征之前，还包括:
[0014]从训练样本集中选取第一类别的预设组数的第一类训练数据，选取的第一类训练数据包括预设对象的第一类光源图像与第二类光源图像；
[0015]根据选取的第一类训练数据执行如下迭代过程:
[0016]将选取的每组第一类训练数据所包括的图像分别输入预设的卷积神经网络模型，确定每组第一类训练数据的第一特征和第二特征，并将每组第一类训练数据的第一特征和第二特征对应的第一类差值参数分别输入所述预设的卷积神经网络模型对应的卷积神经网络自带的分类器进行训练；
[0017]当所述卷积神经网络自带的分类器能根据输入的第一类差值参数完成与所述第一类别相应的分类时，确定所述预设的卷积神经网络模型为训练后的卷积神经网络模型；
[0018]当所述卷积神经网络自带的分类器不能根据输入的第一类差值参数完成与所述第一类别相应的分类时，更新所述预设的卷积神经网络模型的模型参数，并返回执行所述迭代过程。
[0019]可选的，当所述卷积神经网络自带的分类器能根据输入的第一类差值参数完成与所述第一类别相应的分类时，确定所述预设的卷积神经网络模型为训练后的卷积神经网络模型，包括:
[0020]从所述训练样本集中选取第二类别的预设组数的第二类训练数据，选取的第二类训练数据包括第一预设对象的第一类光源图像与第二预设对象的第二类光源图像；
[0021]将选取的每组第二类训练数据所包括的图像分别输入预设的卷积神经网络模型，确定每组第二类训练数据的第一特征和第二特征；
[0022]将每组第二类训练数据的第一特征和第二特征对应的第二类差值参数分别输入所述预设的卷积神经网络模型对应的卷积神经网络自带的分类器进行训练；
[0023]当所述卷积神经网络自带的分类器能分别根据输入的第一类差值参数和第二类差值参数完成与所述第一类别和所述第二类别相应的分类时，确定所述预设的卷积神经网络模型为训练后的卷积神经网络模型。
[0024]可选的，所述将与所述第一特征和所述第二特征对应的类别参数输入训练后的分类模型，识别出图像类别，包括:
[0025]获取所述第一特征与所述第二特征的差值的绝对值作为所述类别参数；
[0026]将所述类别参数输入训练后的分类模型，识别出所述图像类别。
[0027]可选的，所述分类模型为支持向量机或softmax分类器。
[0028]可选的，在将与所述第一特征和所述第二特征对应的类别参数输入训练后的分类模型，识别出图像类别之前，还包括:
[0029]将训练所述卷积神经网络模型所得的第一特征和第二特征的差值的绝对值作为输入参数，输入所述支持向量机或所述softmax分类器；
[0030]基于所述输入参数对所述支持向量机或所述softmax分类器进行训练；
[0031]当所述支持向量机或所述softmax分类器能根据所述输入参数成功完成分类时，确定所述支持向量机或所述softmax分类器为所述分类模型。
[0032]可选的，所述第一类光源图像为可见光图像，所述第二类光源图像为近红外图像。
[0033]根据本公开实施例的第二方面，提供一种图像识别装置，所述装置包括:
[0034]图像数据获取模块，被配置为获取待识别的第一类光源图像与第二类光源图像；
[0035]特征确定模块，被配置为将所述第一类光源图像与所述第二类光源图像分别输入训练后的卷积神经网络模型，确定所述第一类光源图像的第一特征与所述第二类光源图像的第二特征；
[0036]类别识别模块，被配置为将与所述第一特征和所述第二特征对应的类别参数输入训练后的分类模型，识别出图像类别，所述图像类别用于表示所述第一类光源图像所含对象与所述第二类光源图像所含对象是否一致。
[0037]可选的，所述图像数据获取模块包括:
[0038]图像接收模块，被配置为接收所述第一类光源图像与所述第二类光源图像；
[0039]图像归一化模块，被配置为分别将所述第一类光源图像与所述第二类光源图像归一化到预设的像素尺寸。
[0040]可选的，所述训练后的卷积神经网络模型包括一个输入层、五个卷积层、三个池化层和两个全连接层；五个卷积层之前为输入层，三个池化层分别位于第一、第二、第五个卷积层之后，两个全连接层位于第三个池化层之后。
[0041]可选的，以上所述装置还包括:
[0042]第一类样本选取模块，被配置为从训练样本集中选取第一类别的预设组数的第一类训练数据，选取的第一类训练数据包括预设对象的第一类光源图像与第二类光源图像；
[0043]第一模型训练模块，被配置为根据选取的第一类训练数据执行如下迭代过程:
[0044]将选取的每组第一类训练数据所包括的图像分别输入预设的卷积神经网络模型，确定每组第一类训练数据的第一特征和第二特征，并将每组第一类训练数据的第一特征和第二特征对应的第一类差值参数分别输入所述预设的卷积神经网络模型对应的卷积神经网络自带的分类器进行训练；
[0045]第一模型确定模块，被配置为在所述卷积神经网络自带的分类器能根据输入的第一类差值参数完成与所述第一类别相应的分类时，确定所述预设的卷积神经网络模型为训练后的卷积神经网络模型；
[0046]模型参数更新模块，被配置为在所述卷积神经网络自带的分类器不能根据输入的第一类差值参数完成与所述第一类别相应的分类时，更新所述预设的卷积神经网络模型的模型参数，并通知所述第一模型训练模块执行所述迭代过程。
[0047]可选的，所述第一模型确定模块包括:
[0048]第二类样本选取模块，被配置为从所述训练样本集中选取第二类别的预设组数的第二类训练数据，选取的第二类训练数据包括第一预设对象的第一类光源图像与第二预设对象的第二类光源图像；
[0049]第二模型训练模块，被配置为将选取的每组第二类训练数据所包括的图像分别输入预设的卷积神经网络模型，确定每组第二类训练数据的第一特征和第二特征，并将每组第二类训练数据的第一特征和第二特征对应的第二类差值参数分别输入所述预设的卷积神经网络模型对应的卷积神经网络自带的分类器进行训练；
[0050]第二模型确定模块，被配置为在所述卷积神经网络自带的分类器能分别根据输入的第一类差值参数和第二类差值参数完成与所述第一类别和所述第二类别相应的分类时，确定所述预设的卷积神经网络模型为训练后的卷积神经网络模型。
[0051]可选的，所述类别识别模块包括:
[0052]类别参数获取子模块，被配置为获取所述第一特征与所述第二特征的差值的绝对值作为所述类别参数；
[0053]类别识别子模块，被配置为将所述类别参数输入训练后的分类模型，识别出所述图像类别。
[0054]可选的，所述分类模型为支持向量机或softmax分类器。
[0055]可选的，以上所述装置还包括:
[0056]特征输入模块，被配置为将训练所述卷积神经网络模型所得的第一特征和第二特征的差值的绝对值作为输入参数，输入所述支持向量机或所述softmax分类器；
[0057]分类模型训练模块，被配置为基于所述输入参数对所述支持向量机或所述softmax分类器进行训练；
[0058]分类模型确定模块，被配置为在所述支持向量机或所述softmax分类器能根据所述输入参数成功完成分类时，确定所述支持向量机或所述softmax分类器为所述分类模型。
[0059]可选的，所述第一类光源图像为可见光图像，所述第二类光源图像为近红外图像。
[0060]根据本公开实施例的第三方面，提供一种终端，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:
[0061]获取待识别的第一类光源图像与第二类光源图像；
[0062]将所述第一类光源图像与所述第二类光源图像分别输入训练后的卷积神经网络模型，确定所述第一类光源图像的第一特征与所述第二类光源图像的第二特征；
[0063]将与所述第一特征和所述第二特征对应的类别参数输入训练后的分类模型，识别出图像类别，所述图像类别用于表示所述第一类光源图像所含对象与所述第二类光源图像所含对象是否一致。
[0064]本公开的实施例提供的技术方案可以包括以下有益效果:
[0065]本公开通过训练后的卷积神经网络模型和分类模型对第一类光源图像与第二类光源图像进行分类识别，可快速准确地识别所述第一类光源图像所含对象与所述