图像集的生成方法、装置及图像识别模型训练方法、系统与流程

本发明涉及图像识别，更具体地，涉及图像集的生成方法、装置及图像识别模型训练方法、系统。

背景技术：

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。图像识别是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型，用于实现图像分类、目标定位等处理。图像识别模型的优劣对于图像识别的效果有着至关重要的作用。

机器学习(machinelearning,ml)专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。目前，使用机器学习方法来建立图像识别模型，取得了很好的效果。而在建型过程中，需要使用图像集对图像识别模型进行训练，直到其达到预期的性能。图像集中的图像用标签表示其所属的类别，如用于识别商品图像的图像集可以包括床、沙发、电视机、汽车等类别。图像集的规模和质量(如特征数目)对于图像识别模型的优劣有着重要的影响，往往决定了业务成败。一些缺乏数据的小公司没有足够的财力、物力、人力投入到搜集图像的过程中，因此只能选择花费高昂代价向其他公司购买。有时由于竞争对手的遏制，即使高价也无法买到数据。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习技术一度备受冷落，真正的燎原之势始于2012年多伦多大学geoffreyhinton的学生alexkrizhesky在imagenet大规模视觉识别竞赛ilsvrc(imagenetlargescalevisualrecognitionchallenge，http://image-net.org/challenges/lsvrc/)中使用深度学习方法训练图像识别模型，一举夺得图像分类、目标定位两个项目冠军，深度学习技术的爆发得益于更大的数据集imagenet，是按照wordnet架构组织的大规模带标签图像集，有120万张图像数据，而以前只有数万张。随着新的人工智能业务场景复杂度不断提升，模型也在不断加深，模型训练时需要更大的图像集。

为了得到大规模的图像集，有的采用人工搜集原始数据(annotation)的方式，这种方式效率很低，特别对于新业务是一项巨大的挑战，关系到能否按时发布产品。同时，人工标注错误率较高，需要增加交叉验证保证错误率在某一范围内。

为了得到大规模的图像集，还可以基于二维图像处理的方法进行图像集的扩充(dataaugmentation)。相关技术提出基于二维图像处理方法，通过对原始图像进行平移、旋转、随机切块、镜像、加噪声、缩放等处理，获得与原始图像相同标签的数据(称为标签保持变换，label-preservingtransformation)。该方法虽然可以有效提高数据量，但基于二维处理后的特征空间没有得到扩充。例如一只猫的图像，经过上述变换后，其特征数目并没有增加，从特征空间来看，变换前后仍然是同一张图，并没有显著提升图像集的维度，对于模型的训练效果提升有限。

技术实现要素：

有鉴于此，本发明提供了以下方案。

一种用于图像识别的图像集的生成方法，包括：

获取多个类别的3d模型；

对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集。

一种用于图像识别的图像集的生成装置，包括：

3d模型获取模块，用于获取多个类别的3d模型；

图像集生成模块，用于对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集。

一种用于图像识别的图像集的生成装置，包括处理器和存储器，其中：

所述存储器用于保存程序代码；

所述处理器用于读取所述存储器中的程序代码，执行以下处理：获取多个类别的3d模型，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集。

上述方案采用3d模型和渲染的方式生成图像集，只需少量人工进行参数设置，就可以自动化生成图像集，大大提高了图像集的生成效率。而且基于生成的图像包括被观测物体的三维特征，具有更高的分辩类，减弱了背景噪声和杂波的影响，具有良好的数据质量。

有鉴于此，本发明还提供了以下方案。

一种图像识别模型的训练方法，包括：

确定要识别的图像的类别，所述类别有多个；

获取所述多个类别的3d模型，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

使用所述图像集对图像识别模型进行训练。

一种图像识别模型的训练系统，包括：

类别确定装置，用于确定要识别的图像的类别，所述类别有多个；

图像集生成装置，用于获取所述多个类别的3d模型，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

训练装置，用于使用所述图像集对图像识别模型进行训练。

上述图像识别模型的训练方法和系统，通过3d模型和渲染的方式生成的图像集对图像识别模型进行训练，可以容易地得到大规模的图像集，而且基于生成的图像包括被观测物体的三维特征，具有更高的分辩类，减弱了背景噪声和杂波的影响，具有良好的数据质量，因此具有很好的训练效果。

附图说明

图1是本发明实施例一图像集生成方法的流程图；

图2是本发明实施例一渲染所基于的场景的示意图；

图3是本发明实施例一图像集生成装置的模块图；

图4是本发明实施例二图像识别模型训练方法的流程图；

图5是本发明实施例二图像识别模型训练系统的模块图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

在电影和动漫、游戏中，一些场景和角色都是通过渲染(rendering)得到，有些场景甚至达到了以假乱真的程度。本发明的发明人经研究发现，如果能利用渲染得到的图像作为训练数据，将大大降低数据搜集的复杂度，针对单一类别可以生成几乎没有上限的图像数量。

实施例一

本实施例提供一种用于图像识别的图像集的生成方法，本文中的图像包括图片，也可以包括动画、视频段等。如图1所示，本实施例方法包括：

步骤110，获取多个类别的3d模型；

这里的类别根据业务需要可以是各种各样的。

在涉及商品买卖的业务领域，类别可以按照床、沙发、电视机、鞋子等等单个的物品划分，每一种物品也可以再细分，如将耐克、阿迪达斯等品牌的鞋子分别作为一个类别。此时3d模型是这些物品的3d模型。一个类别例如沙发都有一些公共特征，也会有类内差异(如皮沙发和布沙发)，可根据应用需求获取一种或多种3d模型。

又如，在涉及装修的业务领域，类别可以根据装修的风格来设定，如针对客厅、卧室、卫生间、餐厅、阳台等不同场景，每一场景均定义多种装修风格作为类别，这些装修风格如可以是简约风格、现代风格、乡村田园风格、中式风格等等。此时的3d模型是上述场景的3d模型，场景的3d模型包括了多个物品的3d模型及其相对摆放关系。

又如，在涉及汽车的领域，可以将各种品牌甚至各种品牌下各种型号的汽车分别作为一种类别。此时的3d模型就是各种汽车的3d模型。

又如，在涉及交通的领域，可以将车流的状态如无车辆行驶、行驶通畅、轻度拥堵、严重拥堵等作为类别。此时的3d模型是道路场景的3d模型，该场景可以包括街道、汽车、行人、树木等单个3d模型。

又如，在涉及人脸识别的领域，可以将每一个人脸记录为一个类别，或者将某一类人作为一个类别。此时的3d模型是人脸的3d模型。

又如，在涉及视频监控的领域，可以就设定有人和无人两种类别，此时的3d模型是要监控的场景的3d模型，包括特定场景中的各种物体。

又如，在涉及医学中肿瘤诊断的领域，可以针对肝、胃、肠、咽喉等器官，每一个器官均设定良性肿瘤和恶性肿瘤两种类型，也可以将恶性肿瘤细分为早期恶性肿瘤、中期恶性肿瘤和晚期恶性肿瘤等多种类别。此时的3d模型是人体相应器官的3d模型，也可以是包含这些器官的人体某个区域的3d模型。

3d模型的获取，可以是直接利用已有的3d模型，也可以新建所需的3d模型。本发明对此不加以局限。

步骤120，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集。

本实施例中，所述渲染参数可以包括以下参数中的一种或多种：3d模型的尺寸、3d模型的位置、摄像机的位置、观测角度、光照、材质、背景、动画关键帧、动画帧率、纹理、镜头光晕及云彩图案。假定渲染参数有m个，每一个参数可以设定多个可选值，这里假定均为n，那么每一个类别可以有多个3d模型。对于每一个3d模型，将这些参数的可选值任意组合后进行渲染，就可以得到n^m幅图像，很容易满足图像集规模的要求。

除了针对单个类别的3d模型进行渲染生成该类别的图像外，本实施例中，对所述3d模型进行渲染生成所述多个类别的图像时，可以将不同类别的3d模型组成场景，通过不同的渲染参数对所述场景中不同类别的3d模型分别进行渲染，生成所述不同类别的图像。图2示出的是不同类别的3d模型组成的一种场景，该场景涉及的是客厅中的装修，其中的物品包括沙发、椅子、桌子、地毯、灯具等等。假定在当前业务领域，这些物品属于不同的类别，为了得到可以用于图像识别的各个类别的图像，需要进行渲染参数的设定，例如，要得到椅子的图像时，可以将摄像机的位置靠近场景中椅子的位置，使得渲染得到的图像中椅子位于视野的中心，和/或占据大部分的画面，此时其他物品作为背景。而在摄像机位置靠近椅子的基础上，又可以根据正面拍摄、侧面拍摄、背面拍摄等拍摄角度的要求分别设置摄像机的位置，还可以选择具有不同距离、不同光照、不同材质、不同背景、不同形变的渲染参数，而得到椅子的各种图像。桌子、地毯等其他类别也可以按相似的方式处理，得到这些类别的图像。这种渲染方式，一方面只需要设计一种场景，即可以通过渲染参数的设定而得到多种类别的图像；另一方面渲染出来的图像存在与真实生活贴近的背景，与需要进行图像识别的实际图像相似，因而得到的图像集用于训练图像识别模型时，具有更好的训练效果。

需要说明的是，在不同业务领域，3d模型是不同的，如图2所示的场景，在其他业务领域如涉及装修的领域，整个场景可能只是一个类别的3d模型，对其渲染得到的也只是一个类别的图像。

本实施例中，对所述多个类别中一个类别的3d模型进行渲染后，生成的图像均自动标注为该类别的图像。自动标注可以免去人工标注所需要的大量时间和人力，而且不容易出错，可以大大提高图像集的生成效率。

特别地，上述方法也可以用于对已有图像集进行扩充，此时，根据已有图像集中多个类别的图像建立相应的3d模型，具体可以利用基于二维图像生成三维模型的技术如基于深度图的3d合成、基于3d结构重建的3d合成等。这样通过渲染参数的变化得到的预定规模的图像集就是该已有图像集的扩充图像集。

相对于相关技术的二维图像处理方法，使用本实施例方法，不仅可以有效提高数据量。而且，经过3d建模和渲染后图像的特征空间也得到扩充，扩充后的图像集的质量明显高于相关技术，有利于提高对图像识别模型的训练效果。

本实施例还提供了一种用于图像识别的图像集的生成装置，如图3所示，包括：

3d模型获取模块10，用于获取多个类别的3d模型；

图像集生成模块20，用于对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集。

本实施例中，所述3d模型获取模块获取多个类别的3d模型，包括：根据已有图像集中所述多个类别的图像，建立相应的3d模型；而所述图像集生成模块通过渲染参数的变化得到的预定规模的图像集是所述已有图像集的扩充图像集。

本实施例中，所述图像集生成模块使用的渲染参数包括以下参数中的一种或多种：3d模型的尺寸、3d模型的位置、摄像机的位置、观测角度、光照、材质、背景、动画关键帧、动画帧率、纹理、镜头光晕及云彩图案。

本实施例中，所述图像集生成模块对所述3d模型进行渲染生成所述多个类别的图像，包括：对所述多个类别中一个类别的3d模型进行渲染后，生成的图像均自动标注为该类别的图像。

本实施例中，所述图像集生成模块对所述3d模型进行渲染生成所述多个类别的图像，包括：将不同类别的3d模型组成场景，通过不同的渲染参数对所述场景中不同类别的3d模型分别进行渲染，生成所述不同类别的图像。

本实施例方法流程中的任何处理均可以通过本实施例装置中的相应模块来实现，这里不再一一细述。

本实施例还提供了一种用于图像识别的图像集的生成装置，包括处理器和存储器，其中：

所述存储器用于保存程序代码；

所述处理器用于读取所述存储器中的程序代码，执行以下处理：获取多个类别的3d模型，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集。

本实施例方法流程中的任何处理均可以通过本实施例装置中的处理器来实现，这里不再一一细述。

本实施例的上述方案采用3d模型和渲染的方式生成图像集，只需少量人工进行参数设置，就可以自动化生成图像集，大大提高了图像集的生成效率，可以快速生成大量数据，满足业务需求。而且基于生成的图像不仅包括二维特征(如纹理和颜色信息)，还包括被观测物体的三维特征(如不同观测角度的轮廓、不同姿态、深度信息)，减弱了背景噪声和杂波的影响，具有良好的数据质量。

实施例二

本实施例提供一种图像识别模型的训练方法，如图4所示，包括：

步骤210，确定要识别的图像的类别，所述类别有多个；

与实施例一相似的，本实施例要识别的图像的类别可以根据不同业务的需要来定义。

步骤220，获取所述多个类别的3d模型，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

本实施例图像集的生成，可以采用实施例一中描述的任意一种方法。

步骤230，使用所述图像集对图像识别模型进行训练。

本实施例中，所述图像识别模型是图像识别使用的深度学习模型。深度学习模型可以参考lenet、alexnet、vgg、googlenet、residualnet等结构进行设计，并根据业务需求进行适配和修改。在使用本实施例的图像集对图像识别模型进行训练之前，还可以使用已有的数据集(如公开数据集imagenet、pascalvoc、mscoco)进行模型评估和修改；再使用本实施例的图像集对所述深度学习模型进行训练，实现对模型的精调，直到模型达到了预期如图像分类准确率是否达到预定的指标。之后，就可以将训练完成后的图像识别模型发布上线，用于对业务图像的识别。

深度学习模型需要更大规模的图像集，因而特别适合于使用本实施例3d模型和渲染的方式，以得到满足其规模需要的图像集。但是，本发明并不局限于此，本发明的图像集完全也可以用于其他图像识别模型的训练，例如，传统的机器学习模型等。

本实施例还提供了一种图像识别模型的训练系统，如图5所示，所述训练系统包括：

类别确定装置50，用于确定要识别的图像的类别，所述类别有多个；

图像集生成装置60，用于获取所述多个类别的3d模型，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

训练装置70，用于使用所述图像集对图像识别模型进行训练。

本实施例中，所述图像识别模型是图像识别使用的深度学习模型。

上述图像识别模型的训练方法和系统，通过3d模型和渲染的方式生成的图像集对图像识别模型进行训练，可以容易地得到大规模的图像集，而且基于生成的图像包括被观测物体的三维特征，具有更高的分辩类，减弱了背景噪声和杂波的影响，具有良好的数据质量，因此有很好的训练效果。

实施例三

目前，用户看到自己喜欢的装修后，并不一定知道这种装修是什么风格的，需要到网络去搜索大量的资料，再挑选出有用的信息。本实施例将上文的图像集生成方法和图像识别模型的训练方法应用于装修业务，可以解决这一问题，用户只需将相应的图像上传，就可以得到所需的信息。

本实施例基于的图像集生成及图像识别模型的训练方法包括：

步骤一，确定要识别的图像的类别，所述类别按照建筑场景的装修风格设定；

例如，针对客厅、卧室、卫生间、餐厅、阳台等建筑场景，每一场景均定义多个类别，例如，客厅和卧室可以定义9个类别，对应以下9种风络：简约风格、现代风格、乡村田园风格、中式风格、欧式风格、新古典、地中海、loft风格、混搭风格。卫生间、餐厅和阳台定义的类别可以少于9个，也不必与客厅和卧室完全相同。上述场景个数和风格个数仅仅是示例性的。

步骤二，获取所述多个类别的3d模型，每一类别的3d模型对应于一种建筑场景下的一种装修风络；

对于某一类别，其3d模型应符合该类别的特点。例如，对于简约风格的客厅这一类别，其3d模型除了包括客厅的建筑构件外，还包括客厅中常见的物品如沙发、桌椅、书柜、地板、绿色植物等。这些单个物品3d模型的设计及其摆放，应符合简约风格的要求，例如：形状上，以规则的几何形体为元素，线条多采用直线表现现代功能；颜色上：多用黑、白、灰等中间色为基调色，通过色块来表现内涵，如澄色等暖色调表现家居的温暖，红、黄、蓝、绿等相对跳跃艳丽的色彩提升感观刺激等；材质上：用玻璃、金属材料、钢结构等来拓宽视觉感及表现光与影的和谐。而对于现代风格的客厅，其要求是不同的，例如：形状上，由曲线和非对称线条构成，如花梗、花蕾、葡萄藤、昆虫翅膀以及自然界各种优美、波状的形体图案等，体现在墙面、栏杆、窗棂和家具等装饰上。线条有的柔美雅致，有的遒劲而富于节奏感，整个立体形式都与有条不紊的、有节奏的曲线融为一体；颜色上，多运用白色、灰色系作为基调，再根据家居设计的不同要求配上其他颜色的家具，表现个性及张力；材质上，大量使用铁制构件，将玻璃、瓷砖等新工艺，以及铁艺制品、陶艺制品等综合运用于室内。

上述各类别的3d模型，如可以从装修设计公司获取，装修设计公司通常保存有很多此类的3d模型，当然也可以自行创建或通过其他方式获取。如对用户提供的图像分类后，根据用户图像来创建相应的3d模型。可以使用建模工具如maya、3dsmax。

步骤三，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

本步骤的渲染参数可以包括模型尺寸、位置、摄像机位置、观测角度、光照、材质、背景设置、动画关键帧设置、动画帧率设置等等。该阶段设置参数直接关系到输出图像的多样性和数据质量。根据设计好的3d模型和渲染参数，使用处理器如中央处理器cpu或高性能的图形处理器(gpu：graphicsprocessingunit)、利用blender、iray、vray、redshift等软件进行场景渲染，就得到输出图像。并可直接使用步骤一中设定的类别信息，可以实现图像的自动标注。

采用拍摄方式要得到足够数量的二维图像，是需要花费很多人力、物力和时间的，而且拍摄出来的图像丢失了拍摄对象的三维特征。本实施例由于模型为3d结构，相比搜集大量二维图像具有更大的自由度和灵活性、更高的效率，很容易就可以得到足够规模的图像集。如果没有达到规模要求，只需要对渲染参数做一些调整就可以得到足够的图像，而且这些图像并非对原有图像做简单处理得到，具有新的特征。

在执行步骤四之前，可以增加剔除无效图像的步骤。这里无效数据是指由于渲染参数设置不当，一些输出图像中包含不完整的目标甚至完全不包含可见目标等情况，如全白图像、单色或全黑的图像。

步骤四，使用所述图像集对图像识别模型进行训练，所述图像识别模型用于对图像进和地装修风格的分类。

以用于图像识别的深度学习模型的训练为例，在训练过程中，要使用已确定好类别的上述图像集中的图像提供给该深度学习模型学习，上述图像集也可用于对其分类准确性进行评估。

要提高深度学习模型的分类准确度，需要大量的图像，但本实施例很容易达到规模的要求。此外，因为步骤三渲染得到的图像包括3d模型的三维特征。这对于建筑装修此类涉及立体三维场景的业务领域来说，增加了有效的特征空间，提高了图像质量，也因而具有更好的训练效果。

在图像识别模型训练完成后，如果已达到需要的精度，即可以发布上线，在实际业务中使用，以准确对用户上传的建筑装修图片进行分类。

在实际业务中，网络平台可以使用训练好的图像识别模型对用户上传的建筑装修图像进行分类。例如，用户到别人家或者参观样板房时发现其喜欢的装修风格，就可以拍摄具有建筑装修内容的照片上传到网络平台。网络平台使用图像识别模型对该照片分类，确定照片的类别如为简约风格的客厅，即可以将该类别相关信息如简约风格客厅的装修设计样本图像、适合于该装修风格的装修公司、家具、装修材料的信息等非常有针对性地提供给用户。而用户不必从网络上大量的信息中自行筛选就可以得到有用的信息后，进而实施自己的装修计划。从另一个方面，装修公司等服务提供商也可以将自己的装修设计图上传到网络平台，网络平台对于装修公司提供的装修设计图，也可以使用图像识别模型进行分类，确定其装修风格，从而可以有针对性地推送给用户。

在这个业务过程中，对建筑装修图片准确分类是很关键的，采用3d模型和渲染的方法得到图像集，对图像识别模型进行训练，有助于提高分类的准确度，使得业务可以顺利推广。

实施例四

目前，用户看到自己喜欢的汽车，有购买愿望，但不知道该汽车是什么品牌，什么型号，需要上网查看各个厂家提供的资料，才能找到自己心仪的汽车。本实施例将上文的图像集生成方法和图像识别模型的训练方法应用于汽车营销业务，用户只需拍摄下喜欢的汽车，上传图片，就可以马上得到关于该汽车的各种信息。

本实施例基于的图像集生成及图像识别模型的训练方法包括：

步骤一，确定要识别的图像的类别，所述类别根据汽车的品牌和型号进行划分；

汽车的品牌和型号如包括阿尔法-罗密欧、梅赛德斯-amgc63amg、阿斯顿-马丁db9、一汽奥迪、奥迪a4l、宝马、宝马3系、保时捷等等。除了这种分类方式外，也可以按照汽车的设计风格(如流线风格、硬边风格、锋锐风格等)、产地等进行分类。

步骤二，获取所述多个类别的3d模型，每一类别的3d模型对应于一种品牌和型号的汽车；

汽车的3d模型一般可以从汽车公司直接获取到，也可以根据实物或图片自己创建。

步骤三，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

本步骤涉及渲染参数的设定和执行、图片的自动标注等处理请参照之前的实施例，这里不再赘述。

随着汽车公司不断推出新的品牌和型号的汽车，要对汽车分类所需的图像集的规模也越来越大，使用渲染方式，通过渲染参数的变化来扩大汽车的图像集不仅效率很高，而且相对实际拍摄而言，通过设定拍摄角度、光照、背景等渲染参数，可以得到更多对于分类有用的图像，例如，用户在室外拍摄的汽车图片通过可能具有各种各样的背景如街道、地下车库、露天停车场；天气可能是阴天也可能是晴天或雨天，可能是俯拍、平拍或仰拍，即使对于同一品牌和型号的汽车来说，也需要非常丰富的图像才能训练得很好。但对于采用3d模型和渲染生成图像集的本实施例来说，却可以非常容易地得到如此丰富的图片。渲染可以360度无死角的观测，是对物体更全面的观察和描述，对物体信息掌握的更全面。

步骤四，使用所述图像集对图像识别模型进行训练，所述图像识别模型用于对汽车进行分类。

汽车是三维的物体，汽车的三维特征如不同观测角度的轮廓、不同姿态、深度信息是不同类别汽车之间的重要区别，对于提高分类精度是非常重要的。而使用3d模型和渲染生成图像集的方式，不会丢失被拍摄物体的三维特征，对于提高图像识别模型的训练效果，提升其分类准确度是非常有意义的，而且，也不会引入实际拍摄带入的噪声.

在图像识别模型训练完成后，如果已达到需要的精度，即可以发布上线，在实际业务中使用，以准确对用户上传的汽车图片进行分类。

在实际业务中，网络平台使用训练好的图像识别模型对用户上传的汽车图像进行分类。例如，用户发现其喜欢的汽车后，可以将其拍摄下来并上传到网络平台，网络平台使用图像识别模型对该汽车照片分类，确定汽车的品牌和型号，之后即可以将生产该品牌和型号的汽车厂商、4s店、技术参数等信息提供给用户。用户不必上网自行查找、筛选就可以得到这些有用的信息，进而实施自己的购买计划。

在本实施例涉及的汽车营销的业务中，对用户上传的汽车图片进行准确分类是非常重要的，采用3d模型和渲染的方法得到图像集，对图像识别模型进行训练，有助于提高分类的准确度，使得业务可以顺利推广。

实施例五

本实施例涉及交通中车流(也可以用于人流)的监测，用于提高对于车流状态进行自动判断的准确性。

本实施例基于的图像集生成及图像识别模型的训练方法包括：

步骤一，确定要识别的图像的类别，所述类别根据车流的状态划分；

车流的状态如可以分为无车辆行驶、行驶通畅、轻度拥堵、严重拥堵等几种类别，但不局限于此，可以参照实际交通中使用的状态来设定。

步骤二，获取所述多个类别的3d模型，每一类别的3d模型对应于某一状态下的车流场景；

本实施例中，获取的3d模型尽量与实际要监测的场景相似，如根据马路上拍摄头所拍摄到的实际街道场景来创建。在该场景中，可以加入街道、汽车、行人、树木等单个物体的3d模型并按实际场景来摆放。

步骤三，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

本步骤涉及渲染参数的设定和执行、图片的自动标注等处理请参照之前的实施例，这里不再赘述。

对于交通监控的场景来说，其构成有一些基本的要素，但是实际的场景几乎是无穷无尽的。即使是对同一场景，摄像头安装的位置和角度，天气情况、路上行人和车辆的数量和位置也是千变万化的。使得实际拍摄图像的方式很难获得足够丰富的图像。但对于采用3d模型和渲染生成图像集的本实施例来说，却可以非常容易地得到很丰富的图像。

对于本实施例来说，其场景比较特殊，因为其针对的是移动的物体。在实际分类时，往往需要结合多帧图像来进行分类。如果仅仅是静态的图像集，并不能够达到很好的效果。因为二维的建模方式训练的结果效果只是针对二维图像，没有针对运动和三维的物体，而采用3d模型和渲的方法,可以更逼真的复原物体三维移动的过程，可以将该过程的一段视频作为用于训练的图像集，提高训练的效果。

步骤四，使用所述图像集对图像识别模型进行训练，所述图像识别模型用于对车流状态进行分类。

因为图像识别模型是用于对车流状态分类，因而对于车辆的识别，在车辆识别的基础上计算其数量和位置是至关重要的。在马路上有很多车辆，或者天气状态不佳时，对车辆的识别就变得困难起来，因为观察到的车辆会相互重叠而没有间隙，或者会模糊不清，这就需要有足够多的此类场景下的图像提供模型进行训练，才能提升其分类的准确度。这通过实际拍摄也很难实现，但对于采用3d模型和渲染生成图像集的本实施例来说，却可以非常容易地得到这些场景下的图像以提高训练效果，因为通过设计渲染参数，可以调整场景中汽车的数目、种类和相对位置以及场景的光照条件。此外，与其他实施例相似的，通过3d模型和渲染生成的图像，对于实际场景为三维场景的分类业务来说，因为携带有三维的信息而有助于达到更好的训练和分类的效果。

在实际业务中，交通监控中心收到马路摄像头上传的交通视频后，使用训练好的图像识别模型对其中的图像帧进行分类，不需要人工介入就可以确定相应位置的车流状态，向司机们进行播报。

实施例六

本实施例涉及的是人脸识别，目前的人脸识别技术已经得到长足发展，但由于识别准确度的困扰，还没有得到非常广泛的应用。本实施例致力于通过生成更为丰富和高质量的图像集，来提高人脸识别的准确度。

本实施例基于的图像集生成及图像识别模型的训练方法包括：

步骤一，确定要识别的图像的类别，所述类别根据要识别的人进行划分；

例如，某一公司要使用人脸识别技术来考勤，那么，可以将公司的每一个员工作为一个类别，这样对图像分类之后就可以识别出是哪一个人。当然在其他应用中，可以按照人种、民族或者地域来划分类别。

步骤二，获取所述多个类别的3d模型，每一类别的3d模型对应于一个人的人脸；

仍以公司考勤为例，需要为每个员工创建人脸的3d模型，较佳地，可以通过3d扫描的技术来创建，创建的3d模型精度很高。

步骤三，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

本步骤涉及渲染参数的设定和执行、图片的自动标注等处理请参照之前的实施例，这里不再赘述。

在考勤这种场景下，人距离考勤机的摄像头的距离和角度、人脸本身的偏侧、俯仰等状态也很多，这样考勤机拍摄到的同一个人的人脸实际上也是多种多样的。一个好的考勤机应该可以适应这种变化而仍然能够准确识别出是哪一个员工。这就对考勤机使用的图像识别模型提出了更高的要求，而要提高图像识别模型的识别率，将人距离考勤机的摄像头的距离和角度、人脸本身的偏侧、俯仰等各种情况下的人脸图像提供给图像识别模型训练就具有非常重要的作用。如果采用实际拍摄的方式，不仅费时费力，而且如果训练效果不佳而需要增加图像时，又需要员工再次进行图像采集。但对于采用3d模型和渲染生成图像集的本实施例来说，却可以非常容易地得到各种情况下的人脸图片，因为渲染可以360度无死角的观测，距离也可以拉近或远离，是对物体更全面的观察和描述。如果训练达不到预期的效果而需要增加图像时，只需要使用新的渲染参数再次进行渲染即可，非常方便，不需要再次找人进行拍摄，对于这种业务的推广实际上有着非常大的促进作用。

步骤四，使用所述图像集对图像识别模型进行训练，所述图像识别模型用于进行人脸识别。

采用本实施例方法，对于训练模型，除了具有上述的优势外，通过3d模型和渲染得到的图像具有3维特征，用于训练模型，也有利于对人脸这样的3维物体进行识别，可以提高识别的准确率。而基于二维的人脸图像，不能反应人脸的轮廓、深度等特征，其效果不如渲染的图像。

在人脸识别的业务中，对人脸建模型并通过渲染得到各种角度、距离、状态下的图像，对于图像识别模型的训练有着很大的促进作用，有助于提高人脸识别的准确率，使得业务可以顺利推广。

实施例七

本实施例涉及医学诊断。目前基于图像如核磁共振、血管造像等技术得到的图像进行医学诊断，是一种常用的诊断方式。但对于复杂的病情如肿瘤，这种诊断往往只依赖于医生的经验而常有误诊的情况，不能够方便地利用过往的案例来辅助，这种情况将通过本实施例的方法而得到改善。

本实施例基于的图像集生成及图像识别模型的训练方法包括：

步骤一，确定要识别的图像的类别，所述类别根据肿瘤的医学分类而设定；

例如，可以针对肝、胃、肠、咽喉、血管等人体器官，每一个器官均设定良性肿瘤和恶性肿瘤两种类型，也可以将恶性肿瘤细分为早期恶性肿瘤、中期恶性肿瘤和晚期恶性肿瘤等多种类别。

步骤二，获取所述多个类别的3d模型，每一类别的3d模型对应于一种肿瘤类别；

这些3d模型可以创建，也可以使用已有的模型。例如，查找已确诊为胃部恶性肿瘤和胃部良性肿瘤的病例，通过手术观察和拍摄、医学成像技术等方式创建胃部恶性肿瘤、胃部良性肿瘤这两个类别的3d模型。同一类别可以创建多个3d模型，例如，针对成年人和小孩、男性和女性的3d模型可以分别创建。

步骤三，对所述3d模型进行渲染生成所述多个类别的图像，通过渲染参数的变化得到预定规模的图像集；

本实施例中，3d模型中病变部位的颜色、形状和组织结构特点与正常部分是有差别的。这些差别需要从多个角度、距离的图像加以确定。通过二维拍摄的方式很难收集全面，如果一次收集不够，又需要再次收集，例如对患者再次进行检查成像。这非常的不方便。但对于采用3d模型和渲染生成图像集的本实施例来说，却可以非常容易地得到丰富的图片。因为渲染可以360度无死角的观测，对物体进行更全面的观察和描述，对物体信息特别是三维特征掌握的更全面。

步骤四，使用所述图像集对图像识别模型进行训练，所述图像识别模型用于肿瘤诊断。

肿瘤也是三维的物体，通过使用3d模型和渲染生成图像集的方式，不会丢失被拍摄物体的三维特征，对于提高图像识别模型的训练效果，提升其分类准确度非常有意义。

在图像识别模型训练完成后，如果已达到需要的精度，即在实际业务中使用，根据对患者病变部分拍摄的图像进行诊断，确定是恶性肿瘤还是良性肿瘤。虽然这并不取代医生的诊断，但在图像识别模型具有较高的识别率时，对于诊断仍然具有很高的参考价值。何况，医生还可以直接查找图像集中相应类别的图像，找到或生成一个与拍摄图像相近似的图像用于对比，从而提高诊断的准确度。

通过上文描述的方法可以快速获得大量高质量数据，利用3d模型具有灵活多变的特点，与真实场景几乎一致。使用高性能计算服务可以大大加快渲染速度，降低人工成本，实现批量化、流水线式数据生成。特别地，深度学习具有很强的特征表达能力，但需要海量训练数据才能保证模型充分训练同时避免过拟合，目前人工搜集、标注训练数据集工作量大、效率低下、容易出错，使用上文描述的方法可以用较低成本实现训练数据集的自动生成和高效扩充，缩短了深度学习应用发布周期，适用于缺乏大规模标准数据集的场景。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。