目标物识别方法、装置、电子设备及可读存储介质与流程

[0001]
本发明涉及智能决策领域，尤其涉及一种目标物识别方法、装置、电子设备及可读存储介质。


背景技术：

[0002]
随着科技的发展，人工智能在人们生活中的应用越来越广泛，例如，采用模型识别图像中动物的种类，当前通常直接将待识别图像输入至识别模型进行识别，然而，由于不同图像的背景复杂度不同、光照强度不同，导致识别结果不够准确。因此，亟需一种目标物识别方法，以提高目标物识别准确度。


技术实现要素：

[0003]
鉴于以上内容，有必要提供一种目标物识别方法，旨在提高目标物识别准确度。
[0004]
本发明提供的目标物识别方法，包括：
[0005]
解析用户基于客户端发出的目标物识别请求，获取所述请求携带的待识别图像，对所述待识别图像执行尺度归一化处理，得到第一图像；
[0006]
将所述第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对所述第二图像执行背景弱化处理；
[0007]
将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果，将所述目标物识别结果反馈给所述客户端。
[0008]
可选的，所述图像分割模型的训练过程包括：
[0009]
从图像库中抽取第一数量的携带第一标注的第一样本，得到第一样本集；
[0010]
对所述第一样本集执行数据增强处理，得到第二样本集；
[0011]
将所述第二样本集输入所述图像分割模型进行训练，通过最小化第一损失函数和第二损失函数调整所述图像分割模型的模型参数，得到训练好的图像分割模型。
[0012]
可选的，所述对所述第一样本集执行数据增强处理，得到第二样本集，包括：
[0013]
将所述第一样本集中第二数量的图像样本随机旋转预设角度，得到第三图像集；
[0014]
对所述第一样本集中第三数量的图像样本执行模糊处理，得到第四图像集；
[0015]
对所述第一样本集中第四数量的图像样本执行光照增强处理，得到第五图像集；
[0016]
将所述第一样本集中第五数量的图像样本随机裁剪为不同尺寸的图像，得到第六图像集；
[0017]
将所述第一、第三、第四、第五及第六图像集中的图像样本汇总，并将汇总得到的图像样本中的每张图像样本修正为预设尺寸的图像，得到第二样本集。
[0018]
可选的，所述第一损失函数的计算公式为：
[0019]
[0020]
其中，h为第一损失值，p
ij
为第二样本集中第i个样本中的第j个像素点的真实值，q
ij
为第二样本集中第i个样本中的第j个像素点的预测值，e为第二样本集中样本的总数量，f为第二样本集中第i个样本中像素点的总数量；
[0021]
所述第二损失函数的计算公式为：
[0022][0023]
其中，s为第二损失值，α、β为常数，且α+β＝1，(tp)
i
为第二样本集中第i个样本的预测目标物区域预测正确的像素点总数量，(fp)
i
为第二样本集中第i个样本的预测目标物区域预测错误的像素点总数量，(fn)
i
为第二样本集中第i个样本的真实目标物区域被预测错误的像素点总数量，e为第二样本集中样本的总数量。
[0024]
可选的，所述对所述第二图像执行背景弱化处理，包括；
[0025]
若所述第二图像中有一个目标物，则将所述第二图像中所述目标物的区域以外的区域用预设像素值替换，得到目标图像；
[0026]
若所述第二图像中有多个目标物，则按照目标物的数量对所述第二图像进行复制，得到初始图像集，分别将所述多个目标物中的每个目标物的区域作为所述初始图像集中一张图像的目标区域，将每张图像中所述目标区域以外的区域用预设像素值替换，得到目标图像集。
[0027]
可选的，所述图像识别模型的训练过程，包括：
[0028]
从所述图像库中抽取第六数量的携带第二标注的第二样本，得到第七样本集；
[0029]
将所述第七样本集输入至所述训练好的图像分割模型，得到第八样本集；
[0030]
对所述第八样本集执行数据增强处理，得到第九样本集；
[0031]
将所述第九样本集输入所述图像识别模型进行训练，通过最小化第三损失函数确定所述图像识别模型的模型参数，得到训练好的图像识别模型。
[0032]
为了解决上述问题，本发明还提供一种目标物识别装置，所述装置包括：
[0033]
解析模块，用于解析用户基于客户端发出的目标物识别请求，获取所述请求携带的待识别图像，对所述待识别图像执行尺度归一化处理，得到第一图像；
[0034]
分割模块，用于将所述第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对所述第二图像执行背景弱化处理；
[0035]
识别模块，用于将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果，将所述目标物识别结果反馈给所述客户端。
[0036]
可选的，所述对所述第二图像执行背景弱化处理，包括；
[0037]
若所述第二图像中有一个目标物，则将所述第二图像中所述目标物的区域以外的区域用预设像素值替换，得到目标图像；
[0038]
若所述第二图像中有多个目标物，则按照目标物的数量对所述第二图像进行复制，得到初始图像集，分别将所述多个目标物中的每个目标物的区域作为所述初始图像集中一张图像的目标区域，将每张图像中所述目标区域以外的区域用预设像素值替换，得到目标图像集。
[0039]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0040]
至少一个处理器；以及，
[0041]
与所述至少一个处理器通信连接的存储器；其中，
[0042]
所述存储器存储有可被所述至少一个处理器执行的目标物识别程序，所述目标物识别程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述目标物识别方法。
[0043]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有目标物识别程序，所述目标物识别程序可被一个或者多个处理器执行，以实现上述目标物识别方法。
[0044]
相较现有技术，本发明首先对待识别图像执行尺度归一化处理，得到第一图像，本步骤通过执行尺度归一化处理得到目标尺寸的第一图像，可便于后续的图像分割及图像识别；然后，将第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对第二图像执行背景弱化处理，本步骤对第二图像执行背景弱化处理，降低了背景对图像中目标物识别的影响，使得后续的目标物识别结果更为准确；最后，将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果。因此，本发明提高了目标物识别准确度。
附图说明
[0045]
图1为本发明一实施例提供的目标物识别方法的流程示意图；
[0046]
图2为本发明一实施例提供的目标物识别装置的模块示意图；
[0047]
图3为本发明一实施例提供的实现目标物识别方法的电子设备的结构示意图；
[0048]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0049]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0051]
本发明提供一种目标物识别方法。参照图1所示，为本发明一实施例提供的目标物识别方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
[0052]
本实施例中，目标物识别方法包括：
[0053]
s1、解析用户基于客户端发出的目标物识别请求，获取所述请求携带的待识别图像，对所述待识别图像执行尺度归一化处理，得到第一图像。
[0054]
本实施例中，所述目标物识别请求可以是人脸识别请求，也可以是动植物种类识别请求、桌子类别识别请求(餐桌、办公桌、讲台等桌子类别)或其它识别请求。
[0055]
本实施例以目标物识别请求为动物种类识别请求为例进行说明，所述待识别图像中可以有一个动物，也可以有多个动物。
[0056]
所述对所述待识别图像执行尺度归一化处理包括：
[0057]
将待识别图像的尺寸归一化到预设尺寸(例如，513*513)，归一化规则为：首先将待识别图像的长边缩放到513，根据长边与长边最终缩放的尺寸513求出缩放比例；然后根据缩放比例缩放短边，短边尺寸不足513时，对不足的部分外扩补0。
[0058]
s2、将所述第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对所述第二图像执行背景弱化处理。
[0059]
本实施例中，所述图像分割模型为deeplabv3+(语义分割模型)，包括编码区及解码区。所述编码区包括第一残差模块及空洞卷积模块，所述第一残差模块为下采样16倍的resnet101网络，所述空洞卷积模块包括不同空洞率的卷积层；所述解码区包括上采样模块，所述上采样模块包括16倍的上采样层，解码区通过融合低层级的编码特征图和高层级的编码特征图，使得输出的特征图更为精细。
[0060]
所述图像分割模型的训练过程包括步骤a11-a13：
[0061]
a11、从图像库中抽取第一数量的携带第一标注的第一样本，得到第一样本集；
[0062]
所述第一标注为人工或其它方式标注的第一样本中目标物(动物)的标签，第一样本中待识别目标物(动物)区域对应的标签为1，其它区域(背景)对应的标签为0，标签的尺寸为h*w*1，和原图一样大。
[0063]
a12、对所述第一样本集执行数据增强处理，得到第二样本集；
[0064]
所述对所述第一样本集执行数据增强处理，得到第二样本集，包括步骤b11-b15：
[0065]
b11、将所述第一样本集中第二数量的图像样本随机旋转预设角度(例如，90度)，得到第三图像集；
[0066]
b12、对所述第一样本集中第三数量的图像样本执行模糊处理，得到第四图像集；
[0067]
本实施例中，可采用高斯模糊算法对图像样本执行模糊处理。
[0068]
b13、对所述第一样本集中第四数量的图像样本执行光照增强处理，得到第五图像集；
[0069]
本实施例中，可通过给图像样本增加模拟光照来实现光照增强处理。
[0070]
b14、将所述第一样本集中第五数量的图像样本随机裁剪为不同尺寸的图像，得到第六图像集；
[0071]
b15、将所述第一、第三、第四、第五及第六图像集中的图像样本汇总，并将汇总得到的图像样本中的每张图像样本修正为预设尺寸的图像，得到第二样本集。
[0072]
本实施例中，所述预设尺寸为513*513，对于尺寸不足513*513的图像样本，长边缩放到513，根据长边与长边最后缩放的尺寸513求出缩放比例，然后根据缩放比例缩放短边；对于短边尺寸不足513的图像样本，对不足的短边部分外扩以达到513，外扩部分像素值可设置为0即黑色。
[0073]
a13、将所述第二样本集输入所述图像分割模型进行训练，通过最小化第一损失函数和第二损失函数调整所述图像分割模型的模型参数，得到训练好的图像分割模型。
[0074]
所述第一损失函数的计算公式为：
[0075][0076]
其中，h为第一损失值，p
ij
为第二样本集中第i个样本中的第j个像素点的真实值，q
ij
为第二样本集中第i个样本中的第j个像素点的预测值，e为第二样本集中样本的总数量，f为第二样本集中第i个样本中像素点的总数量；
[0077]
所述第二损失函数的计算公式为：
[0078][0079]
其中，s为第二损失值，α、β为常数，且α+β＝1，(tp)
i
为第二样本集中第i个样本的预测目标物区域预测正确的像素点总数量，(fp)
i
为第二样本集中第i个样本的预测目标物区域预测错误的像素点总数量，(fn)
i
为第二样本集中第i个样本的真实目标物区域被预测错误的像素点总数量，e为第二样本集中样本的总数量。
[0080]
该损失s是从预测全局的角度来期望fn、fp越小越好，同时通过使β大一点、α小一点(β＝0.75，α＝0.25)可以使得图像分割模型更偏向于fn越小越好，最终使得图像分割模型的召回率很高。
[0081]
本实施例中，通过最小化第一、第二损失函数可达到保持精度的同时有较高的召回率；同时，通过调整α、β的值可为精度和召回率设置不同的重要级。
[0082]
将第一图像输入至训练好的图像分割模型，可分割得到含有目标物和背景的第二图像，第二图像的shape为513*513*2(h*w*c)，其中，第二图像中某个像素点是属于目标物(动物)区域还是背景区域，需要根据c通道的值来判断，如果c通道中背景的概率值大，则该像素点为背景区域，否则该素点为目标物区域。
[0083]
本实施例中，所述对所述第二图像执行背景弱化处理，包括；
[0084]
c11、若所述第二图像中有一个目标物，则将所述第二图像中所述目标物的区域以外的区域用预设像素值替换，得到目标图像；
[0085]
c12、若所述第二图像中有多个目标物，则按照目标物的数量对所述第二图像进行复制，得到初始图像集，分别将所述多个目标物中的每个目标物的区域作为所述初始图像集中一张图像的目标区域，将每张图像中所述目标区域以外的区域用预设像素值替换，得到目标图像集。
[0086]
例如，若图像分割模型输出的第二图像中有3个目标物，则复制后得到的初始图像集中共3张图像，可将第一个目标物的区域作为第一张图像的目标区域，将目标区域以外的区域设置为黑色，然后，将第二个目标物的区域作为第二张图像的目标区域，将目标区域以外的区域设置为黑色，以此类推，得到的目标图像集的三张图像中分别有一个目标物区域。
[0087]
s3、将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果，将所述目标物识别结果反馈给所述客户端。
[0088]
本实施例中，所述图像识别模型包括第二残差模块、全局池化模块及全连接模块，
所述第二残差模块包括resnet50网络及注意力模块cbam，所述第二残差模块用于提取特征，所述全局池化模块包括globalaveragepooling网络，所述全连接模块包括两个全连接层和一个softmax网络。
[0089]
所述图像识别模型的训练过程，包括：
[0090]
d11、从所述图像库中抽取第六数量的携带第二标注的第二样本，得到第七样本集；
[0091]
本实施例中，第二样本中的目标物数量为一个，第二标注为第二样本中的目标物的类别。
[0092]
d12、将所述第七样本集输入至所述训练好的图像分割模型，得到第八样本集；
[0093]
d13、对所述第八样本集执行数据增强处理，得到第九样本集；
[0094]
d14、将所述第九样本集输入所述图像识别模型进行训练，通过最小化第三损失函数确定所述图像识别模型的模型参数，得到训练好的图像识别模型。
[0095]
所述第三损失函数的计算公式为：
[0096][0097]
其中，l为第三损失值，m为第九样本集中目标物类别的总数量，y
ic
为指示变量(0或1)，表示第九样本集中第i个样本中目标物的预测类别与实际类别是否一致，一致时为1，不一致时为0，p
ic
为第九样本集中第i个样本中目标物预测为第c类的概率，n为第九样本集中样本的总数量。
[0098]
将背景弱化处理得到的图像(目标图像或目标图像集)输入所述训练好的图像识别模型可得到每张图像中目标物的种类。
[0099]
由上述实施例可知，本发明提出的目标物识别方法，首先，对待识别图像执行尺度归一化处理，得到第一图像，本步骤通过执行尺度归一化处理得到目标尺寸的第一图像，可便于后续的图像分割及图像识别；然后，将第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对第二图像执行背景弱化处理，本步骤对第二图像执行背景弱化处理，降低了背景对图像中目标物识别的影响，使得后续的目标物识别结果更为准确；最后，将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果。因此，本发明提高了目标物识别准确度。
[0100]
如图2所示，为本发明一实施例提供的目标物识别装置的模块示意图。
[0101]
本发明所述目标物识别装置100可以安装于电子设备中。根据实现的功能，所述目标物识别装置100可以包括解析模块110、分割模块120及识别模块130。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0102]
在本实施例中，关于各模块/单元的功能如下：
[0103]
解析模块110，用于解析用户基于客户端发出的目标物识别请求，获取所述请求携带的待识别图像，对所述待识别图像执行尺度归一化处理，得到第一图像。
[0104]
本实施例中，所述目标物识别请求可以是人脸识别请求，也可以是动植物种类识别请求、桌子类别识别请求(餐桌、办公桌、讲台等桌子类别)或其它识别请求。
[0105]
本实施例以目标物识别请求为动物种类识别请求为例进行说明，所述待识别图像中可以有一个动物，也可以有多个动物。
[0106]
所述对所述待识别图像执行尺度归一化处理包括：
[0107]
将待识别图像的尺寸归一化到预设尺寸(例如，513*513)，归一化规则为：首先将待识别图像的长边缩放到513，根据长边与长边最终缩放的尺寸513求出缩放比例；然后根据缩放比例缩放短边，短边尺寸不足513时，对不足的部分外扩补0。
[0108]
分割模块120，用于将所述第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对所述第二图像执行背景弱化处理。
[0109]
本实施例中，所述图像分割模型为deeplabv3+(语义分割模型)，包括编码区及解码区。所述编码区包括第一残差模块及空洞卷积模块，所述第一残差模块为下采样16倍的resnet101网络，所述空洞卷积模块包括不同空洞率的卷积层；所述解码区包括上采样模块，所述上采样模块包括16倍的上采样层，解码区通过融合低层级的编码特征图和高层级的编码特征图，使得输出的特征图更为精细。
[0110]
所述图像分割模型的训练过程包括步骤a21-a23：
[0111]
a21、从图像库中抽取第一数量的携带第一标注的第一样本，得到第一样本集；
[0112]
所述第一标注为人工或其它方式标注的第一样本中目标物(动物)的标签，第一样本中待识别目标物(动物)区域对应的标签为1，其它区域(背景)对应的标签为0，标签的尺寸为h*w*1，和原图一样大。
[0113]
a22、对所述第一样本集执行数据增强处理，得到第二样本集；
[0114]
所述对所述第一样本集执行数据增强处理，得到第二样本集，包括步骤b21-b25：
[0115]
b21、将所述第一样本集中第二数量的图像样本随机旋转预设角度(例如，90度)，得到第三图像集；
[0116]
b22、对所述第一样本集中第三数量的图像样本执行模糊处理，得到第四图像集；
[0117]
本实施例中，可采用高斯模糊算法对图像样本执行模糊处理。
[0118]
b23、对所述第一样本集中第四数量的图像样本执行光照增强处理，得到第五图像集；
[0119]
本实施例中，可通过给图像样本增加模拟光照来实现光照增强处理。
[0120]
b24、将所述第一样本集中第五数量的图像样本随机裁剪为不同尺寸的图像，得到第六图像集；
[0121]
b25、将所述第一、第三、第四、第五及第六图像集中的图像样本汇总，并将汇总得到的图像样本中的每张图像样本修正为预设尺寸的图像，得到第二样本集。
[0122]
本实施例中，所述预设尺寸为513*513，对于尺寸不足513*513的图像样本，长边缩放到513，根据长边与长边最后缩放的尺寸513求出缩放比例，然后根据缩放比例缩放短边；对于短边尺寸不足513的图像样本，对不足的短边部分外扩以达到513，外扩部分像素值可设置为0即黑色。
[0123]
a23、将所述第二样本集输入所述图像分割模型进行训练，通过最小化第一损失函数和第二损失函数调整所述图像分割模型的模型参数，得到训练好的图像分割模型。
[0124]
所述第一损失函数的计算公式为：
[0125][0126]
其中，h为第一损失值，p
ij
为第二样本集中第i个样本中的第j个像素点的真实值，q
ij
为第二样本集中第i个样本中的第j个像素点的预测值，e为第二样本集中样本的总数量，f为第二样本集中第i个样本中像素点的总数量；
[0127]
所述第二损失函数的计算公式为：
[0128][0129]
其中，s为第二损失值，α、β为常数，且α+β＝1，(tp)
i
为第二样本集中第i个样本的预测目标物区域预测正确的像素点总数量，(fp)
i
为第二样本集中第i个样本的预测目标物区域预测错误的像素点总数量，(fn)
i
为第二样本集中第i个样本的真实目标物区域被预测错误的像素点总数量，e为第二样本集中样本的总数量。
[0130]
该损失s是从预测全局的角度来期望fn、fp越小越好，同时通过使β大一点、α小一点(β＝0.75，α＝0.25)可以使得图像分割模型更偏向于fn越小越好，最终使得图像分割模型的召回率很高。
[0131]
本实施例中，通过最小化第一、第二损失函数可达到保持精度的同时有较高的召回率；同时，通过调整α、β的值可为精度和召回率设置不同的重要级。
[0132]
将第一图像输入至训练好的图像分割模型，可分割得到含有目标物和背景的第二图像，第二图像的shape为513*513*2(h*w*c)，其中，第二图像中某个像素点是属于目标物(动物)区域还是背景区域，需要根据c通道的值来判断，如果c通道中背景的概率值大，则该像素点为背景区域，否则该素点为目标物区域。
[0133]
本实施例中，所述对所述第二图像执行背景弱化处理，包括；
[0134]
c21、若所述第二图像中有一个目标物，则将所述第二图像中所述目标物的区域以外的区域用预设像素值替换，得到目标图像；
[0135]
c22、若所述第二图像中有多个目标物，则按照目标物的数量对所述第二图像进行复制，得到初始图像集，分别将所述多个目标物中的每个目标物的区域作为所述初始图像集中一张图像的目标区域，将每张图像中所述目标区域以外的区域用预设像素值替换，得到目标图像集。
[0136]
例如，若图像分割模型输出的第二图像中有3个目标物，则复制后得到的初始图像集中共3张图像，可将第一个目标物的区域作为第一张图像的目标区域，将目标区域以外的区域设置为黑色，然后，将第二个目标物的区域作为第二张图像的目标区域，将目标区域以外的区域设置为黑色，以此类推，得到的目标图像集的三张图像中分别有一个目标物区域。
[0137]
识别模块130，用于将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果，将所述目标物识别结果反馈给所述客户端。
[0138]
本实施例中，所述图像识别模型包括第二残差模块、全局池化模块及全连接模块，所述第二残差模块包括resnet50网络及注意力模块cbam，所述第二残差模块用于提取特
征，所述全局池化模块包括globalaveragepooling网络，所述全连接模块包括两个全连接层和一个softmax网络。
[0139]
所述图像识别模型的训练过程，包括：
[0140]
d21、从所述图像库中抽取第六数量的携带第二标注的第二样本，得到第七样本集；
[0141]
本实施例中，第二样本中的目标物数量为一个，第二标注为第二样本中的目标物的类别。
[0142]
d22、将所述第七样本集输入至所述训练好的图像分割模型，得到第八样本集；
[0143]
d23、对所述第八样本集执行数据增强处理，得到第九样本集；
[0144]
d24、将所述第九样本集输入所述图像识别模型进行训练，通过最小化第三损失函数确定所述图像识别模型的模型参数，得到训练好的图像识别模型。
[0145]
所述第三损失函数的计算公式为：
[0146][0147]
其中，l为第三损失值，m为第九样本集中目标物类别的总数量，y
ic
为指示变量(0或1)，表示第九样本集中第i个样本中目标物的预测类别与实际类别是否一致，一致时为1，不一致时为0，p
ic
为第九样本集中第i个样本中目标物预测为第c类的概率，n为第九样本集中样本的总数量。
[0148]
将背景弱化处理得到的图像(目标图像或目标图像集)输入所述训练好的图像识别模型可得到每张图像中目标物的种类。
[0149]
由上述实施例可知，本发明提出的目标物识别装置100，首先，对待识别图像执行尺度归一化处理，得到第一图像，本步骤通过执行尺度归一化处理得到目标尺寸的第一图像，可便于后续的图像分割及图像识别；然后，将第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对第二图像执行背景弱化处理，本步骤对第二图像执行背景弱化处理，降低了背景对图像中目标物识别的影响，使得后续的目标物识别结果更为准确；最后，将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果。因此，本发明提高了目标物识别准确度。
[0150]
如图3所示，为本发明一实施例提供的实现目标物识别方法的电子设备的结构示意图。
[0151]
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
[0152]
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有目标物识别程序10，所述目标物识别程序10可被所述处理器12执行。图3仅示出了具有组件11-13以及目标物识别程序10的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0153]
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本发明一实施例中的目标物识别程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0154]
处理器12在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行目标物识别程序10等。
[0155]
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
[0156]
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0157]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0158]
所述电子设备1中的所述存储器11存储的目标物识别程序10是多个指令的组合，在所述处理器12中运行时，可以实现：
[0159]
解析用户基于客户端发出的目标物识别请求，获取所述请求携带的待识别图像，对所述待识别图像执行尺度归一化处理，得到第一图像；
[0160]
将所述第一图像输入至训练好的图像分割模型，分割得到含有目标物和背景的第二图像，对所述第二图像执行背景弱化处理；
[0161]
将背景弱化处理得到的图像输入至训练好的图像识别模型，得到目标物识别结果，将所述目标物识别结果反馈给所述客户端。
[0162]
具体地，所述处理器12对上述目标物识别程序10的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述待识别图像的私密和安全性，上述待识别图像还可以存储于一区块链的节点中。
[0163]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元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。所述计算机可读介质可以是非易失性的，也可以是非易失性的。所述计算机可读介质可以包括：能够携带所
述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0164]
所述计算机可读存储介质上存储有目标物识别程序10，所述目标物识别程序10可被一个或者多个处理器执行，本发明计算机可读存储介质具体实施方式与上述目标物识别方法各实施例基本相同，在此不作赘述。
[0165]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0166]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0167]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0168]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0169]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0170]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0171]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0172]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。