图像识别方法、装置、设备及存储介质与流程

1.本公开涉及人工智能领域和智能安保领域，尤其涉及一种图像识别方法、装置、设备、存储介质和程序产品。


背景技术：

2.随着科技的快速发展，基于生物特征识别技术的图像识别装置被广泛地应用于网络平台登录权限认证、智能门禁系统等应用场景中。通过识别用户的指纹等生物特征确定用户的相关权限，可以提升权限认证效率，同时避免因丢失钥匙、ic卡等外设权限认证器件造成的权限泄露问题，提升用户的信息安全属性。
3.但是相关技术中，生物特征识别的准确率较低，容易出现识别错误的情况，这对权限认证的便捷性与安全性均造成较大的威胁。


技术实现要素：

4.鉴于上述问题，本公开提供了图像识别方法、装置、设备及储存介质。
5.根据本公开的第一个方面，提供了一种图像识别方法，包括：
6.获取n个生物特征图像，其中，n个上述生物特征图像分别与目标对象的n个生物特征一一对应，上述生物特征图像至少部分表征与上述生物特征图像对应的生物特征，n为大于1的正整数；将n个上述生物特征图像分别输入至与上述生物特征图像对应的生物识别层中，输出n个初始生物识别结果；将n个上述初始生物识别结果输入至融合判决层，输出上述目标对象的目标生物识别结果。
7.根据本公开的实施例，上述图像识别方法还包括：
8.利用预设概率分配函数分别处理n个上述生物识别层各自输出的样本初始生物识别结果，得到n个上述生物识别层各自对应的生物概率分布向量；基于证据合成规则融合n个上述生物概率分布向量，得到目标生物概率分布向量，上述目标生物概率分布向量包括h个样本目标对象各自对应的目标生物概率，上述融合判决层基于上述目标生物概率分布向量构建得到；其中，上述样本初始生物识别结果包括h个上述样本目标对象各自对应的样本生物识别标识，上述目标对象包含于h个上述样本目标对象中；其中，将n个上述初始生物识别结果输入至融合判决层，输出上述目标对象的目标生物识别结果包括：利用上述目标生物概率分布向量处理n个上述初始生物识别结果，得到上述目标生物识别结果。
9.根据本公开的实施例，利用预设概率分配函数分别处理n个上述生物识别层各自输出的样本初始生物识别结果包括：
10.针对n个上述生物识别层中的第i生物识别层，采用如下计算方式计算与上述第i生物识别层对应的第i样本初始生物识别结果中，与第j样本目标对象对应的初始生物概率；根据与h个上述样本目标对象各自对应的初始生物概率，确定与上述第i生物识别层对应的第i生物概率分布向量；上述计算方式包括：针对h个上述样本目标对象中的上述第j样本目标对象，根据与上述第i生物识别层对应的样本生物识别标识，确定上述第i生物识别
层针对上述第j样本目标对象的识别正确频次和识别错误频次；计算上述识别正确频次和与上述第i生物识别层对应的第i识别正确率的乘积，得到第一初始生物概率部分；计算上述识别错误频次与预设修正系数之和，得到第二初始生物概率部分；根据上述第一初始生物概率部分与上述第二初始生物概率部分之商，确定与上述第j样本目标对象对应的初始生物概率。
11.根据本公开的实施例，上述生物识别层包括生物特征提取子层与生物分类预测子层；其中，将n个上述生物特征图像分别输入至与上述生物特征图像对应的生物识别层中，输出n个初始生物识别结果包括：
12.将n个上述生物特征图像分别输入至与上述生物特征图像对应的n个生物特征提取子层中，输出n个生物图像特征；将n个上述生物图像特征分别输入至与上述生物图像特征对应的n个生物分类预测子层中，输出n个上述初始生物识别结果；其中，上述生物特征提取子层基于卷积神经网络算法构建得到。
13.根据本公开的实施例，获取n个生物特征图像包括：
14.利用区域提取网络层处理至少部分表征上述目标对象的初始图像，得到上述初始图像中的n个生物特征区域；根据n个上述生物特征区域，从上述初始图像中获取n个上述生物特征图像。
15.根据本公开的实施例，根据n个上述生物特征区域，从上述初始图像中获取n个上述生物特征图像包括：
16.根据n个上述生物特征区域，从上述初始图像中提取n个初始生物特征图像；基于n个上述初始生物特征图像各自对应的图像增强算法，分别处理n个上述初始生物特征图像，得到n个上述生物特征图像。
17.根据本公开的实施例，上述生物特征包括以下至少一项：
18.掌静脉特征、指节纹特征、指纹特征、指静脉特征、掌纹特征。
19.根据本公开的实施例，上述图像识别方法还包括：
20.根据上述目标生物识别结果，确定上述目标对象的生物权限。
21.根据本公开的实施例，在获取n个生物特征图像之前，上述生物识别方法还包括：
22.获取上述目标对象针对获取n个上述生物特征图像的授权。
23.本公开的第二方面提供了一种图像识别装置，包括：获取模块，用于获取n个生物特征图像，其中，n个上述生物特征图像分别与目标对象的n个生物特征一一对应，上述生物特征图像至少部分表征与上述生物特征图像对应的生物特征，n为大于1的正整数；识别模块，用于将n个上述生物特征图像分别输入至与上述生物特征图像对应的生物识别层中，输出n个初始生物识别结果；融合判决模块，用于将n个上述初始生物识别结果输入至融合判决层，输出上述目标对象的目标生物识别结果。
24.本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。
25.本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。
26.本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程
序被处理器执行时实现上述方法。
27.根据本公开提供的图像识别方法、装置、设备、介质和程序产品，通过将n个生物特征图像各自对应的n个初始生物识别结果输入至融合判决层，可以根据n个初始生物识别结果得到的目标图像识别结果可以综合考虑n个初始识别结果对应的对应的生物特征与目标身份的识别情况。以及，与n个生物特征图像对应的生物识别层中，各个生物识别层具有相互独立的图像识别能力，从而实现在输入的n个生物特征图像存在部分缺失的情况下，仍可以输出目标对象的目标生物识别结果。因此，至少部分的解决了生物特征识别的准确率较低，容易出现识别错误的问题，实现了准确地识别出目标对象的身份，提升图像识别准确率的效果。
附图说明
28.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
29.图1示意性示出了根据本公开实施例的图像识别方法、装置、设备、介质和程序产品的应用场景图。
30.图2示意性示出了根据本公开实施例的图像识别方法的流程图。
31.图3a示意性示出了根据本公开实施例的掌静脉图像对应的初始生物特征图像的示意图。
32.图3b示意性示出了掌静脉图像对应的生物特征图像的示意图。
33.图4a示意性示出了根据本公开实施例的指节纹图像对应的初始生物特征图像的示意图。
34.图4b示意性示出了指节纹图像对应的生物特征图像的示意图。
35.图5a示意性示出了根据本公开实施例的指纹图像对应的初始生物特征图像的示意图。
36.图5b示意性示出了指纹图像对应的生物特征图像的示意图。
37.图6示意性示出了根据本公开实施例的生物识别层的结构框图。
38.图7示意性示出了根据本公开实施例的得到目标生物识别结果的流程图。
39.图8示意性示出了根据本公开实施例的图像识别方法装置的结构框图。
40.图9示意性示出了根据本公开实施例的适于实现图像识别方法的电子设备的方框图。
具体实施方式
41.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
42.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添
加一个或多个其他特征、步骤、操作或部件。
43.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
44.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
45.在本公开的技术方案中，所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
46.为了至少部分地解决相关技术中存在的技术问题，本公开提供了一种图像识别方法、装置、设备、存储介质和程序产品，可以应用于人工智能领域和智能安保领域。该图像识别方法包括：获取n个生物特征图像，其中，n个生物特征图像分别与目标对象的n个生物特征一一对应，生物特征图像至少部分表征与生物特征图像对应的生物特征，n为大于1的正整数；将n个生物特征图像分别输入至与生物特征图像对应的生物识别层中，输出n个初始生物识别结果；将n个初始生物识别结果输入至融合判决层，输出目标对象的目标生物识别结果。
47.图1示意性示出了根据本公开实施例的图像识别方法的应用场景图。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景
48.如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
49.用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
50.第一终端设备101、第二终端设备102、第三终端设备103可以是具有数据采集功能并且支持数据传输的各种电子设备，包括但不限于智能手机、平板电脑、计算机和智能门禁系统等等。
51.服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
52.需要说明的是，本公开实施例所提供的图像识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的图像识别装置一般可以设置于服务器105中。本公开实施例所提供的图像识别方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设
备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的图像识别装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
53.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
54.以下将基于图1描述的场景，通过图2～图7对公开实施例的图像识别方法进行详细描述。
55.图2示意性示出了根据本公开实施例的图像识别方法的流程图。
56.如图2所示，该图像识别方法包括操作s210～操作s230。
57.在操作s210，获取n个生物特征图像，其中，n个生物特征图像分别与目标对象的n个生物特征一一对应，生物特征图像至少部分表征与生物特征图像对应的生物特征，n为大于1的正整数。
58.在操作s220，将n个生物特征图像分别输入至与生物特征图像对应的生物识别层中，输出n个初始生物识别结果。
59.在操作s230，将n个初始生物识别结果输入至融合判决层，输出目标对象的目标生物识别结果。
60.根据本公开的实施例，生物特征图像可以包括表征目标对象的固有的生物生理特征的图像，例如生物生理特征例如可以包括面部特征、指纹特征等等，本公开的实施例对生物生理特征的具体类型不做限定，本领域技术人员可以根据实际需求进行选择。
61.根据本公开的实施例，通过对生物特征图像进行特征提取和识别，得到目标对象的区别于其他对象的生物特征，根据目标对象的生物特征可以实现目标对象与对应的图像识别信息进行匹配，实现对目标对象的身份的鉴定。
62.根据本公开的实施例，生物识别层可以基于深度学习的神经网络模型构建得到，利用生物识别层可以对n个生物特征图像进行特征提取和识别，得到对应的n个初始生物识别结果。
63.根据本公开的实施例，目标对象可以包括进行图像识别的用户个人。对于目标对象而言，其可以对应有n个类别生物特征图像。
64.根据本公开的实施例，针对n个类别的生物特征图像，可以通过与生物特征图像对应的生物识别层对n个类别的生物特征图像进行特征提取，得到n个类别的生物特征图像对应的生物特征，根据对应的生物特征，获得对应的n个初始生物识别结果。
65.根据本公开的实施例，初始生物识别结果可以包括多个生物识别标识。初始生物识别结果可以表征目标对象的n个类别生物特征图像中某一生物特征图像是否存在对应的匹配的图像识别信息。
66.根据本公开的实施例，可以设置在1个类别生物特征图像对应的生物特征与图像识别信息匹配的情况下，对应的生物识别标识的值可以为“1”。可以设置在1个类别生物特征图像的生物特征与图像识别信息不匹配的情况下，对应的生物识别标识的值可以为“0”。根据多个对应的生物识别标识的值得到1个类别生物特征图像对应的初始生物识别结果，初始生物识别结果可以为包括多个“1”和/或“0”的向量。
67.根据本公开的实施例，融合判决层可以根据n个初始生物识别结果与融合判决层
预设的目标生物概率分布向量，得到目标生物识别结果。根据目标生物识别结果可以实现目标对象与对应的图像识别信息进行匹配，实现对目标对象的身份的鉴定。
68.根据本公开的实施例，在利用融合判决层，根据n个初始生物识别结果得到目标生物识别结果的过程中，只通过n个初始生物识别结果中的一部分初始生物识别结果进行处理，仍可以得到对应的目标生物识别结果。
69.根据本公开的实施例，通过将n个生物特征图像各自对应的n个初始生物识别结果输入至融合判决层，可以根据n个初始生物识别结果得到的目标图像识别结果可以综合考虑n个初始识别结果对应的对应的生物特征与目标身份的识别情况。以及，与n个生物特征图像对应的生物识别层中，各个生物识别层具有相互独立的图像识别能力，从而实现在输入的n个生物特征图像存在部分缺失的情况下，仍可以输出目标对象的目标生物识别结果，以便较为准确地识别出目标对象的身份，提升图像识别准确率的效果。
70.根据本公开的实施例，图像识别方法还包括：根据目标生物识别结果，确定目标对象的生物权限。
71.根据本公开的实施例，在目标生物识别结果满足预设条件的情况下，例如目标生物识别结果与身份信息库中的目标对象相匹配的情况下，可以确定目标对象的身份属于可识别的身份，并基于该身份对应的权限开放目标对象的生物权限(或身份权限)。在目标生物识别结果不满足预设条件的情况下，确定目标对象的身份属于不可识别的身份，不对目标对象开放对应权限。
72.根据本公开的实施例，在获取n个生物特征图像之前，图像识别方法还可以包括如下操作：
73.获取目标对象针对获取n个生物特征图像的授权。
74.根据本公开的实施例，在对目标对象进行获取n个生物特征图像之前，可以告知目标对象需要对n个生物特征图像进行获取，并对涉及目标对象的数据收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
75.根据本公开的实施例，生物特征可以包括以下至少一项：
76.掌静脉特征、指节纹特征、指纹特征、指静脉特征、掌纹特征。
77.根据本公开的实施例，可以根据获取到的目标对象的掌静脉特征、指节纹特征、指纹特征、指静脉特征或掌纹特征中的至少一项，到的目标对象对应的生物特征。根据目标对象对应的生物特征，得到目标对象的目标生物识别结果，实现对目标对象身份的识别。
78.需要说明的是，本公开实施例中提供的图像识别方法，在获取表征掌静脉特征、指节纹特征、指纹特征、指静脉特征和掌纹特征等生物特征图像之前，均已告知用户(即目标对象或样本目标对象)获取生物特征图像的实际用途为便于用户快速地通过权限认证，并取得用户的授权。在获取生物特征图像后，可以应用相关加密方法对生物特征图像进行加密并妥善保存，避免用户信息泄露，符合相关法律法规规定，且不为被公序良俗。
79.根据本公开的实施例，可以通过具有数据采集功能的各种电子设备对目标对象的手部特征进行采集。
80.根据本公开的实施例，可以基于相关技术中任意类型的图像采集方法对目标对象的手部特征进行采集，例如可以基于摄像装置对手部特征进行图像采集，但不仅限于此，还
可以利用其它图像采集装置采集手部特征图像，本公开的实施例对图像采集的具体方式不做限定，本领域技术人员可以根据实际需求进行设计。
81.根据本公开的实施例，在操作s210，获取n个生物特征图像还包括如下操作：
82.可以利用深度学习的神经网络包括的区域提取网络层处理至少部分表征目标对象的初始图像，得到初始图像中的n个生物特征区域。根据n个生物特征区域，从初始图像中获取n个生物特征图像。
83.根据本公开的实施例，初始图像可以包括基于目标对象直接获取得到的包括目标对象对应的生物特征的图像。
84.根据本公开的实施例，可以利用区域提取网络层获取初始图像的n个感兴趣区域(region ofintrest，roi)，将n个感兴趣区域作为n个生物特征区域。
85.根据本公开的实施例，在实际将n个感兴趣区域作为n个生物特征区域后，可以通过对n个生物特征区域对应的图像进行图像处理。根据不同初始图像的图像特征，对n个生物特征区域对应的图像进行不同的滤波增强处理，减少初始图像中的冗余信息，以便获取n个生物特征图像时减少噪声的干扰，获取到更为准确的生物特征。
86.根据本公开的实施例，根据n个生物特征区域，从初始图像中获取n个生物特征图像还可以包括如下操作：
87.根据n个生物特征区域，从初始图像中提取n个初始生物特征图像。基于n个初始生物特征图像各自对应的图像增强算法，分别处理n个初始生物特征图像，得到n个生物特征图像。
88.根据本公开的实施例，初始生物特征图像可以包括目标对象手部的多类生物特征图像。
89.根据本公开的实施例，初始生物特征图像可以包括掌静脉图像、指节纹图像和指纹图像。
90.图3a示意性示出了根据本公开实施例的掌静脉图像对应的初始生物特征图像的示意图。
91.图3b示意性示出了掌静脉图像对应的生物特征图像的示意图。
92.结合图3a和图3b所示，根据本公开的实施例，可以利用区域提取网络层对如图3a所示的掌静脉图像的初始生物特征图像进行处理，获取与掌静脉相关感兴趣区域。
93.根据本公开的实施例，获取掌静脉图像对应的初始生物特征图像时可以包括手掌的全局图像，具体可以包括掌静脉部分以及手指和底部背景等非掌静脉部分，可以设置去除手掌图像外部约六分之一部分的图像，并将剩余部分作为掌静脉图像对应的感兴趣区域，以便保留手背掌静脉特征。
94.根据本公开的实施例，在获取与掌静脉相关感兴趣区域的情况下，可以对与掌静脉相关感兴趣区域进行包括但不限于图像锐化滤波和图像增强等处理方法，得到如图3b所示的掌静脉图像对应的生物特征图像。
95.需要说明的是，在获取掌静脉图像之前，均已告知用户(即目标对象或样本目标对象)获取掌静脉图像的实际用途为便于用户快速地通过权限认证，并取得用户的授权。在获取掌静脉图像后，可以应用相关加密方法对掌静脉图像进行加密并妥善保存，避免用户信息泄露，符合相关法律法规规定，且不为被公序良俗。
96.图4a示意性示出了根据本公开实施例的指节纹图像对应的初始生物特征图像的示意图。
97.图4b示意性示出了指节纹图像对应的生物特征图像的示意图。
98.结合图4a和图4b所示，获取指节纹图像对应的初始生物特征图像可以包括所有手指指节的指节纹图像，可以设置以食指、中指和无名指上的指掌关节的指节纹图像区域作为指节纹图像对应的感兴趣区域。
99.根据本公开的实施例，可以对多个指节纹图像使用不同算子进行边缘检测处理，得到比较明显的边缘轮廓。可以使用包括但不限于sobel算子和prewitt算子进行边缘检测处理，其中，根据prewitt算子检测出来指节纹的水平跟竖直边缘轮廓更明显。
100.根据本公开的实施例，还可以对多个指节纹图像进行使用不同算子进行滤波处理，增强图像的特征，减小噪声影响。可以使用包括但不限于均值滤波、gabor滤波、sobel算子滤波和prewitt算子滤波。
101.根据本公开的实施例，在经过边缘检测和滤波处理后，还可以对图像做反相处理，增强图像的对比度。如图4b所示，在对如图4a所示的指节纹图像对应的初始生物特征图像的感兴趣区域进行边缘检测和滤波处理后，再进行反相处理，得到指节纹图像对应的生物特征图像。
102.需要说明的是，在获取指节纹图像之前，均已告知用户(即目标对象或样本目标对象)获取指节纹图像的实际用途为便于用户快速地通过权限认证，并取得用户的授权。在获取指节纹图像后，可以应用相关加密方法对指节纹图像进行加密并妥善保存，避免用户信息泄露，符合相关法律法规规定，且不为被公序良俗。
103.图5a示意性示出了根据本公开实施例的指纹图像对应的初始生物特征图像的示意图。
104.图5b示意性示出了指纹图像对应的生物特征图像的示意图。
105.结合图5a和图5b所示，可以通过扫描目标对象的指纹获取指纹图像对应的初始生物特征图像。目标对象的指纹可以为一个或多个。扫描目标对象指纹的方法包括但不限于通过电容指纹设备进行获取。
106.如图5b所示，在对如图5a所示的指纹图像对应的初始生物特征图像的感兴趣区域进行包括但不限于上述的边缘检测、滤波处理和反相处理后，得到增强指纹图像纹理特征的指纹图像对应的生物特征图像。
107.需要说明的是，在获取指纹图像之前，均已告知用户(即目标对象或样本目标对象)获取指纹图像的实际用途为便于用户快速地通过权限认证，并取得用户的授权。在获取指纹图像后，可以应用相关加密方法对指纹图像进行加密并妥善保存，避免用户信息泄露，符合相关法律法规规定，且不为被公序良俗。根据本公开的实施例，在操作s220，将n个生物特征图像分别输入至与生物特征图像对应的生物识别层中，输出n个初始生物识别结果还包括包括如下操作：
108.将n个生物特征图像分别输入至与生物特征图像对应的生物特征提取子层1～生物特征提取子层n中，输出n个生物图像特征。将n个生物图像特征分别输入至与生物图像特征对应的生物分类预测子层1～生物分类预测子层n中，输出n个初始生物识别结果。
109.根据本公开的实施例，生物特征提取子层可以基于卷积神经网络算法构建得到。
110.图6示意性示出了根据本公开实施例的生物识别层的结构框图。
111.如图6所示，生物识别层610包括生物特征提取子层612和生物分类预测子层613。
112.生物识别层620包括生物特征提取子层622和生物分类预测子层623。
113.根据本公开的实施例，生物特征图像611可以包括掌静脉图像对应的生物特征图像，可以将生物特征图像611输入对应的生物识别层610，生物特征图像611经过生物特征提取子层612的特征提取后，得到生物特征图像611对应的生物图像特征，生物特征图像611对应的生物图像特征经过生物分类预测子层613处理后，得到生物特征图像611对应的初始生物识别结果614。
114.根据本公开的实施例，生物特征图像621可以包括指纹图像对应的生物特征图像，可以对生物特征图像611进行相同或相似的处理过程，得到生物特征图像621对应的初始生物识别结果624，具体操作在此不再赘述。
115.根据本公开的实施例，生物识别层610还可以包括其他生物生理特征的生物特征图像对应的生物识别层。根据本公开的实施例，生物特征提取子层612可以基于单模态卷积神经网络模型得到。生物特征提取子层612可以包括第一特征提取单元、第二特征提取单元和第三特征提取单元。可以通过第一特征提取单元、第二特征提取单元和第三特征提取单元对生物特征图像611进行特征提取，得到生物图像特征。
116.根据本公开的实施例，第一特征提取单元、第二特征提取单元和第三特征提取单元可以各自包括1个卷积层和1个池化层，其中，第一特征提取单元、第二特征提取单元和第三特征提取单元各自包括的1个卷积层的卷积层传输可以设置为不同值，第一特征提取单元、第二特征提取单元和第三特征提取单元各自包括的1个池化层的卷积层传输可以设置为不同值。
117.根据本公开的实施例，第一特征提取单元可以包括第一卷积层和第一池化层。可以设置第一卷积层包括的卷积核3
×
3，卷积层数量为16；可以设置第一池化层包括的池化核3
×
3，卷积层数量为16。第二特征提取单元可以包括第二卷积层和第二池化层。可以设置第二卷积层包括的卷积核3
×
3，卷积层数量为16；可以设置第二池化层包括的池化核3
×
3，卷积层数量为16。第三特征提取单元可以包括第三卷积层和第三池化层。可以设置第三卷积层包括的卷积核3
×
3，卷积层数量为32；可以设置第三池化层包括的池化核3
×
3，卷积层数量为32。
118.根据本公开的实施例，利用生物特征提取子层612根据生物特征图像611得到生物图像特征的过程中，提取得到的信息不一定表征生物图像特征，还可能表征噪声特征，可以通过在生物特征提取子层1～生物特征提取子层n后对应增加非线性激活函数层抑制利用生物特征提取子层根据生物特征图像得到生物图像特征的过程中产生的噪声。
119.根据本公开的实施例，可以选择sigmoid函数、tanh函数和relu函数中的至少一个作为非线性激活函数层的非线性激活函数。
120.根据本公开的实施例，生物分类预测子层可以基于相关技术中的全连接网络和激活函数构建得到。
121.需要说明的是，激活函数可以是任意类型的，例如softmax函数等，本公开的实施例对激活函数的具体类型不做限定，本领域技术人员可以根据实际需求进行选择。
122.图7示意性示出了根据本公开实施例的得到目标生物识别结果的流程图。
123.如图7所示，得到目标生物识别结果可以包括操作s710～操作s720。
124.在操作s710，在基于生物识别层得到n个初始生物识别结果后，将n个初始生物识别结果输入至融合判决层。
125.在操作s720，根据n个初始生物识别结果和目标生物概率分布向量，由融合判决层输出目标对象的目标生物识别结果。
126.根据本公开的实施例，该图像识别方法还包括如下操作：
127.利用预设概率分配函数分别处理n个生物识别层各自输出的样本初始生物识别结果，得到n个生物识别层各自对应的生物概率分布向量；以及基于证据合成规则融合n个生物概率分布向量，得到目标生物概率分布向量，目标生物概率分布向量包括h个样本目标对象各自对应的目标生物概率，融合判决层基于目标生物概率分布向量构建得到。
128.根据本公开的实施例，样本初始生物识别结果包括h个样本目标对象各自对应的样本生物识别标识，目标对象包含于h个样本目标对象中，h为大于1的正整数。
129.根据本公开的实施例，将n个初始生物识别结果输入至融合判决层，输出目标对象的目标生物识别结果可以包括如下操作：
130.利用目标生物概率分布向量处理n个初始生物识别结果，得到目标生物识别结果。
131.根据本公开的实施例，样本初始生物识别结果可以是1
×
h维的向量，包含有h个向量元素，向量元素可以由数值1来表征与h个样本目标对象中的第i个样本目标对象相匹配。相应地，向量元素可以由数值0来表示与其他的样本目标对象不匹配。
132.根据本公开的实施例，目标生物概率分布向量可以用于表征n个生物识别层对于h个样本目标对象中，每个样本目标对象的预测可信程度。
133.在一些实施例中，目标生物概率分布向量可以是1
×
h维的向量，每个向量元素对应一个样本目标对象的预测可信程度。相应地，初始生物识别结果也可以是1
×
h维的向量。利用目标生物概率分布向量处理n个初始生物识别结果，例如可以通过目标生物概率分布向量与每个初始生物识别结果相乘，得到n个1
×
h维的计算结果向量。然后比较n个计算结果向量中，数值最大的向量元素作为目标向量元素，从而可以根据目标向量元素所表征的样本目标对象的标识，来确定识别得到的目标对象。应该理解的是，该目标向量元素应大于或等于预设阈值。在目标向量元素小于目标阈值的情况下，可以确定目标对象与h个样本目标对象均不匹配。
134.根据本公开的实施例，利用预设概率分配函数分别处理n个生物识别层各自输出的样本初始生物识别结果包括如下操作：
135.针对n个生物识别层中的第i生物识别层，采用如下计算方式计算与第i生物识别层对应的第i样本初始生物识别结果中，与第j样本目标对象对应的初始生物概率。根据与h个样本目标对象各自对应的初始生物概率，确定与第i生物识别层对应的第i生物概率分布向量。
136.根据本公开的实施例，计算方式还可以包括如下操作：
137.针对h个样本目标对象中的第j样本目标对象，根据与第i生物识别层对应的样本生物识别标识，确定第i生物识别层针对第j样本目标对象的识别正确频次和识别错误频次。计算识别正确频次和与第i生物识别层对应的第i识别正确率的乘积，得到第一初始生物概率部分。计算识别错误频次与预设修正系数之和，得到第二初始生物概率部分。根据第
一初始生物概率部分与第二初始生物概率部分之商，确定与第j样本目标对象对应的初始生物概率。
138.需要说明的是，第i生物概率分布向量可以是n个生物识别层中，与第i生物识别层对应的第i样本初始生物识别结果。
139.根据本公开的实施例，可以通过公式(1)表示该计算方式：
[0140][0141]
其中，mi(j)为与第i生物识别层对应的第i生物概率分布向量中，与第j样本目标对象对应的初始生物概率；vi(j)为第i生物识别层针对第j样本目标对象的识别正确频次；为第i生物识别层对应的第i识别正确率；vi(j，t)为第i生物识别层针对第j样本目标对象的识别错误频次；α为预设修正系数。根据本公开的实施例，可以通过公式(2)表示基于证据合成规则融合n个概率分布向量，得到目标生物概率分布向量：
[0142][0143]
公式(2)中，为目标生物概率分布向量系数；m1(l)、m2(j)和m2(h)分别为与第1生物识别层、第2生物识别层和第3生物识别层各自对应的第1生物概率分布向量，第2生物概率分布向量和第3生物概率分布向量。应该理解的是，第1生物概率分布向量，第2生物概率分布向量和第3生物概率分布向量可以是3个生物识别层各自对应的样本初始生物识别结果。m(k)表示目标生物概率分布向量。
[0144]
在本公开的一个实施例中，样本目标对象的数量可以均为h个，即h＝l＝j。
[0145]
根据本公开的实施例，证据合成规则可以为基于ds证据理论(dempster-shafer envidence theory)合成规则构建的合成规则。可以理解的是，证据合成规则还可以基于其他证据合成规则进行构建。
[0146]
根据本公开的实施例，在得到样本初始生物识别结果后，根据由第i生物识别层针对第j样本目标对象的识别结果，与样本目标对象对应的标签，可以确定第i生物识别层针对第j样本目标对象的识别正确频次和识别错误频次。
[0147]
根据本公开的实施例，在根据h个样本目标对象中的第j样本目标对象，确定对应的第i生物识别层的情况下，可以由对应的第i生物识别层预设的第i生物识别层针对第j样本目标对象的识别正确频次和识别错误频次确定第i生物识别层的第i识别正确率。
[0148]
根据本公开的实施例，预设修正系数可以根据目标对象的识别正确频次和识别错误频次进行训练调整，得到最优的预设修正系数，从而实现得到最优的目标生物概率分布向量。
[0149]
根据本公开的实施例，得到的最优的预设修正系数还可以使识别错误频次与预设修正系数之和不为0，避免计算初始生物概率过程中分母出现为0的情况，提升计算准确率。
[0150]
根据本公开的实施例，基于第i生物识别层针对第j样本目标对象的识别结果、第i
生物识别层针对第j样本目标对象的识别正确频次、第i生物识别层针对第j样本目标对象的识别错误频次和预设修正系数，通过证据合成规则，例如基于公式(2)，可以得到目标生物概率分布向量。
[0151]
根据本公开的实施例，可以通过调整预设修正系数，调整目标生物概率分布向量，从而在根据n个初始生物识别结果和目标生物概率分布向量的情况下，得到更加准确的目标生物识别结果。
[0152]
根据本公开的实施例，ds证据理论合成规则对于存在矛盾证据的生物概率分布向量，基于理论推导会出现不能进行融合的情况。
[0153]
例如，在出现如m1(l)＝(0，0，1)，m2(j)＝(0，1，0)的生物概率分布向量的情况下，进行融合将会得到k为0的结果，由此产生矛盾证据，导致不能进行后续计算得到融合结果。从而可能会存在矛盾证据的生物概率分布向量引起的冲突导致不能得到融合结果问题。为了克服不能得到融合结果的问题，在得到目标生物概率分布向量的过程中，若存在两个生物概率分布向量中的向量元素存在矛盾，则设置将识别正确率较大的向量元素作为目标生物概率分布向量中的向量元素，由此得到融合结果。
[0154]
根据本公开的实施例，设置将识别正确率较大的生物概率分布向量作为所需的生物概率分布向量进行如公式(2)的计算，得到目标生物概率分布向量，克服不能得到融合结果的问题。同时，由于以识别正确率较大的生物概率分布向量作为所需的生物概率分布向量，提高了单个生物识别层针对样本目标对象的识别结果的准确率，从而通过如公式(2)的计算，实现提高整个目标生物概率分布向量对样本目标对象的识别结果的准确率。
[0155]
根据本公开的实施例，在得到目标对象的目标生物识别结果后，可以根据目标对象的目标生物识别结果和目标对象的标签，得到目标生物识别结果的损失值。基于目标生物识别结果的损失值，通过梯度下降算法，可以实现对融合判决层的预设修正系数的优化。
[0156]
根据本公开的实施例，基于adam(adam optimization algorithm)的梯度下降算法得到的识别正确率在样本训练集上收敛速率比基于随机梯度下降算法(stochastic gradient descent，sgd)和基于rmsprop(root mean square propagation)的梯度下降算法的识别正确率在样本训练集上收敛速率的块，基于adam的梯度下降算法的识别精度也可以最快达到收敛，准确率也最高。基于adam的梯度下降算法得到的初始损失值在这三种参数优化算法中最低，经过迭代的收敛速度也最快，其能够快速准确的根据损失值计算出输入与预期值之间的距离作为反馈信号继续进行权重参数的调整，因此，在实际操作中可以优先选择基于adam的梯度下降算法进行融合判决层的参数优化。
[0157]
根据本公开的实施例，该样本训练集可以包括h个样本目标对象对应的生物特征图像。
[0158]
根据本公开的实施例，在训练优化预设修正系数的过程中，可以增加dropout算法防止优化过程出现过拟合，提高优化效率。
[0159]
根据本公开的实施例，通过将n个生物特征图像各自对应的n个初始生物识别结果输入至融合判决层，可以根据n个初始生物识别结果得到的目标图像识别结果可以综合考虑n个初始识别结果对应的对应的生物特征与目标身份的识别情况。以及，与n个生物特征图像对应的生物识别层中，各个生物识别层具有相互独立的图像识别能力，从而实现在输入的n个生物特征图像存在部分缺失的情况下，仍可以输出目标对象的目标生物识别结果，
以便较为准确地识别出目标对象的身份，提升图像识别准确率的效果。
[0160]
基于该图像识别方法，本公开还提供了一种图像识别装置。以下将结合图8对该装置进行详细描述。
[0161]
图8示意性示出了根据本公开实施例的图像识别装置的结构框图。
[0162]
如图8所示，该实施例的图像识别装置800包括：获取模块810、识别模块820和融合判决模块830。
[0163]
获取模块810用于获取n个生物特征图像，其中，n个生物特征图像分别与目标对象的n个生物特征一一对应，生物特征图像至少部分表征与生物特征图像对应的生物特征，n为大于1的正整数。识别模块820用于将n个生物特征图像分别输入至与生物特征图像对应的生物识别层中，输出n个初始生物识别结果。
[0164]
融合判决模块830用于将n个初始生物识别结果输入至融合判决层，输出目标对象的目标生物识别结果。
[0165]
根据本公开的实施例，图像识别装置还可以包括：生物概率分布向量确定模块和样本融合判决模块。
[0166]
生物概率分布向量确定模块用于利用预设概率分配函数分别处理n个生物识别层各自输出的样本初始生物识别结果，得到n个生物识别层各自对应的生物概率分布向量。
[0167]
样本融合判决模块用于基于证据合成规则融合n个概率分布向量，得到目标生物概率分布向量，目标生物概率分布向量包括h个样本目标对象各自对应的目标生物概率，融合判决层基于目标生物概率分布向量构建得到。
[0168]
其中，样本初始生物识别结果包括h个样本目标对象各自对应的样本生物识别标识，目标对象包含于h个样本目标对象中。
[0169]
融合判决模块包括融合判决子模块。
[0170]
融合判决子模块用于利用目标生物概率分布向量处理n个初始生物识别结果，得到目标生物识别结果。
[0171]
根据本公开的实施例，生物概率分布向量确定模块包括：初始生物概率计算子模块和第i生物概率分布向量确定子模块。
[0172]
初始生物概率计算子模块用于针对n个生物识别层中的第i生物识别层，采用如下计算方式计算与第i生物识别层对应的第i样本初始生物识别结果中，与第j样本目标对象对应的初始生物概率。
[0173]
第i生物概率分布向量确定子模块用于根据与h个样本目标对象各自对应的初始生物概率，确定与第i生物识别层对应的第i生物概率分布向量。
[0174]
计算方式包括：针对h个样本目标对象中的第j样本目标对象，根据与第i生物识别层对应的样本生物识别标识，确定第i生物识别层针对第j样本目标对象的识别正确频次和识别错误频次；计算识别正确频次和与第i生物识别层对应的第i识别正确率的乘积，得到第一初始生物概率部分；计算识别错误频次与预设修正系数之和，得到第二初始生物概率部分；以及根据第一初始生物概率部分与第二初始生物概率部分之商，确定与第j样本目标对象对应的初始生物概率。
[0175]
根据本公开的实施例，生物识别层包括生物特征提取子层与生物分类预测子层。
[0176]
其中，识别模块包括：生物图像特征提取子模块和初始生物识别结果预测子模块。
902以及ram 903通过总线904彼此相连。处理器901通过执行rom 902和/或ram 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除rom 902和ram 903以外的一个或多个存储器中。处理器901也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0196]
根据本公开的实施例，电子设备900还可以包括输入/输出(i/o)接口905，输入/输出(i/o)接口905也连接至总线904。电子设备900还可以包括连接至i/o接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
[0197]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0198]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 902和/或ram 903和/或rom 902和ram 903以外的一个或多个存储器。
[0199]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
[0200]
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0201]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0202]
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0203]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执
行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0204]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
[0205]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0206]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。