一种基于人工智能的图像识别方法与流程

本发明涉及图像处理，尤其涉及一种基于人工智能的图像识别方法。

背景技术：

1、图像识别是通过提取图像中具有区分性的特征信息，以用来描述和表示图像中的目标或特定模式，然而图像质量是引起图像识别准确性的关键因素，较高的图像质量可以提供更多的细节和特征，有助于识别算法更准确地提取和利用图像中的信息。而低质量的图像可能导致信息丢失、噪声、失真和畸变等问题，进而降低图像识别的准确性。

2、在图像采集过程中，采集环境或多或少会影响图像质量，例如由于光照条件、背景噪声等各种环境影响因素，导致采集的图像的清晰度和可视性下降，故为了保证图像识别的准确性，需要对采集图像进行增强处理。

3、现有技术中，通常直方图均衡化方法对采集的图像进行图像增强，以提高采集的图像的清晰度和可视性，进而对图像增强后的图像进行图像识别，以准确地提取并利用图像中的信息。但是，传统的直方图均衡化是对采集的图像进行全局处理，而受到光照条件等环境影响的图像的对比度较低，在利用传统的直方图均衡化进行图像增强时，极易造成图像的细节丢失，进而会降低图像识别的准确性。

4、因此，如何提高图像的清晰度，以提高图像识别的准确性成为亟需解决的问题。

技术实现思路

1、有鉴于此，本发明实施例提供了一种基于人工智能的图像识别方法，以解决如何提高图像的清晰度，以提高图像识别的准确性的问题。

2、本发明实施例提供一种基于人工智能的图像识别方法，所述图像识别方法包括：

3、基于预设的采样频率采集用户的面部图像，对所述面部图像进行语义分割，得到所述面部图像中对应的人脸图像，获取所述人脸图像对应的灰度图像，对所述灰度图像进行去噪处理得到新灰度图像；

4、获取所述新灰度图像中每个像素点的梯度幅值和梯度方向，根据像素点之间的梯度幅值差异和梯度方向差异，计算所述新灰度图像中每个像素点属于五官边缘像素点的可信度；

5、根据已存储的所有用户的标准人脸图像获取初始像素点关联范围，根据所有像素点的可信度和所述初始像素点关联范围，计算所述新灰度图像中每个像素点的实际像素点关联范围，基于所有像素点的实际像素点关联范围计算所述新灰度图像中每个像素点属于五官像素点的重要程度；

6、根据所有像素点的重要程度计算所述新灰度图像中每个灰度级的重要指标，获取所述新灰度图像中每个灰度级的累积概率分布，根据所有灰度级的重要指标对每个所述灰度级的累积概率分布进行修正，得到新累积概率分布，根据所有灰度级的新累积概率分布对所述新灰度图像中的像素点进行灰度值映射，得到增强后的图像；

7、对所有人脸图像对应的增强后的图像进行图像识别，获取对应的图像识别结果。

8、优选的，所述根据像素点之间的梯度幅值差异和梯度方向差异，计算所述新灰度图像中每个像素点属于五官边缘像素点的可信度的方法，包括：

9、根据所述新灰度图像中所有像素点的梯度幅值获取最大梯度幅值；

10、以所述新灰度图像中的任一像素点为预设滑窗的中心像素点，针对所述预设滑窗中任一非中心像素点，计算所述非中心像素点的梯度幅值与所述中心像素点的梯度幅值之间的比值，若所述比值大于或等于预设的比值阈值，则将所述非中心像素点作为标记像素点；

11、获取所述预设滑窗中的所有标记像素点以及对应的标记像素点数量，分别计算每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度；

12、获取所述预设滑窗中的像素点总数量，根据所述最大梯度幅值、所述标记像素点数量、所述像素点总数量、所述中心像素点的梯度幅值，以及每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算得到所述中心像素点属于五官边缘像素点的可信度。

13、优选的，所述根据所述最大梯度幅值、所述标记像素点数量、所述像素点总数量、所述中心像素点的梯度幅值，以及每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算得到所述中心像素点属于五官边缘像素点的可信度的方法，包括：

14、计算所述标记像素点数量和所述像素点总数量之间的数量比值，计算所述中心像素点的梯度幅值与所述最大梯度幅值之间的梯度比值；

15、根据每个所述标记像素点的梯度方向与所述中心像素点的梯度方向之间的方向相似度，计算方向相似度均值；

16、将所述数量比值、所述梯度比值和所述方向相似度均值之间的乘积作为所述中心像素点属于五官边缘像素点的可信度。

17、优选的，所述根据已存储的所有用户的标准人脸图像获取初始像素点关联范围的方法，包括：

18、分别获取每张所述标准人脸图像中五官区域所包含的像素点数量，根据所有标准人脸图像中五官区域所包含的像素点数量，计算像素点数量均值，将所述像素点数量均值作为初始像素点关联范围。

19、优选的，所述根据所有像素点的可信度和所述初始像素点关联范围，计算所述新灰度图像中每个像素点的实际像素点关联范围的方法，包括：

20、针对所述新灰度图像中的任一像素点，获取所述像素点的可信度与所述初始像素点关联范围之间的相乘结果，对所述相乘结果进行向上取整得到的结果作为所述像素点的实际像素点关联范围。

21、优选的，所述基于所有像素点的实际像素点关联范围计算所述新灰度图像中每个像素点属于五官像素点的重要程度的方法，包括：

22、以所述新灰度图像中的任一像素点为圆心，根据所述像素点的实际像素点关联范围在所述新灰度图像中构建所述像素点的关联范围圆；

23、在所述新灰度图像中构建每个像素点的关联范围圆，分别统计包含每个所述像素点的关联范围圆个数，计算所有像素点的关联范围圆个数的相加结果；

24、获取所述新灰度图像中的像素点总数量，针对所述新灰度图像中的任一像素点，以所述像素点的关联范围圆个数与所述像素点总数量之间的乘积作为分子，以所述相加结果作为分母，得到的比值作为所述像素点属于五官像素点的重要程度。

25、优选的，所述根据所有像素点的重要程度计算所述新灰度图像中每个灰度级的重要指标的方法，包括：

26、针对所述新灰度图像中的任一灰度级，获取所述灰度级下的目标像素点，计算所有目标像素点的重要程度的平均值，将所述平均值作为所述灰度级的重要指标。

27、优选的，所述根据所有灰度级的重要指标对每个所述灰度级的累积概率分布进行修正，得到新累积概率分布，包括：

28、获取每个所述灰度级的重要指标和累积概率分布之间的第一乘积，计算所有灰度级的重要指标的加和结果；

29、针对任一灰度级，计算所述灰度级之前的所有灰度级且包括所述灰度级之间的第一乘积的第一相加结果，以所述第一相加结果为分子，以所述加和结果为分母，得到的比值作为所述灰度级的新累积概率分布。

30、本发明实施例与现有技术相比存在的有益效果是：

31、本发明通过采集用户的面部图像，并将面部图像中的五官区域分割出来，得到对应的人脸图像，然后对人脸图像进行灰度化和去噪的预处理，得到无噪声干扰的灰度图像，由于人脸的五官、胎记等区域的细节特征比较多，对应像素点的梯度幅值较大，且与周围像素点的关联性越强，因此根据灰度图像中每个像素点的梯度信息，分析对应像素点属于五官边缘像素点的可信度，可信度越大，约有可能为五官或胎记等区域的像素点，进而基于像素点以及周围像素点的可信度计算每个像素点的重要程度，以排除环境关照对部分像素点的可信度的影响，使得像素点属于五官像素点的重要程度的分析更加严谨，从而根据所有像素点的重要程度计算的每个灰度级的重要指标更加符合实际，同时提高了根据所有灰度级的重要指标对每个灰度级的累积概率分布进行修正的准确性，根据修正得到新累积概率分布对人脸图像进行不同程度的均衡化处理，得到清晰度高的人脸图像，基于清晰度高的人脸图像进行图像识别，在保证图像细节特征的同时大大增强图像的对比度，从而提高了图像识别结果的准确性。