图像识别方法和装置的制造方法
【技术领域】
[0001] 本公开涉及图像处理技术领域，尤其涉及一种图像识别方法和装置。
【背景技术】
[0002] 相关技术中，在进行图像识别时，通常要先提取出待识别的目标图像的特征，然后 可以基于预设模型对目标图像进行识别。在这个过程中，往往会提取出众多的特征，比如： 2000维特征，这就会影响目标图像识别的速度，尤其是在有大量目标图像要识别时，大大影 响了用户的使用体验。
【发明内容】
[0003] 为克服相关技术中存在的问题，本公开提供一种图像识别方法和装置。
[0004] 根据本公开实施例的第一方面，提供一种图像识别方法，包括：
[0005] 提取目标图像的特征；
[0006] 根据主成分分析法对所述目标图像的特征进行降维；
[0007] 根据预先训练的图像模型对降维后的目标图像进行识别。
[0008] 可选的，所述根据主成分分析法对所述目标图像的特征进行降维的过程，包括：
[0009] 计算目标图像特征的协方差矩阵；
[0010] 计算所述协方差矩阵的特征值和特征向量；
[0011] 按照从高到低的顺序选取Μ个特征值，Μ为小于目标图像的特征数量且大于等于1 的自然数；
[0012] 将所述目标图像映射到所述Μ个特征值对应的特征向量空间。
[0013] 可选的，训练图像模型的过程，包括：
[0014] 提取样本图像的特征；
[0015] 根据主成分分析法对所述样本图像的特征进行降维；
[0016] 通过分类器对降维后的样本图像进行训练，以得到图像模型。
[0017] 可选的，所述分类器包括：SVM分类器、Adaboost分类器。
[0018] 可选的，所述提取目标图像的特征的过程，包括：
[0019] 通过H0G算法提取目标图像的特征。
[0020] 根据本公开实施例的第二方面，提供一种图像识别装置，包括：
[0021] 目标提取模块，被配置为提取目标图像的特征；
[0022] 目标降维模块，被配置为根据主成分分析法对所述目标图像的特征进行降维；
[0023] 目标识别模块，被配置为根据预先训练的图像模型对降维后的目标图像进行识 别。
[0024] 可选的，所述目标降维模块，包括：
[0025] 第一计算子模块，被配置为计算目标图像特征的协方差矩阵；
[0026] 第二计算子模块，被配置为计算所述协方差矩阵的特征值和特征向量；
[0027] 特征选取子模块，被配置为按照从高到低的顺序选取Μ个特征值，Μ为小于目标图 像的特征数量且大于等于1的自然数；
[0028] 图像映射子模块，被配置为将所述目标图像映射到所述Μ个特征值对应的特征向 量空间。
[0029] 可选的，所述装置还包括：
[0030] 样本提取模块，被配置为提取样本图像的特征；
[0031] 样本降维模块，被配置为根据主成分分析法对所述样本图像的特征进行降维；
[0032] 样本训练模块，被配置为通过分类器对降维后的样本图像进行训练，以得到图像 模型。
[0033] 可选的，所述分类器包括：SVM分类器、Adaboost分类器。
[0034] 可选的，所述目标提取模块，包括：
[0035] 提取子模块，被配置为通过H0G算法提取目标图像的特征。
[0036] 根据本公开实施例的第三方面，提供一种图像识别装置，包括：
[0037] 处理器；
[0038] 用于存储处理器可执行指令的存储器；
[0039] 其中，所述处理器被配置为：
[0040] 提取目标图像的特征；
[0041] 根据主成分分析法对所述目标图像的特征进行降维；
[0042] 根据预先训练的图像模型对降维后的目标图像进行识别。
[0043] 本公开的实施例提供的技术方案可以包括以下有益效果：
[0044] 本公开终端可以根据主成分分析法对目标图像的特征进行降维，在降低目标图像 特征数量的同时保留目标图像的关键特征，然后根据预先训练的图像模型对降维后的目标 图像进行识别，提供图像识别的效率，同时不降低图像识别的准确度，提高了用户的使用体 验。
[0045] 本公开在训练图像模型时，可以根据主成分分析法对样本图像的特征进行降维， 并通过分类器对降维后的样本图像进行训练，大大减小样本图像文件的大小，提高图像模 型训练的效率。
[0046] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不 能限制本公开。
【附图说明】
[0047] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施 例，并与说明书一起用于解释本公开的原理。
[0048] 图1是根据一示例性实施例示出的一种图像识别方法的流程图。
[0049] 图2是根据一示例性实施例示出的一种根据主成分分析法对目标图像的特征进 行降维的流程示意图。
[0050] 图3是根据一示例性实施例示出的一种训练图像模型的流程示意图。
[0051] 图4是根据一示例性实施例示出的一种图像识别装置的框图。
[0052] 图5是根据一示例性实施例示出的另一种图像识别装置的框图。
[0053] 图6是根据一示例性实施例示出的另一种图像识别装置的框图。
[0054] 图7是根据一示例性实施例示出的另一种图像识别装置的框图。
[0055] 图8是根据一示例性实施例示出的一种用于图像识别装置的一结构示意图。
【具体实施方式】
[0056] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及 附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例 中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附 权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0057] 图1是根据一示例性实施例示出的一种图像识别方法的流程图。
[0058] 请参考图1，所述图像识别方法用于终端中，所述终端可以包括智能手机、平板电 脑、PDA(PersonalDigitalAssistant，掌上电脑）等智能设备。所述图像识别方法可以包 括以下步骤：
[0059] 在步骤S101中，提取目标图像的特征。
[0060] 在本实施例中，所述目标图像为待识别的图像，所述目标图像可以为用户使用终 端拍摄的图像，所述目标图像也可以为用户在终端本地图库中选择的图片，本公开对此不 作特殊限制。
[0061] 在本实施例中，终端可以采用HOG(HistogramofOrientedGradient，方向梯度 直方图）算法提取目标图像的特征，HOG算法主要包括以下步骤：
[0062] (1)将目标图像进行灰度化。
[0063] (2)采用Gamma校正法对目标图像进行颜色空间的标准化处理（归一化），以调节 目标图像的对比度，降低目标图像局部的阴影和光照