图像识别方法、装置、电子设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113902924A(43)申请公布日2022.01.07(21)申请号202111186597.X(22)申请日2021.10.12(71)申请人苏州大学地址215131江苏省苏州市相城区济学路8号(72)发明人张召张妍张莉王邦军(74)专利代理机构北京集佳知识产权代理有限公司11227代理人王晓芬(51)Int.Cl.G06V10/44(2022.01)G06V10/30(2022.01)G06V10/25(2022.01)G06V10/764(2022.01)权利要求书2页说明书12页附图2页(54)发明名称图像识别方法、装置、电子设备及可读存储介质(57)摘要本申请公开了一种图像识别方法、装置、电子设备及可读存储介质。其中，方法包括对原始图像数据进行噪音去除处理，得到干净的图像数据空间。在图像数据空间中进行深度概念分解学习，通过多层线性变换得到深度图像特征；通过最小化自表示重构权值矩阵误差项对深度图像特征进行处理，得到保留局部流形信息的目标图像特征。基于该目标图像特征进行图像识别，得到图像识别结果，可有效提升图像识别精准度。CN113902924ACN113902924A权利要求书1/2页1.一种图像识别方法，其特征在于，包括：对原始图像数据进行噪音去除处理，得到图像数据空间；在所述图像数据空间中进行深度概念分解学习，通过多层线性变换得到深度图像特征；通过最小化自表示重构权值矩阵误差项对所述深度图像特征进行处理，得到保留局部流形信息的目标图像特征；对所述目标图像特征进行识别，得到所述原始图像数据的图像识别结果。2.根据权利要求1所述的图像识别方法，其特征在于，所述通过多层线性变换得到深度图像特征，包括：通过最小化数据的深度重构误差，得到隐藏在所述原始图像数据中的深度基向量和深度系数矩阵，以作为所述深度图像特征。3.根据权利要求1所述的图像识别方法，其特征在于，所述对原始图像数据进行噪音去除处理，得到图像数据空间的过程，包括：基于L2，1范数约束的稀疏错误项，通过对所述原始图像数据进行子空间复原，得到去除噪声数据的图像数据空间。4.根据权利要求3所述的图像识别方法，其特征在于，所述对所述目标图像特征进行识别，得到所述原始图像数据的图像识别结果之后，还包括：输出所述目标图像特征和所述图像识别结果。5.根据权利要求1至4任意一项所述的图像识别方法，其特征在于，所述通过最小化自表示重构权值矩阵误差项对所述深度图像特征进行处理，得到保留局部流形信息的目标图像特征的过程，包括：预先设置所述图像数据空间的自表示系数R，以作为自适应重构权值；根据所述自表示系数R对所述图像数据空间(X‑E)，进行数据重构，得到(X‑E)＝(X‑E)R，R＝W0...WL‑1WLV；基于自适应权值更新关系式，通过迭代方式计算得到所述目标图像特征；所述自适应权值更新关系式为：式中，α为惩罚函数，V为所述原始图像数据的深度系数矩阵，Wl为第l个单位矩阵，L为单位矩阵总数。6.一种图像识别装置，其特征在于，包括：去噪处理模块，用于对原始图像数据进行噪音去除处理，得到图像数据空间；深度特征提取模块，用于在所述图像数据空间中进行深度概念分解学习，通过多层线性变换得到深度图像特征；特征优化模块，用于通过最小化自表示重构权值矩阵误差项对所述深度图像特征进行处理，得到保留局部流形信息的目标图像特征；2CN113902924A权利要求书2/2页图像识别模块，用于对所述目标图像特征进行识别，得到所述原始图像数据的图像识别结果。7.根据权利要求6所述的图像识别装置，其特征在于，所述深度特征提取模块进一步用于：通过最小化数据的深度重构误差，得到隐藏在所述原始图像数据中的深度基向量和深度系数矩阵，以作为所述深度图像特征。8.根据权利要求7所述的图像识别装置，其特征在于，所述去噪处理模块进一步用于：基于L2，1范数约束的稀疏错误项，通过对所述原始图像数据进行子空间复原，得到去除噪声数据的图像数据空间。9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至5任一项所述图像识别方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述图像识别方法的步骤。3CN113902924A说明书1/12页图像识别方法、装置、电子设备及可读存储介质技术领域[0001]本申请涉及计算机视觉技术领域，特别是涉及一种图像识别方法、装置、电子设备及可读存储介质。背景技术[0002]在数据挖掘与分析领域，随着数据量的爆炸式增长，数据复杂度以及维度也相应增加，如何能够有效地从原始图像数据中