图像中目标对象的识别方法、装置、终端设备及存储介质.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CN113837236A(43)申请公布日2021.12.24(21)申请号202111013970.1(22)申请日2021.08.31(71)申请人广东智媒云图科技股份有限公司地址511458广东省广州市南沙区双山大道5号1410房(72)发明人邓立邦(74)专利代理机构广州三环专利商标代理有限公司44202代理人郭浩辉许羽冬(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)G06K9/34(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书10页附图5页(54)发明名称图像中目标对象的识别方法、装置、终端设备及存储介质(57)摘要本发明公开了一种图像中目标对象的识别方法、装置、终端设备及存储介质，所述方法包括：获取待识别图像；将所述待识别图像输入至预设的图像目标识别模型中，以使所述图像目标识别模型识别所述待识别图像中是否包含预设目标对象；其中，所述图像目标识别模型基于原始图像中预设目标对象的第一主体图像、预设目标对象的第一边缘过渡区域图像、与所述第一主体图像对应的语义标注图像以及与所述第一边缘过渡区域图像对应的语义标注图像，通过预设的神经网络训练而成。通过实施本发明实施例能够提高在少样本的情况下，提高图像中目标对象识别的准确性。CN113837236ACN113837236A权利要求书1/3页1.一种图像中目标对象的识别方法，其特征在于，包括：获取待识别图像；将所述待识别图像输入至预设的图像目标识别模型中，以使所述图像目标识别模型识别所述待识别图像中是否包含预设目标对象；其中，所述图像目标识别模型基于原始图像中预设目标对象的第一主体图像、预设目标对象的第一边缘过渡区域图像、与所述第一主体图像对应的语义标注图像以及与所述第一边缘过渡区域图像对应的语义标注图像，通过预设的神经网络训练而成。2.如权利要求1所述的图像中目标对象的识别方法，其特征在于，所述图像目标识别模型的构建方法包括：获取所述原始图像中预设目标对象的第一主体图像以及第一边缘过渡区域图像；获取与所述第一主体图像对应的语义标注图像，得到第二主体图像；获取与所述第一边缘过渡区域图像对应的语义标注图像，得到第二边缘过渡区域图像；将所述第一主体图像、所述第一边缘过渡区域图像、所述第二主体图像以及所述第二边缘过渡区域图像，输入至预设的GAN神经网络中，对所述GAN神经网络中的生成器和判别器进行交替迭代训练，并将训练完成后的生成器作为所述图像目标识别模型。3.如权利要求2所述的图像中目标对象的识别方法，其特征在于，所述生成器包括：若干层级的隐藏层；在训练所述生成器时，从所述第一主体图像以及所述第一边缘过渡区域图像中提取各图像的特征向量，生成特征向量集；将所述特征向量集分别输入至各层级的隐藏层中，对所述生成器中的各隐藏层进行训练；其中，当待训练的隐藏层为第一层隐藏层时，根据所述特征向量集以及所述特征向量集在第一层隐藏层的影响权重，对所述待训练的隐藏层进行训练；当所述待训练的隐藏层不为第一层隐藏层时，根据所述特征向量集、所述特征向量集在所述待训练的隐藏层的影响权重以及上一层隐藏层的输出结果，对所述待训练的隐藏层进行训练。4.如权利要求3所述的图像中目标对象的识别方法，其特征在于，所述从所述第一主体图像以及所述第一边缘过渡区域图像中提取各图像的特征向量，生成特征向量集，具体包括：从所述第一主体图像以及所述第一边缘过渡区域图像中提取各图像的颜色像素矩阵，生成颜色像素矩阵集，将所述颜色像素矩阵集作为所述特征向量集。5.如权利要求2所述的图像中目标对象的识别方法，其特征在于，所述获取与所述第一主体图像对应的语义标注图像，得到第二主体图像；获取与所述第一边缘过渡区域图像对应的语义标注图像，得到第二边缘过渡区域图像，具体包括：按预设的颜色对所述第一主体图像以及所述第一边缘过渡区域图像进行语义标注，获得所述第二主体图像以及所述第二边缘过渡区域图像。6.如权利要求2所述的图像中目标对象的识别方法，其特征在于，通过预设的图像分割模型，对所述原始图像中预设目标对象进行分割，获得所述第一主体图像。7.如权利要求2所述的图像中目标对象的识别方法，其特征在于，将所述预设目标对象沿对象边缘，按所述预设目标对象的面积向外扩展第一预设比例后所增加的图像区域，与2CN113837236A权利要求书2/3页将所述预设目标对象沿对象边缘，按所述预设目标对象的面积向内收缩第二预设比例后所减少的图像区域进行组合，获得所述预设目标对象的第一边缘过渡区域图像。8.如权利要求7所述的图像中目标对象的识别方法，其特征在于，所述第一预设比例的取值范围为[10％,5