基于深度学习的图像识别方法、装置、设备及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的图像识别方法、装置、设备及存储介质。

背景技术

现有技术中，在对待识别图像进行识别时，多是基于点或面来进行图像识别，在基于面来进行图像识别的算法中，多采用方向梯度直方图(Histogram of OrientedGradient,HOG)、局部二值模式(Local Binary Patterns，LBP)、哈尔特征(Haar-likefeatures，Haar)等算法，然而由于此类算法提取的是面的信息，主要表示一块区域的特征，更适合用于人脸、人体等的图像识别，在表示待识别图像的纹理细节等方面不及基于点来进行图像识别的算法，如，尺度不变特征变换(Scale-invariant feature transform，SIFT)、加速稳健特征(Speeded Up Robust Features，SURF)等，其提取的是关键点的信息，更适合用于表示待识别图像的细节、指纹等，再进一步用于图像匹配、三维建模等算法，然而SIFT和SURF计算复杂，难以用于实时性特征检测，也难以快速地处理批量的待识别图像。因此，如何实现高效识别批量的待识别图像，成为一个亟待解决的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种基于深度学习的图像识别方法、装置、设备及存储介质，旨在解决如何实现高效识别批量的待识别图像的技术问题。

为实现上述目的，本发明提供了一种基于深度学习的图像识别方法，所述方法包括以下步骤：

获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点；

根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征；

将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。

可选地，所述获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点的步骤，具体包括：

从待识别图像的所有像素点中任选一像素点为圆心作圆，并获取所述圆的预设位置处的圆周像素点的灰度值；

获取所述圆心对应的像素点的灰度值，根据所述圆心对应的像素点的灰度值和所述圆周像素点的灰度值判断所述圆心对应的像素点是否为特征点；

在所述圆心对应的像素点为特征点时，标记所述特征点；

遍历所述待识别图像的所有像素点，以标记出所有的特征点，将所有标记的特征点作为图像特征点。

可选地，所述根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征的步骤，具体包括：

获取所述图像特征点对应的圆周像素点的像素值；

基于所述圆周像素点的像素值对所述图像特征点进行评分，并对获得的评分结果进行排序，获得评分排序结果；

根据所述评分排序结果从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征。

可选地，所述根据所述评分排序结果从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征的步骤，具体包括：

根据所述评分排序结果从所述图像特征点中筛选出目标特征点，并获取所述目标特征点对应的特征描述子；

对所述特征描述子进行过滤处理，以获得过滤后的特征描述子；

融合所述过滤后的特征描述子，获得初阶图像特征。

可选地，所述将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果的步骤之前，还包括：

获取样本待识别图像，并对所述样本待识别图像进行特征提取，获得样本图像特征；

获取所述样本待识别图像对应的样本类别向量；

根据所述样本图像特征和所述样本类别向量对支持向量机中进行训练，以获得预设深度学习模型。

可选地，所述根据所述样本图像特征和所述样本类别向量对支持向量机中进行训练，以获得预设深度学习模型的步骤，具体包括：

将所述样本图像特征作为支持向量机的输入特征，将所述样本类别向量作为所述支持向量机的输出特征对所述支持向量机进行训练，获得初阶深度学习模型；

实时获取所述初阶深度学习模型的分类精度，在所述分类精度大于等于预设分类精度时，输出所述初阶深度学习模型，作为预设深度学习模型。

可选地，所述将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果的步骤，具体包括：

将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，以获得特征挖掘结果，并从所述特征挖掘结果中提取对应的类别向量；

基于所述类别向量查询对应的类别标签，并基于所述类别标签生成图像识别结果。

此外，为实现上述目的，本发明还提出一种基于深度学习的图像识别装置，所述基于深度学习的图像识别装置包括：

特征点获取模块，用于获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点；

特征获取模块，用于根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征；

图像识别模块，用于将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。

此外，为实现上述目的，本发明还提出一种基于深度学习的图像识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的图像识别程序，所述基于深度学习的图像识别程序配置为实现如上文所述的基于深度学习的图像识别方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于深度学习的图像识别程序，所述基于深度学习的图像识别程序被处理器执行时实现如上文所述的基于深度学习的图像识别方法的步骤。

本发明中，获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点，根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征，将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。有别于现有基于点来进行图像识别的算法计算复杂，运算量大，难以用于实时性特征检测，也难以快速地处理批量的待识别图像，本发明通过获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点，根据预设筛选规则从所述图像特征点中筛选出目标特征点以实现快速获取目标特征点，再基于所述目标特征点的特征描述子获得初阶图像特征，然后将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，以获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果以此实现对待识别图像的高效识别，也提高了对批量待识别图像的处理速度，便于快速定位待识别图像对应的待识别对象。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的基于深度学习的图像识别设备的结构示意图；

图2为本发明基于深度学习的图像识别方法第一实施例的流程示意图；

图3为本发明实施例方案涉及的待识别图像的某一像素点对应的圆周像素点分布图；

图4为本发明基于深度学习的图像识别方法第二实施例的流程示意图；

图5为本发明基于深度学习的图像识别装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于深度学习的图像识别设备结构示意图。

如图1所示，该基于深度学习的图像识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对基于深度学习的图像识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于深度学习的图像识别程序。

在图1所示的基于深度学习的图像识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于深度学习的图像识别设备中的处理器1001、存储器1005可以设置在基于深度学习的图像识别设备中，所述基于深度学习的图像识别设备通过处理器1001调用存储器1005中存储的基于深度学习的图像识别程序，并执行本发明实施例提供的基于深度学习的图像识别方法。

本发明实施例提供了一种基于深度学习的图像识别方法，参照图2，图2为本发明基于深度学习的图像识别方法第一实施例的流程示意图。

本实施例中，所述基于深度学习的图像识别方法包括以下步骤：

步骤S10：获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点；

需要说明的是，所述待识别图像可理解为批量的待处理图像，如，某一视频中的连帧图像，某一影像集的影像片段对应的若干图像等，在对所述待识别图像进行图像识别时，可同时对连帧图像的每一帧图像进行图像识别处理，在具体实现中，为了提高图像识别效率，可从待识别图像的(一帧图像的)所有像素点中任选一像素点为圆心作圆，参见图3，图3为待识别图像的某一像素点对应的圆周像素点分布图，图3中，圆周像素点可理解为像素点对应的框格1至像素点对应的框格16，然后，获取所述圆的预设位置处的圆周像素点的灰度值，所述预设位置可为框格1，框格5，框格9，框格13，接着，获取所述圆心对应的像素点的灰度值，根据所述圆心对应的像素点的灰度值和所述圆周像素点的灰度值判断所述圆心对应的像素点是否为特征点，在所述圆心对应的像素点为特征点时，标记所述特征点，接着，遍历所述待识别图像的所有像素点，以标记出所有的特征点，并将所有标记的特征点作为图像特征点。

在具体实现中，为了实现高效获取图像特征点，可分别将框格1，框格5，框格9，框格13对应的灰度值与圆心对应的框格的灰度值进行比较，以获得4个灰度值比较结果，若4个灰度值比较结果中，存在至少3个灰度值比较结果为不同(即大于或小于圆心对应的框格的灰度值)，则可判定此圆心对应的像素点为特征点，在所述圆心对应的像素点为特征点时，标记所述特征点；在另一种实现方式中，为了实现高效获取图像特征点，还可检测是否存在框格1，框格5，框格9，框格13的一对连续框格对应的灰度值大于或小于圆心对应的像素点的灰度值，若至少存在一对连续框格对应的灰度值高于或低于圆心对应的像素点的灰度值，则可将此圆心对应的像素点作为特征点，并标记所述特征点，相较于在整个待处理图像中对所有像素点对应的所有圆周像素点进行灰度值比较来搜索特征点，本实施例采用对圆周像素点进行定点比较灰度值的方法来确定特征点，提高了特征点的获取效率，进一步地，也提高了图像识别的效率。

步骤S20：根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征；

易于理解的是，在获得图像特征点后，还可对所述图像特征点进行筛选，以筛选出目标特征点，在具体实现中，为了减少运算量，以进一步提高图像识别效率，可先获取所述图像特征点对应的圆周像素点的像素值，然后基于所述圆周像素点的像素值对所述图像特征点进行评分，具体评分规则可为，获取所述图像特征点对应的圆周像素点的灰度值，计算所述圆周像素点的灰度值与图像特征点的灰度值的差的绝对值之和，所述绝对值之和可作为该图像特征点的评分结果，然后，对获得的评分结果进行排序，获得评分排序结果，根据所述评分排序结果从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征。如，对获得的所有图像特征点的绝对值之和按照从大到小的顺序进行排序，获得评分排序结果，然后选取排序顺位前N位的图像特征点作为目标特征点，其中，N可根据实际需求进行设置，本实施例对此不加以限制。

在另一种实现方式中，为了减少运算量，以进一步提高图像识别效率，还可基于ID3(Iterative Dichotomiser 3)算法训练一个决策树，将图像特征点对应的16个圆周像素点输入至决策树中，以此来筛选出目标特征点，此外，还可用非极大值抑制算法去除临近位置多个图像特征点，即为每一个图像特征点计算出其响应大小(即计算图像特征点和其周围16个图像特征点偏差的绝对值之和)，在位置临近的图像特征点中，保留响应值大于预设响应值的图像特征点，删除其余的特征点，所述预设响应值可根据实际需求进行设置，本实施例对此不加以限制。

进一步地，在通过上述方式从所述图像特征点中筛选出目标特征点后，还可获取所述目标特征点对应的特征描述子，然后对所述特征描述子进行过滤处理，以获得过滤后的特征描述子，再融合所述过滤后的特征描述子，获得初阶图像特征，在具体实现中，为了保证特征描述子的缩放不变性和旋转不变性，可在目标特征点的每个领域内按照不同的取样方式选取预设数量(如256)的像素对，以构建对应数量的向量，然后比较像素对的大小，形成对应的二进制矩阵，对所述二进制矩阵的每一列求平均值，然后基于平均值与预设均值(如0.5)的方差对所述二进制矩阵的列向量进行排序，获得新的矩阵，再基于新的矩阵的第一列向量和下一列向量计算相关度，基于相关度从所述新的矩阵中选取特征向量，可理解为根据目标特征点的方向角度旋转这些随机像素对，使随机像素对的方向与目标特征点一致，接着对比随机像素对的亮度并相应地分配1和0，以获得对应的特征向量，在具体实现中，还可对所述相关度按照从大到小进行排序，并基于贪心算法过滤相关度低于预设相关度的像素，所述预设相关度可根据实际需求进行设置，本实施例对此不加以限制，最后，遍历所有的目标特征点，以获得特征向量集合，由此，获得过滤后的特征描述子，再对所述过滤后的特征描述子进行组合，获得初阶图像特征。

步骤S30：将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。

需要说明的是，在获得初阶图像特征后，可将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，以获得特征挖掘结果，并从所述特征挖掘结果中提取对应的类别向量，然后基于所述类别向量查询对应的类别标签，并基于所述类别标签生成图像识别结果。所述类别向量可理解为与类别标签存在预设映射关系的向量，基于所述类别向量可查询对应的类别标签，所述预设深度学习模型基于样本待识别图像的样本图像特征和与所述样本待识别图像对应的样本类别向量训练而成，具体训练方式可参见本发明第二实施例。在具体实现中，在获得类别标签后，可基于所述类别标签获取对应的展示内容，如，若获得的所述待识别图像的类别标签为商品A，则可展示商品A对应的不同平台的价格、商品A的其他图像、商品A的词条信息等。

本实施例中，获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点，根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征，将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。有别于现有基于点来进行图像识别的算法计算复杂，运算量大，难以用于实时性特征检测，也难以快速地处理批量的待识别图像，本实施例通过获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点，根据预设筛选规则从所述图像特征点中筛选出目标特征点以实现快速获取目标特征点，再基于所述目标特征点的特征描述子获得初阶图像特征，然后将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，以获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果以此实现对待识别图像的高效识别，也提高了对批量待识别图像的处理速度，便于快速定位待识别图像对应的待识别对象。

参考图4，图4为本发明基于深度学习的图像识别方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S30之前，所述方法还包括：

步骤S01：获取样本待识别图像，并对所述样本待识别图像进行特征提取，获得样本图像特征；

易于理解的是，为了构建预设深度学习模型，可先获取样本待识别图像，所述样本待识别图像可理解为预设图像样本库中批量的待处理样本图像，所述预设图像样本库可理解为实时更新的存储有样本待识别图像和所述样本待识别图像的类型向量的数据库，然后对所述样本待识别图像进行特征提取，获得样本图像特征，在对所述样本待识别图像进行特征提取时，可同时对图像样本库中批量的待处理样本图像的每一副图像进行特征提取，具体特征提取过程可为：可从样本待识别图像的(一副图像的)所有像素点中任选一像素点为圆心作圆，参见图3，图3为样本待识别图像的某一像素点对应的圆周像素点分布图，图3中，圆周像素点可理解为像素点对应的框格1至像素点对应的框格16，然后，获取所述圆的预设位置处的圆周像素点的灰度值，所述预设位置可为框格1，框格5，框格9，框格13，接着，获取所述圆心对应的像素点的灰度值，根据所述圆心对应的像素点的灰度值和所述圆周像素点的灰度值判断所述圆心对应的像素点是否为样本特征点，在所述圆心对应的像素点为样本特征点时，标记所述样本特征点，接着，遍历所述样本待识别图像的所有像素点，以标记出所有的样本特征点，并将所有标记的样本特征点作为样本图像特征点。

在具体实现中，为了实现高效获取样本图像特征点，可分别将所述框格1，所述框格5，所述框格9，所述框格13对应的灰度值与所述圆心对应的框格的灰度值进行比较，以获得4个灰度值比较结果，若4个灰度值比较结果中，存在至少3个灰度值比较结果为不同(即大于或小于圆心对应的框格的灰度值)，则可判定此圆心对应的像素点为样本特征点，在所述圆心对应的像素点为特征点时，标记所述样本特征点；在另一种实现方式中，为了实现高效获取图像特征点，还可检测是否存在所述框格1，所述框格5，所述框格9，所述框格13的一对连续框格对应的灰度值大于或小于所述圆心对应的像素点的灰度值，若至少存在一对连续框格对应的灰度值大于或小于所述圆心对应的像素点的灰度值，则可将此圆心对应的像素点作为样本特征点，并标记所述样本特征点，相较于在整个样本待处理图像中对所有像素点对应的所有圆周像素点进行灰度值比较来搜索样本特征点，本实施例采用对圆周像素点进行定点比较灰度值的方法来确定样本特征点，提高了样本特征点的获取效率，进一步地，也提高了构建预设深度学习模型的效率。

易于理解的是，在获得样本图像特征点后，还可对所述样本图像特征点进行筛选，以筛选出样本目标特征点，在具体实现中，为了减少运算量，以进一步提高预设深度学习模型的构建效率，可先获取所述样本图像特征点对应的圆周像素点的像素值，然后基于所述圆周像素点的像素值对所述样本图像特征点进行评分，具体评分规则可为，获取所述样本图像特征点对应的圆周像素点的灰度值，计算所述圆周像素点的灰度值与样本图像特征点的灰度值的差的绝对值之和，所述绝对值之和可作为该样本图像特征点的评分结果，然后，对获得的评分结果进行排序，获得评分排序结果，根据所述评分排序结果从所述样本图像特征点中筛选出样本目标特征点，并基于所述目标特征点获得样本初阶图像特征。如，对获得的所有样本图像特征点的绝对值之和按照从大到小的顺序进行排序，获得评分排序结果，然后选取排序顺位前N位的样本图像特征点作为样本目标特征点，其中，N可根据实际需求进行设置，本实施例对此不加以限制。

在另一种实现方式中，为了减少运算量，以进一步提高预设深度学习模型的构建效率，还可基于ID3算法训练一个决策树，将样本图像特征点对应的16个圆周像素点输入至决策树中，以此来筛选出样本目标特征点，此外，还可用非极大值抑制算法去除临近位置多个样本图像特征点，即为每一个样本图像特征点计算出其响应大小(即计算样本图像特征点和其周围16个样本图像特征点偏差的绝对值之和)，在位置临近的样本图像特征点中，保留响应值大于预设响应值的样本图像特征点，删除其余的样本特征点，所述预设响应值可根据实际需求进行设置，本实施例对此不加以限制。

进一步地，在通过上述方式从所述样本图像特征点中筛选出样本目标特征点后，还可获取所述样本目标特征点对应的样本特征描述子，然后对所述样本特征描述子进行过滤处理，以获得过滤后的样本特征描述子，再融合所述过滤后的样本特征描述子，获得样本图像特征，在具体实现中，为了保证所述样本特征描述子的缩放不变性和旋转不变性，可在样本目标特征点的每个领域内按照不同的取样方式选取预设数量(如256)的像素对，以构建对应数量的样本向量，然后比较像素对的大小，形成对应的二进制矩阵，对所述二进制矩阵的每一列求平均值，再基于平均值与预设均值(如0.5)的方差对所述二进制矩阵的列向量进行排序，获得新的矩阵，然后基于新的矩阵的第一列向量和下一列向量计算相关度，再基于相关度从所述新的矩阵中选取样本特征向量，可理解为根据样本目标特征点的方向角度旋转这些随机像素对，使随机像素对的方向与目标特征点一致，再对比随机像素对的亮度并相应地分配1和0，以获得对应的样本特征向量，在具体实现中，还可对所述相关度按照从大到小进行排序，并基于贪心算法过滤相关度低于预设相关度的像素，所述预设相关度可根据实际需求进行设置，本实施例对此不加以限制，最后，遍历所有的样本目标特征点，以获得样本特征向量集合，由此，获得过滤后的样本特征描述子，再对所述过滤后的样本特征描述子进行组合，获得样本图像特征。

步骤S02：获取所述样本待识别图像对应的样本类别向量；

步骤S03：根据所述样本图像特征和所述样本类别向量对支持向量机中进行训练，以获得预设深度学习模型。

需要说明的是，为了构建预设深度学习模型，还可从预设图像样本库获取所述样本待识别图像对应的样本类别向量，所述样本类别向量可理解为与样本待识别图像的类别标签存在预设映射关系的向量，基于所述样本类别向量可查询样本待识别图像对应的类别标签，然后，将所述样本图像特征作为支持向量机的输入特征，将所述样本类别向量作为所述支持向量机的输出特征对所述支持向量机进行训练，获得初阶深度学习模型，进一步地，为了提高获得的预设深度学习模型的模型精度，还可实时获取所述初阶深度学习模型的分类精度，在所述分类精度大于等于预设分类精度时，输出所述初阶深度学习模型，作为预设深度学习模型，所述预设分类精度可根据实际需求进行设置，本实施例对此不加以限制。

本实施例中，获取样本待识别图像，并对所述样本待识别图像进行特征提取，获得样本图像特征，然后获取所述样本待识别图像对应的样本类别向量，再根据所述样本图像特征和所述样本类别向量对支持向量机中进行训练，以获得预设深度学习模型。通过获取样本待识别图像，并对所述样本待识别图像进行粗提取，获得样本图像特征点，根据预设筛选规则从所述样本图像特征点中筛选出样本目标特征点，并基于所述样本目标特征点获得样本图像特征，以此提高样本图像特征的获取效率，再根据所述样本图像特征和获取的所述样本待识别图像对应的样本类别向量对支持向量机中进行训练，并实时检测模型精度，以提高获得的预设深度学习模型的分类精度。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于深度学习的图像识别程序，所述基于深度学习的图像识别程序被处理器执行时实现如上文所述的基于深度学习的图像识别方法的步骤。

参照图5，图5为本发明基于深度学习的图像识别装置第一实施例的结构框图。

如图5所示，本发明实施例提出的基于深度学习的图像识别装置包括：

特征点获取模块10，用于获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点；

特征获取模块20，用于根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征；

图像识别模块30，用于将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。

本实施例中，获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点，根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征，将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果。有别于现有基于点来进行图像识别的算法计算复杂，运算量大，难以用于实时性特征检测，也难以快速地处理批量的待识别图像，本实施例通过获取待识别图像，并对所述待识别图像进行粗提取，获得图像特征点，根据预设筛选规则从所述图像特征点中筛选出目标特征点以实现快速获取目标特征点，再基于所述目标特征点的特征描述子获得初阶图像特征，然后将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，以获得特征挖掘结果，并根据所述特征挖掘结果生成图像识别结果以此实现对待识别图像的高效识别，也提高了对批量待识别图像的处理速度，便于快速定位待识别图像对应的待识别对象。

基于本发明上述基于深度学习的图像识别装置第一实施例，提出本发明基于深度学习的图像识别装置的第二实施例。

在本实施例中，所述特征点获取模块10，还用于从待识别图像的所有像素点中任选一像素点为圆心作圆，并获取所述圆的预设位置处的圆周像素点的灰度值；

所述特征点获取模块10，还用于获取所述圆心对应的像素点的灰度值，根据所述圆心对应的像素点的灰度值和所述圆周像素点的灰度值判断所述圆心对应的像素点是否为特征点；

所述特征点获取模块10，还用于在所述圆心对应的像素点为特征点时，标记所述特征点；

所述特征点获取模块10，还用于遍历所述待识别图像的所有像素点，以标记出所有的特征点，将所有标记的特征点作为图像特征点。

所述特征获取模块20，还用于所述根据预设筛选规则从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征的步骤，具体包括：

所述特征获取模块20，还用于获取所述图像特征点对应的圆周像素点的像素值；

所述特征获取模块20，还用于基于所述圆周像素点的像素值对所述图像特征点进行评分，并对获得的评分结果进行排序，获得评分排序结果；

所述特征获取模块20，还用于根据所述评分排序结果从所述图像特征点中筛选出目标特征点，并基于所述目标特征点获得初阶图像特征。

所述特征获取模块20，还用于根据所述评分排序结果从所述图像特征点中筛选出目标特征点，并获取所述目标特征点对应的特征描述子；

所述特征获取模块20，还用于对所述特征描述子进行过滤处理，以获得过滤后的特征描述子；

所述特征获取模块20，还用于融合所述过滤后的特征描述子，获得初阶图像特征。

所述图像识别模块30，还用于获取样本待识别图像，并对所述样本待识别图像进行特征提取，获得样本图像特征；

所述图像识别模块30，还用于获取所述样本待识别图像对应的样本类别向量；

所述图像识别模块30，还用于根据所述样本图像特征和所述样本类别向量对支持向量机中进行训练，以获得预设深度学习模型。

所述图像识别模块30，还用于将所述样本图像特征作为支持向量机的输入特征，将所述样本类别向量作为所述支持向量机的输出特征对所述支持向量机进行训练，获得初阶深度学习模型；

所述图像识别模块30，还用于实时获取所述初阶深度学习模型的分类精度，在所述分类精度大于等于预设分类精度时，输出所述初阶深度学习模型，作为预设深度学习模型。

所述图像识别模块30，还用于将所述初阶图像特征输入至预设深度学习模型中进行特征挖掘，以获得特征挖掘结果，并从所述特征挖掘结果中提取对应的类别向量；

所述图像识别模块30，还用于基于所述类别向量查询对应的类别标签，并基于所述类别标签生成图像识别结果。

本发明基于深度学习的图像识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。