一种图像识别模型的生成方法、存储介质及应用服务器

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像识别模型的生成方法、存储介质及应用服务器。

背景技术

随着人工智能技术在图像视觉领域的飞速发展，基于图像进行目标检测任务的需求和应用越来越多。目标检测技术可以通过神经网络模型对图像中的内容种类和位置进行预测，然后通过反向传播获得更加精确的位置。但是，目前目标检测技术采用的神经网络模型主要是以标记好目标物品位置的图像作为训练样本，通过深度学习得到。但是，对于目标物品会被部分遮挡的图像，现有用于图像识别的神经网络无法准确识别到目标物品，给用户的使用带来不便。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种图像识别模型的生成方法、存储介质及应用服务器。

本发明所采用的技术方案如下：

一种图像识别模型的生成方法，其包括：

获取一训练图像集，所述训练图像集包括多张训练图像和每一张训练图像所对应的真实标签，其中，每一张训练图像均为具有隐藏子区域和非隐藏子区域的图像，每一张训练图像所对应的真实标签用于表示训练图像中非隐藏子区域所对应的对象类型；

将所述训练图像集中的训练图像输入预设卷积神经网络模型，并获取所述预设卷积神经网络模型所输出的所述训练图像所对应的预测标签；

根据所述训练图像所对应的真实标签以及所述训练图像所对应的预测标签，对所述预设卷积神经网络模型的模型参数进行修正；并继续执行所述将所述训练图像集中的训练图像输入预设卷积神经网络模型的步骤，直至所述预设卷积神经网络模型的训练情况满足预设条件，以得到已训练的图像识别模型。

所述图像识别模型的生成方法，其中，所述训练图像集中的每一张训练图像均为原始图像经过预处理后所得到的；其中，根据原始图像得到训练图像的预处理方式为：

将原始图像划分为第一预设数量的子区域；

在所述第一预设数量的子区域中，确定第二预设数量的待隐藏子区域；其中，所述第一预设数量大于所述第二预设数量；

将每一个待隐藏子区域中的像素点的像素值均设置为所述预设像素值，得到具有所述第二预设数量的隐藏子区域的训练图像。

所述图像识别模型的生成方法，其中，所述将原始图像划分为第一预设数量的子区域具体包括：

获取原始图像的图像尺寸；

根据所述原始图像尺寸确定所述原始图像对应的像素点数，并根据所述像素点数计算所述原始图像对应的第一预设数量；

将所述所述原始图像划分为所述第一预设数量的子区域。

所述图像识别模型的生成方法，其中，所述在所述第一预设数量的子区域中，确定第二预设数量的待隐藏子区域，具体包括：

在所述第一预设数量的子区域中，随机选取所述第二预设数量的子区域；

将选取到的所述第二预设数量的子区域作为待隐藏子区域，以得到第二预设数量的待隐藏子区域。

所述图像识别模型的生成方法，其中，所述将每一个待隐藏子区域中的像素点的像素值均设置为所述预设像素值，得到具有所述第二预设数量的隐藏子区域的训练图像，具体为：

读取选取到的各待隐藏子区域中各像素点的像素值，并采用像素值0替换所述各待隐藏子区域中各像素点的像素值，得到具有所述第二预设数量的隐藏子区域的训练图像。

所述图像识别模型的生成方法，其中，所述第二预设数量与所述第一预设数量的对应关系为：

第二预设数量＝RAND([0.4,0.6])*第一预设数量

其中，所述RAND()为随机函数。

所述图像识别模型的生成方法，其中，所述将所述训练图像集中的训练图像依次输入预设卷积神经网络模型，并获取所述预设卷积神经网络模型所输出的所述训练图像所对应的预测标签，具体包括：

根据所述预设卷积神经网络模型的卷积核将所述训练图像划分为若干计算区域，并获取各计算区域对应的图像状态，其中，所述图像状态至少包括完全隐藏区域、部分隐藏区域以及完全非隐藏区域中一种；

根据所述各计算区域对应的图像状态分别确定所述各计算区域的计算规则，并采用所述各计算区域的计算规则分别计算所述各计算区域内各像素点的像素值；

根据所述各计算区域内各像素点的像素值，以得到所述训练图像对应的未携带隐藏子区域的特征图像，并根据所述特征图像识别所述训练图像所对应的预测标签。

所述图像识别模型的生成方法，其中，所述计算规则为：

其中，w＝{w

一种图像识别方法，其应用如上任一所述的图像识别模型，所述图像识别方法包括：

获取待识别图像，将所述待识别图像输入所述图像识别模型；

通过所述图像识别模型对所述待识别图像进行识别，以得到所述待识别图像中所携带的对象。

一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的图像识别模型的生成方法中的步骤或者如上所述图像识别方法中的步骤。

一种应用服务器，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如上任一所述的图像识别模型的生成方法中的步骤或者如上所述图像识别方法中的步骤。

有益效果：与现有技术相比，本发明提供了一种图像识别模型的生成方法、存储介质及应用服务器，在所述方法中采用具有部分隐藏子区域的训练图像和训练图像的真实标签作为训练样本，并通过所述训练样本对预设卷积神经网络模型进行训练，以得到已训练的图像识别模型。可见，本实施例生成的图像识别模型，其是采用具有部分隐藏区域的训练图像作为训练样本，提高了图像识别模块具有遮挡的图像的识别准确性，从而提高了图像识别模型的鲁棒性。

附图说明

图1为本发明提供的图像识别模型的生成方法的流程图；

图2为本发明提供的图像识别模型的生成方法中训练图像的示意图；

图3为本发明提供的图像识别模型的生成方法中原始图像的示意图；

图4为本发明提供的图像识别模型的生成方法中预处理过程的流程图；

图5为本发明提供的图像识别模型的生成方法中预处理过程的示意图；

图6为本发明提供的图像识别模型的生成方法中训练图像划分为第一预设数量的子区域的示意图；

图7为本发明提供的图像识别模型的生成方法中预处理过程中步骤M10的流程图；

图8为本发明提供的图像识别模型的生成方法中预处理过程中步骤M20的流程图；

图9为本发明提供的图像识别模型的生成方法中步骤S20的流程图；

图10为本发明提供的图像识别模型的生成方法中训练图像处理过程的示意图；

图11为本发明提供的应用服务器的一个实施例的结构原理图。

具体实施方式

本发明提供一种图像识别模型的生成方法、存储介质及应用服务器，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

下面结合附图，通过对实施例的描述，对发明内容作进一步说明。

本实施例提供了一种图像识别模型的生成方法，如图1所示，所述方法包括：

S10、获取一训练图像集，所述训练图像集包括多张训练图像和每一张训练图像所对应的真实标签，其中，每一张训练图像均为具有隐藏子区域和非隐藏子区域的图像，每一张训练图像所对应的真实标签用于表示训练图像中非隐藏子区域所对应的对象类型。

具体地，所述真实标签用于标签训练图像中非隐藏子区域所携带的对象的对象类型，所述对象类型可以包括对象名称。例如，所述训练图像的非隐藏子区域所携带的对象为鲜花，那么所述真实标签包括鲜花。此外，所述非隐藏子区域可以携带一个或者多个对象，相应的，所述真实标签可以为一个或者多个，并且所述真实标签与非隐藏子区域携带对象相对应，例如，所述非隐藏子区域携带玫瑰花和满天星，所述真实标签包括玫瑰花标签和满天星标签，并且，所述玫瑰花标签与所述玫瑰花相对应，所述满天星与所述满天星标签相对应。

进一步，所述非隐藏子区域为所述训练图像携带图像信息的区域，所述隐藏子区域为所述训练图像的图像信息被隐藏的区域，例如，所述隐藏子区域显示一种颜色，如图2中的灰色区域10。此外，在本实施例中，所述训练样本中的训练图像可以是原始图像经过预处理后所得到的，所述原始图像可以是通过摄像装置(如，照相机)拍摄获取的，也可以是通过互联网获得得到(如，通过百度下载的图片)。例如，如图3所示，所述原始图像为通过摄像装置拍摄的携带玫瑰花和满天星的图片。

进一步，在本实施例的一个实现方式中，如图4和5所示，所述原始图像经过预处理得到训练图像的预处理方式可以为：

M10、将原始图像划分为第一预设数量的子区域；

M20、在所述第一预设数量的子区域中，确定第二预设数量的待隐藏子区域；其中，所述第一预设数量大于所述第二预设数量；

M30、将每一个待隐藏子区域中的像素点的像素值均设置为所述预设像素值，得到具有所述第二预设数量的隐藏子区域的训练图像。

具体地，在所述步骤M10中，所述将原始图像划分为第一预设数量的子区域可以将所述原始图像等分为第一预设数量的子区域，也可以将所述原始图像划分为第一预设数量的预设形状的子区域，例如，如图6所示，图中灰色区域块表示预设的正方形，所述训练图像被划分为第一预设数量的正方形子区域，其中，为了训练图像划分第一预设数量后的状态图，将训练图像划分得到的各子区域采用灰色区域来表示。当然，在实际应用中，所述预设图像可以为长方形或者三角性等。此外，由于将所述原始图像划分为第一预设数量的子区域，从而所述第一预设数量的子区域的面积和等于所述原始图像的面积，所述第一预设数量的子区域按照划分方式拼接后可以构成所述原始图像。

进一步，在本实施例的一个优选实现方式中，如图7所示，所述将原始图像划分为第一预设数量的子区域可以包括以下步骤：

M11、获取原始图像的图像尺寸；

M12、根据所述原始图像尺寸确定所述原始图像对应的像素点数，并根据所述像素点数计算所述原始图像对应的第一预设数量；

M13、将所述所述原始图像划分为所述第一预设数量的子区域。

具体地，所述原始图像的图像尺寸指的是所述原始图像的像素尺寸，获取原始图像的图像尺寸指的是获取原始图像的像素尺寸，所述像素尺寸包括长度方向上的像素尺寸，以及在宽度方向上的像素尺寸。例如，所述原始图像为600*400，则所述原始图像的图像尺寸为600像素*400像素，原始图像在长度方向的像素尺寸为600像素，记为原始图像的长，原始图像在宽度方向上的像素尺寸为400像素，记为原始图像的长。

进一步，所述原始图像对应的像素点数为原始图像包含的所有像素点的数量和，在获取到原始图像的图像尺寸后，可以根据原始图像的长和宽计算原始图像包含的所有像素点的数量，即原始图像的像素点数，其中，所述原始图像的像素点数等于原始图像长和原始图像宽的乘积。例如，所述原始图像的长为600，宽为400，那么所述原始图像对应的像素点数为600*400＝240000。

此外，预先设置所述第一预设数量与所述像素点数的对应关系，在获取到原始图像的像素点数后，可以根据所述对应关系来确定原始图像对应的第一预设数量，以提高确定原始图像对应的第一预设数量的速度，因而可以提高了原始图像划分的效率。在本实施例中，所述第一预设数量与像素点数的对应关系优选为：

其中，n为原始图像的像素点数，S

例如，所述原始图像的像素点数为2000,根据第一预设数量与像素点数的对应关系可以知道：由于2000大于1000，可以得到S＝7，而第一预设数量等于S

进一步，在确定第一预设数量后，在根据所述第一预设数量划分所述原始图像时，可以将元素图像按照长度方向划分为m份，再按照宽度方向划分为n份，以得到第一预设数量的子区域。优选地，所述长度方向的m份与宽度方向的n份相等，并且均等于第一预设数量的一半，其中，所述第一预设数量为2的倍数。在确定长度方向和宽度方向的份数后，根据确定份数以及所述原始图像的长和宽可以计算各子区域的长度以及宽度。在计算得到各子区域的长度和宽度的过程中，若所述原始图像的长和宽均为份数倍数，采用图像的长度与份数的商作为子区域的长度，图像的宽度与份数的商作为子区域的宽度；若当图像的长和宽存在不是份数的倍数时，在所述原始图像的长和/或宽方向上添加上像素点的像素值均为预设像素值的补充区域，以使得补充后的图像的长和宽均为份数的倍数，再采用补充后图像的长度与份数的商作为子区域的长度，补充后图像的宽度与份数的商作为子区域的宽度。当然，值得说明的，补充后图像划分得到的子区域的数量为第一预设数量。

进一步，在所述步骤M20中，所述待隐藏子区域为原始图像划分得到的第一预设数量的子区域中的一个子区域，并且所述待隐藏子区域的数量小于原始图像划分得到的子区域的数量，即第二预设数量小于第一预设数量，这样原始图像中存在未选取的子区域，使得预处理得到的具有隐藏子区域的训练图像具有未被隐藏的子区域，这样经过预处理得到的具有隐藏子区域的训练图像包含图像信息，其中，所述图像信息为可以用于确定训练图像中对象的信息，例如，所述图像信息可以包括像素值不同的像素点，通过像素值不同的像素点可以识别图像中对象边界。由此，在采用所述训练图像作为预设卷积神经网络的输入项时，预设卷积神经网络可以根据图像的图像信息得到预测标签，避免了因图像全部被隐藏而造成预设卷积神经网络无法识别的问题。

此外，所述第二预设数量可以在满足第二预设数量小于第一预设数量的前提下随机选取，例如，第一预设数量为16，第二预设数量为10。所述第二预设数量也可以是根据第一预设数量确定，例如，所述第二预设数量为第一预设数量的一半。在本实施例中，所述第二预设数量为根据第一预设数量按照预设规则选取的，其中，所述预设规则为第二预设数量＝RAND([0.4,0.6])*第一预设数量，其中，所述RAND()为随机函数。在本实施例中，所述RAND函数可以是任意随机函数，并且所述RAND函数可在PythonAPI，MatLab，Java API中直接调用。

进一步，在本实施例的一个实现方式中，在获取到第二预设数量后，可以在所述第一预设数量子区域内随机选取第二预设数量的子区域，选取到的第二预设数量的子区域作为待隐藏的子区域。相应的，如图8所示，所述步骤M20、所述对于所述原始图像集的每个图像，在所述原始图像中选取第二预设数量的子区域可以包括以下步骤：

M21、在所述第一预设数量的子区域中，随机选取第二预设数量的子区域，其中，所述第一预设数量大于所述第二预设数量；

M22、将选取到各子区域作为待隐藏子区域，以得到第二预设数量的待隐藏子区域。

具体地，所述各待隐藏子区域为在第一预设数量的子区域中随机选取的，各待隐藏子区域中的两个子区域可以相邻，也可以不相相邻。在本实施例中，所述各待隐藏子区域中存储不相连接的两个子区域，并且当将选取的各待隐藏子区域全部隐藏时，原始图像中的非隐藏区域携带图像信息。例如，如图2所示的图像中，所述灰色子区域10标识选取的待隐藏子区域，非灰色子区域20为非隐藏子区域，非隐藏子区域携带图像信息。此外，在获取到第二预设数量的子区域后，将所述第二预设预设的子区域标识为待隐藏子区域。所述标识为隐藏子区域可以通过在选取的各子区域内设置隐藏标识，例如，添加“隐藏”这两个字符，还可以通过记录各选取的子区域在原始图像的图像坐标系中的坐标区域，根据记录的坐标区域来确定待隐藏区域。当然，在实际应用中，也可以对第一预设数量的子区域进行标号，在选取到第二预设数量的子区域后，获取各选取子区域的标号，以记录选取的第二预设数量的子区域。

进一步，在所述步骤M30中，在获取到第二预设数量的待隐藏子区域后，将各待隐藏子区域中的像素点的像素值设置为预设像素值。当待隐藏子区域中的所有像素点的像素值均为预设像素值时，待隐藏子区域为同一颜色图像，通过同一颜色图像隐藏待隐藏区域的图像内容，以生成训练图像。在本实施例中，所述预设像素值优选为像素值0，这样在识别过程中，避免隐藏区域对识别结果的影响。故此，所述将每一个待隐藏子区域中的像素点的像素值均设置为所述预设像素值，得到具有所述第二预设数量的隐藏子区域的训练图像，具体为：读取选取到的各待隐藏子区域中各像素点的像素值，并采用像素值0替换读取到的各待隐藏子区域中各像素点的像素值，以得到具有所述第二预设数量的隐藏子区域的训练图像。

S20、将所述训练图像集中的训练图像输入预设卷积神经网络模型，并获取所述预设卷积神经网络模型所输出的所述训练图像所对应的预测标签，其中，所述预测标签用于表示所述预设卷积神经网络模型识别到训练图像中非隐藏子区域所对应的对象类型。

具体地，所述训练图像集为预设卷积神经网络的输入项，用于对所述预设卷积神经网络模型进行训练。所述预测标签为训练图像集中的一训练图像输入预设卷积神经网络，通过所述预设卷积神经网络识别得到的所述训练图像的非隐藏子区域所对应的对象类型。所述预测标签用于其对应的训练图像的真实标签进行比较，以计算所述预设卷积神经网络的损失值。

此外，在图像识别模型训练过程中，预设卷积神经网络模型对于训练图像进行计算时，每次计算的子区域的大小为预设卷积神经网络模型的卷积核的大小。从而，在通过预设卷积神经网络模型对训练图像进行处理时，可以根据预设卷积神经网络模型的卷积核的大小将训练图像划分为若干计算区域，并根据划分得到的各计算区域的图像状态对应的计算规则计算各计算区域的像素值，并根据计算后的各计算区域的像素值来识别训练图像携带的对象的预测标签。相应的，如图9所示，所述将所述训练图像集中的训练图像依次输入预设卷积神经网络模型，并获取所述预设卷积神经网络模型所输出的所述训练图像所对应的预测标签可以包括以下步骤：

S21、根据所述预设卷积神经网络模型的卷积核将所述训练图像划分为若干计算区域，并获取各计算区域对应的图像状态，其中，所述图像状态至少包括完全隐藏区域、部分隐藏区域以及完全非隐藏区域中一种；

S22、根据所述各计算区域对应的图像状态分别确定所述各计算区域的计算规则，并采用所述各计算区域的计算规则分别计算所述各计算区域内各像素点的像素值；

S23、根据所述各计算区域内各像素点的像素值，以得到所述训练图像对应的未携带隐藏子区域的特征图像，并根据所述特征图像识别所述训练图像所对应的预测标签。

具体地，所述图像状态至少包括完全隐藏区域、部分隐藏区域以及完全非隐藏区域中的一种，相应的，划分得到的计算区域至少包括完全隐藏的计算区域、部分隐藏的计算区域以及完全非隐藏的计算区域中的一种，例如，如图10所示，所述划分得到的计算区域中包括完全隐藏的计算区域、部分隐藏的计算区域以及完全非隐藏的计算区域。所述完全隐藏的计算区域指的是图像信息全部被隐藏的计算区域，所述部分隐藏的计算区域指的是图像信息部分被隐藏而部分未被隐藏的计算区域，所述完全非隐藏的计算区域指的是图像信息全部未被隐藏的计算区域。例如，图10中所示的第一计算区域1为完全隐藏区域，第二计算区域2为部分隐藏区域，第三计算区域3为完全非隐藏区域。

进一步，所述计算区域根据预设卷积神经网络模型的卷积核划分得到，计算区域的大小与卷积核的大小相同，以使得所述预设卷积神经网络模型每次对一个计算区域进行计算。同时，为了避免隐藏区域的像素值0影响对预设卷积神经网络模型的鲁棒性，在对各计算区域进行计算时，可以采用预设规则更新各计算区域包含的各像素值，以得到更新的特征图像，并根据更新后的特征图像来识别训练图像的非隐藏区域携带的对象的预测标签，这样可以提高预测标签识别的准确性，从而可以提高预设卷积神经网络模型的学习速度。在本实施例中，对于不同图像类型的计算区域设置不同的计算方式，所述所述图像状态与计算规则的对应关系可以为：，所述图像状态与计算规则的对应关系可以为：

其中，w＝{w

当然，在实际应用中，所述预设卷积神经网络可以直接对所述训练图像进行识别运算，以识别所述训练图像携带的对象。例如，在根据卷积核将所述训练图像划分为若干计算区域后，直接采用各计算区域对应的像素值进行识别运算以得到训练图像携带的对象，不通过预先规则计算训练图像的特征图像。

S30、根据所述训练图像所对应的真实标签以及所述训练图像所对应的预测标签，对所述预设卷积神经网络模型的模型参数进行修正；并继续执行所述将所述训练图像集中的训练图像输入预设卷积神经网络模型的步骤，直至所述预设卷积神经网络模型的训练情况满足预设条件，以得到已训练的图像识别模型。

具体地，所述预设条件包括损失值满足预设要求或者训练次数达到预设次数。所述预设要求可以是根据图像识别模型精度来确定，这里不做详细说明，所述预设次数可以为预设卷积神经网络的最大训练次数，例如，1000次等。由此，在预设卷积神经网络输出预测标签，根据所述预测标签以及所述真实标签来计算预设卷积神经网络的损失值，在计算得到损失值后，判断所述损失值是否满足预设要求；若损失值满足预设要求，则结束训练；若损失值不满足预设要求，则判断所述预设卷积神经网络的训练次数是否达到预测次数，若未达到预设次数，则根据所述损失值对所述预设神经网络的网络参数进行修正；若达到预设次数，则结束训练。这样通过损失值和训练次数来判断预设卷积神经网络训练是否结束，可以避免因损失值无法达到预设要求而造成预设卷积神经网络的训练进入死循环。

基于上述图像识别模型的生成方法，本发明还提供了一种图像识别方法，其应用如上述实施例所述的图像识别模型，所述图像识别方法包括：

获取待识别图像，将所述待识别图像输入所述图像识别模型；

通过所述图像识别模型对所述待识别图像进行识别，以得到所述待识别图像携带的对象。

具体地，将所述待识别图像输入所述图像识别模型后，所述图像识别模型将所述待识别图像划分为若干计算区域，其中，所述计算区域的大小与图像识别模型的卷积核的大小相同。在划分得到计算区域后，对各计算区域进行计算，并且在对各计算区域进行计算时，获取各计算区域的图像状态，其中，所述图像状态位于完全隐藏区域、部分隐藏区域以及完全非隐藏区域中一种。此外，在本实施例中，在获取到计算区域的图像状态后，根据所述图像状态确定计算区域对应的计算规则，所述图像状态与计算规则的对应关系可以为：

其中，w＝{w

进一步，在根据计算区域的图像状态确定计算规则后，可以根据各计算区域对应的计算规则更新各计算区域包含的各像素值，以得到训练图像对应的特征图像，并根据所述特征图像来识别训练图像的非隐藏区域携带的对象的对象，这样可以提高对象识别的准确性。当然，在一种可能的实现方式中，本实施例中的所述图像识别模型可以采用直接计算训练图像得到预测标签的方式训练得到的，而并不需要根据计算训练图像得到没有隐藏子区域的特征图像，再根据特征图像确定预测标签的方式训练得到；相应地，在将待识别图像输入图像识别模型时，图像识别模型可以直接对待识别图像进行识别运算，以得到待识别图像携带的对象。例如，在获取到待识别图像时，将所述待识别图像输入至所述图像识别模型，所述图像识别模型获取所述待识别模型包含的各像素点的像素值，并根据获取到像素值对所述待识别图像进行识别，以得到所述待识别图像携带的对象，即并不需要根据计算待识别图像得到没有隐藏子区域的特征图像，再根据特征图像确定标签。

基于上述图像识别模型的生成方法，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例所述的图像识别模型的生成方法中的步骤。

基于上述图像识别模型的生成方法，本发明还提供了一种应用服务器，如图11所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。

此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。

存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

此外，上述存储介质以及应用服务器中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。