(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210784871.1 (22)申请日 2022.07.06 (65)同一申请的已公布的文献号 申请公布号 CN 114863189 A (43)申请公布日 2022.08.05 (73)专利权人 青岛场外市场清算中心有限公司 地址 266000 山东省青岛市中国(山 东)自 由贸易试验区青岛片区前湾保税港区 上海路17号612室(B) (72)发明人 贾庆佳　 (74)专利代理 机构 北京天盾知识产权代理有限 公司 11421 专利代理师 薛海静 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/44(2022.01) G06V 10/46(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 113361533 A,2021.09.07 CN 114511758 A,202 2.05.17 US 2021133479 A1,2021.0 5.06 CN 112699900 A,2021.04.23 CN 113723457 A,2021.1 1.30 审查员 董显彬 (54)发明名称 一种基于大数据的图像智能识别方法 (57)摘要 本发明涉及图像识别技术领域， 具体涉及一 种基于大数据的图像智能识别方法。 该方法包 括： 获得待识别物体的正视图像并进行预处理得 到待识别图像， 并将待识别图像进行分块； 将分 块后的待识别图像输入图像识别网络， 输出目标 识别效果图； 提取待识别图像的边界轮廓信息获 得其边界轮廓图像， 利用目标识别效果图、 待识 别图像中每个像素点的特征描述子以及边界轮 廓图像获得目标识别图像； 将目标识别图像与待 识别图像相乘获得待识别图像中的识别目标区 域。 本发明通过对图像识别网络中损失函数的优 化， 可提高目标区域的检测精度， 同时结合待识 别图像自身特征信息保证目标像素点识别的准 确度， 具有检测速度快， 识别精度高， 分割效果好 等有益效果。 权利要求书2页 说明书7页 附图1页 CN 114863189 B 2022.09.02 CN 114863189 B 1.一种基于大数据的图像智能识别方法， 其特征在于， 该方法包括： 获得待识别物体的 正视图像并进行预处理得到待识别图像， 并将待识别图像进行分块获得多个相同尺寸子 块， 所述待识别图像为灰度图； 将分块后的待识别图像输入图像识别网络， 输出目标识别效 果图； 利用多个待识别图像作为训练样本训练图像识别网络， 具体过程为： 人为构造作为训 练样本的各待识别图像对应的标签图像； 构建第一损失函数， 所述第一损失函数为交叉熵 损失函数； 将各待识别图像对应的标签图像进行分块中获得相对应的子块； 根据目标识别 效果图和其对应的标签图像中对应的两个子块的灰度值均值、 灰度值方差以及协方差获得 相对应的两个子块的局部损失函数； 利用待识别图像中各像素点的二阶灰度梯度构成的各 像素点的特征矩阵获得各像素点的特征描述子； 基于训练样本中每个待识别图像中各子块 的像素点的特征描述子的均值、 对应的第一损失函数值、 对应的局部损失函数值获得图像 识别网络的最终损失函数； 提取待识别图像的边界轮廓信息获得其边界轮廓图像， 利用目标识别效果图、 待识别 图像中每个像素点的特征描述子以及边界轮廓图像获得目标识别图像； 将目标识别图像与 待识别图像相乘获得待识别图像中的识别目标区域。 2.根据权利要求1所述的一种基于大数据的图像智能识别方法， 其特征在于， 所述获得 待识别物体的正视图像并进行预处理获得待识别图像包括： 对获得的待识别物体的正视图 像进行高斯滤波和伽马变换处 理， 并对处 理后的图像灰度化获得待识别图像。 3.根据权利要求1所述的一种基于大数据的图像智能识别方法， 其特征在于， 所述图像 识别网络的结构为编码器 ‑解码器的网络结构。 4.根据权利要求1所述的一种基于大数据的图像智能识别方法， 其特征在于， 所述局部 损失函数为： 其中， 表示目标识别效果图和其对应的标签图像中相对应的第i个子块的局部损失函 数； 和 分别为大于0的超参数； 为目标识别效果图中第i个子块的灰度值均值； 表示 目标识别效果图中第i个子块在标签图像中对应的子块的灰度值均值； 表示目标识别效 果图和其对应的标签图像中相对应的第i个子块 的协方差； 表示目标识别效果图中第i 个子块的灰度值方差的平方； 表示目标识别 效果图中第i个子块在标签图像中对应的 子块的灰度值方差的平方。 5.根据权利要求1所述的一种基于大数据的图像智能识别方法， 其特征在于， 所述特征 矩阵包括： 利用水平方向上和竖直方向上的scharr 算子模板对待识别图像进 行处理获得图 像中每个像素点的4个二阶灰度梯度组成特 征矩阵。 6.根据权利要求1所述的一种基于大数据的图像智能识别方法， 其特征在于， 所述获得 各像素点的特征描述子包括： 获得待识别图像中各像素点的特征矩阵的特征值， 所述各像 素点的特征矩阵的特征值的平方的和的算术平方根为各像素点的特征描述子， 并对特征描 述子进行归一 化。权　利　要　求　书 1/2 页 2 CN 114863189 B 27.根据权利要求1所述的一种基于大数据的图像智能识别方法， 其特征在于， 所述最终 损失函数为： 其中， L表示最终损失函数； 表示训练样本共有 个待识别图像； 表示第k个待识别 图像中第i个子块的特征描述子的均值； 表示第k个待识别图像中第i个子块对应的 第一损失函数值； 表示第k个待识别图像中第i个子块对应的局部损失函数值。 8.根据权利要求1所述的一种基于大数据的图像智能识别方法， 其特征在于， 所述利用 目标识别效果图、 待识别图像中每个像素点的特征描述子以及边界轮廓图像获得目标识别 图像包括： 预设值与待识别图像中每个像素点的特征描述子的差值为目标识别效果图中与 待识别图像相同位置的每个像素点的权值； 待识别图像中每个像素点的特征描述子为边界 轮廓图像中与待识别图像相同位置的每个像素点的权值； 目标识别图像中每个像素点的灰 度值为将目标效果识别图中每个像素点的权值和灰度值乘积， 与边界轮廓图像中每个像素 点的权值和灰度值乘积相加的结果。权　利　要　求　书 2/2 页 3 CN 114863189 B 3