技术摘要：
本发明提供一种图片识别方法、装置、设备及存储介质，即基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图  全部
背景技术：
目前大部分智能终端会装载有具有图像匹配功能的软件，例如汽车事故理赔软 件，当车主发生车辆事故的时候，车主可以使用智能终端中的汽车事故理赔软件对车辆受 损部位进行拍摄，然后智能终端会拍摄到的事故图像与数据库中预存的理赔图片进行匹 配。上述软件在进行图像匹配过程中，一般是采用cross  entropy  loss函数训练出来的模 型作为分类模型。采用这种模型应用到图像匹配过程中，通常是单独使用局部sift特征进 行图像查询，对更精细的图片的区分度效果不是很理想；同时需要引入较多的图像特征参 数进行比较，有些图像参数属于一些冗余信息，增大了计算量。因此，如何解决现有图像识 别精确度以及识别效率低下的技术问题，成为了目前亟待解决的技术问题。
技术实现要素：
本发明的主要目的在于提供一种图片识别方法、装置、设备及计算机可读存储介 质，旨在解决现有图像识别精确度以及识别效率低下的技术问题。 为实现上述目的，本发明提供一种图片识别方法，所述图片识别方法包括以下步 骤： 在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷 积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图； 提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以 及所述第一图像特征，确定所述待处理图像对应的相关图片类型； 基于预设分类损失函数ArcFace  loss提取所述相关图片类型对应的各个图片特 征，作为各个第二图像特征； 计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德Jaccard 距离，并基于所述各个Jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应 的识别结果。 可选地，所述在接收到图像识别指令时，获取所述图像识别指令中的待处理图像， 基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图的步 骤具体包括： 在接收到图像识别指令时，获取待处理图像，基于预设卷积神经网络模型，对所述 待处理图像进行傅里叶变换，生成所述待处理图像的频谱图； 基于所述卷积神经网络模型，对所述待处理图像的频谱图进行八度卷积操作 OctConv处理，生成所述待处理图像的高频图像信息以及低频图像信息； 获取所述待处理图像的低频图像信息，作为所述图像采样图。 4 CN 111582354 A 说　明　书 2/9 页 可选地，所述在接收到图像识别指令时，获取所述图像识别指令中的待处理图像， 基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图的步 骤之前，还包括： 预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生 成卷积神经网络模型。 可选地，所述预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的 特征点训练生成卷积神经网络模型的步骤之后，还包括： 基于所述卷积神经网络模型的预处理层以及特征提取层，提取输入图像的图像特 征； 基于所述卷积神经网络模型的全连接层，对所述输入图像的图像特征进行分类。 可选地，所述基于所述卷积神经网络模型的预处理层以及特征提取层，提取输入 图像的图像特征的步骤具体包括： 基于所述预处理层或特征提取层中的膨胀卷积公式，提取所述输入图像在多个尺 度感受野的图像特征，其中，所述膨胀卷积公式为： X jj 1＝Xj*2 kj，j＝0，1，…n-2，其中，X0、X1、…、Xn-1为输入的图像，k0、k1、…、kn-1为 一系列滤波器，2j为以指数j增长的膨胀卷积。 可选地，所述基于预设分类损失函数ArcFace  loss提取所述相关图片类型对应的 各个图片特征，作为各个第二图像特征的步骤具体包括： 在数据库的预存图片中，基于所述分类损失函数ArcFace  loss确定所述相关图片 类型对应的图像分类组，并基于所述图像分类组以及所述图像分类组中的图片，确定全局 损失代价函数值； 根据所述全局损失代价函数值及预设训练参数在训练集上训练多层图像对象验 证神经网络； 基于所述卷积神经网络模型的测试集对所述多层图像对象验证神经网络进行测 试，并根据测试结果确定测试精度，根据所述测试精度及所述多层图像对象验证神经网络 确定目标多层图像对象验证特征提取模型； 基于所述目标多层图像对象验证特征提取模型，提取所述图像分类组对应的图片 的特征，作为各个第二图像特征。 此外，为实现上述目的，本发明还提供一种图片识别装置，所述图片识别装置包 括： 低频图像采样模块，用于在接收到图像识别指令时，获取所述图像识别指令中的 待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像 采样图； 第一特征提取模块，用于提取所述图像采样图的特征，作为第一图像特征，基于所 述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型； 第二特征提取模块，用于基于预设分类损失函数ArcFace  loss提取所述相关图片 类型对应的各个图片特征，作为各个第二图像特征； 目标图片识别模块，用于计算所述第一图像特征分别与所述各个第二图像特征对 应的各个杰卡德Jaccard距离，并基于所述各个Jaccard距离以及预设检测局部特征算法， 5 CN 111582354 A 说　明　书 3/9 页 输出所述待处理图像对应的识别结果。 可选地，所述低频图像采样模块具体包括： 第一图像处理单元，用于在接收到图像识别指令时，获取待处理图像，基于预设卷 积神经网络模型，对所述待处理图像进行傅里叶变换，生成所述待处理图像的频谱图； 第二图像处理单元，用于基于所述卷积神经网络模型，对所述待处理图像的频谱 图进行八度卷积操作OctConv处理，生成所述待处理图像的高频图像信息以及低频图像信 息； 低频图像采样单元，用于获取所述待处理图像的低频图像信息，作为所述图像采 样图。 此外，为实现上述目的，本发明还提供一种图片识别设备，所述图片识别设备包括 处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的图片识别程序，其中所 述图片识别程序被所述处理器执行时，实现如上述的图片识别方法的步骤。 此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读 存储介质上存储有图片识别程序，其中所述图片识别程序被处理器执行时，实现如上述的 图片识别方法的步骤。 本发明提供一种图片识别方法，通过在接收到图像识别指令时，获取所述图像识 别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信 息，作为图像采样图；提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经 网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；基于预设分 类损失函数ArcFace  loss提取所述相关图片类型对应的各个图片特征，作为各个第二图像 特征； 计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德Jaccard 距离，并基于所述各个Jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应 的识别结果。通过上述方式，本发明基于训练后的卷积神经网络模型，确定待处理图像卷积 后的低频图像信息，基于低频图像信息进行图像识别，减少了图像识别的参数量，降低低频 图像信息的冗余，减少数据计算量，基于分类损失函数ArcFace  loss提取图像特征，减小图 像分类的方差，提升了图像识别的效率以及精确度，解决了现有图像识别精确度以及识别 效率低下的技术问题。 附图说明 图1为本发明实施例方案中涉及的图片识别设备的硬件结构示意图； 图2为本发明图片识别方法第一实施例的流程示意图； 图3为本发明图片识别方法第二实施例的流程示意图； 图4为本发明图片识别方法第三实施例的流程示意图； 图5为本发明图片识别装置第一实施例的功能模块示意图。 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。