1.本公开涉及人工智能
技术领域：
：，具体为深度学习、计算机视觉
技术领域：
：，可应用人脸识别、人脸图像处理等场景。
背景技术：
：：2.随着科学技术和社会经济的发展，快速有效的自动身份验证在安防领域变的越来越迫切。其中，基于图像识别的预测分析技术是身份验证的一个重要研究方面。3.目前，基于图像识别的预测分析方法通常是利用预先训练所获得的识别模型，对采集的图像进行识别处理，得到图像中的相关对象的属性数据，以对该相关对象进行身份验证。技术实现要素：4.本公开提供了一种图像识别的方法、装置、电子设备及存储介质。5.根据本公开的一方面，提供了一种图像识别的方法，包括：6.获取待处理图像的图像特征信息；7.根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式；8.根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。9.根据本公开的另一方面，提供了一种图像识别的装置，包括：10.获取单元，用于获取待处理图像的图像特征信息；11.获得单元，用于根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式；12.调整单元，用于根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。13.根据本公开的再一方面，提供了一种电子设备，包括：14.至少一个处理器；以及15.与所述至少一个处理器通信连接的存储器；其中，16.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。17.根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。18.根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。19.由上述技术方案可知，本公开实施例通过获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。20.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明21.附图用于更好地理解本方案，不构成对本公开的限定。其中：22.图1是根据本公开第一实施例的示意图；23.图2是根据本公开第二实施例的示意图；24.图3是根据本公开第二实施例的模型训练的示意图；25.图4是根据本公开第三实施例的示意图；26.图5是用来实现本公开实施例的图像识别的方法的电子设备的框图。具体实施方式27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。28.显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。29.需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(personaldigitalassistant，pda)、无线手持设备、平板电脑(tabletcomputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。30.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。31.随着科学技术和社会经济的发展，快速有效的自动身份验证在安防领域变的越来越迫切。由于生物对象的内在属性特征，具有很强的自身稳定性和个体差异性，所以，生物对象的内在属性特征是身份验证的较理想依据。其中，基于图像识别的预测分析技术是身份验证的一个重要研究方面。32.目前，基于图像识别的预测分析方法通常是利用预先训练所获得的识别模型，对采集的图像进行识别处理，得到图像中的相关对象的属性数据，以对该相关对象进行身份验证。33.但是，由于生物对象的行为习惯、生存环境和自身特性等因素，使得相关技术中基于图像识别的预测分析方法的预测准确性不佳，进而给安防领域的身份验证带来不利影响。34.因此，亟需提供一种图像识别的方法，能够实现更加准确地识别出身份验证的对象的属性，从而提升安防领域的身份验证操作的可靠性。35.图1是根据本公开第一实施例的示意图，如图1所示。36.101、获取待处理图像的图像特征信息。37.102、根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式。38.103、根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。39.至此，后续可以根据所获得的调整处理之后的属性数据，对指定对象进行相应地身份验证操作。40.需要说明的是，所获得的调整处理之后的属性数据，即是调整处理之后的指定对象的属性数据。41.需要说明的是，所述分类方式可以是预先设置的属性的分类方式。分类方式可以包括三分类、五分类和十分类中的至少一种。42.例如，三分类可以是指将对象的属性分为三类；五分类可以是指将对象的属性分为五类；十分类可以是指将对象的属性分为十类。43.需要说明的是，101～103的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的图像处理平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。44.可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeapp)，或者还可以是本地终端上的浏览器的一个网页程序(webapp)，本实施例对此不进行限定。45.这样，通过获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。46.可选地，在本实施例的一个可能的实现方式中，在101中，具体可以利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息。47.在该实现方式中，预设的神经网络可以为特征信息提取网络。预设的神经网络可以包括但不限于卷积神经网络(convolutionalneuralnetworks,cnn)、图神经网络(graphneuralnetwork,gnn)以及转换器(transformer)。48.这样，可以通过利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息，可以获取到更加准确有效地图像特征信息，便于后续可以基于该图像特征信息，获得更加准确有效地图像中对象的属性数据，从而可以提升图像识别的准确度。49.可选地，在本实施例的一个可能的实现方式中，在102中，具体可以利用预设的属性预测模型和至少一个预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。50.在该实现方式中，预设的属性类别预测模型可以是根据属性类别的至少一种分类方式所确定的。51.具体地，可以根据属性类别的至少一种分类方式，获得至少一种分类方式的预设的属性类别预测模型52.例如，若分类方式为三分类，则预设的属性类别预测模型可以是三分类的预设的属性类别预测模型。53.再例如，若分类方式为五分类，则预设的属性类别预测模型可以是五分类的预设的属性类别预测模型。54.又例如，若分类方式为十分类，则预设的属性类别预测模型可以是十分类的预设的属性类别预测模型。55.在该实现方式中，指定对象的属性类别的概率可以包括指定对象的属性类别和该指定对象的属性为该属性类别的概率。例如，指定对象的属性类别为第一类别，对应的概率0.8。56.在该实现方式的一个具体实现过程中，可以利用预设的属性预测模型和三分类的预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。57.在该具体实现过程中，可以将图像特征信息输入预设的属性预测模型和三分类的预设的属性类别预测模型。然后，输出得到图像中指定对象的属性数据，以及指定对象所属三个属性类别中每个属性类别的概率。58.例如，得到的图像中指定对象的属性数据为15，指定对象属于第一类别，概率为0.5，指定对象属于第二类别，概率为0.5，指定对象属于第三类别，概率为0.5。59.在该实现方式的另一个具体实现过程中，可以利用预设的属性预测模型、三分类的预设的属性类别预测模型和五分类的预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。60.在该具体实现过程中，可以将图像特征信息输入预设的属性预测模型、三分类的预设的属性类别预测模型和五分类的预设的属性类别预测模型。然后，输出图像中指定对象的属性数据，指定对象所属三个属性类别中每个属性类别的概率和指定对象所属五个属性类别中每个属性类别的概率。61.在该实现方式的再一个具体实现过程中，可以利用预设的属性预测模型、三分类的预设的属性类别预测模型、五分类的预设的属性类别预测模型和十分类的预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。62.在该具体实现过程中，可以将图像特征信息输入预设的属性预测模型、三分类的预设的属性类别预测模型、五分类的预设的属性类别预测模型和十分类的预设的属性类别预测模型。然后，输出图像中指定对象的属性数据、指定对象所属三个属性类别中每个属性类别的概率、指定对象所属五个属性类别中每个属性类别的概率和指定对象所属十个属性类别中每个属性类别的概率。63.这样，在本实现方式中，可以通过预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，得到指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率，以便于后续可以将指定对象的属性数据和各属性类别的概率进行融合处理，实现对指定对象的属性数据的调整，从而进一步地提高了所获得的图像中对象的属性数据的准确性，提升了图像识别的准确度。64.而且，通过利用根据属性类别对应至少一种分类方式所确定的至少一个预设的属性类别预测模型，获得指定对象所属至少两个属性类别中各属性类别的概率，而且后续可以基于多个属性类别的概率对属性数据进行调整。由此，基于细化了的属性类别的分类，可以识别出更准确地对象所属的属性类别的概率，进而进一步地提升了所获得调整后的属性数据准确性。65.需要说明的是，基于本实现方式中所提供的多种具体实现过程，可以结合前述实现方式中所提供的获取待处理图像的图像特征信息的多种具体实现过程，来实现本实施例的图像识别的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。66.可选地，在本实施例的一个可能的实现方式中，在103中，具体可以根据所述属性数据对应的第一权重值和所述各属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。67.在该实现方式中，可以根据属性类别的分类方式，预先配置第二权重值。第二权重值可以包括多个权重值。一种分类方式可以对应一个第二权重值。68.在该实现方式的一个具体实现过程中，若分类方式包括三分类，可以根据属性数据对应的第一权重值，以及所述指定对象所属三个属性类别中每个属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。69.在该实现方式的另一个具体实现过程中，若分类方式包括三分类和五分类，可以根据属性数据对应的第一权重值、所述指定对象所属三个属性类别中每个属性类别的概率对应的第二权重值、以及指定对象所属五个属性类别中每个属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。70.在该实现方式的再一个具体实现过程中，若分类方式包括三分类、五分类和十分类，可以根据属性数据对应的第一权重值、所述指定对象所属三个属性类别中每个属性类别的概率对应的第二权重值、指定对象所属五个属性类别中每个属性类别的概率对应的第二权重值、以及指定对象所属十个属性类别中每个属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。71.在该实现方式的再一个具体实现过程中，可以根据每个属性类别的概率和属性类别对应的分类方式，确定分类方式对应的预估属性数据，以及预估属性数据对应的第二权重值。然后，可以根据属性数据对应的第一权重值和预估属性数据对应的第二权重值，对所述属性数据和预估属性数据进行加权融合处理，得到加权融合处理的结果。最后，根据加权融合处理的结果，获得调整处理之后的指定对象的属性数据。72.具体地，可以根据属性数据对应的第一权重值和预估属性数据对应的第二权重值，对所述属性数据和预估属性数据进行加权平均计算，得到计算结果。73.可以理解的是，分类方式可以为多种，确定的预估属性数据也可以为多个。一个预估属性数据可以对应一个第二权重值。74.可以理解的是，第一权重值和第二权重值均可以根据实际业务需求预先配置。第一权重值和第二权重值可以相同或者不同。第一权重值可以为一个权重值，第二权重值可以包括多个权重值。75.这样，在本实现方式中，可以通过利用图像中的对象的各属性类别的概率对指定对象的属性数据进行调整，即可以实现将图像中的对象的属性数据和各属性类别的概率进行融合约束，使得所获得调整后的属性数据更加准确，从而进一步地提升了图像识别的准确度。76.需要说明的是，基于本实现方式中所提供的获得调整处理之后的指定对象的属性数据的多种具体实现过程，可以结合前述实现方式中所提供的多种具体实现过程，来实现本实施例的图像识别的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。77.可选地，在本实施例的一个可能的实现方式中，在101之前，还可以进一步地利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，和/或，对待训练的属性类别预测模型进行训练，以获得预设的属性类别预测模型。78.在该实现方式中，图像训练数据可以是包括了属性值标签和属性类别标签的图像训练样本数据。79.在该实现方式的一个具体实现过程中，可以根据属性类别的至少一种分类方式，获得至少一种分类方式的预设的属性类别预测模型，进而可以利用图像训练数据，对待训练的至少一种分类方式的预设的属性类别预测模型进行训练，以获得至少一种预设的属性类别预测模型。80.在具体实现过程中，图像训练数据的属性类别标签可以包括至少一种分类方式的属性类别标签。例如，图像训练数据的属性类别标签可以包括三分类的属性类别标签、五分类的属性类别标签和十分类的属性类别标签。81.在该实现方式的另一个具体实现过程中，可以根据属性类别的至少一种分类方式，获得至少一种分类方式的预设的属性类别预测模型，进而可以利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，以及利用图像训练数据，对待训练的至少一种分类方式的预设的属性类别预测模型进行训练，以获得至少一种预设的属性类别预测模型。82.这样，在本实现方式中，可以通过利用图像训练数据进行模型训练，可以获得识别效果更好的预设的属性预测模型和预设的属性类别预测模型，可以进一步地提升了图像识别的准确性，从而进一步地提升了基于图像识别的身份验证操作的可靠性。83.需要说明的是，基于本实现方式中所提供的模型训练的实现方式，可以结合前述实现方式中所提供的多种具体实现过程，来实现本实施例的图像识别的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。84.本实施例中，可以通过获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。85.另外，采用本实施例所提供的技术方案，可以通过利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息，可以获取到更加准确有效地图像特征信息，便于后续可以基于该图像特征信息，获得更加准确有效地图像中对象的属性数据，进而提升了图像识别的准确度86.另外，采用本实施例所提供的技术方案，可以通过预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，得到指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率，以便于后续可以将指定对象的属性数据和各属性类别的概率进行融合处理，实现对指定对象的属性数据的调整，从而进一步地提高了所获得的图像中对象的属性数据的准确性，提升了图像识别的准确度。87.而且，通过利用根据属性类别对应至少一种分类方式所确定的至少一个预设的属性类别预测模型，获得指定对象所属至少两个属性类别中各属性类别的概率，而且后续可以基于多个属性类别的概率对属性数据进行调整。由此，基于细化了的属性类别的分类，可以识别出更准确地对象所属的属性类别的概率，进而进一步地提升了所获得调整后的属性数据准确性。88.另外，可以通过利用图像中的对象的各属性类别的概率对指定对象的属性数据进行调整，即可以实现将图像中的对象的属性数据和各属性类别的概率进行融合约束，使得所获得调整后的属性数据更加准确，从而进一步地提升了图像识别的准确度。89.另外，可以通过利用图像训练数据进行模型训练，可以获得识别效果更好的预设的属性预测模型和预设的属性类别预测模型，可以进一步地提升了图像识别的准确性，从而进一步地提升了基于图像识别的身份验证操作的可靠性。90.图2是根据本公开第二实施例的示意图，如图2所示。91.201、获取待处理图像。92.在本实施例中，该待处理图像可以包括采集的人脸图像。93.202、利用预设的神经网络，对待处理图像进行特征提取，以获取图像特征信息。94.203、利用预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，以获得待处理图像中指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率。95.在本实施例中，预设的属性预测模型可以是回归模型，预设的属性类别预测模型可以是分类模型。96.在本实施例中，可以利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，以及利用图像训练数据，对待训练的属性类别预测模型进行训练，以获得预设的属性类别预测模型。97.具体地，若属性类别的分类方式包括三分类、五分类和十分类，则模型训练的过程可以如图3所示。98.在模型训练过程中，可以先利用神经网络(backbone)对图像训练数据进行特征提取，得到图像特征信息。然后，将图像特征信息输入到待训练的属性预测模型和至少一个待训练的属性类别预测模型中，得到对应的属性数据、各属性类别的概率。再根据各属性类别的概率，对属性数据进行调整处理，获得调整后的属性数据。最后，若满足模型训练终止条件，则可以获得预设的属性预测模型和至少一个预设的属性类别预测模型。99.可以理解的是，属性类别1可以是三分类方式对应的属性类别的概率，属性类别2可以是五分类方式对应的属性类别的概率，属性类别3可以是十分类方式对应的属性类别的概率。100.可以理解的是，神经网络、预设的属性预测模型和至少一个预设的属性类别预测模型可以构成一个图像识别模型。因此，可以利用图像训练数据对待训练的图像识别模型进行训练，以获得该图像识别模型。101.204、根据属性数据对应的第一权重值和各属性类别的概率对应的第二权重值，对属性数据和各属性类别的概率进行加权处理。102.205、根据加权处理的结果，获得调整处理之后的属性数据。103.至此，后续可以根据所获得的调整处理之后的属性数据，对指定对象进行相应地身份验证操作。104.可以理解的是，属性数据可以是包括生物属性特征数据，例如，年龄等。105.可以理解的是，对于属性类别的不同的分类方式，若分类方式为三分类，可以将年龄划分为三个年龄段，例如，0至20(小孩)，21至60(中青年)，61及以上(老年)。106.若分类方式为五分类，可以将年龄划分为五个年龄段，例如，0至10(小孩)，11至20(少年)，21至40(青年)，41至60(中年)，61及以上(老年)。107.若分类方式为十分类，可以将年龄划分为十个年龄段，例如，0至100，以10岁为一个年龄段，划分十个年龄段。108.采用本实施例所提供的技术方案，获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。109.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。110.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。111.图4是根据本公开第三实施例的示意图，如图4所示。本实施例的图像识别的装置400可以包括获取单元401、获得单元402和调整单元403，其中，获取单元401，用于获取待处理图像的图像特征信息；获得单元402，用于根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式；调整单元403，用于根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。112.需要说明的是，本实施例的图像识别的装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的图像处理平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。113.可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeapp)，或者还可以是本地终端上的浏览器的一个网页程序(webapp)，本实施例对此不进行限定。114.可选地，在本实施例的一个可能的实现方式中，所述获取单元401，可以具体用于利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息。115.可选地，在本实施例的一个可能的实现方式中，所述获得单元402，可以具体用于利用预设的属性预测模型和至少一个预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。116.可选地，在本实施例的一个可能的实现方式中，所述调整单元403，具体用于根据所述属性数据对应的第一权重值和所述各属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，根据所述加权处理的结果，获得所述调整处理之后的属性数据。117.可选地，在本实施例的一个可能的实现方式中，所述获取单元401，还可以用于利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，和/或，对待训练的属性类别预测模型进行训练，以获得预设的属性类别预测模型。118.本实施例中，通过获取单元获取待处理图像的图像特征信息，进而可以由获得单元根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得调整单元能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。119.另外，采用本实施例所提供的技术方案，可以通过利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息，可以获取到更加准确有效地图像特征信息，便于后续可以基于该图像特征信息，获得更加准确有效地图像中对象的属性数据，进而提升了图像识别的准确度120.另外，采用本实施例所提供的技术方案，可以通过预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，得到指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率，以便于后续可以将指定对象的属性数据和各属性类别的概率进行融合处理，实现对指定对象的属性数据的调整，从而进一步地提高了所获得的图像中对象的属性数据的准确性，提升了图像识别的准确度。121.而且，通过利用根据属性类别对应至少一种分类方式所确定的至少一个预设的属性类别预测模型，获得指定对象所属至少两个属性类别中各属性类别的概率，而且后续可以基于多个属性类别的概率对属性数据进行调整。由此，基于细化了的属性类别的分类，可以识别出更准确地对象所属的属性类别的概率，进而进一步地提升了所获得调整后的属性数据准确性。122.另外，可以通过利用图像中的对象的各属性类别的概率对指定对象的属性数据进行调整，即可以实现将图像中的对象的属性数据和各属性类别的概率进行融合约束，使得所获得调整后的属性数据更加准确，从而进一步地提升了图像识别的准确度。123.另外，可以通过利用图像训练数据进行模型训练，可以获得识别效果更好的预设的属性预测模型和预设的属性类别预测模型，可以进一步地提升了图像识别的准确性，从而进一步地提升了基于图像识别的身份验证操作的可靠性。124.本公开的技术方案中，所涉及的用户个人信息，例如，用户的图像和属性数据等的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。125.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。126.图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。127.如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。128.电子设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。129.计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如图像识别的方法。例如，在一些实施例中，图像识别的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到ram503并由计算单元501执行时，可以执行上文描述的图像识别的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像识别的方法。130.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。131.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。132.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。133.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。134.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。135.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。136.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。137.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。当前第1页12当前第1页12
技术领域：
：，具体为深度学习、计算机视觉
技术领域：
：，可应用人脸识别、人脸图像处理等场景。
背景技术：
：：2.随着科学技术和社会经济的发展，快速有效的自动身份验证在安防领域变的越来越迫切。其中，基于图像识别的预测分析技术是身份验证的一个重要研究方面。3.目前，基于图像识别的预测分析方法通常是利用预先训练所获得的识别模型，对采集的图像进行识别处理，得到图像中的相关对象的属性数据，以对该相关对象进行身份验证。技术实现要素：4.本公开提供了一种图像识别的方法、装置、电子设备及存储介质。5.根据本公开的一方面，提供了一种图像识别的方法，包括：6.获取待处理图像的图像特征信息；7.根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式；8.根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。9.根据本公开的另一方面，提供了一种图像识别的装置，包括：10.获取单元，用于获取待处理图像的图像特征信息；11.获得单元，用于根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式；12.调整单元，用于根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。13.根据本公开的再一方面，提供了一种电子设备，包括：14.至少一个处理器；以及15.与所述至少一个处理器通信连接的存储器；其中，16.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。17.根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。18.根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。19.由上述技术方案可知，本公开实施例通过获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。20.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明21.附图用于更好地理解本方案，不构成对本公开的限定。其中：22.图1是根据本公开第一实施例的示意图；23.图2是根据本公开第二实施例的示意图；24.图3是根据本公开第二实施例的模型训练的示意图；25.图4是根据本公开第三实施例的示意图；26.图5是用来实现本公开实施例的图像识别的方法的电子设备的框图。具体实施方式27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。28.显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。29.需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(personaldigitalassistant，pda)、无线手持设备、平板电脑(tabletcomputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。30.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。31.随着科学技术和社会经济的发展，快速有效的自动身份验证在安防领域变的越来越迫切。由于生物对象的内在属性特征，具有很强的自身稳定性和个体差异性，所以，生物对象的内在属性特征是身份验证的较理想依据。其中，基于图像识别的预测分析技术是身份验证的一个重要研究方面。32.目前，基于图像识别的预测分析方法通常是利用预先训练所获得的识别模型，对采集的图像进行识别处理，得到图像中的相关对象的属性数据，以对该相关对象进行身份验证。33.但是，由于生物对象的行为习惯、生存环境和自身特性等因素，使得相关技术中基于图像识别的预测分析方法的预测准确性不佳，进而给安防领域的身份验证带来不利影响。34.因此，亟需提供一种图像识别的方法，能够实现更加准确地识别出身份验证的对象的属性，从而提升安防领域的身份验证操作的可靠性。35.图1是根据本公开第一实施例的示意图，如图1所示。36.101、获取待处理图像的图像特征信息。37.102、根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式。38.103、根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。39.至此，后续可以根据所获得的调整处理之后的属性数据，对指定对象进行相应地身份验证操作。40.需要说明的是，所获得的调整处理之后的属性数据，即是调整处理之后的指定对象的属性数据。41.需要说明的是，所述分类方式可以是预先设置的属性的分类方式。分类方式可以包括三分类、五分类和十分类中的至少一种。42.例如，三分类可以是指将对象的属性分为三类；五分类可以是指将对象的属性分为五类；十分类可以是指将对象的属性分为十类。43.需要说明的是，101～103的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的图像处理平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。44.可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeapp)，或者还可以是本地终端上的浏览器的一个网页程序(webapp)，本实施例对此不进行限定。45.这样，通过获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。46.可选地，在本实施例的一个可能的实现方式中，在101中，具体可以利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息。47.在该实现方式中，预设的神经网络可以为特征信息提取网络。预设的神经网络可以包括但不限于卷积神经网络(convolutionalneuralnetworks,cnn)、图神经网络(graphneuralnetwork,gnn)以及转换器(transformer)。48.这样，可以通过利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息，可以获取到更加准确有效地图像特征信息，便于后续可以基于该图像特征信息，获得更加准确有效地图像中对象的属性数据，从而可以提升图像识别的准确度。49.可选地，在本实施例的一个可能的实现方式中，在102中，具体可以利用预设的属性预测模型和至少一个预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。50.在该实现方式中，预设的属性类别预测模型可以是根据属性类别的至少一种分类方式所确定的。51.具体地，可以根据属性类别的至少一种分类方式，获得至少一种分类方式的预设的属性类别预测模型52.例如，若分类方式为三分类，则预设的属性类别预测模型可以是三分类的预设的属性类别预测模型。53.再例如，若分类方式为五分类，则预设的属性类别预测模型可以是五分类的预设的属性类别预测模型。54.又例如，若分类方式为十分类，则预设的属性类别预测模型可以是十分类的预设的属性类别预测模型。55.在该实现方式中，指定对象的属性类别的概率可以包括指定对象的属性类别和该指定对象的属性为该属性类别的概率。例如，指定对象的属性类别为第一类别，对应的概率0.8。56.在该实现方式的一个具体实现过程中，可以利用预设的属性预测模型和三分类的预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。57.在该具体实现过程中，可以将图像特征信息输入预设的属性预测模型和三分类的预设的属性类别预测模型。然后，输出得到图像中指定对象的属性数据，以及指定对象所属三个属性类别中每个属性类别的概率。58.例如，得到的图像中指定对象的属性数据为15，指定对象属于第一类别，概率为0.5，指定对象属于第二类别，概率为0.5，指定对象属于第三类别，概率为0.5。59.在该实现方式的另一个具体实现过程中，可以利用预设的属性预测模型、三分类的预设的属性类别预测模型和五分类的预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。60.在该具体实现过程中，可以将图像特征信息输入预设的属性预测模型、三分类的预设的属性类别预测模型和五分类的预设的属性类别预测模型。然后，输出图像中指定对象的属性数据，指定对象所属三个属性类别中每个属性类别的概率和指定对象所属五个属性类别中每个属性类别的概率。61.在该实现方式的再一个具体实现过程中，可以利用预设的属性预测模型、三分类的预设的属性类别预测模型、五分类的预设的属性类别预测模型和十分类的预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。62.在该具体实现过程中，可以将图像特征信息输入预设的属性预测模型、三分类的预设的属性类别预测模型、五分类的预设的属性类别预测模型和十分类的预设的属性类别预测模型。然后，输出图像中指定对象的属性数据、指定对象所属三个属性类别中每个属性类别的概率、指定对象所属五个属性类别中每个属性类别的概率和指定对象所属十个属性类别中每个属性类别的概率。63.这样，在本实现方式中，可以通过预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，得到指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率，以便于后续可以将指定对象的属性数据和各属性类别的概率进行融合处理，实现对指定对象的属性数据的调整，从而进一步地提高了所获得的图像中对象的属性数据的准确性，提升了图像识别的准确度。64.而且，通过利用根据属性类别对应至少一种分类方式所确定的至少一个预设的属性类别预测模型，获得指定对象所属至少两个属性类别中各属性类别的概率，而且后续可以基于多个属性类别的概率对属性数据进行调整。由此，基于细化了的属性类别的分类，可以识别出更准确地对象所属的属性类别的概率，进而进一步地提升了所获得调整后的属性数据准确性。65.需要说明的是，基于本实现方式中所提供的多种具体实现过程，可以结合前述实现方式中所提供的获取待处理图像的图像特征信息的多种具体实现过程，来实现本实施例的图像识别的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。66.可选地，在本实施例的一个可能的实现方式中，在103中，具体可以根据所述属性数据对应的第一权重值和所述各属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。67.在该实现方式中，可以根据属性类别的分类方式，预先配置第二权重值。第二权重值可以包括多个权重值。一种分类方式可以对应一个第二权重值。68.在该实现方式的一个具体实现过程中，若分类方式包括三分类，可以根据属性数据对应的第一权重值，以及所述指定对象所属三个属性类别中每个属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。69.在该实现方式的另一个具体实现过程中，若分类方式包括三分类和五分类，可以根据属性数据对应的第一权重值、所述指定对象所属三个属性类别中每个属性类别的概率对应的第二权重值、以及指定对象所属五个属性类别中每个属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。70.在该实现方式的再一个具体实现过程中，若分类方式包括三分类、五分类和十分类，可以根据属性数据对应的第一权重值、所述指定对象所属三个属性类别中每个属性类别的概率对应的第二权重值、指定对象所属五个属性类别中每个属性类别的概率对应的第二权重值、以及指定对象所属十个属性类别中每个属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，进而可以根据所述加权处理的结果，获得所述调整处理之后的属性数据。71.在该实现方式的再一个具体实现过程中，可以根据每个属性类别的概率和属性类别对应的分类方式，确定分类方式对应的预估属性数据，以及预估属性数据对应的第二权重值。然后，可以根据属性数据对应的第一权重值和预估属性数据对应的第二权重值，对所述属性数据和预估属性数据进行加权融合处理，得到加权融合处理的结果。最后，根据加权融合处理的结果，获得调整处理之后的指定对象的属性数据。72.具体地，可以根据属性数据对应的第一权重值和预估属性数据对应的第二权重值，对所述属性数据和预估属性数据进行加权平均计算，得到计算结果。73.可以理解的是，分类方式可以为多种，确定的预估属性数据也可以为多个。一个预估属性数据可以对应一个第二权重值。74.可以理解的是，第一权重值和第二权重值均可以根据实际业务需求预先配置。第一权重值和第二权重值可以相同或者不同。第一权重值可以为一个权重值，第二权重值可以包括多个权重值。75.这样，在本实现方式中，可以通过利用图像中的对象的各属性类别的概率对指定对象的属性数据进行调整，即可以实现将图像中的对象的属性数据和各属性类别的概率进行融合约束，使得所获得调整后的属性数据更加准确，从而进一步地提升了图像识别的准确度。76.需要说明的是，基于本实现方式中所提供的获得调整处理之后的指定对象的属性数据的多种具体实现过程，可以结合前述实现方式中所提供的多种具体实现过程，来实现本实施例的图像识别的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。77.可选地，在本实施例的一个可能的实现方式中，在101之前，还可以进一步地利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，和/或，对待训练的属性类别预测模型进行训练，以获得预设的属性类别预测模型。78.在该实现方式中，图像训练数据可以是包括了属性值标签和属性类别标签的图像训练样本数据。79.在该实现方式的一个具体实现过程中，可以根据属性类别的至少一种分类方式，获得至少一种分类方式的预设的属性类别预测模型，进而可以利用图像训练数据，对待训练的至少一种分类方式的预设的属性类别预测模型进行训练，以获得至少一种预设的属性类别预测模型。80.在具体实现过程中，图像训练数据的属性类别标签可以包括至少一种分类方式的属性类别标签。例如，图像训练数据的属性类别标签可以包括三分类的属性类别标签、五分类的属性类别标签和十分类的属性类别标签。81.在该实现方式的另一个具体实现过程中，可以根据属性类别的至少一种分类方式，获得至少一种分类方式的预设的属性类别预测模型，进而可以利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，以及利用图像训练数据，对待训练的至少一种分类方式的预设的属性类别预测模型进行训练，以获得至少一种预设的属性类别预测模型。82.这样，在本实现方式中，可以通过利用图像训练数据进行模型训练，可以获得识别效果更好的预设的属性预测模型和预设的属性类别预测模型，可以进一步地提升了图像识别的准确性，从而进一步地提升了基于图像识别的身份验证操作的可靠性。83.需要说明的是，基于本实现方式中所提供的模型训练的实现方式，可以结合前述实现方式中所提供的多种具体实现过程，来实现本实施例的图像识别的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。84.本实施例中，可以通过获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。85.另外，采用本实施例所提供的技术方案，可以通过利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息，可以获取到更加准确有效地图像特征信息，便于后续可以基于该图像特征信息，获得更加准确有效地图像中对象的属性数据，进而提升了图像识别的准确度86.另外，采用本实施例所提供的技术方案，可以通过预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，得到指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率，以便于后续可以将指定对象的属性数据和各属性类别的概率进行融合处理，实现对指定对象的属性数据的调整，从而进一步地提高了所获得的图像中对象的属性数据的准确性，提升了图像识别的准确度。87.而且，通过利用根据属性类别对应至少一种分类方式所确定的至少一个预设的属性类别预测模型，获得指定对象所属至少两个属性类别中各属性类别的概率，而且后续可以基于多个属性类别的概率对属性数据进行调整。由此，基于细化了的属性类别的分类，可以识别出更准确地对象所属的属性类别的概率，进而进一步地提升了所获得调整后的属性数据准确性。88.另外，可以通过利用图像中的对象的各属性类别的概率对指定对象的属性数据进行调整，即可以实现将图像中的对象的属性数据和各属性类别的概率进行融合约束，使得所获得调整后的属性数据更加准确，从而进一步地提升了图像识别的准确度。89.另外，可以通过利用图像训练数据进行模型训练，可以获得识别效果更好的预设的属性预测模型和预设的属性类别预测模型，可以进一步地提升了图像识别的准确性，从而进一步地提升了基于图像识别的身份验证操作的可靠性。90.图2是根据本公开第二实施例的示意图，如图2所示。91.201、获取待处理图像。92.在本实施例中，该待处理图像可以包括采集的人脸图像。93.202、利用预设的神经网络，对待处理图像进行特征提取，以获取图像特征信息。94.203、利用预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，以获得待处理图像中指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率。95.在本实施例中，预设的属性预测模型可以是回归模型，预设的属性类别预测模型可以是分类模型。96.在本实施例中，可以利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，以及利用图像训练数据，对待训练的属性类别预测模型进行训练，以获得预设的属性类别预测模型。97.具体地，若属性类别的分类方式包括三分类、五分类和十分类，则模型训练的过程可以如图3所示。98.在模型训练过程中，可以先利用神经网络(backbone)对图像训练数据进行特征提取，得到图像特征信息。然后，将图像特征信息输入到待训练的属性预测模型和至少一个待训练的属性类别预测模型中，得到对应的属性数据、各属性类别的概率。再根据各属性类别的概率，对属性数据进行调整处理，获得调整后的属性数据。最后，若满足模型训练终止条件，则可以获得预设的属性预测模型和至少一个预设的属性类别预测模型。99.可以理解的是，属性类别1可以是三分类方式对应的属性类别的概率，属性类别2可以是五分类方式对应的属性类别的概率，属性类别3可以是十分类方式对应的属性类别的概率。100.可以理解的是，神经网络、预设的属性预测模型和至少一个预设的属性类别预测模型可以构成一个图像识别模型。因此，可以利用图像训练数据对待训练的图像识别模型进行训练，以获得该图像识别模型。101.204、根据属性数据对应的第一权重值和各属性类别的概率对应的第二权重值，对属性数据和各属性类别的概率进行加权处理。102.205、根据加权处理的结果，获得调整处理之后的属性数据。103.至此，后续可以根据所获得的调整处理之后的属性数据，对指定对象进行相应地身份验证操作。104.可以理解的是，属性数据可以是包括生物属性特征数据，例如，年龄等。105.可以理解的是，对于属性类别的不同的分类方式，若分类方式为三分类，可以将年龄划分为三个年龄段，例如，0至20(小孩)，21至60(中青年)，61及以上(老年)。106.若分类方式为五分类，可以将年龄划分为五个年龄段，例如，0至10(小孩)，11至20(少年)，21至40(青年)，41至60(中年)，61及以上(老年)。107.若分类方式为十分类，可以将年龄划分为十个年龄段，例如，0至100，以10岁为一个年龄段，划分十个年龄段。108.采用本实施例所提供的技术方案，获取待处理图像的图像特征信息，进而可以根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。109.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。110.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。111.图4是根据本公开第三实施例的示意图，如图4所示。本实施例的图像识别的装置400可以包括获取单元401、获得单元402和调整单元403，其中，获取单元401，用于获取待处理图像的图像特征信息；获得单元402，用于根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率；其中，所述各属性类别对应至少一种分类方式；调整单元403，用于根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据。112.需要说明的是，本实施例的图像识别的装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的图像处理平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。113.可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeapp)，或者还可以是本地终端上的浏览器的一个网页程序(webapp)，本实施例对此不进行限定。114.可选地，在本实施例的一个可能的实现方式中，所述获取单元401，可以具体用于利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息。115.可选地，在本实施例的一个可能的实现方式中，所述获得单元402，可以具体用于利用预设的属性预测模型和至少一个预设的属性类别预测模型，分别对所述图像特征信息进行识别，以获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率。116.可选地，在本实施例的一个可能的实现方式中，所述调整单元403，具体用于根据所述属性数据对应的第一权重值和所述各属性类别的概率对应的第二权重值，对所述属性数据和所述各属性类别的概率进行加权处理，根据所述加权处理的结果，获得所述调整处理之后的属性数据。117.可选地，在本实施例的一个可能的实现方式中，所述获取单元401，还可以用于利用图像训练数据，对待训练的属性预测模型进行训练，以获得预设的属性预测模型，和/或，对待训练的属性类别预测模型进行训练，以获得预设的属性类别预测模型。118.本实施例中，通过获取单元获取待处理图像的图像特征信息，进而可以由获得单元根据所述图像特征信息，获得所述待处理图像中指定对象的属性数据，以及所述指定对象所属至少两个属性类别中各属性类别的概率，使得调整单元能够根据所述各属性类别的概率，对所述属性数据进行调整处理，以获得所述调整处理之后的属性数据，由于利用了所获得的指定对象对应的各属性类别的概率，对指定对象的属性数据进行调整处理，来获得调整处理之后的属性数据，可以更加准确地识别出图像中的指定对象的属性数据，从而提升了基于图像识别的身份验证操作的可靠性。119.另外，采用本实施例所提供的技术方案，可以通过利用预设的神经网络，对待处理图像进行特征提取，以获取所述图像特征信息，可以获取到更加准确有效地图像特征信息，便于后续可以基于该图像特征信息，获得更加准确有效地图像中对象的属性数据，进而提升了图像识别的准确度120.另外，采用本实施例所提供的技术方案，可以通过预设的属性预测模型和至少一个预设的属性类别预测模型，分别对图像特征信息进行识别，得到指定对象的属性数据，以及指定对象所属至少两个属性类别中各属性类别的概率，以便于后续可以将指定对象的属性数据和各属性类别的概率进行融合处理，实现对指定对象的属性数据的调整，从而进一步地提高了所获得的图像中对象的属性数据的准确性，提升了图像识别的准确度。121.而且，通过利用根据属性类别对应至少一种分类方式所确定的至少一个预设的属性类别预测模型，获得指定对象所属至少两个属性类别中各属性类别的概率，而且后续可以基于多个属性类别的概率对属性数据进行调整。由此，基于细化了的属性类别的分类，可以识别出更准确地对象所属的属性类别的概率，进而进一步地提升了所获得调整后的属性数据准确性。122.另外，可以通过利用图像中的对象的各属性类别的概率对指定对象的属性数据进行调整，即可以实现将图像中的对象的属性数据和各属性类别的概率进行融合约束，使得所获得调整后的属性数据更加准确，从而进一步地提升了图像识别的准确度。123.另外，可以通过利用图像训练数据进行模型训练，可以获得识别效果更好的预设的属性预测模型和预设的属性类别预测模型，可以进一步地提升了图像识别的准确性，从而进一步地提升了基于图像识别的身份验证操作的可靠性。124.本公开的技术方案中，所涉及的用户个人信息，例如，用户的图像和属性数据等的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。125.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。126.图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。127.如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。128.电子设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。129.计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如图像识别的方法。例如，在一些实施例中，图像识别的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到ram503并由计算单元501执行时，可以执行上文描述的图像识别的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像识别的方法。130.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。131.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。132.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。133.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。134.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。135.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。136.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。137.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
