一种基于智能AI提高图像识别准确率的系统的制作方法

一种基于智能ai提高图像识别准确率的系统
技术领域
1.本发明涉及图像处理领域，具体地，涉及一种基于智能ai提高图像识别准确率的系统。


背景技术：

2.图像是与视觉相关，且最贴近生活的信息，它是客观世界的物体直接或间接作用于人眼而产生视觉的实体。传统的图像处理技术就是对图像进行保存、处理、压缩、传输和重现。随着信息时代的到来，图像处理技术飞速发展,推动了图像识别技术的产生和发展。图像识别是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术。图像识别技术已广泛运用于面部识别、指纹识别、医疗诊断、航空航天等诸多领域,发挥着巨大的作用。同时，人工智能（ai）也是信息时代的重要产物，日新月异的人工智能（ai）技术时时刻刻影响着科学技术的发展。将图像识别与人工智能（ai）结合，研究设计一种优化图像识别准确率的系统，具有重要的现实意义。
3.现有技术中，存在针对图像识别的效果不佳，进而造成图像识别准确率不高的技术问题。


技术实现要素：

4.本技术提供了一种基于智能ai提高图像识别准确率的系统，解决了现有技术中的针对图像识别的效果不佳，进而造成图像识别准确率不高的技术问题。
5.鉴于上述问题，本技术提供了一种基于智能ai提高图像识别准确率的系统。
6.本技术的第一个方面，提供了一种基于智能ai提高图像识别准确率的系统，所述系统包括：第一执行单元，所述第一执行单元用于采集获取第一目标区域影像集合，其中，所述目标区域为第一目标所处的区域；第一获得单元，所述第一获得单元用于采用生成式对抗网络模型，根据所述第一目标区域影像集合，生成获得多个第二目标区域影像集合；第二执行单元，所述第二执行单元用于对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行预处理，得到多个第一影像集合和多个第二影像集合；第二获得单元，所述第二获得单元用于根据所述多个第一影像集合内影像的色阶变化程度，进行权重分配，获得第一权重分配结果；第三执行单元，所述第三执行单元用于将所述多个第一影像集合和所述多个第二影像集合输入影像识别分析模型，得到多个第一输出结果和多个第二输出结果；第四执行单元，所述第四执行单元用于根据所述第一权重分配结果对所述多个第一输出结果进行加权调整，结合所述多个第二输出结果，得到第一目标识别结果。
7.本技术的第二个方面，提供了一种基于智能ai提高图像识别准确率的方法，所述方法包括：采集获取第一目标区域影像集合，其中，所述目标区域为第一目标所处的区域；采用生成式对抗网络模型，根据所述第一目标区域影像集合，生成获得多个第二目标区域影像集合；对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行
预处理，得到多个第一影像集合和多个第二影像集合；根据所述多个第一影像集合内影像的色阶变化程度，进行权重分配，获得第一权重分配结果；将所述多个第一影像集合和所述多个第二影像集合输入影像识别分析模型，得到多个第一输出结果和多个第二输出结果；根据所述第一权重分配结果对所述多个第一输出结果进行加权调整，结合所述多个第二输出结果，得到第一目标识别结果。
8.本技术的第三个方面，提供了一种基于智能ai提高图像识别准确率的系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如第一方面所述的系统。
9.本技术的第四个方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的系统。
10.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：采集获取第一目标区域影像集合；利用生成式对抗网络模型，获得多个第二目标区域影像集合；对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行预处理，得到多个第一影像集合和多个第二影像集合；根据所述多个第一影像集合内影像的色阶变化程度，获得第一权重分配结果；将所述多个第一影像集合和所述多个第二影像集合输入影像识别分析模型，得到多个第一输出结果和多个第二输出结果；并基于此，进行加权调整，得到第一目标识别结果。本技术实施例提供的技术方案达到了提升图像识别的效果和质量，增强图像识别的准确率和精确度；同时，降低图像识别的成本，避免人力、物力等资源的浪费；为图像识别技术的进一步发展奠定基础的技术效果。
11.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
12.为了更清楚地说明本技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
13.图1为本技术一种基于智能ai提高图像识别准确率的方法的流程示意图；图2为本技术一种基于智能ai提高图像识别准确率的方法中获得第一权重分配结果的流程示意图；图3为本技术一种基于智能ai提高图像识别准确率的系统的结构示意图；图4为本技术示例性电子设备的结构示意图。
14.附图标记说明：第一执行单元11，第一获得单元12，第二执行单元13，第二获得单元14，第三执行单元15，第四执行单元16，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
15.本技术通过提供一种基于智能ai提高图像识别准确率的系统，解决了现有技术中
的针对图像识别的效果不佳，进而造成图像识别准确率不高的技术问题。达到了提升图像识别的效果和质量，增强图像识别的准确率和精确度；同时，降低图像识别的成本，避免人力、物力等资源的浪费；为图像识别技术的进一步发展奠定基础的技术效果。
16.下面，将参考附图详细的描述根据本技术的示例实施例。显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
17.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
18.图像是与视觉相关，且最贴近生活的信息。它是客观世界的物体直接或间接作用于人眼而产生视觉的实体。传统的图像处理技术就是对图像进行保存、处理、压缩、传输和重现。随着信息时代的到来，图像处理技术飞速发展,推动了图像识别技术的产生和发展。图像识别是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术。图像识别技术已广泛运用于面部识别、指纹识别、医疗诊断、航空航天等诸多领域,发挥着巨大的作用。同时，人工智能（ai）也是信息时代的重要产物，日新月异的人工智能（ai）技术时时刻刻影响着科学技术的发展。将图像识别与人工智能（ai）结合，研究设计一种优化图像识别准确率的系统，具有重要的现实意义。现有技术中，存在针对图像识别的效果不佳，进而造成图像识别准确率不高的技术问题。
19.针对上述技术问题，本技术提供的技术方案总体思路如下：本技术提供的系统，通过采集获取第一目标区域影像集合；利用生成式对抗网络模型，获得多个第二目标区域影像集合；对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行预处理，得到多个第一影像集合和多个第二影像集合；根据所述多个第一影像集合内影像的色阶变化程度，获得第一权重分配结果；将所述多个第一影像集合和所述多个第二影像集合输入影像识别分析模型，得到多个第一输出结果和多个第二输出结果；并基于此，进行加权调整，得到第一目标识别结果。
20.为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
21.实施例一请参阅附图1，本技术提供一种基于智能ai提高图像识别准确率的方法，所述方法具体包括如下步骤：s100：采集获取第一目标区域影像集合，其中，所述目标区域为第一目标所处的区域；具体而言，所述一种基于智能ai提高图像识别准确率的方法应用于一种基于智能ai提高图像识别准确率的系统。所述一种基于智能ai提高图像识别准确率的系统通过大数据采集等方式，获得第一目标区域影像集合。其中，所述第一目标包括任一使用所述一种基于智能ai提高图像识别准确率的系统进行图像识别的对象，例如，人、火车、飞机、动物等。所述目标区域为第一目标所处的区域，例如，公园、公路、学校、游乐场等。所述第一目标区域影像集合包括第一目标在其所处的区域内采集到的以时间为顺序的所有影像信息。示例性地，所述第一目标为a车辆。所述第一目标区域是该车辆正在行驶的a公路。所述第一目标区域影像集合包括a车辆在a公路上行驶时，拍摄到的以时间为顺序的所有影像数据信息。
达到了获得第一目标区域影像集合，为后续对其进行图像识别过程提供数据支持的技术效果。
22.s200：采用生成式对抗网络模型，根据所述第一目标区域影像集合，生成获得多个第二目标区域影像集合；进一步的，本技术步骤s200还包括：s210：构建并训练获得所述生成式对抗网络模型；进一步的，本技术步骤s210还包括：s211：采集所述第一目标位于所述目标区域内的第三目标区域影像集合；s212：根据所述第三目标区域影像集合，获得训练样本和测试样本；s213：构建生成模型和判别模型；s214：将所述训练样本输入所述生成模型，叠加噪声，生成获得对抗样本；s215：将所述对抗样本输入所述判别模型，区分所述对抗样本和所述训练样本；s216：对所述生成模型和判别模型进行参数更新，进行迭代；s217：直到所述判别模型无法判别生成的对抗样本和所述训练样本，得到所述生成式对抗网络模型。
23.具体而言，利用所述一种基于智能ai提高图像识别准确率的系统采集所述第一目标位于所述目标区域内的所有影像数据信息，具体可采集此前历史内该目标区域内的影像数据信息，也可为再次采集该目标区域内的影像数据信息，作为生成式对抗网络模型的构建数据。这多个影像数据信息构成第三目标区域影像集合。
24.进而，将所述第三目标区域影像集合中的数据分为训练样本和测试样本，并利用其构建生成模型和判别模型。基于现有技术中生成式对抗网络，构建生成模型和判别模型，采用该训练样本和测试样本对生成模型和判别模型进行训练。
25.将所述训练样本作为输入信息，输入所述生成模型，输出对抗样本。所述生成模型不断学习训练样本中真实数据的概率分布，将输入的随机噪声转化为可以以假乱真的数据，结合输入的训练样本输出生成的影像数据，即对抗样本。生成的对抗样本与训练样本中的数据越相似越好。进一步，将获得的对抗样本作为输入信息，输入所述判别模型。所述判别模型可以判断数据是否为真实的数据或者为生成模型生成的数据，目标是将生成模型产生的对抗样本（假样本）与训练样本（真样本）分辨开。通过这种对抗的关系，让所述识别模型和所述判别模型进行参数更新，不断迭代优化。当所述判别模型无法判别生成的对抗样本和所述训练样本时，获得生成式对抗网络模型。所述测试样本可用于测试所述生成模型和所述判别模型的拟合度、平衡状态等性能参数。同时，所述测试样本可对所述生成模型和所述判别模型的性能优劣作出判断，进一步提高构建的生成式对抗网络模型的精确度。
26.所述生成模型和所述判别模型包括于所述生成式对抗网络模型。所述生成模型和所述判别模型是对抗的关系，所述生成模型要尽可能生成出让所述判别模型失败的样本，而所述判别模型要尽可能识别出所述生成模型的假样本。所述生成式对抗网络就是通过这种对抗的关系，让所述生成模型和所述判别模型进行博弈。同时，训练的过程中通过相互竞争使所述生成模型和所述判别模型得到增强，不断优化，进而获得准确度较高的所述生成模型和所述判别模型。所述生成式对抗网络具有产生更加精确的样本数据、应用范围广、简单、节省时间等优点。达到了利用生成模型和判别模型，构建精确度和可靠性较高的生成式
对抗网络模型，为后续获得准确的多个第二目标区域影像集合奠定基础的技术效果。
27.s220：将所述第一目标区域影像集合内的图像按照时间顺序划分，获得第一图像集合；s230：将所述第一图像集合内的图像输入所述生成式对抗网络模型，根据每幅图像生成获得多幅图像，获得多个第二图像集合；s240：按照所述时间顺序，将所述多个第二图像集合内的图像进行排序，获得所述多个第二目标区域影像集合。
28.具体而言，在获得所述第一目标区域影像集合的基础上，利用时间顺序对所述第一目标区域影像集合内的图像进行划分，获得第一图像集合。所述第一图像集合是由所述第一目标区域影像集合内的图像按照时间顺序划分后，获得的任一图像集合。进而，将所述第一图像集合内的图像作为输入信息，输入已获得的所述生成式对抗网络模型，生成多个新的图像，输出多个第二图像集合。进而，利用时间顺序，对所述多个第二图像集合内的图像进行排序，获得所述多个第二目标区域影像集合。其中，所述多个第二图像集合是由生成式对抗网络模型对第一图像集合内的每幅图像进行图像数据维度提升等智能处理后，获得的多个图像集合。所述多个第二目标区域影像集合是对生成式对抗网络模型获得的多个第二图像集合进行时间顺序排序后，获得的影像集合。且，所述多个第二目标区域影像集合具有与所述第一目标区域影像集合类似而不相同的影像数据信息。达到了利用生成式对抗网络模型，获得多个第二目标区域影像集合，增加数据量，为后续对其进行预处理奠定基础的技术效果。
29.s300：对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行预处理，得到多个第一影像集合和多个第二影像集合；进一步的，本技术步骤s300还包括：s310：分别抽取所述第一目标区域影像集合和所述多个第二目标区域影像集合内第一预设帧数的图像，得到第一预处理影像集合；s320：对所述第一预处理影像集合进行画质增强处理，得到所述第一影像集合；s330：分别抽取所述第一目标区域影像集合和所述多个第二目标区域影像集合内第二预设帧数的图像，得到第二预处理影像集合，其中，所述第二预设帧数大于所述第一预设帧数；s340：对所述第二预处理影像集合进行画质降低处理，得到所述第二影像集合。
30.具体而言，在获得所述第一目标区域影像集合和所述多个第二目标区域影像集合的基础上，所述一种基于智能ai提高图像识别准确率的系统对图像识别过程进行综合分析、智能处理后，预先设置确定第一预设帧数、第二预设帧数。所述第一预设帧数和所述第二预设帧数均为任一帧数，但所述第二预设帧数大于所述第一预设帧数。例如，所述第一预设帧数为4帧，所述第二预设帧数为15帧。
31.进而，对所述第一目标区域影像集合和所述多个第二目标区域影像集合内第一预设帧数的图像进行抽取，获得第一预处理影像集合，并对其进行画质增强处理，得到所述第一影像集合。其中，所述第一影像集合是对所述第一预处理影像集合进行整体加工、清晰度增强、图像质量丰富等画质增强处理后，获得的任一影像集合。所述画质增强处理具有改善图像的视觉效果、提高图像成分的清晰度、使图像更有利于计算机处理、加强图像判断和识
别效果等优点。进一步，基于所述第二预设帧数，再次抽取所述第一目标区域影像集合和所述多个第二目标区域影像集合内的图像，得到第二预处理影像集合，并对其进行画质降低处理，获得所述第二影像集合。其中，所述第二影像集合是对第二预处理影像集合进行压缩、降低分辨率等画质降低处理后，获得任一影像集合。所述画质降低处理具有压缩影像数据、节省空间、提高影像传输速度等优点。达到了基于画质增强处理和画质降低处理，对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行预处理，获得多个第一影像集合和多个第二影像集合，为后续的图像处理过程奠定基础的技术效果。
32.s400：根据所述多个第一影像集合内影像的色阶变化程度，进行权重分配，获得第一权重分配结果；进一步的，如附图2所示，本技术步骤s400还包括：s410：将所述多个第一影像集合内的影像进行灰度化处理，得到多个第一灰度影像集合；s420：提取获得所述多个第一灰度影像集合内的灰度色阶值，得到多个灰度色阶分布集合；s430：分别获取所述多个灰度色阶分布集合内最大灰度值和最小灰度值的差，得到多个灰度差；s440：分别根据所述多个灰度色阶分布集合进行灰度色阶值聚类，获得多个灰度聚类集合；s450：根据所述多个灰度差和多个灰度聚类集合进行权重分配，得到所述第一权重分配结果。
33.具体而言，在获得多个第一影像集合的基础上，对其进行灰度化处理，得到多个第一灰度影像集合。其中，所述灰度化处理是指将彩色图像转化成为灰度图像的过程。彩色图像中的每个像素的颜色有r、g、b三个分量决定，而每个分量有255个阶值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。而灰度图像是r、g、b三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为0至225。经过灰度化处理的多个第一影像集合只包含亮度信息，不包含色彩信息。即获得的多个第一灰度影像集合去除图像的色彩信息，只留下亮度信息，同时，多个第一灰度影像集合仍然反映了多个第一影像集合中的整体及局部的色度和亮度信息。可采用最大值法、平均值法、加权平均法等方法进行灰度化处理。所述灰度化处理具有减小图像原始数据量、便于对图像进行分析计算等优点。
34.进一步，对获得的所述多个第一灰度影像集合进行灰度色阶值提取，获得多个灰度色阶分布集合。其中，所述灰度色阶值的变化范围为0至225，与灰度图像的像素点的变化范围相同。所述多个灰度色阶分布集合可表征所述多个第一灰度影像集合内像素点灰度色阶值的变化数据信息。进而，依次提取所述多个灰度色阶分布集合内最大灰度值和最小灰度值，并对其进行计算获得多个灰度差。
35.进一步，利用聚类分析，对所述多个灰度色阶分布集合进行灰度色阶值聚类，获得多个灰度聚类集合，并基于所述多个灰度聚类集合和所述多个灰度差进行权重分配，得到所述第一权重分配结果。其中，所述聚类分析是在面临较为复杂的研究对象时，将相似的研究对象归成类，使得类与类间对象的同质性最大化或类间对象的异质性最大化，即使得同一类中的个体有较大的相似性，不同类中的个体间差异很大。聚类分析的方法有系统聚类
法、模糊聚类法、动态聚类法等多种类型的方法。聚类分析具有对研究对象进行分类，减少研究对象的数目，简单快速，易于理解及实现等优点。所述多个灰度聚类集合是将所述多个灰度色阶分布集合中的数据信息按照一定的灰度色阶值进行聚类，获得的集合。同一灰度聚类集合中的数据信息具有相同的灰度色阶值范围，不同灰度聚类集合之间的灰度色阶值范围有差异。示例性地，将所述多个灰度色阶分布集合中灰度色阶值范围在100至150之间的数据信息进行聚类，获得一灰度聚类集合。若某一灰度色阶值范围内的数据信息较少，则不聚类。聚类结果越多，聚类结果分布越均匀的图像内，图像的色彩变化程度越大，有利于识别获得目标位置，进而设置较大的权重，反之，聚类结果越少，聚类结果分布不均匀的图像内，图像的色彩变化程度较小，不利于进行识别，设置较小的权重。
36.而在上述的多个灰度差内，灰度差越大，则图像的色彩反差越大，有利于进行目标和目标位置的识别，设置较大的权重，反之则设置较小的权重。
37.在获得所述第一权重分配结果的过程中，可选的，按照所述多个灰度差的大小和多个灰度聚类集合进行两次的权重分配，具体的权重分配过程可采用现有技术中任意的权重分配方法，例如专家法等，完成权重分配，得到第一权重分配结果。达到了利用灰度化处理、权重分配等手段，对所述多个第一影像集合进行处理，获得准确性和适配度较高的第一权重分配结果的技术效果。
38.进一步的，本技术步骤s450还包括：s451：分别根据所述多个灰度差的差值大小，进行权重分配，获得第二权重分配结果；s452：分别根据所述多个灰度聚类集合内的聚类结果的数量以及聚类结果之间的灰度差，进行权重分配，得到第三权重分配结果；s453：根据所述第三权重分配结果对所述第二权重分配结果进行加权处理，得到所述第一权重分配结果。
39.具体而言，在获得所述多个灰度差和所述多个灰度聚类集合的基础上，利用所述多个灰度差的差值大小，进行权重分配，获得第二权重分配结果。示例性地，若所述多个灰度差中最大的差值为b，则获得第二权重分配结果中b对应的权重值较高，所述多个灰度差中其它灰度差对应的权重值较低。进而，计算所述多个灰度聚类集合内的聚类结果的数量以及聚类结果之间的灰度差，并根据其进行权重分配，获得第三权重分配结果，具体的权重分配过程与上述权重分配过程类似。进一步，依据所述第三权重分配结果内的各权重值，对所述第二权重分配结果进行加权处理，并进行重分配，使权重值之和为1，获得所述第一权重分配结果。所述第一权重分配结果包括所述多个第一灰度影像集合的多个灰度差，并根据多个灰度聚类集合内的聚类结果的数量以及聚类结果之间的灰度差进行加权。示例性地，如果所述第三权重分配结果中所述多个灰度聚类集合内的聚类结果的数量对应的权重值较高，则加权处理后的所述第二权重分配结果，即所述第一权重分配结果中所述多个灰度聚类集合内的聚类结果的数量对应的权重值也较高。达到了利用第三权重分配结果对第二权重分配结果进行加权处理，获得精确度较高的所述第一权重分配结果，进而提高第一目标识别结果的准确性和合理性的技术效果。
40.s500：将所述多个第一影像集合和所述多个第二影像集合输入影像识别分析模型，得到多个第一输出结果和多个第二输出结果；
进一步的，本技术步骤s500还包括：s510：构建所述影像识别分析模型，其中，所述影像识别分析模型包括第一识别通道和第二识别通道；s520：将所述多个第一影像集合输入所述第一识别通道，获得所述多个第一识别结果；s530：将所述多个第二影像集合输入所述第二识别通道，获得所述多个第二识别结果。
41.具体而言，所述影像识别分析模型是一个slowfast神经网络模型，包括slow通道和fast通道，且均为卷积神经网络，均包括输入层、卷积层、池化层和全连接层。优选地，本技术所采用的第一识别通道为slow通道，第二识别通道为fast通道。将所述多个第一影像集合作为输入信息，输入所述第一识别通道，所述第一识别通道以低帧率、低时间分辨率运行，学习空间语义信息，分析静态内容，能够识别低帧率、高画面质量的图像内的静态内容，进而分析目标所处位置，输出多个第一识别结果，所述多个第一识别结果表征所述多个第一影像集合中的空间信息。将所述多个第二影像集合作为输入信息，输入所述第二识别通道，所述第二识别通道以高帧率、高时间分辨率运行，分析动态内容，捕捉快速变化的动作信息，例如捕捉目标的移动轨迹，输出多个第二识别结果，所述第二识别结果表征所述多个第二影像集合在时间维度上的变化信息。所述第二识别通道具有通道数量少、轻量级等优点。所述影像识别分析模型利用slow通道和fast通道，分别从空间维度和时间维度上处理输入信息，可进一步提高图像识别结果的准确性。达到了利用影像识别分析模型，提高多个第一输出结果和多个第二输出结果的准确性的技术效果。
42.s600：根据所述第一权重分配结果对所述多个第一输出结果进行加权调整，结合所述多个第二输出结果，得到第一目标识别结果。
43.具体而言，在获得所述多个第一识别结果和所述多个第二识别结果的基础上，利用所述第一权重分配结果对所述多个第一输出结果进行加权调整，并结合所述多个第二输出结果，获得第一目标识别结果。其中，第一目标识别结果可表征第一目标的位置等数据信息。示例性地，某第一输出结果反映第一目标处于某位置d，该第一输出结果对应的第一影像集合在第一权重分配结果内的权重值为d；某第二输出结果反映第一目标处于某位置e，其权重为e，进行加权，最后获得目标所处概率最大的位置，作为位置的输出结果即第一目标识别结果。二多个第二输出结果内包括目标的移动轨迹，例如从南向北移动离开目标区域，如此，得到第一目标识别结果，达到了提升图像识别的效果和质量，增强图像识别的准确率和精确度；同时，降低图像识别的成本，避免人力、物力等资源的浪费；为图像识别技术的进一步发展奠定基础的技术效果。
44.综上所述，本技术所提供的一种基于智能ai提高图像识别准确率的方法具有如下技术效果：1.通过采集获取第一目标区域影像集合；利用生成式对抗网络模型，获得多个第二目标区域影像集合；对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行预处理，得到多个第一影像集合和多个第二影像集合；根据所述多个第一影像集合内影像的色阶变化程度，获得第一权重分配结果；将所述多个第一影像集合和所述多个第二影像集合输入影像识别分析模型，得到多个第一输出结果和多个第二输出结果；并
基于此，进行加权调整，得到第一目标识别结果。达到了提升图像识别的效果和质量，增强图像识别的准确率和精确度；同时，降低图像识别的成本，避免人力、物力等资源的浪费；为图像识别技术的进一步发展奠定基础的技术效果。
45.2.生成式对抗网络模型中的生成模型和所述判别模型是对抗的关系，所述生成模型要尽可能生成出让所述判别模型失败的样本，而所述判别模型要尽可能识别出所述生成模型的假样本。所述生成式对抗网络就是通过这种对抗的关系，让所述生成模型和所述判别模型进行博弈。同时，训练的过程中通过相互竞争使所述生成模型和所述判别模型得到增强，不断优化，进而获得准确度较高的所述生成模型和所述判别模型。所述生成式对抗网络具有产生更加精确的样本数据、应用范围广、简单、节省时间等优点。达到了利用生成模型和判别模型，构建精确度和可靠性较高的生成式对抗网络模型，为后续获得准确的多个第二目标区域影像集合奠定基础的技术效果。
46.3.所述灰度化处理是指将彩色图像转化成为灰度图像的过程。经过灰度化处理的多个第一影像集合只包含亮度信息，不包含色彩信息。即获得的多个第一灰度影像集合去除图像的色彩信息，只留下亮度信息，同时，多个第一灰度影像集合仍然反映了多个第一影像集合中的整体及局部的色度和亮度信息。可采用最大值法、平均值法、加权平均法等方法进行灰度化处理。所述灰度化处理具有减小图像原始数据量、便于对图像进行分析计算等优点。
47.4.所述影像识别分析模型是一个slowfast神经网络模型，包括slow通道和fast通道。优选地，本技术所采用的第一识别通道为slow通道，第二识别通道为fast通道。将所述多个第一影像集合作为输入信息，输入所述第一识别通道，所述第一识别通道以低帧率、低时间分辨率运行，学习空间语义信息，分析静态内容，输出多个第一识别结果，所述多个第一识别结果表征所述多个第一影像集合中的空间信息。将所述多个第二影像集合作为输入信息，输入所述第二识别通道，所述第二识别通道以高帧率、高时间分辨率运行，分析动态内容，捕捉快速变化的动作信息，输出多个第二识别结果，所述第二识别结果表征所述多个第二影像集合在时间维度上的变化信息。所述第二识别通道具有通道数量少、轻量级等优点。所述影像识别分析模型利用slow通道和fast通道，分别从空间维度和时间维度上处理输入信息，可进一步提高图像识别结果的准确性。
48.实施例二基于与前述实施例中一种基于智能ai提高图像识别准确率的方法，同样发明构思，本发明还提供了一种基于智能ai提高图像识别准确率的系统，请参阅附图3，所述系统包括：第一执行单元11，所述第一执行单元11用于采集获取第一目标区域影像集合，其中，所述目标区域为第一目标所处的区域；第一获得单元12，所述第一获得单元12用于采用生成式对抗网络模型，根据所述第一目标区域影像集合，生成获得多个第二目标区域影像集合；第二执行单元13，所述第二执行单元13用于对所述第一目标区域影像集合和所述多个第二目标区域影像集合内的影像进行预处理，得到多个第一影像集合和多个第二影像集合；第二获得单元14，所述第二获得单元14用于根据所述多个第一影像集合内影像的
色阶变化程度，进行权重分配，获得第一权重分配结果；第三执行单元15，所述第三执行单元15用于将所述多个第一影像集合和所述多个第二影像集合输入影像识别分析模型，得到多个第一输出结果和多个第二输出结果；第四执行单元16，所述第四执行单元16用于根据所述第一权重分配结果对所述多个第一输出结果进行加权调整，结合所述多个第二输出结果，得到第一目标识别结果。
49.进一步的，所述系统还包括：第三获得单元，所述第三获得单元用于构建并训练获得所述生成式对抗网络模型；第四获得单元，所述第四获得单元用于将所述第一目标区域影像集合内的图像按照时间顺序划分，获得第一图像集合；第五获得单元，所述第五获得单元用于将所述第一图像集合内的图像输入所述生成式对抗网络模型，根据每幅图像生成获得多幅图像，获得多个第二图像集合；第六获得单元，所述第六获得单元用于按照所述时间顺序，将所述多个第二图像集合内的图像进行排序，获得所述多个第二目标区域影像集合。
50.进一步的，所述系统还包括：第五执行单元，所述第五执行单元用于采集所述第一目标位于所述目标区域内的第三目标区域影像集合；第七获得单元，所述第七获得单元用于根据所述第三目标区域影像集合，获得训练样本和测试样本；第六执行单元，所述第六执行单元用于构建生成模型和判别模型；第八获得单元，所述第八获得单元用于将所述训练样本输入所述生成模型，叠加噪声，生成获得对抗样本；第七执行单元，所述第七执行单元用于将所述对抗样本输入所述判别模型，区分所述对抗样本和所述训练样本；第八执行单元，所述第八执行单元用于对所述生成模型和判别模型进行参数更新，进行迭代；第九执行单元，所述第九执行单元用于直到所述判别模型无法判别生成的对抗样本和所述训练样本，得到所述生成式对抗网络模型。
51.进一步的，所述系统还包括：第十执行单元，所述第十执行单元用于分别抽取所述第一目标区域影像集合和所述多个第二目标区域影像集合内第一预设帧数的图像，得到第一预处理影像集合；第十一执行单元，所述第十一执行单元用于对所述第一预处理影像集合进行画质增强处理，得到所述第一影像集合；第十二执行单元，所述第十二执行单元用于分别抽取所述第一目标区域影像集合和所述多个第二目标区域影像集合内第二预设帧数的图像，得到第二预处理影像集合，其中，所述第二预设帧数大于所述第一预设帧数；第十三执行单元，所述第十三执行单元用于对所述第二预处理影像集合进行画质降低处理，得到所述第二影像集合。
52.进一步的，所述系统还包括：
第十四执行单元，所述第十四执行单元用于将所述多个第一影像集合内的影像进行灰度化处理，得到多个第一灰度影像集合；第十五执行单元，所述第十五执行单元用于提取获得所述多个第一灰度影像集合内的灰度色阶值，得到多个灰度色阶分布集合；第十六执行单元，所述第十六执行单元用于分别获取所述多个灰度色阶分布集合内最大灰度值和最小灰度值的差，得到多个灰度差；第九获得单元，所述第九获得单元用于分别根据所述多个灰度色阶分布集合进行灰度色阶值聚类，获得多个灰度聚类集合；第十七执行单元，所述第十七执行单元用于根据所述多个灰度差和多个灰度聚类集合进行权重分配，得到所述第一权重分配结果。
53.进一步的，所述系统还包括：第十获得单元，所述第十获得单元用于分别根据所述多个灰度差的差值大小，进行权重分配，获得第二权重分配结果；第十八执行单元，所述第十八执行单元用于分别根据所述多个灰度聚类集合内的聚类结果的数量以及聚类结果之间的灰度差，进行权重分配，得到第三权重分配结果；第十九执行单元，所述第十九执行单元用于根据所述第三权重分配结果对所述第二权重分配结果进行加权处理，得到所述第一权重分配结果。
54.进一步的，所述系统还包括：第二十执行单元，所述第二十执行单元用于构建所述影像识别分析模型，其中，所述影像识别分析模型包括第一识别通道和第二识别通道；第十一获得单元，所述第十一获得单元用于将所述多个第一影像集合输入所述第一识别通道，获得所述多个第一识别结果；第十二获得单元，所述第十二获得单元用于将所述多个第二影像集合输入所述第二识别通道，获得所述多个第二识别结果。
55.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于智能ai提高图像识别准确率的方法和具体实例同样适用于本实施例的一种基于智能ai提高图像识别准确率的系统，通过前述对一种基于智能ai提高图像识别准确率的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于智能ai提高图像识别准确率的系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
56.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
57.示例性电子设备下面参考图4来描述本技术的电子设备。
58.基于与前述实施例中一种基于智能ai提高图像识别准确率的方法相同的发明构
思，本技术还提供了一种基于智能ai提高图像识别准确率的系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
59.该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标总线或扩展工业标准结构总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
60.处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本技术方案程序执行的集成电路。通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网，无线局域网，有线接入网等。存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
61.其中，存储器301用于存储执行本技术方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本技术提供的一种基于智能ai提高图像识别准确率的系统。
62.可选的，本技术中的计算机执行指令也可以称之为应用程序代码，本技术对此不作具体限定。
63.本技术解决了现有技术中的针对图像识别的效果不佳，进而造成图像识别准确率不高的技术问题。达到了提升图像识别的效果和质量，增强图像识别的准确率和精确度；同时，降低图像识别的成本，避免人力、物力等资源的浪费；为图像识别技术的进一步发展奠定基础的技术效果。
64.本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术的范围，也不表示先后顺序。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a
ꢀ‑
b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
65.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可
以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
66.本技术中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
67.本技术中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
68.尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。
69.相应地，本说明书和附图仅仅是本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。