一种图像识别方法、装置、电子设备及存储介质与流程

1.本公开涉及图像识别技术领域，尤其涉及一种图像识别方法、装置、电子设备及存储介质。


背景技术：

2.相关技术中，采用深度学习模型进行图像识别，可以得到较为准确的识别结果；然后，深度学习模型的体积通常较大，对硬件平台的算力要求较高，例如，在无法使用图形处理器(graphics processing unit，gpu)或其他并行运算模式的硬件平台，利用深度学习模型进行图像识别的速度较慢。


技术实现要素：

3.有鉴于此，本公开提出了一种图像识别方法、装置、电子设备及存储介质。
4.根据本公开的一方面，提供了一种图像识别方法，所述方法包括：
5.获取待识别图像；
6.对所述待识别图像及预设模板图像进行拼接，得到拼接图像；
7.将所述拼接图像输入到深度学习模型中，得到所述待识别图像的识别结果；其中，所述深度学习模型为利用拼接图像训练样本训练所得到。
8.在一种可能的实现方式中，所述拼接图像包括所述待识别图像与所述预设模板图像的重叠区域对应的图像。
9.在一种可能的实现方式中，所述拼接图像包括多个单通道子图像；
10.所述对所述待识别图像及预设模板图像进行拼接，得到拼接图像，包括：提取所述待识别图像对应的至少一个单通道子图像，及所述预设模板图像中对应的至少一个单通道图像，得到所述多个单通道子图像。
11.在一种可能的实现方式中，所述对所述待识别图像及预设模板图像进行拼接，得到拼接图像，包括：
12.获取所述待识别图像中第一像素点对应的第一通道的第一像素值，及所述预设模板图像中所述第一像素点对应的所述第一通道的第二像素值；
13.计算所述第一像素值与所述第二像素值的差值，并将所述差值作为所述拼接图像中所述第一像素点对应的所述第一通道的像素值。
14.在一种可能的实现方式中，所述拼接图像包括拼接二值图像；
15.所述对所述待识别图像及预设模板图像进行拼接，得到拼接图像，包括：
16.将所述待识别图像进行二值化处理，得到第一二值图像；
17.将所述预设模板图像进行二值化处理，得到第二二值图像；
18.对所述第一二值图像及所述第二二值图像进行拼接，得到所述拼接二值图像。
19.在一种可能的实现方式中，所述对所述第一二值图像及所述第二二值图像进行拼接，得到所述拼接二值图像，包括：
20.计算所述第一二值图像中第一像素点的像素值的二倍与所述第二二值图像中所述第一像素点的像素值的和值，并将所述和值作为所述拼接二值图像中所述第一像素点的像素值。
21.在一种可能的实现方式中，所述将所述拼接图像输入到深度学习模型中，得到所述待识别图像的识别结果，包括：
22.对所述拼接图像进行降采样，得到降采样后的图像；
23.将所述降采样后的图像，输入到所述深度学习模型中，得到所述待识别图像的识别结果。
24.在一种可能的实现方式中，所述方法还包括：
25.获取所述拼接图像训练样本及所述拼接图像训练样本对应的识别结果；
26.利用所述拼接图像训练样本及所述拼接图像训练样本对应的识别结果对预设模型进行深度学习训练，得到所述深度学习模型。
27.根据本公开的另一方面，提供了一种图像识别装置，包括：
28.第一模块，用于获取待识别图像；
29.第二模块，用于对所述待识别图像及预设模板图像进行拼接，得到拼接图像；
30.第三模块，用于将所述拼接图像输入到深度学习模型中，得到所述待识别图像的识别结果；其中，所述深度学习模型为利用拼接图像训练样本训练所得到。
31.根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
32.根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
33.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
34.本公开实施例中，通过对待识别图像及预设模板图像进行拼接，得到拼接图像，从而实现了待识别图像与预设模板图像的初步快速匹配，简化了图像信息；这样，将初步匹配所得到的拼接图像输入到深度学习模型，有效降低了对深度学习模型的层数、模型中神经元数量的要求，深度学习模型的复杂性有效降低，这样，在算力有限的硬件环境下，例如在无法使用gpu或其他并行运算模式的硬件平台，仍可以使用深度学习模型进行快速准确的图像识别，从而实现在保证图像识别准确率的同时，有效降低了对硬件平台的算力要求。
35.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
36.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
37.图1示出根据本公开一实施例的一种图像识别方法的流程图。
38.图2示出根据本公开一实施例的一种图像拼接的示意图。
39.图3示出根据本公开一实施例的一种图像识别装置的结构图。
40.图4示出根据本公开一实施例的一种用于图像识别的电子设备的结构框图。
具体实施方式
41.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
42.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
43.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
44.图1示出根据本公开一实施例的一种图像识别方法的流程图。该方法可应用于服务器、终端等能用于实现图像识别的设备，如图1所示，该方法可以包括：
45.步骤101、获取待识别图像。
46.作为一个示例，待识别图像可以为待识别指纹图像；例如，可以为用户在手机上进行指纹识别时，手机上配置的光学指纹传感器所采集的用户指纹图像。
47.步骤102、对待识别图像及预设模板图像进行拼接，得到拼接图像。
48.其中，预设模板图像可以为预先存储的待比对的图像；示例性地，预设模板图像的数量可以为一个或多个。示例性地，预设模板图像的数量为多个的情况下，可以分别对待识别图像及每一预设模板图像依次进行拼接，从而得到多张拼接图像。作为一个示例，预设模板图像可以为预设的模板指纹图像，例如，可以为用户在手机上预先存储的一张或多张模板指纹图像。
49.示例性地，拼接图像可以包括待识别图像与预设模板图像的重叠区域对应的图像。可以理解的是，待识别图像与预设模板图像可能存在非重叠区域，该非重叠区域对于图像识别结果的准确性影响不大，因此，在对待识别图像及预设模板图像进行拼接时，可以保留待识别图像与预设模板图像的重叠区域对应的图像，作为拼接图像，从而有效减小拼接图像的大小，提高后续数据处理效率。
50.在一种可能的实现方式中，可以提取待识别图像的图像特征及预设模板图像的图像特征；根据待识别图像的图像特征及预设模板图像的图像特征，确定待识别图像与预设模板图像之间的位置关系；根据位置关系，对待识别图像及预设模板图像进行拼接，得到拼接图像。需要说明的是，本技术实施例中，对提取待识别图像的图像特征及预设模板图像的图像特征的方法不作限定，例如，可以通过尺度不变特征变换(scale-invariant feature transform，sift)、定向fast与旋转brief(oriented fast and rotated brief，orb)、细节点匹配(minutiae matching)等特征提取算法，提取待识别图像的图像特征及预设模板图像的图像特征。示例性地，位置关系可以通过变换矩阵的形式表示，例如，变换矩阵a可以表示为：其中，a、b、c、d、e、f、g、h为变换参数。
51.举例来说，图2示出根据本公开一实施例的一种图像拼接的示意图，如图2所示，利用特征提取算法分别提取待识别图像及预设模板图像的图像特征，并根据提取的图像特征计算变换矩阵；设预设模板图像保持不变，将待识别图像中各像素点的坐标值与该变换矩阵相乘，从而得到变换图像，然后将该变换图像与预设模板图像进行拼接，并保留拼接的重叠区域(即图中阴影区域)，从而得到拼接图像。
52.可以理解的是，在待识别图像与预设模板图像具有有效重叠区域的情况下，可以成功拼接，从而得到拼接图像，进而可以执行下述步骤103；而在待识别图像与预设模板图像不具有有效重叠区域的情况下，或者根据待识别图像的图像特征及预设模板图像的图像特征无法计算得到变换矩阵的情况下，则拼接失败，即得不到拼接图像，此时可直接判定待识别图像与预设模板图像不匹配。
53.步骤103、将拼接图像输入到深度学习模型中，得到待识别图像的识别结果；其中，深度学习模型为利用拼接图像训练样本训练所得到。
54.示例性地，拼接图像训练样本可以为图像样本与模板图像样本进行拼接所得到拼接图像；其中，拼接方式可参照上述步骤102中对待识别图像及预设模板图像进行拼接的方式。
55.该步骤中，深度学习模型为训练好的模型，训练好的模型具有自动识别待识别图像的能力，且深度学习模型具备对图像识别准确率高等特点，这样，将上述得到的拼接图像输入到该训练后的深度学习模型中，从而输出识别结果；作为一个示例，在待识别图像为待识别指纹图像时，待识别指纹图像的识别结果可以包括匹配成功或匹配失败。
56.由于上述通过对待识别图像及预设模板图像进行拼接，得到拼接图像，从而实现了待识别图像与预设模板图像的初步匹配，简化了图像信息；这样，该步骤中，将初步匹配所得到的拼接图像输入到深度学习模型，有效降低了对深度学习模型的层数、模型中神经元(kernel filter)数量的要求，示例性地，该深度学习模型的层数及每一层中神经元的个数均可以设置为较小值，深度学习模型的复杂性有效降低，可以更加快速的进行图像识别。这样，在算力有限的硬件环境下，例如在无法使用gpu或其他并行运算模式的硬件平台，仍可以使用深度学习模型进行快速准确的图像识别，从而实现在保证图像识别准确率的同时，有效降低了对硬件平台的算力要求。
57.在一种可能的实现方式中，该步骤可以包括：对拼接图像进行降采样，得到降采样后的图像；将降采样后的图像，输入到深度学习模型中，得到待识别图像的识别结果。示例性地，可以在拼接图像的大小大于预设阈值的情况下，对拼接图像进行将采样，其中，预设阈值可以根据需求进行设定，对此不作限定；这样，对拼接图像进行降采样，降采样后的图像较小，将降采样后的图像输入到深度学习模型中，从而有效减少深度学习模型的数据处理量，提高数据处理效率；例如，针对由待识别指纹图像及模板指纹图像拼接得到的拼接图像，可以利用拼接图像中纹理信息进行图像识别，因此，降采样不会降低图像识别的准确性，从而，通过降采样，在保证图像识别结果的准确性的同时，进一步提高图像识别速度。
58.作为一个示例，可以将上述得到的多个拼接图像，分别输入到深度学习模型中，得到多个初步识别结果，对多个初步识别结果进行处理，从而得到最终的识别结果。
59.在一种可能的实现方式中，该方法还可以包括：获取拼接图像训练样本及拼接图像训练样本对应的识别结果；利用拼接图像训练样本及拼接图像训练样本对应的识别结果
对预设模型进行深度学习训练，得到深度学习模型。其中，拼接图像训练样本可以包括真实拼接图像，和虚假拼接图像，示例性地，可以由采集的真实图像与模板图像进行拼接得到真实拼接图像，真实拼接图像对应的识别结果为匹配成功；例如，可以由采集的真实的指纹图像与模板指纹图像拼接得到真实拼接指纹图像，真实拼接指纹图像对应的识别结果为匹配成功。示例性地，可以由虚假图像与模板图像进行拼接得到虚假拼接图像，虚假拼接图像对应的识别结果为匹配失败，例如，可以由虚假的指纹图像与模板指纹图像进行拼接得到虚假拼接指纹图像，虚假拼接指纹图像对应的识别结果为匹配失败。
60.作为一个示例，在对预设模型训练的过程中，可以将各拼接图像训练样本及其对应的识别结果输入到预设模型中，训练预设模型中的权重参数，例如，可以将一个拼接图像训练样本输入到预设模型中，预设模型输出该拼接图像训练样本的识别结果，根据输出的该识别结果与预先已知的该拼接图像训练样本对应的识别结果，确定损失函数值，进行根据损失函数值进行反向传播，调整预设模型中的权重参数；这样，利用多个拼接图像训练样本及其对应的识别结果，重复上述训练过程，直至达到收敛，固定收敛时预设模型中的权重参数，从而得到训练好的深度学习模型。
61.下面对上述步骤102中，对待识别图像及预设模板图像进行拼接，得到拼接图像的可能实现方式进行举例说明。
62.方式一、
63.拼接图像可以包括拼接二值图像；示例性地，可以将待识别图像进行二值化处理，得到第一二值图像；将预设模板图像进行二值化处理，得到第二二值图像；对第一二值图像及第二二值图像进行拼接，得到拼接二值图像。
64.需要说明的是，本技术实施例中，对二值化处理的方法不作限定，可以根据需求，采用现有二值化处理方法。这样，对待识别图像及预设模板图像进行二值化处理，从而减少数据量，提升数据处理效率；例如，针对待识别指纹图像等利用图像中纹理信息进行识别的图像，各像素点的灰度值对于图像识别的准确性影响不大，因此，可以对待识别指纹图像及模板指纹图像进行二值化处理，从而在保证识别准确率的同时，提升后续数据处理效率。
65.在一种可能的实现方式中，对第一二值图像及第二二值图像进行拼接，得到拼接二值图像，可以包括：计算第一二值图像中第一像素点的像素值的二倍与第二二值图像中第一像素点的像素值的和值，并将和值作为拼接二值图像中第一像素点的像素值。
66.举例来说，可以通过下述公式(1)得到拼接图像i(x,y)：
67.i(x,y)＝l1(x,y)*2 i2(x,y)
…………………
(1)
68.其中，i1(x,y)为第一二值图像，i2(x,y)为第二二值图像；(x,y)为像素点的坐标。
69.在第一二值图像与第二二值图像中，各像素点的像素值可以为0或1，这样，针对任一像素点，可以根据第一二值图像与第二二值图像中该像素点的像素值，利用上述公式(1)，得到拼接二值图像中该像素点的像素值，其中，拼接二值图像中该像素点的不同像素值可以表征不同的拼接情况。例如，针对像素点(x0,y0)，若第一二值图像中该像素点l1(x0,y0)的像素值为0，第二二值图像中该像素点i2(x0,y0)的像素值为0，则由公式(1)可得，拼接二值图像中该像素点i(x0,y0)的像素值为0；若l1(x0,y0)的像素值为0，i2(x0,y0)的像素值为1，则由公式(1)可得，i(x0,y0)的像素值为1；若l1(x0,y0)的像素值为1，i2(x0,y0)的像素值为0，则由公式(1)可得，i(x0,y0)的像素值为2；若l1(x0,y0)的像素值为1，i2
(x0,y0)的像素值为1，则由公式(1)可得，i(x0,y0)的像素值为3；这样，得到的拼接二值图像中，各像素点的像素值可以取0、1、2或3，其中，拼接图像中不同像素值可以表征第一二值图像与第二二值图像中各像素点的像素值的取值情况，所得到的拼接图像可以保存更多的图像信息，进而可以将该拼接图像输入到深度学习模型，从而进一步提高图像识别的准确率。
70.方式二、
71.拼接图像可以包括多个单通道子图像；示例性地，可以提取待识别图像对应的至少一个单通道子图像，及预设模板图像中对应的至少一个单通道图像，得到多个单通道子图像。示例性地，得到的拼接图像的数量可以与单通道图像的数量相同；例如，若待识别图像与预设模板图像均为二值图，即待识别图像与预设模板图像各对应于一个单通道子图像，则可以得到两张单通道子图像，即得到两张拼接图像；再例如，若待识别图像与预设模板图像均为红绿蓝(red-green-blue，rgb)图像，即待识别图像与预设模板图像均对应于红绿蓝三个单通道子图像，则可以得到六张单通道子图像，即得到六张拼接图像。该方式中，可以利用不同的通道分离，得到多张拼接图像，进而可以将该多张拼接图像输入到深度学习模型，从而进一步提高图像识别的准确率。
72.举例来说，以拼接图像为第一二值图像及第二二值图像拼接所得到拼接二值图像为例，可以根据下述公式(2)得到两张拼接图像i(x,y,1)及i(x,y,2)：
73.i(x,y,1)＝i1(x,y),i(x,y,2)＝i2(x,y)
…………………
(2)
74.其中，i1(x,y)为第一二值图像，i2(x,y)为第二二值图像；(x,y)为像素点的坐标。
75.在第一二值图像与第二二值图像中，各像素点的像素值可以为0或1，这样，针对任一像素点，可以分别根据第一二值图像与第二二值图像中该像素点的像素值，利用上述公式(2)，得到对应的单通道子图像中该像素点的像素值。例如，针对像素点(x0,y0)，若第一二值图像中该像素点l1(x0,y0)的像素值为0，第二二值图像中该像素点i2(x0,y0)的像素值为0，则由公式(2)可得两张单通道子图像，其中，一个单通道子图像i(x,y,1)中该像素点i(x0,y0,1)的像素值为0，另一单通道子图像i(x,y,2)中该像素点i(x0,y0,2)的像素值为0；若l1(x0,y0)的像素值为0，i2(x0,y0)的像素值为1，则由公式(2)可得两张单通道子图像，其中，i(x,y,1)中该像素点i(x0,y0,1)的像素值0，i(x,y,2)中该像素点i(x0,y0,2)的像素值为1；若l1(x0,y0)的像素值为1，i2(x0,y0)的像素值为1，则由公式(2)可得两张单通道子图像，其中，i(x,y,1)中该像素点i(x0,y0,1)的像素值1，i(x,y,2)中该像素点i(x0,y0,2)的像素值为1；若l1(x0,y0)的像素值为1，i2(x0,y0)的像素值为0，则由公式(2)可得两张单通道子图像，其中，i(x,y,1)中该像素点i(x0,y0,1)的像素值1，i(x,y,2)中该像素点i(x0,y0,2)的像素值为0。这样，可以拼接得到多张单通道的图像，进而将多张单通道的图像输入到深度学习网络模型中，从而进一步提高图像识别的准确性。
76.方式三、
77.可以获取待识别图像中第一像素点对应的第一通道的第一像素值，及预设模板图像中第一像素点对应的第一通道的第二像素值；计算第一像素值与第二像素值的差值，并将该差值作为拼接图像中第一像素点对应的第一通道的像素值。其中，第一像素点为待识别图像及预设模板图像中重叠区域的任一像素点；第一通道为待识别图像及预设模板图像中对应的一个或多个通道中任一通道；差值可以为非负值，例如，可以为第一像素值与第二
像素值作差后结果的绝对值。例如，若待识别图像与预设模板图像均为二值图，即待识别图像、预设模板图像及拼接图像均对应于一个通道，则在拼接图像中，任一像素点对应的像素值即为待识别图像中该像素点的像素值与预设模板图像中该像素点的像素值的差值；再例如，若待识别图像与预设模板图像均为rgb图像，即待识别图像、预设模板图像及拼接图像均对应于红绿蓝三个通道，则在拼接图像中，任一像素点对应的红光通道的像素值即为待识别图像中该像素点的红光通道的像素值与预设模板图像中该像素点的红光通道的像素值的差值，任一像素点对应的绿光通道的像素值即为待识别图像中该像素点的绿光通道的像素值与预设模板图像中该像素点的绿光通道的像素值的差值，任一像素点对应的蓝光通道的像素值即为待识别图像中该像素点的蓝光通道的像素值与预设模板图像中该像素点的蓝光通道的像素值的差值。该方式中，针对拼接图像中的任一像素点对应的某一通道的像素值，可以保存待识别图像与预设模板图像中该像素点对应该通道的像素值的差异，该差异可能表征待识别图像与预设模板图像的差异；进而可以将表征该差异的拼接图像输入到深度学习模型，从而进一步提高深度学习模型图像识别的效率及准确率。
78.举例来说，以拼接图像为第一二值图像及第二二值图像拼接所得到拼接二值图像为例，可以根据下述公式(3)，得到拼接图像i(x,y)：
79.i(x,y)＝abs(i1(x,y)
–
i2(x,y))
………………
(3)
80.其中，abs表示取绝对值运算，i1(x,y)为第一二值图像，i2(x,y)为第二二值图像；(x,y)为图像中像素点的坐标。
81.在第一二值图像与第二二值图像中，各像素点的像素值可以为0或1，这样，针对任一像素点，可以根据第一二值图像与第二二值图像中该像素点的像素值，利用上述公式(3)，得到拼接二值图像中该像素点的像素值，其中，拼接二值图像中该像素点的不同像素值表征第一二值图像与第二二值图像中该像素点的像素值差异。例如，针对像素点(x0,y0)，若第一二值图像中该像素点l1(x0,y0)的像素值为0，第二二值图像中该像素点i2(x0,y0)的像素值为0，则由公式(3)可得，拼接二值图像中该像素点i(x0,y0)的像素值为0；若l1(x0,y0)的像素值为0，i2(x0,y0)的像素值为1，则由公式(1)可得，i(x0,y0)的像素值为1；若l1(x0,y0)的像素值为1，i2(x0,y0)的像素值为0，则由公式(1)可得，i(x0,y0)的像素值为1；若l1(x0,y0)的像素值为1，i2(x0,y0)的像素值为1，则由公式(1)可得，i(x0,y0)的像素值为0；这样，i(x,y)取0，则表示该像素在第一二值图像与第二二值图像中对应的像素值相同，i(x,y)取1，则表示该像素在第一二值图像与第二二值图像中对应的像素值相不同，从而根据i(x,y)取值，表征第一二值图像与第二二值图像中不同的像素值，从而进一步提高深度学习模型图像识别的效率及准确率。
82.需要说明的是，尽管以上述实施例作为示例介绍了图像识别方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，可以根据实际应用场景灵活设定各实施方式，只要符合本公开的技术方案即可。
83.这样，通过对待识别图像及预设模板图像进行拼接，得到拼接图像，从而实现了待识别图像与预设模板图像的初步匹配，简化了图像信息；这样，将初步匹配所得到的拼接图像输入到深度学习模型，有效降低了对深度学习模型的层数、模型中神经元数量的要求，深度学习模型的复杂性有效降低，这样，在算力有限的硬件环境下，例如在无法使用gpu或其他并行运算模式的硬件平台，仍可以使用深度学习模型进行快速准确的图像识别，从而实
现在保证图像识别准确率的同时，有效降低了对硬件平台的算力要求。
84.基于相同的构思，本公开实施例还提供一种图像识别装置。可以理解的是，本公开实施例提供的图像识别装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
85.图3示出根据本公开一实施例的一种图像识别装置的结构图。如图3所示，该装置可以包括：第一模块301，用于获取待识别图像；第二模块302，用于对所述待识别图像及预设模板图像进行拼接，得到拼接图像；第三模块303，用于将所述拼接图像输入到深度学习模型中，得到所述待识别图像的识别结果；其中，所述深度学习模型为利用拼接图像训练样本训练所得到。
86.在一种可能的实现方式中，所述拼接图像包括所述待识别图像与所述预设模板图像的重叠区域对应的图像。
87.在一种可能的实现方式中，所述拼接图像包括多个单通道子图像；所述第二模块302，还用于：提取所述待识别图像对应的至少一个单通道子图像，及所述预设模板图像中对应的至少一个单通道图像，得到所述多个单通道子图像。
88.在一种可能的实现方式中，所述第二模块302，还用于：获取所述待识别图像中第一像素点对应的第一通道的第一像素值，及所述预设模板图像中所述第一像素点对应的所述第一通道的第二像素值；计算所述第一像素值与所述第二像素值的差值，并将所述差值作为所述拼接图像中所述第一像素点对应的所述第一通道的像素值。
89.在一种可能的实现方式中，所述拼接图像包括拼接二值图像；所述第二模块302，还用于：将所述待识别图像进行二值化处理，得到第一二值图像；将所述预设模板图像进行二值化处理，得到第二二值图像；对所述第一二值图像及所述第二二值图像进行拼接，得到所述拼接二值图像。
90.在一种可能的实现方式中，所述第二模块302，还用于：计算所述第一二值图像中第一像素点的像素值的二倍与所述第二二值图像中所述第一像素点的像素值的和值，并将所述和值作为所述拼接二值图像中所述第一像素点的像素值。
91.在一种可能的实现方式中，所述第三模块303，还用于：对所述拼接图像进行降采样，得到降采样后的图像；将所述降采样后的图像，输入到所述深度学习模型中，得到所述待识别图像的识别结果。
92.在一种可能的实现方式中，所述第三模块303，还用于：获取所述拼接图像训练样本及所述拼接图像训练样本对应的识别结果；利用所述拼接图像训练样本及所述拼接图像训练样本对应的识别结果对预设模型进行深度学习训练，得到所述深度学习模型。
93.需要说明的是，尽管以上述实施例作为示例介绍了图像识别装置如上，但本领域技术人员能够理解，本公开应不限于此。事实上，可以根据实际应用场景灵活设定各实施方式，只要符合本公开的技术方案即可。
94.这样，通过对待识别图像及预设模板图像进行拼接，得到拼接图像，从而实现了待
识别图像与预设模板图像的初步匹配，简化了图像信息；这样，将初步匹配所得到的拼接图像输入到深度学习模型，有效降低了对深度学习模型的层数、模型中神经元数量的要求，深度学习模型的复杂性有效降低，这样，在算力有限的硬件环境下，例如在无法使用gpu或其他并行运算模式的硬件平台，仍可以使用深度学习模型进行快速准确的图像识别，从而实现在保证图像识别准确率的同时，有效降低了对硬件平台的算力要求。
95.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
96.图4示出根据本公开一实施例的一种用于图像识别的电子设备800的结构框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
97.参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)接口812，传感器组件814，以及通信组件816。
98.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
99.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
100.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
101.多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
102.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
103.i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可
以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
104.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
105.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
106.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
107.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
108.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
109.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
110.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
111.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外
部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
112.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
113.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
114.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
115.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
116.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
117.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也
不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。