数据生成、图像识别方法及计算机存储介质和终端设备与流程

1.本发明涉及数据生成领域，特别是涉及一种数据生成方法。


背景技术：

2.在工业智能化的背景下，如钢板工件分拣、喷码等场景中，为了实现自动分拣，基于视觉的多任务识别是需要解决的核心技术难题，目前基于深度学习的目标检测、语义分割、实例分割、边缘检测等方法的识别准确率能够达到较高的水平，而且相对于传统视觉识别方法对于图像噪声、亮度变化等影响均能表现出更好的泛化能力，因此也被广泛应用于工业自动化生产中。但是训练基于深度学习的图像处理模型需要大量带有标注的图像数据，而在很多场景下，比如钢板自动分拣、喷码等任务，提前收集大量带有标注的图像数据是比较困难的事情。
3.在实际场景或者模拟场景中，需要首先采集带有工件的图像，然后投入人力进行标注，从而构建训练数据，该方法具有很多弊端，如：样本内容不丰富、采集难度大时间久、人工标注耗时长等。因此，如何提供一种更简单快捷的数据生成方法，是该领域亟待解决的技术问题。


技术实现要素：

4.为解决上述技术问题，本发明提供一种数据生成方法，包括：s1：获取待生成目标图像的背景图像和模板图像；s2：根据模板图像的轮廓，确定待生成目标图像的目标框；所述目标框，能完全容纳模板图像；s3：根据目标框和背景图像，以目标框在背景图像的范围内为基准，确定目标框在背景图像上的摆放位置，将目标框叠放在背景图像上，以生成目标图像；s4：根据目标框和目标框在背景图像上的摆放位置，生成带标签的目标图像数据。
5.进一步地，步骤s3，包括：s31：在目标框上或目标框内，选定任意点为目标框的基准点；s32：在背景图像上随机生成摆放坐标，将目标框的基准点对准摆放坐标，拟摆放目标框；s33：判断目标框在每个方向上，离基准点最远的点是否在背景图像的范围内；s34：若在，则确定该摆放坐标为目标框在背景图像上的摆放位置；s35：若不在，则返回步骤s32，直至确定目标框在背景图像上的摆放位置。
6.进一步地，步骤s34，包括：s341：若在，则确定该摆放坐标为待摆放工件的候选摆放位置；s342：根据候选摆放位置，将待摆放工件拟摆放在候选摆放位置；s343：判断待摆放工件的目标框与已摆放工件的目标框是否存在交集；s344：若是，则舍弃该候选摆放位置，返回步骤s32；
s345：若否，则将该候选摆放位置，确定为待摆放工件的摆放位置。
7.进一步地，步骤s3，还包括：s31’：根据目标框在背景图像的摆放位置，计算背景图像中目标框的摆放区域的平均亮度；s32’：计算目标框的平均亮度；s33’：计算背景图像中目标框的摆放区域的平均亮度和目标框的平均亮度的差值；s34’：将目标图像的当前像素值减去差值，得到目标图像的修正后像素值，以修正目标图像。
8.进一步地，数据生成方法，还包括：步骤s4之前，完成步骤t1和t2；t1：获取待生成目标图像的参考纹理图像和参考纹理图像对应的参考模板图像；t2：根据参考纹理图像和参考纹理图像对应的参考模板图像，对目标框增加纹理特征，更新目标框。
9.进一步地，步骤t2，还包括：对背景图像和参考纹理图像计算多层图像拉普拉斯金字塔，并将处于同一层的图像金字塔进行线性融合，再对不同尺寸的图像金字塔依次扩展至相同分辨率，最后将多层图像金字塔进行叠加，更新目标框。
10.进一步地，带标签的目标图像数据，包括：带目标检测标签的目标图像数据，或/和带语义分割标签的目标图像数据，或/和带实例分割标签的目标图像数据，或/和带边缘检测标签的目标图像数据。
11.另一方面，本发明还提供一种基于神经网络的图像识别方法，采用上述任意的数据生成方法，生成训练神经网络模型的样本数据。
12.另一方面，本发明还提供一种计算机存储介质，存储有可执行程序代码；所述可执行程序代码，用于执行上述任意的数据生成方法或上述任意的图像识别方法。
13.另一方面，本发明还提供一种终端设备，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行上述任意的数据生成方法或上述任意的图像识别方法。
14.本发明的数据生成、图像识别方法及计算机存储介质和终端设备，一方面能够通过步骤s1-s3，基于少量背景图像、模板图像构建大量类似于真实场景中，工件随意摆放的任何图像，能模拟目标在背景图像中的任意摆放姿态和位置，创建更具真实性的训练数据，保障生成数据的丰富性和多样性，相较于现有技术中的图像采集方式，其生成的图像内容更丰富、实现更简单、获取速度更快；另一方面，其能通过步骤s1-s3中确定的目标框在背景图像中的位置，直接确定各种目标图像数据，如带目标检测标签、带语义分割标签、带实例分割标签、带边缘检测标签等多任务识别数据的目标图像数据，即通过自身确定的目标框在背景图像中的位置确定标签数据，无需重新识别位置以确定标签，因此其数据生成过程更快速、结果更精准。
附图说明
15.图1为本发明数据生成方法的一个实施例的流程图；图2为本发明背景图像的示例图；
图3为本发明模板图像的示例图；图4为本发明目标框的示例图；图5为本发明目标图像的示例图；图6为本发明带目标检测标签的目标图像数据的示例图；图7为本发明带语义分割标签的目标图像数据的示例图；图8为本发明带实例分割标签的目标图像数据的示例图；图9为本发明带边缘检测标签的目标图像数据的示例图；图10为本发明纹理图像的示例图；图11为本发明参考模板图像的示例图；图12为本发明参考纹理图像的示例图；图13为本发明目标模板图像的示例图；图14为本发明目标纹理图像的示例图；图15为本发明带纹理的目标图像的示例图。
具体实施方式
16.如图1 所示，本发明提供一种数据生成方法，具体的，下述附图及文字，可选但不仅限于以工业场景下，需要生成待摆放工件在输送设备上的目标图像，并对目标图像处理得到各种标签，生成一系列带标签的目标图像作为样本数据为例，作解释说明，但并不以此为限，本领域技术人员可以理解的，本发明的方法步骤用于生成其他数据也在本发明的保护范围内。示例的，如包裹在输送设备上的目标图像；身份证、卡片在读卡器上的目标图像等。具体的，该数据生成方法，可选但不仅限于包括：s1：获取待生成目标图像的背景图像和模板图像；a：具体的，背景图像，可选但不仅限于示例为工业场景下，输送带、滚筒等输送设备上没有摆放任何工件的空白图像；可选但不仅限于通过相机等图像采集设备采集。更为具体的，以钢板工件需要完成自动分拣、喷码任务的作业场景为例，可选但不仅限于拍摄如图2所示的背景图像，值得注意的，该图仅为示例说明，并不对本发明的应用范围作任何限定。更为具体的，为丰富背景图像类型，背景图像，还可选但不仅限于包括实际生产过程中，不同亮度、光源位置、环境条件、使用时长的背景，如白天或黑夜的背景图像，体现不同亮度变化；晴天或阴天的背景图像，体现不同环境条件影响；新产线或旧产线的背景图像，体现不同磨损程度等。
17.b：更为具体的，模板图像，可选但不仅限于包括实际模板图像，如实时采集一些实际工件的图像，以提取模板图像；或自造生成一些工件的模拟模板，如通过从网上搜集相应的工件图并进行图像阈值处理从而得到相应的模板图像、或手动绘制比较规则的掩码图像作为模板图像、或以往项目中保留的工件模板图像。如图3所示，示例了四种工件的模板图像。
18.更值得注意的，获取模板图像的步骤，还可选但不仅限于包括：对模板图像作几何变换，得到该模板图像的不同形式下的模板图像；示例的，以一个模板图像为例，可选但不仅限于对其进行尺度、角度等几何变换，以丰富其在背景图像上的尺寸大小和摆放位姿，对一个模板图形构成对应的不同形式下的模板图像。示例的：可选但不仅限于对模板图像进
行多尺度处理，如放大、缩小；或/和对模板图像进行角度处理，如以中心点为中心，多种角度旋转等；以获取多种尺度、角度的工件摆放状态，模拟实际场景中待摆放工件的各种摆放位姿、尺寸大小、不同景深像素的图像，以进一步丰富模板图像的内容，提高匹配精度。
19.s2：根据模板图像的轮廓，确定待生成目标图像的目标框；所述目标框，能完全容纳模板图像；如图4所示；具体的，可选但不仅限于根据模板图像的轮廓，计算模板图像的最小外接矩阵、最小外接圆等，以此作为待摆放工件的模板图像的目标框，以容纳模板图像整体；更为具体的，可选但不仅限于首先检索模板图像的所有轮廓，再计算该轮廓的最小外接矩阵或最小外接圆。值得注意的，该最小外接矩阵、最小外接圆，仅为目标框的示例说明，并不以此为限，本领域技术人员可以理解的，该目标框只要能完全容纳模板图像即可；当然该目标框也可不仅为最小，适当扩大范围，以居于背景图像中部更优。
20.s3：根据目标框和背景图像，以目标框在背景图像的范围内为基准，确定目标框在背景图像上的摆放位置，将目标框叠放在背景图像上，以生成目标图像，如图5所示。具体的，实际生产环境下，工件可能有规则摆放也有可能无序摆放，也就是说待摆放工件可能出现在背景图像的任何位置，只要其能容纳入背景图像的范围，即可放下而不外漏，在识别范围之内即可，以符合真实场景的图像数据要求，所以只要表征模板图像，即待摆放工件的目标框在背景图像的范围内，则该摆放位置就是可行的。具体的，步骤s3，可选但不仅限于包括：s31：在目标框上或目标框内，选定任意点为目标框的基准点；示例的，以最小外接矩阵为例，该目标框，即待摆放工件的基准点，可选但不仅限于为目标框的角点或轴线交点等；以最小外接圆为例，该待摆放工件的基准点，可选但不仅限于为目标框的圆心、上下左右极值点等。
21.s32：在背景图像上随机生成摆放坐标，将目标框的基准点对准摆放坐标，拟摆放目标框；s33：判断目标框在每个方向上，离基准点最远的点是否在背景图像的范围内；s34：若在，则确定该摆放坐标为目标框在背景图像上的摆放位置；s35：若不在，则返回步骤s32，直至确定目标框在背景图像上的摆放位置。
22.在该实施例中给出了步骤s3，如何根据目标框和背景图像，确定目标框在背景图像上的摆放位置的步骤，示例的，以目标框为最小外接矩阵为例，步骤s31，可选但不仅限于以最小外接矩阵的左上角点为基准点；步骤s32，可选但不仅限于在背景图像上随机生成摆放坐标，将最小外接矩阵的左上角点对准摆放坐标，拟摆放目标框，即将左上角点对准摆放坐标，摆放在摆放坐标上，以将该最小外接矩阵原封不动的摆放在背景图像上；步骤s33：判断最小外接矩阵在每个方向上，离基准点最远的点是否在背景图像的范围内，对于最小外接矩阵而言，也就是离左上角点最远的点——长度方向上最远的点和宽度方向上最远的点、斜对角方向最远的点，是否在背景图像的范围内；步骤s34：若是，则表征选定的摆放坐标是可行的，能够使该最小外接矩阵，即目标框完全摆放在背景图像上，能容纳完整，可以选定该摆放坐标为目标框，即待摆放工件的摆放位置；步骤s35：若否，则表征选定的摆放坐标是不可行的，不能使该最小外接矩阵，即目标框完全摆放在背景图像上，不能容纳完整，不可以选定该摆放坐标为目标框，即待摆放工件的摆放位置，需要返回步骤s32重新选定、判断。值得注意的，本领域技术人员可以理解的最常规做法是：在背景图像上随机生成摆放
坐标，将目标框摆放至背景图像，判断目标框的每个点是否在背景图像范围内，若是则选定该摆放坐标为目标框在背景图像上的摆放位置；若否则重复上述步骤，重新选择，因此步骤s31-步骤s35仅为优选示例，能够减小计算过程，提高确定目标框在背景图像上的摆放位置、生成目标图像的速度。更值得注意的，上述步骤s31-步骤s35，仅给出了以最小外接矩阵的左上角点为基准点的示范性示例，但并不以此为限，本领域技术人员可以理解的，还可选但不仅限于以最小外接矩阵的其它角点、中心点、轴线交点、特征点等中的一个或多个为基准点；或者以最小外接圆的圆心等为基准点；在此基础上，后续步骤s33，即可同样的判断目标框在每个方向上，离基准点最远的点是否在背景图像的范围内，得到后续结论。
23.更为优选的，考虑到实际场景中，背景图像中可能包括多工件摆放场景，即有多个工件同时摆放在背景图像中，那么基于待摆放工件与已摆放工件应当不重叠的假设原则，步骤s34，还可选但不仅限于包括：s341：若在，则确定该摆放坐标为待摆放工件的候选摆放位置；s342：根据候选摆放位置，将待摆放工件拟摆放在候选摆放位置；s343：判断待摆放工件的目标框与已摆放工件的目标框是否存在交集；s344：若是，则舍弃该候选摆放位置，返回步骤s32；s345：若否，则将该候选摆放位置，确定为待摆放工件的摆放位置。
24.在该实施例中，充分考虑多工件摆放场景，能够更贴近实际的模拟工件在背景图像中的无规则摆放位置，避免出现工件重叠的现象。
25.更为优选的，步骤s32：在背景图像上随机生成摆放坐标的步骤中，本领域技术人员还可选但不仅限于对该随机生成的摆放坐标给定一系列规则或约束条件，示例的，可选但不仅限于基于先前生成的摆放坐标，等间距、或以某规律，生成摆放坐标，以模拟工件在背景图像中等间距或有规则的摆放情形。
26.s4：根据目标框和目标框在背景图像上的摆放位置，对目标图像进行处理，生成带标签的目标图像数据。具体的，该目标图像数据，可选但不仅限于为带目标检测标签的目标图像数据，即带标注的目标图像数据；具体的：基于步骤s2确定的目标框和步骤s3确定的目标框在背景图像上的摆放位置，对步骤s4生成的目标图像进行标注，得到如图6所示的目标图像数据。值得注意的，该目标图像数据，除了可选但不仅限于包括如图6所示的带标注的目标图像数据外，还可选但不仅限于包括：带语义分割标签的目标图像数据，具体的：根据目标框和目标框在背景图像上的摆放位置，将工件掩码贴到与背景图像尺寸一致的黑色图像中，从而构建带工件语义分割任务的标签数据，如图7所示；或带实例分割标签的目标图像数据，具体的：针对不同目标框，如不同待摆放工件，根据目标框和目标框在背景图像上的摆放位置，将工件掩码部分赋予不同像素值，从而构建带工件实例分割任务的标签数据，示例如图8所示；或带边缘检测标签的目标图像数据，具体的：针对语义分割任务标签图像采用边缘检测方法并结合图像形态学方法中的膨胀处理，获得带工件边缘检测任务的标签图像，示例如图9，以构建包括：带目标检测标签、带语义分割标签、带实例分割标签、带边缘检测标签等多任务识别数据的目标图像数据。
27.在该实施例中，给出了本发明的数据生成方法，一方面能够通过步骤s1-s3，基于少量背景图像、模板图像构建大量类似于真实场景中，工件随意摆放的任何图像，能模拟目标在背景图像中的任意摆放姿态和位置，创建更具真实性的训练数据，保障生成数据的丰
富性和多样性，相较于现有技术中的图像采集方式，其生成的图像内容更丰富、实现更简单、获取速度更快；另一方面，其能通过步骤s1-s3中确定的目标框在背景图像中的位置，直接确定各种带目标检测标签、带语义分割标签、带实例分割标签、带边缘检测标签等多任务识别数据的目标图像数据，即通过自身确定的目标框在背景图像中的位置确定标签数据，无需重新识别位置以确定标签，因此其数据生成过程更快速、结果更精准。因此，本发明的数据生成方法，能够构造大量带标签的目标图像数据，广泛应用于工业自动分拣、喷码等场景中，对于推动工件识别等具有重要作用。值得注意的，上述应用仅为适应性举例，并不以此为例。
28.优选的，考虑到模板图像没有待生成目标图像的纹理数据，而在很多场景，尤其是工业场景中，以工件在输送设备上为例，该工件上是有纹理特征的，因此，为解决该问题，给待生成目标图像增加纹理特征，该数据生成方法，还可选但不仅限于包括：t1：获取待生成目标图像的参考纹理图像和参考纹理图像对应的参考模板图像；具体的，参考纹理图像，可选但不仅限于为：真实纹理图像，其提取步骤可选但不仅限于包括：采集工件实时图像；截取工件实时图像的真实纹理图像。或，参考纹理图像也可以为：生成的模拟纹理图像，其提取步骤可选但不仅限于包括：根据工件实时图像或工件模板图像等，获取工件掩码图；对工件掩码图进行像素操作，得到工件纹理图像。示例的，如图10所示，示例了一张参考纹理图像。
29.t2：根据参考纹理图像和参考纹理图像对应的参考模板图像，对目标框增加纹理特征，更新目标框。具体的，以图11示例的工件为例，假设参考模板图像为，如图11所示；参考纹理图像为，如图12所示；目标框为，如图13所示；则可根据、和，对应生成带纹理图像的目标框，作为更新的目标框，如图14所示。具体的，生成目标框的步骤，可选但不仅限于利用参考纹理图像，即源纹理图像的纹理作为原料，仿照目标框合成目标纹理图像，作为更新的目标框，建立图像类比关系。更为具体的，该图像类比关系，可选但不仅限于表示为：其中，要求、和、在形状轮廓上相似、在纹理语义上相似。更为具体的，生成更新的目标框的步骤，可选但不仅限于包括：t21：对参考纹理图像、参考模板图像和目标框，构建多尺度的图像金字塔，以在各个尺度上对目标纹理进行类比操作；t22：计算参考纹理图像到更新的目标框的像素映射关系，可选但不仅限于表示为：。具体的，可选但不仅限于以5
×
5像素块为最小搜索单元，
可以通过图像块的最近邻域表示，目标是计算原始尺寸上参考纹理图像到更新的目标框的像素块的对应关系。更为具体的，该具体执行步骤，可选但不仅限于为：按照从低分辨率图像层至高分辨率图像层的顺序执行如下操作：a.如果当前图像层是第一层，对最近邻域映射表采用合理的数值进行随机初始化，否则该层基于上一层计算得到的通过过上采样计算而来；b.基于步骤a中初始，采用经典的块匹配算法迭代优化像素块的最近邻域映射表；c.基于优化后的对目标纹理图像进行重构。通过以上步骤便可以得到原始分辨率的目标纹理图像，示例如图14。
30.具体的，在本发明的示例中，通过上述步骤t1-t2，对图5所示的目标图像增设纹理特征，即可得到如图15所示的目标图像，相较于图5所示的目标图像结果，其更符合实际，更贴合工业化场景，能进一步提高后续生成数据的精度和现实性。
31.在该实施例中，给出了本发明数据生成方法的优选实施例，其能对目标框增加纹理特征，以充分考虑工件等的纹理特征，使得生成的目标图像，更贴近于实际场景，得到更符合实际场景的样本数据，利于提高后续神经网络模型等优化训练的精度，提高识别、定位等性能。值得注意的，上述更新目标框的步骤t1和t2，可选但不仅限于在步骤s4前的任何步骤完成即可，本发明步骤标号并不对其执行顺序做任何限定，示例的，步骤t1可与步骤s1同时进行，或在步骤s1-s3后的任意时刻进行，本发明的方法步骤只要不违背发明目的的调换顺序，均是可执行的。
32.更为优选的，在步骤t1、t2基础上，本发明的数据生成方法中，步骤s3即转换为：根据更新后的目标框和背景图像，以更新后的目标框在背景图像的范围内为基准，确定更新后的目标框在背景图像上的摆放位置，生成目标图像。
33.更为优选的，考虑到由于环境光照变化、光源安装位置等原因，采集的背景图像、模板图像、纹理图像等，一般会存在亮度分布不均匀、随环境光变换等缺陷，因此在生成目标图像过程中，需要充分考虑目标框部分的亮度与背景图形的局亮度一致性问题。具体的，步骤s3，还可选但不仅限于包括：s31’：根据目标框在背景图像的摆放位置，计算背景图像中目标框的摆放区域的平均亮度；s32’：计算目标框的平均亮度；s33’：计算背景图像中目标框的摆放区域的平均亮度和目标框的平均亮度的差值；s34’：根据差值，修正目标图像。具体的，可选但不仅限于采用公式（1），遍历修正目标图像中目标框部分的像素值。
[0034]34.ꢀꢀꢀ
（1）
其中，为背景图像中目标框的摆放区域的平均亮度；为目标框的平均亮度；为背景图像中目标框的摆放区域的平均亮度和目标框的平均亮度的差值；为目标图像中像素点（i，j）的修正前像素值，即初始未修正的当前像素值； 为目标图像中像素点（i，j）的修正后像素值。
[0035]
上述步骤s31
’‑ꢀ
s34’与上述步骤s31-s35并不冲突，其可同步进行或交替进行。本发明中各步骤的标号仅为记号说明，并不对其执行顺序作具体限定。只要不违背本发明各步骤的实现，其顺序的调换均是可以的。更为具体的，基于步骤t1得到的工件纹理图像，为了使纹理图像与背景图像拼接处更自然，避免图像的亮度、颜色差异而导致的明显拼接痕迹。对背景图像与待拼接的纹理图计算多层图像拉普拉斯金字塔，并将处于同一层的图像金字塔进行线性融合，再对不同尺寸的图像金字塔依次扩展至相同分辨率，最后将多层图像金字塔进行叠加，得到工件与背景的融合图像，相对于直接使用剪切粘贴的方法，可以获得更自然的融合效果。
[0036]
值得注意的，上述步骤t2的示例仅为解释说明，是本发明的优选实施例，本领域可以知晓的，可采用其它方式，示例的，将采集的样例纹理图像进行缩放至完全覆盖待生成纹理工件的尺寸，采用像素拷贝的操作合成新工件的纹理图像，但是该方法合成工件的纹理相对于本文采用的方法，容易缺失纹理真实尺寸而造成纹理模糊；或，采用基于生成对抗模型合成新工件的纹理图，该方法需要收集一定数量的模板图像用于训练生成模型，实用性较低。
[0037]
在上述优选实施例上，本发明还至少具备以下优点：1、能基于少量背景图像、模板图像和纹理图像，生成内容丰富、形式多样、具有真实纹理的目标图像，并采用亮度一致性处理、图像拼接融合等方法创建更贴合实际场景的目标图像，相较于传统图像采集方式，其数据量更大、获取方式更简洁，也非常贴近真实场景。示例的，能够解决生产中需要采集大量工件图像时，采集难度大、时间久，有时候新产线无法获得大量内容丰富的图像数据的困难，解决生产前期能够收集到的工件图像较少，且与后期生产中工件的外形和种类的差异较大，如何从少量真实的工件纹理图上合成新工件纹理图的技术问题；2、钢板工件分拣和喷码等任务中，基于视觉的识别任务受环境影响较大，不同场景需要采用更加合适的识别模型，因此，需要构建多任务识别的标签数据，本发明的图像生成方法正好能解决这个问题，能够生成具有多任务识别的目标图像数据，用于后续训练基于深度学习的工件识别模型，对于工业自动分拣、喷码等场景中工件的识别具有重要作用。当然，该应用仅为适应性举例，并不以此为限。
[0038]
另一方面，本发明还提供一种基于神经网络的图像识别方法，采用上述任意的数据生成方法，生成训练神经网络模型的样本数据。
[0039]
另一方面，本发明还提供一种计算机存储介质，存储有可执行程序代码；所述可执行程序代码，用于执行上述任意的数据生成方法或图像识别方法。
[0040]
另一方面，本发明还提供一种终端设备，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行上述任意的数据生成方法或图像识别
方法。
[0041]
示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述程序代码在终端设备中的执行过程。
[0042]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0043]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0044]
所述存储器可以是终端设备的内部存储单元，例如硬盘或内存。所述存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。进一步地，所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述程序代码以及终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0045]
上述图像识别方法、计算机存储介质和终端设备基于上述数据生成方法而创造，其技术作用和有益效果在此不再赘述，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0046]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。