图像识别方法、装置、电子装置和存储介质与流程

1.本技术涉及图像处理领域，特别是涉及图像识别方法、装置、电子装置和存储介质。


背景技术：

2.随着科技水平的发展进步，各种智能技术在各行各业中得到了广泛的应用发展，对于一些简单重复且耗费人力的应用场合而言，利用智能技术替代人工，能够节省大量人力成本。因此，将人工智能技术应用于穿戴合规检测领域成为一种可行的选择。目前，在基于图像处理技术对穿戴合规进行检测的过程中，往往直接利用预设模型对待检测图像中目标人员的穿戴行为进行判断，或根据目标物和目标人员的位置关系来进行判断。目前的穿戴合规检测方法受到预设的模型的实际表现、拍摄视角、场景类型、以及人员姿态等因素的干扰，因此目前的穿戴合规检测的准确度较低。
3.针对相关技术中存在对穿戴合规检测的准确度较低的问题，目前还没有提出有效的解决方案。


技术实现要素：

4.在本实施例中提供了一种图像识别方法、装置、电子装置和存储介质，以解决相关技术中存在对穿戴合规检测的准确度较低的问题。
5.第一个方面，在本实施例中提供了一种图像识别方法，所述方法包括：
6.获取待检测图像中目标对象的质量评估值和穿戴评估值；所述穿戴评估值表征所述目标对象的穿戴符合穿戴合规条件的概率；
7.对所述质量评估值和所述穿戴评估值进行融合，得到所述目标对象的穿戴是否符合所述穿戴合规条件的穿戴合规识别结果。
8.在其中的一些实施例中，获取待检测图像中目标对象的质量评估值和穿戴评估值，包括：
9.根据预设的属性评估参数，对所述待检测图像中目标对象的质量属性进行质量评估，得到所述目标对象的质量评估值；其中，所述预设的属性评估参数基于检测场景下预设的最优检测指标确定；
10.响应于所述质量评估值符合预设的质量条件，基于训练后的穿戴合规检测模型对所述目标对象进行检测，得到所述目标对象的穿戴评估值。
11.在其中的一些实施例中，所述方法还包括：
12.响应于所述质量评估值不符合预设的质量条件，将所述目标对象的穿戴评估值识别为预设值。
13.在其中的一些实施例中，所述属性评估参数包括：得分映射函数、质量阈值、以及属性权重；所述根据预设的属性评估参数，对所述待检测图像中目标对象的质量属性进行质量评估，得到所述目标对象的质量评估值，包括：
14.根据所述得分映射函数对所述待检测图像中目标对象的质量属性进行得分映射，得到所述质量属性对应的属性得分；
15.基于所述质量阈值对所述属性得分进行二值处理，得到所述质量属性对应的质量标志；
16.根据所述属性权重对所述属性得分进行加权，并将加权结果与所述质量标志融合，得到所述目标对象的质量评估值。
17.在其中的一些实施例中，所述对所述质量评估值和所述穿戴评估值进行融合，得到所述目标对象的穿戴是否符合所述穿戴合规条件的穿戴合规识别结果，包括：
18.对单帧待检测图像中目标对象的质量评估值和单帧待检测图像中目标对象的穿戴评估值进行融合，得到单帧待检测图像中目标对象的合规融合结果；
19.对预设帧数的待检测图像的合规融合结果进行统计，得到所述目标对象的合规统计结果；
20.响应于所述合规统计结果低于预设的非合规阈值，得到所述目标对象的穿戴符合所述预设的穿戴合规条件的穿戴合规识别结果。
21.在其中的一些实施例中，所述对单帧待检测图像中目标对象的质量评估值和单帧待检测图像中目标对象的穿戴评估值进行融合，得到单帧待检测图像中目标对象的合规融合结果，包括：
22.基于预设的运算规则，对所述单帧待检测图像中目标对象的质量评估值，和所述单帧待检测图像中目标对象的穿戴评估值进行运算处理，得到所述单帧待检测图像中目标对象的合规融合结果。
23.在其中的一些实施例中，所述方法还包括：
24.响应于所述穿戴合规识别结果为所述目标对象的穿戴不符合预设的穿戴合规条件，针对所述穿戴合规识别结果生成告警信息。
25.第二个方面，在本实施例中提供了一种图像识别装置，所述图像识别装置包括：获取模块和融合模块；其中：
26.所述获取模块，用于获取待检测图像中目标对象的质量评估值和穿戴评估值；所述穿戴评估值表征所述目标对象的穿戴符合穿戴合规条件的概率；
27.所述融合模块，用于对所述质量评估值和所述穿戴评估值进行融合，得到所述目标对象是否符合所述穿戴合规条件的穿戴合规识别结果。
28.第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的图像识别方法。
29.第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的图像识别方法。
30.与相关技术相比，在本实施例中提供的图像识别方法、装置、电子装置和存储介质，获取待检测图像中目标对象的质量评估值和穿戴评估值；穿戴评估值表征目标对象的穿戴符合穿戴合规条件的概率；对质量评估值和穿戴评估值进行融合，得到目标对象的穿戴是否符合穿戴合规条件的穿戴合规识别结果。其实现了目标对象质量评估值和穿戴评估值的融合，从而能够提高对目标对象的穿戴合规检测的准确度。
31.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
32.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
33.图1是本实施例的图像识别方法的智能终端的硬件结构框图；
34.图2是本实施例的图像识别方法的流程图；
35.图3是本优选实施例的图像识别方法的流程图；
36.图4是本实施例的图像识别装置的结构框图。
具体实施方式
37.为更清楚地理解本技术的目的、技术方案和优点，下面结合附图和实施例，对本技术进行了描述和说明。
38.除另作定义外，本技术所涉及的技术术语或者科学术语应具有本技术所属技术领域具备一般技能的人所理解的一般含义。在本技术中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本技术中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本技术中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本技术中所涉及的“多个”是指两个或两个以上。“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。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本技术中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
39.在本实施例中提供的方法实施例可以在智能终端、服务器或者类似的运算装置中执行。其中智能终端可以包括智能摄像机，服务器可以包括普通服务器、云端、以及分布式服务端等。比如在智能终端上运行，图1是本实施例的图像识别方法的智能终端的硬件结构框图。如图1所示，该智能终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置。上述智能终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述智能终端的结构造成限制。例如，智能终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
40.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的图像识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他
非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至智能终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
41.传输设备106用于经由一个网络接收或者发送数据。上述的网络包括智能终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
42.在本实施例中提供了一种图像识别方法，图2是本实施例的图像识别方法的流程图，如图2所示，该流程包括如下步骤：
43.步骤s210，获取待检测图像中目标对象的质量评估值和穿戴评估值；穿戴评估值表征目标对象的穿戴符合穿戴合规条件的概率。
44.其中，该目标对象为应用场景中需要进行图像检测的对象。例如，可以为需要进行穿戴合规检测的人员。另外，上述质量评估值具体可以为对图像质量属性和/或语义质量属性进行质量评估后得到的评估值。其中，图像质量属性表征的是图像的光学成像的质量，例如清晰度、对比度、以及噪声等。语义质量属性表征目标对象在图像中的语义质量，即会对目标穿戴合规识别产生影响的高层语义层面的属性，例如目标对象的完整度、目标对象相对摄像头的朝向、目标对象的直立、弯腰、下蹲等姿态、以及目标对象所处视角等。
45.具体地，可以利用相关目标检测、图像跟踪等技术，对待检测图像进行处理，得到其中目标对象的跟踪信息，例如该目标对象的头部图像、头肩图像、以及人体图像等，再基于图像质量检测技术对该目标对象的跟踪信息进行处理，从而得到目标对象的质量属性，之后对目标对象的质量属性进行评估量化，从而得到目标对象的质量评估值。例如，在解析检测场景下的监控视频码流，或采集好视频后，可以获取一帧待检测图像。对解析的单帧待检测图像进行预处理，其中预处理具体可以包括缩放、图像空间变换等操作，以使该图像符合目标检测阶段的输入要求。之后将预处理完成的待检测图像输入训练后的目标检测模型，获取待检测图像中所有目标对象的位置、目标对象类型等信息。接下来，再对目标检测输出的信息使用逻辑策略或模型进行处理，对不同帧检测到的同一个目标对象赋予同一id，并将检测到的同一目标对象的各个子部分(如人头、头肩、上半身等)进行关联，获取目标对象的跟踪信息。
46.另外地，上述质量属性检测可以基于训练后的属性检测模型实现。将目标对象的相关跟踪信息输入训练后的属性检测模型中，输出该目标对象的图像质量属性和语义质量属性中的至少一种。其中，该属性检测模型可以为基于卷积神经网络实现，具体的实现方式可以根据实际应用场景进行确定，本实施例在此不作限制。
47.另外地，目标对象的穿戴评估值可以直接基于图像处理领域的穿戴合规检测算法对待检测图像中的目标对象进行处理得到。进一步地，可以基于训练后的穿戴合规检测模型对目标对象的跟踪信息进行处理，从而得到目标对象的穿戴评估值。具体地，上述训练后的穿戴合规检测模型可以为训练程度满足预设训练条件的检测模型。需要说明的是，该穿戴合规检测模型具体可以由应用于图像处理技术领域的任意一种神经网络或深度算法来实现，具体实现方式在本实施例中不作具体限定。
48.其中，也可以在上述目标对象的质量评估值符合预设的质量条件，例如，目标对象的质量评估值高于预设阈值的情况下，确定该目标对象为高质量目标对象。由此，再将质量评估值符合预设的质量条件的目标对象的跟踪信息，输入穿戴合规检测模型进行穿戴合规的检测，从而输出穿戴评估值。可以理解地，该质量条件可以根据实际应用场景预先确定，例如可以根据对报警准确率及召回率的需求，结合经验来预先设定。
49.示例性地，该穿戴合规检测模型可以通过目标检测、分类、特征相似度比对等图像处理方法对跟踪信息进行分析处理，输出单帧目标对象穿戴不合规的穿戴评估值，若该穿戴评估值越高，则表明目标对象穿戴不合规的概率越大。
50.步骤s220，对质量评估值和穿戴评估值进行融合，得到目标对象的穿戴是否符合穿戴合规条件的穿戴合规识别结果。
51.具体地，可以基于预设的运算规则和统计规则，对目标对象的质量评估值和穿戴评估值进行运算，从而得到目标对象的穿戴合规识别结果。例如，可以对单帧或多帧的质量评估值和穿戴评估值进行加权统计、相乘等处理，从而得到目标对象的穿戴合规识别结果。可以理解地，该穿戴合规识别结果既可以由单帧的质量评估值和穿戴评估值融合后确定，也可以由多帧的质量评估值和穿戴评估值融合后确定，具体的融合方式可以基于实际应用场景进行确定。
52.示例性地，在基于上述步骤s210分别得到单帧的目标对象的质量评估值和单帧的目标对象的穿戴评估值之后，在给定的预设帧数n内，对该n帧的质量评估值和穿戴评估值进行融合，从而得到目标对象融合n帧后的第j帧的穿戴合规识别结果。具体可以如下式所示：
[0053][0054]
其中，xj为目标对象在第j帧的穿戴评估值，sj是目标对象在第j帧的质量评估值，yj为融合了n帧目标对象的质量评估值和穿戴评估值后得到的第j帧的合规统计结果。
[0055]
在合规统计结果符合预设范围的情况下，确认目标对象的穿戴符合预设的穿戴合规条件。例如，可以预先设定一个非合规阈值，在合规统计结果低于该非合规阈值的情况下，确认目标对象的穿戴符合预设的穿戴合规条件。又例如，在目标对象的合规统计结果符合预设的合规范围的情况下，确认目标对象的穿戴符合预设的穿戴合规条件。另外，在确认目标对象的穿戴不符合穿戴合规条件的情况下，可以针对该穿戴合规识别结果进行告警。通过融合目标对象的质量评估值和穿戴评估值，能够提高目标对象的穿戴合规识别结果的准确度，从而降低穿戴合规检测的误报率。
[0056]
上述步骤s210至步骤s220，获取待检测图像中目标对象的质量评估值和穿戴评估值；穿戴评估值表征目标对象的穿戴符合穿戴合规条件的概率；对质量评估值和穿戴评估值进行融合，得到目标对象的穿戴是否符合穿戴合规条件的穿戴合规识别结果。其实现了目标对象质量评估值和穿戴评估值的融合，从而能够提高对目标对象的穿戴合规检测的准确度。
[0057]
进一步地，在一个实施例中，基于上述步骤s210，获取待检测图像中目标对象的质量评估值和穿戴评估值，具体可以包括以下步骤：
[0058]
步骤s211，根据预设的属性评估参数，对待检测图像中目标对象的质量属性进行
质量评估，得到目标对象的质量评估值；其中，预设的属性评估参数基于检测场景下预设的最优检测指标确定。
[0059]
其中，该属性评估参数用于对目标对象的质量属性进行评估量化，以得到目标对象的质量评估值。上述属性评估参数具体可以基于实际应用场景、以及智能终端所部署的任务来确定。示例性地，该属性评估参数具体可以包括属性权重、质量阈值、以及得分映射函数。其中，属性权重用于衡量不同质量属性在质量评分中的重要性。质量阈值用于设定各质量属性的低质量阈值，以确定各质量属性是否为低质量属性。得分映射函数用于将属性检测模型的输出映射为单属性分支。可以理解地，在不同的应用场景下可以对应一组不同的属性评估参数。该属性评估参数可以基于当前应用场景下穿戴合规检测模型在评估测试集上的最优检测指标来确定，其中，该最优检测指标具体因实际需求而确定，例如可以为穿戴合规检测模型的识别准确率、map(mean average precision，平均准确率)、roc(receiver operating characteristi，受试者工作特征曲线)等。示例性地，当该最优检测指标为识别准确率时，上述属性评估参数则为穿戴合规识别模型在评估测试集上识别准确率最高时，所对应的一组属性评估参数。
[0060]
示例性地，当检测场景为判断目标对象的上装是否穿戴合规时，则需要重点关注目标对象上半身相关的质量属性，如上半身完整程度、上半身姿态等，因而在该种检测场景下可以提高对上述上半身相关的质量属性的属性权重。当检测场景判断目标对象是否有佩戴口罩时，则需要重点关注目标对象的头部完整程度、头部朝向、姿态等质量属性，则可以提高该类质量属性的属性权重。具体确定该属性评估参数的过程可以如下式所示：
[0061]
w，t，c＝argmax(g(p(x),q(x)|w,t,c))
ꢀꢀ
(2)
[0062]
其中，w为属性权重，t为质量阈值，c为得分映射函数。p(x)为输入x时穿戴识别模型的输出，q(x)为输入x对应的测试集标注真值，g()为效果评价函数，如确定上述识别准确率、召回率、map、roc等所对应的函数。例如，当需要确定该穿戴识别模型的识别准确率时，该g()函数为计算识别准确率的函数；当需要确定该穿戴识别模型的输出的召回率时，该g()函数为计算召回率的函数。可以理解，对于不同的质量属性，其对应的属性权重、质量阈值等均是不同的。通过针对不同检测场景的评估测试集获得对应的属性评估参数，可以提高目标对象的质量评分在对应的检测场景下的准确率及适应性。
[0063]
在得到上述属性评估参数后，则可以基于该属性评估参数对质量属性进行处理，得到目标对象的质量评估值。具体地，可以基于上述属性权重、得分映射函数、质量阈值等综合对质量属性进行处理，以得到质量评估值。本实施例通过基于属性评估参数来对目标对象的图像质量属性，和/或，语义质量属性进行处理，以得到目标对象的质量评估值，从而能够实现对目标对象的质量属性的量化，从中筛选出高质量目标，进而提升穿戴识别的效率。
[0064]
步骤s212，响应于质量评估值符合预设的质量条件，基于训练后的穿戴合规检测模型对目标对象进行检测，得到目标对象的穿戴评估值。
[0065]
示例性地，该预设的质量条件可以为预先设定的评估阈值，在质量评估值低于该评估阈值的情况下，确定质量评估值符合预设的质量条件，基于训练后的穿戴合规检测模型对目标对象进行检测，从而得到目标对象的穿戴评估值。本实施例基于预设的质量条件对目标对象的质量评估值进行过滤，对过滤后的目标对象进行穿戴合规检测，能够提高穿
戴合规检测输出结果的准确度，进而降低对目标对象的穿戴合规检测的误判率。
[0066]
进一步地，在一个实施例中，基于上述步骤s211至步骤s212，上述图像识别方法还可以包括：响应于质量评估值不符合预设的质量条件，将目标对象的穿戴评估值识别为预设值。例如，可以在质量评估值低于预设的评估阈值的情况下，将该目标对象确定为低质量目标对象，从而无需对齐进行穿戴识别，直接将该目标对象的穿戴识别评分确定为0。本实施例通过将不符合预设质量条件的目标对象的穿戴评估值识别为预设值，能够实现对低质量目标对象的过滤，从而提高穿戴合规检测的准确度。
[0067]
另外地，在一个实施例中，基于上述步骤s211，属性评估参数包括：得分映射函数、质量阈值、以及属性权重；根据预设的属性评估参数，对待检测图像中目标对象的质量属性进行质量评估，得到目标对象的质量评估值，具体可以包括：
[0068]
步骤s2111，根据得分映射函数对待检测图像中目标对象的质量属性进行得分映射，得到质量属性对应的属性得分。
[0069]
其中，该得分映射函数用于将属性检测模型的输出映射为单属性分支，也即将对应属性映射为属性得分。例如，若某质量属性i在属性检测模型中的输出为outi，且该质量属性i对应的得分映射函数为ci，则该质量属性i的属性得分si为：
[0070]
si＝ci(outi)
ꢀꢀ
(3)
[0071]
步骤s2112，基于质量阈值对属性得分进行二值处理，得到质量属性对应的质量标志。
[0072]
具体地，该质量阈值用于衡量目标对象的质量属性是否为低质量属性。当目标对象的某一质量属性的属性得分低于该质量阈值，则可以将该质量属性确定为低质量属性。具体可以如下式所示：
[0073]fi
＝si≥tiꢀꢀ
(4)
[0074]
其中，si为上述步骤s221得到的属性得分，ti为质量属性i对应的质量阈值，fi为质量属性i对应的低质量标志。可以在质量属性的属性得分高于该质量阈值时，赋予该质量属性布尔值为1的低质量标志，在质量属性的属性得分低于该质量阈值时，赋予该质量属性布尔值为0的低质量标志。在得到目标对象的所有质量属性的低质量标志后，如下式所示，可以通过将所有的低质量标志依次进行逻辑与的操作，得到目标对象的质量标志。
[0075]
f＝fi&&fj&&
…
&&fmꢀꢀ
(5)
[0076]
其中，f为目标对象的质量标志，i、j、m分别为不同的质量属性。若目标对象的其中一个质量属性的低质量标志为0，则该目标对象最终的质量标志为0，则表明该目标对象为低质量对象。
[0077]
步骤s2113，根据属性权重对属性得分进行加权，并将加权结果与质量标志融合，得到目标对象的质量评估值。
[0078]
具体地，基于属性权重对属性得分进行加权统计，得到加权结果；将加权结果与质量标志进行融合，得到目标对象的质量评估值。
[0079]
其中，不同的质量属性对应的属性权重是不同的。具体计算过程可以如下式所示：
[0080][0081]
其中，s为目标对象的质量评估值，f为目标对象的质量标志，wi为质量属性i对应的属性权重，si为质量属性i对应的属性得分。通过基于属性评估参数分别得到质量属性的
属性得分、质量标志，进而求得质量评估值，能够基于属性评估参数实现对质量属性的量化，从而实现对目标对象的质量的过滤。
[0082]
另外地，在一个实施例中，基于上述步骤s220，对质量评估值和穿戴评估值进行融合，得到目标对象的穿戴是否符合穿戴合规条件的穿戴合规识别结果，具体可以包括以下步骤：
[0083]
步骤s221，对单帧待检测图像中目标对象的质量评估值和单帧待检测图像中目标对象的穿戴评估值进行融合，得到单帧待检测图像中目标对象的合规融合结果。具体地，可以基于预设的运算规则对单帧待检测图像中目标对象的质量评估值和穿戴评估值进行加权求和、相乘等运算，得到单帧待检测图像中目标对象的合规融合结果。
[0084]
步骤s222，对预设帧数的待检测图像的合规融合结果进行统计，得到目标对象的合规统计结果。在得到单帧待检测图像的目标对象的合规融合结果后，可以统计预设帧数内每帧待检测图像的合规融合结果，从而得到多帧的合规统计结果。例如，可以对预设n帧内每帧待检测图像的合规融合结果进行统计求和，从而得到该n帧的合规统计结果。
[0085]
步骤s223，响应于合规统计结果低于预设的非合规阈值，得到目标对象的穿戴符合预设的穿戴合规条件的穿戴合规识别结果。
[0086]
上述步骤s221至步骤s223，通过融合多帧目标对象的质量评估值和穿戴评估值，能够提高目标对象的穿戴合规识别结果的准确度，从而降低穿戴合规检测的误报率。
[0087]
进一步地，在一个实施例中，基于上述步骤s221，对单帧待检测图像中目标对象的质量评估值和单帧待检测图像中目标对象的穿戴评估值进行融合，得到单帧待检测图像中目标对象的合规融合结果，具体可以包括：基于预设的运算规则，对单帧待检测图像中目标对象的质量评估值，和单帧待检测图像中目标对象的穿戴评估值进行运算处理，得到单帧待检测图像中目标对象的合规融合结果。例如，可以对单帧待检测图像中目标对象的质量评估值和穿戴评估值进行相乘处理，得到单帧待检测图像中目标对象的合规融合结果。
[0088]
另外地，在一个实施例中，上述图像识别方法还可以包括以下步骤：
[0089]
步骤s230，响应于穿戴合规识别结果为目标对象的穿戴不符合预设的穿戴合规条件，针对穿戴合规识别结果生成告警信息。
[0090]
其中，生成告警信息后，具体的告警方式可以根据实际情况而定，例如可以包括声光告警、语音提示告警等。进一步地，该穿戴合规条件可以基于实际应用场景中对报警准确率的需求及召回率需求来确定。例如，当目标对象的质量评估值和穿戴评估值的融合结果yj高于非合规阈值α时，则根据预设的告警方式进行告警。
[0091]
下面通过优选实施例对本实施例进行描述和说明。
[0092]
图3是本优选实施例的图像识别方法的流程图。如图3所示，该图像识别方法包括如下步骤：
[0093]
步骤s301，待检测图像输入；
[0094]
步骤s302，对待检测图像进行图像预处理，得到预处理图像；
[0095]
步骤s303，对预处理图像进行目标检测，得到目标对象的检测信息；
[0096]
步骤s304，基于检测信息对目标对象进行目标跟踪，得到跟踪信息；
[0097]
步骤s305，对跟踪信息进行目标质量评估，得到目标对象的质量评估值；
[0098]
步骤s306，判断质量评估值是否符合预设的质量条件；若是，则执行步骤s307，否
则，执行步骤s308；
[0099]
步骤s307，对跟踪信息进行穿戴合规识别，得到穿戴评估值；
[0100]
步骤s308，将目标对象的穿戴评估值赋值为0；
[0101]
步骤s309，对多帧的质量评估值和穿戴评估值进行融合，得到穿戴检测结果；
[0102]
步骤s310，判断该穿戴检测结果是否达到告警阈值；若是，则执行步骤s311；
[0103]
步骤s311，告警结果输出。
[0104]
在本实施例中还提供了一种图像识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0105]
图4是本实施例的图像识别装置40的结构框图，如图4所示，该图像识别装置40装置包括：获取模块42和融合模块44；其中：
[0106]
获取模块42，用于获取待检测图像中目标对象的质量评估值和穿戴评估值；穿戴评估值表征目标对象的穿戴符合穿戴合规条件的概率；
[0107]
融合模块44，用于对质量评估值和穿戴评估值进行融合，得到目标对象是否符合穿戴合规条件的穿戴合规识别结果。。
[0108]
上述图像识别装置40，获取待检测图像中目标对象的质量评估值和穿戴评估值；穿戴评估值表征目标对象的穿戴符合穿戴合规条件的概率；对质量评估值和穿戴评估值进行融合，得到目标对象的穿戴是否符合穿戴合规条件的穿戴合规识别结果。其实现了目标对象质量评估值和穿戴评估值的融合，从而能够提高对目标对象的穿戴合规检测的准确度。
[0109]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0110]
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0111]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0112]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0113]
获取待检测图像中目标对象的质量评估值和穿戴评估值；穿戴评估值表征目标对象的穿戴符合穿戴合规条件的概率；
[0114]
对质量评估值和穿戴评估值进行融合，得到目标对象的穿戴是否符合穿戴合规条件的穿戴合规识别结果。
[0115]
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
[0116]
此外，结合上述实施例中提供的图像识别方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种图像识别方法。
[0117]
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本技术提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本技术保护范围。
[0118]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0119]
显然，附图只是本技术的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本技术适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本技术披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本技术公开的内容不足。
[0120]“实施例”一词在本技术中指的是结合实施例描述的具体特征、结构或特性可以包括在本技术的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本技术中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
[0121]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。