图像识别方法、装置及系统.pdf

《图像识别方法、装置及系统.pdf》由会员分享，可在线阅读，更多相关《图像识别方法、装置及系统.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010756136.0 (22)申请日 2020.07.31 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 范艳军黄海瑛杨帆骆伯俊 (74)专利代理机构 北京三友知识产权代理有限 公司 11127 代理人 王涛任默闻 (51)Int.Cl. G06K 9/62(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种图像识别方法、 装置及系统 (57。

2、)摘要 本申请提供一种图像识别方法、 装置及系 统， 涉及人工智能及光学符号识别领域， 所述方 法包括： 获取待识别图像及对应的待识别图像类 型标识； 根据所述待识别图像类型标识将所述待 识别图像输入到对应的预先训练得到的图像识 别模型， 得到图像识别结果； 本申请能够进行客 户定制化的图像识别， 客户可以在线对识别结果 进行优化， 并将优化后的识别结果保存于服务 器， 进而优化下次识别过程。 权利要求书2页 说明书11页 附图4页 CN 111931835 A 2020.11.13 CN 111931835 A 1.一种图像识别方法， 其特征在于， 包括： 获取待识别图像及对应的待识别图像类。

3、型标识； 根据所述待识别图像类型标识将所述待识别图像输入到对应的预先训练得到的图像 识别模型， 得到图像识别结果。 2.根据权利要求1所述的图像识别方法， 其特征在于， 训练图像识别模型的步骤包括： 获取图像训练样本集及对应的图像类型标识； 将所述图像训练样本集中的样本图像依次输入至初始图像识别模型进行训练， 得到与 所述图像类型标识对应的所述图像识别模型。 3.根据权利要求2所述的图像识别方法， 其特征在于， 将所述图像训练样本集中的样本 图像依次输入至初始图像识别模型进行训练， 得到与所述图像类型标识对应的所述图像识 别模型包括： 步骤1： 将所述图像训练样本集中的一张样本图像输入至初始图。

4、像识别模型进行训练， 得到识别结果； 步骤2： 判断所述识别结果是否准确； 如果否， 迭代执行步骤1及步骤2， 直至获得准确的识别结果。 4.根据权利要求3所述的图像识别方法， 其特征在于， 还包括： 接收客户端基于不准确 的识别结果修正后得到的识别结果并保存。 5.一种图像识别服务器， 其特征在于， 包括： 获取单元， 用于获取待识别图像及对应的待识别图像类型标识； 识别单元， 用于根据所述待识别图像类型标识将所述待识别图像输入到对应的预先训 练得到的图像识别模型， 得到图像识别结果。 6.根据权利要求5所述的图像识别服务器， 其特征在于， 所述识别单元包括： 样本获取模块， 用于获取图像训。

5、练样本集及对应的图像类型标识； 训练模块， 用于将所述图像训练样本集中的样本图像依次输入至初始图像识别模型进 行训练， 得到与所述图像类型标识对应的所述图像识别模型。 7.根据权利要求6所述的图像识别服务器， 其特征在于， 所述训练模块包括： 输入模块， 用于将所述图像训练样本集中的一张样本图像输入至初始图像识别模型进 行训练， 得到识别结果； 判断模块， 用于判断所述识别结果是否准确； 迭代执行模块， 当识别结果不准确时， 用于迭代执行所述输入模块及所述判断模块的 功能， 直至获得准确的识别结果。 8.根据权利要求7所述的图像识别服务器， 其特征在于， 还包括： 修改模块具体用于接收客户端基。

6、于不准确的识别结果修正后得到的识别结果并保存。 9.一种图像识别系统， 其特征在于， 包括： WEB服务器、 API服务器、 图像识别服务器及数 据库服务器； 所述WEB服务器与图像识别服务器相连， 用于获取待识别图像及对应的待识别图像类 型标识； 所述API服务器与所述图像识别服务器及所述数据库服务器相连， 用于调用所述图像 识别服务器和所述数据库服务器为客户服务器提供服务； 权利要求书 1/2 页 2 CN 111931835 A 2 所述图像识别服务器用于获取待识别图像及对应的待识别图像类型标识， 并根据所述 待识别图像类型标识将所述待识别图像输入到对应的预先训练得到的图像识别模型， 得。

7、到 图像识别结果； 所述数据库服务器用于存储所述待识别图像、 图像识别模型及图像识别结果。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现权利要求1至4任一项所述的图像识 别方法的步骤。 11.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被 处理器执行时实现权利要求1至4任一项所述的图像识别方法的步骤。 权利要求书 2/2 页 3 CN 111931835 A 3 一种图像识别方法、 装置及系统 技术领域 0001 本申请涉及人工智能及光学符号识别领域， 具体的是一种图像识。

8、别方法、 装置及 系统。 背景技术 0002 光学符号识别是通过扫描等光学输入方式将各种票据、 报刊、 书籍、 文稿及其他印 刷品的文字转化为图像信息， 再利用文字识别技术将图像信息转化为可用文本的计算机输 入技术， 可应用于对银行票据、 大量文字资料、 档案卷宗的识别及文案录入和处理领域。 0003 在实际应用中， 现有的OCR应用往往通过调用第三方API实现， 当客户需要对图像 进行识别时， 直接调用API完成作业。 然而， 这些API往往是通用的， 并非针对某个特定领域 的图像设计， 更无法针对某类图像进行客户定制化的识别， 且如果图像噪音太大， 识别效果 往往不佳。 对于效果不佳的识别。

9、结果， 客户往往无法在线直接对其进行优化， 也无法将优化 后的识别结果方便地保存到API服务提供端， 以优化下次识别过程。 发明内容 0004 针对现有技术中的问题， 本申请提供一种图像识别方法、 装置及系统， 能够为客户 提供定制化分布式图像识别服务， 提升图像识别效果， 优化客户的图像识别体验。 0005 为了解决上述问题中的至少一个， 本申请提供以下技术方案： 0006 第一方面， 本申请提供一种图像识别方法包括： 0007 获取待识别图像及对应的待识别图像类型标识； 0008 根据所述待识别图像类型标识将所述待识别图像输入到对应的预先训练得到的 图像识别模型， 得到图像识别结果。 00。

10、09 进一步地， 训练图像识别模型的步骤包括： 0010 获取图像训练样本集及对应的图像类型标识； 0011 将所述图像训练样本集中的样本图像依次输入至初始图像识别模型进行训练， 得 到与所述图像类型标识对应的所述图像识别模型。 0012 进一步地， 将所述图像训练样本集中的样本图像依次输入至初始图像识别模型进 行训练， 得到与所述图像类型标识对应的所述图像识别模型包括： 0013 步骤1： 将所述图像训练样本集中的一张样本图像输入至初始图像识别模型进行 训练， 得到识别结果； 0014 步骤2： 判断所述识别结果是否准确； 0015 如果否， 迭代执行步骤1及步骤2， 直至获得准确的识别结果。

11、。 0016 进一步地， 所述的图像识别方法， 还包括： 接收客户端基于不准确的识别结果修正 后得到的识别结果并保存。 0017 第二方面， 本申请提供一种图像识别服务器包括： 0018 获取单元， 用于获取待识别图像及对应的待识别图像类型标识； 说明书 1/11 页 4 CN 111931835 A 4 0019 识别单元， 用于根据所述待识别图像类型标识将所述待识别图像输入到对应的预 先训练得到的图像识别模型， 得到图像识别结果。 0020 进一步地， 所述识别单元包括： 0021 样本获取模块， 用于获取图像训练样本集及对应的图像类型标识； 0022 训练模块， 用于将所述图像训练样本集。

12、中的样本图像依次输入至初始图像识别模 型进行训练， 得到与所述图像类型标识对应的所述图像识别模型。 0023 进一步地， 所述训练模块包括： 0024 输入模块， 用于将所述图像训练样本集中的一张样本图像输入至初始图像识别模 型进行训练， 得到识别结果； 0025 判断模块， 用于判断所述识别结果是否准确； 0026 迭代执行模块， 当识别结果不准确时， 用于迭代执行所述输入模块及所述判断模 块的功能， 直至获得准确的识别结果。 0027 进一步地， 所述的图像识别服务器还包括： 0028 修改模块， 用于接收客户端基于不准确的识别结果修正后得到的识别结果并保 存。 0029 第三方面， 本申。

13、请提供一种图像识别系统包括： WEB服务器、 API服务器、 图像识别 服务器及数据库服务器； 0030 所述WEB服务器与图像识别服务器相连， 用于获取待识别图像及对应的待识别图 像类型标识； 0031 所述API服务器与所述图像识别服务器及所述数据库服务器相连， 用于调用所述 图像识别服务器和所述数据库服务器为客户服务器提供服务； 0032 所述图像识别服务器包括： 用于获取待识别图像及对应的待识别图像类型标识， 并用于根据所述待识别图像类型标识将所述待识别图像输入到对应的预先训练得到的图 像识别模型， 得到图像识别结果； 0033 所述数据库服务器用于存储所述待识别图像、 图像识别模型及。

14、图像识别结果。 0034 第四方面， 本申请提供一种电子设备包括存储器、 处理器及存储在存储器上并可 在处理器上运行的计算机程序， 所述处理器执行所述程序时实现所述图像识别方法的步 骤。 0035 第五方面， 本申请提供一种计算机可读存储介质， 其上存储有计算机程序， 该计算 机程序被处理器执行时实现所述图像识别方法的步骤。 0036 由上述技术方案可知， 本申请提供一种图像识别方法、 装置及系统， 通过定制化的 识别模型训练， 能够为客户提供定制化分布式图像识别服务， 提升图像识别效果， 优化客户 的图像识别体验。 附图说明 0037 为了更清楚地说明本申请实施例或现有技术中的技术方案， 下。

15、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， 下面描述中的附图是本申请 的一些实施例， 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 这些附图获得其他的附图。 说明书 2/11 页 5 CN 111931835 A 5 0038 图1为本申请实施例中图像识别方法的流程示意图之一； 0039 图2为本申请实施例中进行图像识别模型训练的流程示意图之一； 0040 图3为本申请实施例中进行图像识别模型训练的流程示意图之二； 0041 图4为本申请实施例中图像识别服务器的结构图； 0042 图5为本申请实施例中识别单元的结构图； 0043 图6为。

16、本申请实施例中训练模块的结构图； 0044 图7为本申请实施例中图像识别系统的结构图； 0045 图8为本申请实施例中的电子设备的结构示意图。 具体实施方式 0046 为使本申请实施例的目的、 技术方案和优点更加清楚， 下面将结合本申请实施例 中的附图， 对本申请实施例中的技术方案进行清楚、 完整的描述， 显然， 所描述的实施例是 本申请一部分实施例， 而不是全部的实施例。 基于本申请中的实施例， 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所有其他实施例， 都属于本申请保护的范围。 0047 本申请所述的实施例可以应用在以下的场景中： 在针对某个特定领域的图像进行 光学符号识别时，。

17、 待识别图像往往具有一些共性特征。 如果把这些共性特征提取出来， 经过 机器学习， 建立识别模型， 则可以提高针对该领域图像进行识别的效果。 又由于特定领域的 图像往往可对应到特定的客户， 即针对同一客户而言， 其待识别图像的领域往往较为固定， 可能涉及多个领域。 这种情况下， 如果能为客户提供针对于其自身的图像识别模型， 也就是 定制化的图像识别模型， 则可更好地满足客户对图像识别效果的要求。 下面将结合具体的 实施例进行阐述。 0048 参见图1， 为了能够为客户提供定制化分布式图像识别服务， 提升图像识别效果， 优化客户的图像识别体验， 本申请提供一种图像识别方法包括： 0049 S10。

18、1： 获取待识别图像及对应的待识别图像类型标识； 0050 可以理解的是， 为了对图像进行识别， 首先需获取待识别图像。 在进行图像识别之 前， 这些图像往往被划分为不同的类型， 相同类型的图像往往被归在一起一同识别。 为了方 便在上述场景中应用， 这些相同类型的图像可以被打上相同的待识别图像类型标识， 以便 后续根据待识别图像类型标识找到与之匹配的图像识别模型。 因此， 在对图像进行识别之 前， 还需获取与待识别图像对应的待识别图像类型标识。 此外， 由于每个客户手中的待识别 图像所属的类型并不唯一， 因此每个客户可能对应多个待识别图像类型标识。 待识别图像 类型标识与图像识别模型存在对应关。

19、系， 即体现了识别过程的定制化。 0051 S102： 根据所述待识别图像类型标识将所述待识别图像输入到对应的预先训练得 到的图像识别模型， 得到图像识别结果。 0052 可以理解的是， 当获取到待识别图像类型标识后， 可以根据待识别图像类型标识， 去为客户匹配预先训练得到的图像识别模型(即定制化的图像识别模型)。 由于匹配到的图 像识别模型与待识别图像类型存在对应关系， 当把待识别图像输入到图像识别模型中时， 可以得到对应的图像识别结果， 且这个图像识别效果理论上应优于采用非定制化的图像识 别模型进行图像识别的效果。 0053 上述流程的执行主体可以为服务器或客户端等， 从上述描述可知， 本。

20、申请提供的 说明书 3/11 页 6 CN 111931835 A 6 图像识别方法， 通过获取待识别图像及对应的待识别图像类型标识， 利用预先训练得到的 图像识别模型， 能够为客户提供定制化分布式图像识别服务， 提升图像识别效果， 优化客户 的图像识别体验。 0054 参见图2， 为了完成图像识别模型的训练， 为客户匹配与待识别图像类型对应的图 像识别模型， 在本申请提供的图像识别方法中， 训练图像识别模型的步骤包括： 0055 S201： 获取图像训练样本集及对应的图像类型标识； 0056 可以理解的是， 由于不同的待识别图像类型对应不同的图像识别模型， 属于定制 化操作， 因此为了获得与。

21、之匹配的图像识别模型， 需预先进行模型训练。 在训练前， 客户定 制化分布式图像识别系统需获取图像训练样本集及对应的图像类型标识。 举例而言， 客户 可能欲对车牌图像进行识别， 那么客户提供给图像识别系统的图像则都是车牌图像， 属于 同一类别， 并具有 “车牌图像” 这一图像类型标识。 0057 S202： 将所述图像训练样本集中的样本图像依次输入至初始图像识别模型进行训 练， 得到与所述图像类型标识对应的所述图像识别模型。 0058 可以理解的是， 为了得到与待识别图像对应的图像识别模型， 需首先找到一初始 图像识别模型， 然后才能对其展开训练。 初始图像识别模型可以为卷积神经网络模型 (C。

22、NN)， 本申请不以此为限。 当把图像训练样本集中的样本图像依次输入至初始图像识别模 型中时， 初始图像识别模型可以生成每个图像对应的初始识别结果。 初始识别结果将被修 正， 使之更加贴合图像内容。 由于初始图像识别模型可以为一卷积神经网络， 具有深度学习 的功能， 所以初始图像识别模型可以记住调整后的初始识别结果， 并与调整前的初始识别 结果比对， 从而完成模型优化。 当优化到识别结果令人完全满意时， 即可停止优化， 最终获 得与图像类型标识对应的图像识别模型。 停止优化也意味着无需再对初始识别结果进行调 整。 0059 从上述描述可知， 本申请提供的图像识别方法， 通过获取图像训练样本集，。

23、 训练初 始图像识别模型， 可以得到与图像类型标识对应的图像识别模型， 为后续的图像识别过程 提供基础。 0060 参见图3， 为了服务后续的图像识别过程， 将图像训练样本集中的样本图像依次输 入至初始图像识别模型进行训练， 得到与图像类型标识对应的图像识别模型的步骤包括： 0061 S301： 将所述图像训练样本集中的一张样本图像输入至初始图像识别模型进行训 练， 得到识别结果； 0062 可以理解的是， 当选定某一初始图像识别模型后， 即可对初始图像识别模型展开 训练。 训练时， 需逐张将样本图像输入初始图像识别模型， 输入一张样本图像即可生成一个 识别结果。 0063 在将样本图像输入初。

24、始图像识别模型时， 客户还可以选定样本图像上待识别的区 域。 举例而言， 对于一张车牌图像而言， 可能只有中间部位是待识别的车牌号码， 而四周可 能都是街景环境图像， 这时， 客户可以用鼠标及笔形工具等对待识别区域进行描绘选择， 以 略去无需识别的图像内容， 节约算力。 一实施例中， 区域选择还可以基于图形图像或机器学 习去实现。 仍就车牌举例而言， 获取到车牌样例后， 可以根据样例的图形图像特征进行深度 学习后， 自动进行区域选择， 具体的深度学习方法可以参照现有技术。 在进行图像识别前， 还可以对当前这一张样本图像进行切割， 以获得更优的识别效果。 说明书 4/11 页 7 CN 1119。

25、31835 A 7 0064 在进行图像识别时， 客户定制化分布式图像识别系统可以基于初始图像识别模 型， 根据客户自定义的规则进行识别或者根据客户所提供的样本库进行识别， 也可以根据 客户所提供的字符集进行识别。 自定义的规则可以包括根据客户所提供的助识别样本库进 行识别， 还可以包括根据客户所提供的字符集进行识别。 举例而言， 当根据客户所提供的助 识别样本库进行识别时， 助识别样本库中的样本可为客户事先上传的图像， 客户定制化分 布式图像识别系统可以根据助识别样本库中的样本对图像训练样本集中的样本图像得出 最近似的识别结果。 比如助识别样本库给出一张老虎的图像， 并告知这是一只老虎， 那。

26、么客 户定制化分布式图像识别系统可以根据这个线索， 对图像训练样本集中含有老虎这种动物 的样本图像进行识别。 当根据客户所提供的字符集进行识别时， 仍以车牌图像举例， 字符集 中给出了各种车牌可能涉及到的字符， 根据这个线索就可以对图像训练样本集中其他的车 牌图像进行识别。 0065 此外， 同一张样本图像可能包含不同的待识别区域， 不同的待识别区域可以被给 出不同的命名， 比如A区域、 B区域及C区域。 这些区域分别对应不同的识别结果。 客户可以指 定这些识别结果的输出顺序。 0066 S302： 判断所述识别结果是否准确； 0067 可以理解的是， 经过上述的识别过程， 客户可以人为判断针。

27、对当前这张样本图像 的识别结果是否准确。 0068 S303： 如果是， 结束训练， 得到与图像类型标识对应的图像识别模型； 0069 可以理解的是， 如果识别结果准确， 则可以结束训练， 将现有的图像识别模型作为 针对当前这种图像类型的最终识别模型， 服务后续同类图像识别。 0070 S304： 如果否， 迭代执行步骤S301及S302， 直至获得准确的识别结果后， 结束训练， 得到与图像类型标识对应的图像识别模型。 0071 可以理解的是， 如果识别结果不准确或与图像原本的内容存在误差， 则可以重复 返回执行步骤S301及S302， 直至获得准确的识别结果后， 结束训练。 将结束训练时的图。

28、像识 别模型作为与这种图像类型对应的图像识别模型， 服务后续同类图像识别。 0072 从上述描述可知， 本申请提供的图像识别方法， 通过逐张将样本图像输入初始图 像识别模型， 并在识别结果不准确的情况下， 重复输入及识别过程， 可以得到与图像类型标 识对应的图像识别模型， 为后续的图像识别过程提供基础。 0073 为了获得更优的图像识别结果， 图像识别方法还包括： 接收客户端基于不准确的 识别结果修正后得到的识别结果并保存。 0074 一实施例中， 当客户认为现有的图像识别模型所给出的识别结果不准确时， 可以 通过客户定制化分布式图像识别系统的网络环境在线对识别结果进行修正， 并将修正后的 识。

29、别结果进行保存。 无论是在训练过程中还是训练结束后， 当前的图像识别模型均为一卷 积神经网络， 具有深度学习的功能， 因此保存后正确的识别结果， 可以帮助当前的图像识别 模型进行在线优化， 以达到模型继续完善的目的。 0075 从上述描述可知， 本申请提供的图像识别方法， 通过在线对图像识别结果进行修 正， 可以达到优化图像识别模型的目的。 0076 基于同一发明构思， 本申请实施例还提供了一种图像识别服务器， 可以用于实现 上述实施例所描述的方法， 如下面的实施例所述。 由于图像识别服务器解决问题的原理与 说明书 5/11 页 8 CN 111931835 A 8 图像识别方法相似， 因此图。

30、像识别服务器的实施可以参见基于软件性能基准确定方法的实 施， 重复之处不再赘述。 以下所使用的， 术语 “单元” 或者 “模块” 可以实现预定功能的软件 和/或硬件的组合。 尽管以下实施例所描述的系统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。 0077 参见图4， 为了能够为客户提供定制化分布式图像识别服务， 提升图像识别效果， 优化客户的图像识别体验， 本申请提供一种图像识别服务器包括： 获取单元401及识别单元 402： 0078 获取单元401， 用于获取待识别图像及对应的待识别图像类型标识； 0079 识别单元402， 用于根据待识别图像类型标识。

31、将待识别图像输入到对应的预先训 练得到的图像识别模型， 得到图像识别结果。 0080 从上述描述可知， 本申请提供的图像识别服务器， 通过获取待识别图像及对应的 待识别图像类型标识， 利用预先训练得到的图像识别模型， 能够为客户提供定制化分布式 图像识别服务， 提升图像识别效果， 优化客户的图像识别体验。 0081 参见图5， 识别单元402包括样本获取模块501及训练模块502： 0082 样本获取模块501， 用于获取图像训练样本集及对应的图像类型标识； 0083 训练模块502， 用于将图像训练样本集中的样本图像依次输入至初始图像识别模 型进行训练， 得到与图像类型标识对应的图像识别模型。

32、。 0084 从上述描述可知， 本申请提供的图像识别服务器， 通过获取图像训练样本集， 训练 初始图像识别模型， 可以得到与图像类型标识对应的图像识别模型， 为后续的图像识别过 程提供基础。 0085 参见图6， 训练模块502包括输入模块601、 判断模块602及迭代执行模块603： 0086 输入模块601， 用于将图像训练样本集中的一张样本图像输入至初始图像识别模 型进行训练， 得到识别结果； 0087 判断模块602， 用于判断识别结果是否准确； 0088 迭代执行模块603， 当识别结果不准确时， 用于迭代执行输入模块601及判断模块 602所对应的功能， 直至获得准确的识别结果。 。

33、0089 从上述描述可知， 本申请提供的图像识别服务器， 通过逐张将样本图像输入初始 图像识别模型， 并在识别结果不准确的情况下， 重复输入及识别过程， 可以得到与图像类型 标识对应的图像识别模型， 为后续的图像识别过程提供基础。 0090 图像识别服务器还包括： 0091 修改模块， 具体用于接收客户端基于不准确的识别结果修正后得到的识别结果并 保存。 0092 从上述描述可知， 本申请提供的图像识别服务器， 通过在线对图像识别结果进行 修正， 可以达到优化图像识别模型的目的。 0093 一实施例中， 参见图7， 为了能够为客户提供定制化分布式图像识别服务， 提升图 像识别效果， 优化客户的。

34、图像识别体验， 本申请提供一种图像识别系统包括： WEB服务器 701、 API服务器704、 图像识别服务器705及数据库服务器706。 另外， 为了配合图像识别系统 的运行， 使得客户能够在实际的图像识别过程中完成与图像识别系统的交互， 还需在图像 识别系统之外配备客户服务器702及寻址服务器703。 客户服务器702可以部署在任意位置 说明书 6/11 页 9 CN 111931835 A 9 的客户端， 寻址服务器703可以为一第三方Dubbo寻址中心， 并可以部署在云端或其他位置。 0094 一实施例中， 在训练图像识别模型的过程中， WEB服务器701与图像识别服务器705 相连，。

35、 用于提供人机交互接口， 获取客户上传的样本图像及对应的图像类型标识， 并使得客 户能够对样本图像的识别结果进行修正， 以利于图像识别模型训练。 需要说明的是， WEB服 务器701可以完成但不限于完成以上功能。 0095 一实施例中， 当图像识别模型训练好以后， 在对待识别图像进行识别的实际应用 过程中， 寻址服务器703与客户服务器702及API服务器704相连， 用于根据客户服务器702的 连接请求将客户服务器702连接至API服务器704。 0096 可以理解的是， 当客户需要图像识别系统为其提供图像识别服务时， 需通过客户 服务器702向API服务器704发起服务请求。 而由于客户服。

36、务器702事前并不知道API服务器 704所在的网络地址， 所以客户服务器702可以通过寻址服务器703， 帮助自己找的API服务 器704， 从而建立连接。 0097 在建立连接前， 客户服务器702与API服务器704之间必须彼此进行身份认证。 身份 认证的过程可以如下： 0098 1)客户服务器702获取用于生成认证密钥的jar包、 用于进行加解密计算的jar包 及图像识别系统公钥； 0099 2)客户服务器702利用用于生成认证密钥的jar包及用于进行加解密计算的jar 包， 生成客户服务器702公钥及客户服务器702私钥； 0100 3)API服务器704获取客户指定的客户服务器70。

37、2URL及客户服务器702公钥； 0101 4)客户服务器702对API服务器704进行身份认证： 0102 具体而言是， API服务器704向客户服务器702发送认证请求， 认证请求中携带 signature及timestamp两个参数。 API服务器704用图像识别系统私钥对signature参数进 行加密， 将加密后的signature参数发给客户服务器702的URL， 客户服务器702利用事先获 取的图像识别系统公钥对加密后的signature参数进行解密， 将解密结果与timestamp参数 进行比对， 如果一致， 则可完成客户服务器702对API服务器704的身份认证。 0103 。

38、5)API服务器704对客户服务器702进行身份认证： 0104 具体而言是， 客户服务器702用客户服务器702私钥对上一步骤中解密后的 signature参数进行加密， 将加密结果返回给API服务器704， API服务器704利用客户服务器 702此前上传的客户服务器702公钥对加密结果进行解密， 获得解密结果， 将解密结果与 timestamp参数进行比对， 如果一致， 则可完成API服务器704对客户服务器702的身份认证。 0105 一实施例中， API服务器704与图像识别服务器705及数据库服务器706相连， 用于 调用所述图像识别服务器705和数据库服务器706为客户服务器70。

39、2提供服务； 0106 可以理解的是， 在完成API服务器704与客户服务器702彼此之间的身份认证后， API服务器704可以调用数据库服务器706中客户事前上传的待识别图像及待识别图像类型 标识， 并根据识别图像类型标识为客户在数据库服务器706中匹配与之对应的图像识别模 型， 同时调用图像识别服务器705， 利用对应的图像识别模型， 为客户进行图像识别。 0107 在这一过程中， 客户需通过客户服务器702向图像识别系统上传待识别图像及对 应的待识别图像类型标识， 并可通过客户服务器702随时在线对图像识别结果进行修正， 并 将修正结果保存于数据库服务器706中， 相关实现方式可以参考现。

40、有技术。 说明书 7/11 页 10 CN 111931835 A 10 0108 一实施例中， 图像识别服务器705包括： 获取待识别图像及对应的待识别图像类型 标识， 并用于根据所述待识别图像类型标识将所述待识别图像输入到对应的预先训练得到 的图像识别模型， 得到图像识别结果。 0109 可以理解的是， 图像识别服务器705能够完成获取单元401及识别单元402所做的 工作， 具体可以参见图像识别方法对应实施例的相关描述。 0110 在返回图像识别结果时， 图像识别服务器705可以将图像识别结果封装成json数 据交换格式。 图像识别系统可以通过WEB服务器701为客户返回图像识别成功与否。

41、的标志。 如果返回成功， 可以输出识别内容； 否则可以输出错误标志。 0111 一实施例中， 一个车牌的识别结果可以被封装为： “RETCODE” :0, “ERRCODE” :xxx, “BRAND” : “马自达” , “CompareSIM” :90, “NUMBER:”“粤A12345” , “CompareSIM” : 90。 0112 其中， RETCODE为返回成功与否的标志， 如果图像识别服务器705识别出了具体内 容则返回成功标志， 成功标志可以设为0； 如果RETCODE为1， ERRCODE为0， 则表示识别结果返 回失败， 那么可以给出识别失败的原因， 比如， 图像过于。

42、模糊； 客户可以据此判断是哪一部 分出现了问题， 并进行修正。 0113 json数据交换格式封装的下一部分为识别结果： BRAND为汽车品牌；“CompareSIM” 为识别的准确度。 客户可以根据应用场景确定准确度的阈值。 当低于阈值时， 客户可以进行 在线结果修正， 并将修正后的图像识别结果同时保存在本地及图像识别系统的数据库服务 器706。 0114 一实施例中， 数据库服务器706用于存储所述待识别图像、 图像识别模型及图像识 别结果。 0115 可以理解的是， 数据库服务器706可以存储相关所有数据内容， 以便为客户提供图 像识别服务。 0116 从上述描述可知， 本申请提供的图像。

43、识别系统， 通过获取待识别图像及对应的待 识别图像类型标识， 利用预先训练得到的图像识别模型， 能够为客户提供定制化分布式图 像识别服务， 提升图像识别效果， 优化客户的图像识别体验。 0117 从硬件层面来说， 为了能够为客户提供定制化分布式图像识别服务， 提升图像识 别效果， 优化客户的图像识别体验， 本申请提供一种用于实现所述图像识别方法中的全部 或部分内容的电子设备的实施例， 所述电子设备具体包含有如下内容： 0118 处理器(Processor)、 存储器(Memory)、 通信接口(Communications Interface)和 总线； 其中， 所述处理器、 存储器、 通信接。

44、口通过所述总线完成相互间的通信； 所述通信接口 用于实现所述图像识别服务器与核心业务系统、 用户终端以及相关数据库等相关设备之间 的信息传输； 该逻辑控制器可以是台式计算机、 平板电脑及移动终端等， 本实施例不限于 此。 在本实施例中， 该逻辑控制器可以参照实施例中的图像识别方法的实施例， 以及图像识 别服务器的实施例进行实施， 其内容被合并于此， 重复之处不再赘述。 0119 可以理解的是， 所述用户终端可以包括智能手机、 平板电子设备、 网络机顶盒、 便 携式计算机、 台式电脑、 个人数字助理(PDA)、 车载设备、 智能穿戴设备等。 其中， 所述智能穿 戴设备可以包括智能眼镜、 智能手表。

45、、 智能手环等。 0120 在实际应用中， 图像识别方法的部分可以在如上述内容所述的电子设备侧执行， 说明书 8/11 页 11 CN 111931835 A 11 也可以所有的操作都在所述客户端设备中完成。 具体可以根据所述客户端设备的处理能 力， 以及用户使用场景的限制等进行选择。 本申请对此不作限定。 若所有的操作都在所述客 户端设备中完成， 所述客户端设备还可以包括处理器。 0121 上述的客户端设备可以具有通信模块(即通信单元)， 可以与远程的服务器进行通 信连接， 实现与所述服务器的数据传输。 所述服务器可以包括任务调度中心一侧的服务器， 其他的实施场景中也可以包括中间平台的服务器。

46、， 例如与任务调度中心服务器有通信链接 的第三方服务器平台的服务器。 所述的服务器可以包括单台计算机设备， 也可以包括多个 服务器组成的服务器集群， 或者分布式装置的服务器结构。 0122 图8为本申请实施例的电子设备9600的系统构成的示意框图。 如图8所示， 该电子 设备9600可以包括中央处理器9100和存储器9140； 存储器9140耦合到中央处理器9100。 值 得注意的是， 该图8是示例性的； 还可以使用其他类型的结构， 来补充或代替该结构， 以实现 电信功能或其他功能。 0123 一实施例中， 图像识别方法功能可以被集成到中央处理器9100中。 其中， 中央处理 器9100可以被。

47、配置为进行如下控制： 0124 S101： 获取待识别图像及对应的待识别图像类型标识； 0125 S102： 根据所述待识别图像类型标识将所述待识别图像输入到对应的预先训练得 到的图像识别模型， 得到图像识别结果。 0126 从上述描述可知， 本申请提供的图像识别方法， 通过获取待识别图像及对应的待 识别图像类型标识， 利用预先训练得到的图像识别模型， 能够为客户提供定制化分布式图 像识别服务， 提升图像识别效果， 优化客户的图像识别体验。 0127 在另一个实施方式中， 图像识别服务器可以与中央处理器9100分开配置， 例如可 以将图像识别服务器配置为与中央处理器9100连接的芯片， 通过中。

48、央处理器的控制来实现 图像识别方法的功能。 0128 如图8所示， 该电子设备9600还可以包括： 通信模块9110、 输入单元9120、 音频处理 器9130、 显示器9160、 电源9170。 值得注意的是， 电子设备9600也并不是必须要包括图8中所 示的所有部件； 此外， 电子设备9600还可以包括图8中没有示出的部件， 可以参考现有技术。 0129 如图8所示， 中央处理器9100有时也称为控制器或操作控件， 可以包括微处理器或 其他处理器装置和/或逻辑装置， 该中央处理器9100接收输入并控制电子设备9600的各个 部件的操作。 0130 其中， 存储器9140， 例如可以是缓存器。

49、、 闪存、 硬驱、 可移动介质、 易失性存储器、 非 易失性存储器或其它合适装置中的一种或更多种。 可储存上述与失败有关的信息， 此外还 可存储执行有关信息的程序。 并且中央处理器9100可执行该存储器9140存储的该程序， 以 实现信息存储或处理等。 0131 输入单元9120向中央处理器9100提供输入。 该输入单元9120例如为按键或触摸输 入装置。 电源9170用于向电子设备9600提供电力。 显示器9160用于进行图像和文字等显示 对象的显示。 该显示器例如可为LCD显示器， 但并不限于此。 0132 该存储器9140可以是固态存储器， 例如， 只读存储器(ROM)、 随机存取存储器。

50、 (RAM)、 SIM卡等。 还可以是这样的存储器， 其即使在断电时也保存信息， 可被选择性地擦除 且设有更多数据， 该存储器的示例有时被称为EPROM等。 存储器9140还可以是某种其它类型 说明书 9/11 页 12 CN 111931835 A 12 的装置。 存储器9140包括缓冲存储器9141(有时被称为缓冲器)。 存储器9140可以包括应用/ 功能存储部9142， 该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央 处理器9100执行电子设备9600的操作的流程。 0133 存储器9140还可以包括数据存储部9143， 该数据存储部9143用于存储数据， 例如 联系。