一种图像处理方法、图像识别方法、装置及存储介质与流程

本技术涉及计算机，尤其涉及一种图像处理方法、图像识别方法、装置及存储介质。

背景技术：

1、随着图像识别技术的不断发展，人脸识别作为身份校验的验证方法越来越普及。由于社交媒体的不断发展，越来越多的用户会将生活照上传至社交媒体，因此，人脸图像和人脸特征就成了比较容易获得的信息。用于人脸识别的图像识别模型也很容易受到伪造人脸的攻击，例如，照片攻击或视频攻击等。

2、为了提升图像识别模型的安全性，成功抵御这些人脸攻击，采用域对抗或者度量学习的方法，将不同域特征进行对齐，以实现对图像识别模型采用的人脸图像进行活体检测，在对域特征进行对齐的同时会带来特征的损失，例如，直接对拍照环境中的光照强度不同引入的特征差异进行特征对齐，会导致亮度特征或者仿射特征的损失，导致图像识别模型的准确性进入瓶颈。

技术实现思路

1、本技术实施例提供了一种图像处理方法、图像识别方法、装置及存储介质，用于突破图像识别模型的分析准确性瓶颈。

2、有鉴于此，本技术第一方面提供一种图像处理方法，包括：

3、获取训练图像的特征向量、多个类别的原型特征向量和m个空间特征向量，其中，多个类别的原型特征向量和m个空间特征向量组成树状结构，多个类别中每个类别具有一个或多个原型特征向量，原型特征向量通过树状结构的叶子节点表示，空间特征向量通过树状结构的非叶子节点表示，m为正整数；

4、根据训练图像的特征向量与多个类别的原型特征向量的相似性，更新多个类别的原型特征向量；

5、根据叶子节点和非叶子节点的关系，更新多个类别的原型特征向量和m个空间特征向量；

6、其中，更新后的多个类别的原型特征向量用于确定目标图像的类别。

7、本技术第二方面提供一种图像识别方法，包括：

8、获取目标图像；

9、根据目标图像与多个类别的原型特征向量的相似性，确定目标图像的类别，其中，多个类别的的原型特征向量是根据前述第一方面提供的图像处理方法得到的。

10、本技术第三方面提供一种图像处理装置，包括：

11、获取单元，用于获取训练图像的特征向量、多个类别的原型特征向量和m个空间特征向量，其中，多个类别的原型特征向量和m个空间特征向量组成树状结构，多个类别中每个类别具有一个或多个原型特征向量，原型特征向量通过树状结构的叶子节点表示，空间特征向量通过树状结构的非叶子节点表示，m为正整数；

12、更新单元，用于根据训练图像的特征向量与多个类别的原型特征向量的相似性，更新多个类别的原型特征向量；

13、更新单元，还用于根据叶子节点和非叶子节点的关系，更新多个类别的原型特征向量和m个空间特征向量；

14、其中，更新后的多个类别的原型特征向量用于确定目标图像的类别。

15、在第三方面一种可能的实施方式中，更新单元，具体用于：

16、根据训练图像的特征向量与多个类别的原型特征向量的相似性，确定目标原型特征向量，目标原型特征向量为多个类别的原型特征向量中，与训练图像的特征向量相似度最高的原型特征向量；

17、通过提高训练图像的特征向量与目标原型特征向量的相似性，更新目标原型特征向量。

18、在第三方面一种可能的实施方式中，更新单元，还用于通过缩小第一相似性与第二相似性间的差别，更新多个类别的原型特征向量，第一相似性为训练图像的特征向量与多个类别的原型特征向量中任意一个原型特征向量的相似性，第二相似性为增强图像的特征向量与任意一个原型特征向量的相似性，增强图像是对训练图像进行数据增强处理后得到的。

19、在第三方面一种可能的实施方式中，更新单元，具体用于：

20、从非叶子节点中确定第一非叶子节点，第一非叶子节点表示第一原型特征向量的叶子节点和表示第二原型特征向量的叶子节点的最近共同父节点，第一原型特征向量为第二原型特征向量的k近邻特征向量，第二原型特征向量为第一原型特征向量的k近邻特征向量，第一原型特征向量和第二原型特征向量都属于原型特征向量，k为正整数；

21、通过提高第一原型特征向量和第一非叶子节点表示的空间特征向量间的相似性，更新多个类别的原型特征向量和m个空间特征向量。

22、在第三方面一种可能的实施方式中，更新单元，还用于：

23、从非叶子节点中确定第二非叶子节点，第二非叶子节点为表示第一原型特征向量的叶子节点、表示第二原型特征向量的叶子节点、以及表示第三原型特征向量的叶子节点的最近共同父节点，第三原型特征向量不属于第一原型特征向量的k近邻特征向量，且属于第二原型特征向量的k近邻特征向量；

24、通过降低以下相似性中的至少一种：第一原型特征向量和第二非叶子节点表示的空间特征向量间的相似性、第二原型特征向量和第二非叶子节点表示的空间特征向量间的相似性、第三原型特征向量和第一非叶子节点表示的空间特征向量间的相似性，更新多个类别的原型特征向量和m个空间特征向量。

25、在第三方面一种可能的实施方式中，更新单元，还用于通过降低叶子节点表示的原型特征向量与根节点表示的空间特征向量的相似性，更新多个类别的原型特征向量和m个空间特征向量，根节点为非叶子节点中的一个。

26、在第三方面一种可能的实施方式中，更新单元，还用于通过降低任意两个叶子节点表示的原型特征向量之间的相似性，更新多个类别的原型特征向量和m个空间特征向量。

27、在第三方面一种可能的实施方式中，更新单元，具体用于：

28、确定每个非叶子节点的预测概率，预测概率为非叶子节点是表示第一原型特征向量的叶子节点和表示第二原型特征向量的叶子节点的最近共同父节点的概率；

29、确定每个非叶子节点的采样结果，采样结果为预测概率和随机概率的和；

30、根据非叶子节点的采样结果从非叶子节点中确定第一非叶子节点。

31、在第三方面一种可能的实施方式中，更新单元，还用于通过提高增强图像的特征向量与训练图像的特征向量的相似性，更新训练图像的特征向量和增强图像的特征向量。

32、在第三方面一种可能的实施方式中，获取单元，还用于获取所述训练图像的真实类别；

33、分析单元，还用于使用分类器分析所述训练图像的特征向量与所述多个类别的原型特征向量之间的相似性，确定所述训练图像的预测类别；

34、更新单元，还用于基于所述训练图像的真实类别和所述训练图像的预测类别更新所述分类器。

35、更新单元，还用于根据训练图像的特征向量与多个类别的原型特征向量之间的相似性，确定训练图像的预测类别。

36、本技术第四方面提供一种图像识别装置，包括：

37、获取单元，用于获取目标图像；

38、分析单元，用于根据目标图像与多个类别的原型特征向量的相似性，确定目标图像的类别，其中，多个类别的的原型特征向量是根据前述第一方面提供的图像处理方法得到的。

39、本技术第五方面提供一种计算机设备，包括：存储器、处理器以及总线系统；

40、其中，存储器用于存储程序；

41、处理器用于执行存储器中的程序，处理器用于根据程序代码中的指令执行上述各方面的方法；

42、总线系统用于连接存储器以及处理器，以使存储器以及处理器进行通信。

43、本技术第六方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。

44、本技术第七方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方面所提供的方法。

45、从以上技术方案可以看出，本技术实施例具有以下优点：

46、本技术实施例中，在获取训练图像的特征向量、多个类别的原型特征向量和m个空间特征向量后，根据训练图像的特征向量与多个类别的原型特征向量的相似性，更新多个类别的原型特征向量，其中，多个类别的原型特征向量和m个空间特征向量组成树状结构，多个类别中每个类别具有一个或多个原型特征向量，原型特征向量通过树状结构中的叶子节点表示，空间特征向量通过树状结构的非叶子节点表示，m为正整数，再基于树状结构中，叶子节点(原型特征向量)和非叶子节点(空间特征向量)之间的关系，更新多个类别的原型特征向量和m个空间特征向量，更新后的多个类别的原型特征向量用于确定目标图像的类别。通过构建多个类别的原型特征向量和m个空间特征向量之间的树状结构，进行了层次化建模，使得原型特征向量学习到了不同训练图像间的层次化关系，形成更加有效的特征空间表达，提高了原型特征向量的泛化能力，以适用于更多数量或类别的目标图像的类别的确定。并且由于原型特征向量的有效的特征空间表达，有助于提升图像识别模型的准确性，进而突破了图像识别模型的准确性瓶颈。