对象分类方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种对象分类方法、装置、设备及存储介质。


背景技术：

2.在目前的鼻色识别方式中，通常是专家依据自身积累的经验进行识别，然而，这种方式受限于专家的个人经验，同时，在实际过程中，由于光线等因素的干扰，造成识别结果不准确。


技术实现要素：

3.鉴于以上内容，有必要提供一种对象分类方法、装置、设备及存储介质，能够准确的确定出所述目标类别。
4.一方面，本发明提出一种对象分类方法，所述对象分类方法包括：
5.当接收到对象分类请求时，根据所述对象分类请求获取识别图像及识别对象；
6.对所述识别图像进行关键点检测，得到多个关键点坐标信息；
7.根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域；
8.提取所述对象感兴趣区域中的颜色特征，并提取所述对象感兴趣区域中的纹理特征；
9.融合所述颜色特征及所述纹理特征，得到融合特征；
10.基于预先训练好的二分类模型对所述融合特征进行分析，得到初始结果；
11.若所述初始结果为预设结果，从所述二分类模型中提取与所述融合特征对应的特征图谱；
12.将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别。
13.根据本发明优选实施例，所述对所述识别图像进行关键点检测，得到多个关键点坐标信息包括：
14.获取预先训练好的关键点检测模型，所述关键点检测模型包括对齐网络、降维网络及关键点识别网络，所述关键点识别网络中包括多个配置关键点的配置特征；
15.获取所述对齐网络中的对齐参数，并基于所述对齐参数对所述识别图像进行对齐处理，得到所述识别图像的对齐图像；
16.对所述对齐图像进行向量化处理，得到图像信息，并基于所述降维网络中的维度参数对所述图像信息进行降维处理，得到图像特征；
17.将所述图像特征与所述配置特征进行匹配，并从所述图像特征中确定出与所述配置特征匹配的目标特征；
18.获取所述关键点识别网络所对应的基准坐标系，并根据所述基准坐标系确定所述
目标特征在所述识别图像中的位置，得到所述多个关键点坐标信息。
19.根据本发明优选实施例，所述根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域包括：
20.从所述识别图像中提取每个关键点坐标信息所对应的像素信息，得到每个关键点坐标信息的关键点特征；
21.计算所述关键点特征与所述对象特征的特征相似度，并将取值大于预设相似度阈值的特征相似度确定为目标相似度；
22.从所述多个关键点坐标信息中选取出与所述目标相似度对应的关键点坐标信息作为所述识别对象的多个目标坐标信息；
23.根据所述多个目标坐标信息构建初始区域；
24.对所述初始区域进行构建扩充处理，得到所述对象感兴趣区域。
25.根据本发明优选实施例，所述提取所述对象感兴趣区域中的颜色特征包括：
26.获取所述对象感兴趣区域在rgb颜色模式下的第一像素信息，并根据所述第一像素信息在所述对象感兴趣区域中的像素位置拼接所述第一像素信息，得到第一颜色信息；
27.获取所述对象感兴趣区域在lab颜色模式下的第二像素信息，并根据所述第二像素信息在所述对象感兴趣区域中的像素位置拼接所述第二像素信息，得到第二颜色信息；
28.获取所述对象感兴趣区域在hsv颜色模式下的第三像素信息，并根据所述第三像素信息在所述对象感兴趣区域中的像素位置拼接所述第三像素信息，得到第三颜色信息；
29.拼接所述第一颜色信息、所述第二颜色信息及所述第三颜色信息，得到所述颜色特征。
30.根据本发明优选实施例，所述提取所述对象感兴趣区域中的纹理特征包括：
31.获取所述对象感兴趣区域中的灰度像素，并从所述灰度像素中获取最大灰度信息；
32.根据所述最大灰度信息构建初始矩阵；
33.获取所述初始矩阵中每个初始元素的矩阵位置，并计算所述灰度像素中包含每个所述矩阵位置的数量，得到目标数值；
34.以所述目标数值更新所述初始矩阵中的所述矩阵位置，得到所述纹理特征。
35.根据本发明优选实施例，所述二分类模型包括特征提取网络，所述特征提取网络包括多个卷积层，所述从所述二分类模型中提取与所述融合特征对应的特征图谱包括：
36.确定所述多个卷积层在所述特征提取网络中的卷积顺序；
37.将所述卷积顺序最大的卷积层所对应的卷积编号确定为目标编号；
38.基于所述融合特征获取所述二分类模型中的多个输出信息；
39.从所述多个输出信息中获取与所述目标编号对应的信息作为所述特征图谱。
40.根据本发明优选实施例，所述多分类模型中包括全连接网络及分类网络，所述将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别包括：
41.拼接所述特征图谱及所述融合特征，得到输入特征；
42.基于所述全连接网络中的权重参数对所述输入特征进行分析，得到分数向量；
43.基于所述多分类网络中的激活函数对所述分数向量进行归一化处理，得到概率向
量；
44.基于所述分类网络将所述概率向量中取值最大的维度所对应的类别确定为所述目标类别。
45.另一方面，本发明还提出一种对象分类装置，所述对象分类装置包括：
46.获取单元，用于当接收到对象分类请求时，根据所述对象分类请求获取识别图像及识别对象；
47.检测单元，用于对所述识别图像进行关键点检测，得到多个关键点坐标信息；
48.提取单元，用于根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域；
49.所述提取单元，还用于提取所述对象感兴趣区域中的颜色特征，并提取所述对象感兴趣区域中的纹理特征；
50.融合单元，用于融合所述颜色特征及所述纹理特征，得到融合特征；
51.分析单元，用于基于预先训练好的二分类模型对所述融合特征进行分析，得到初始结果；
52.所述提取单元，还用于若所述初始结果为预设结果，从所述二分类模型中提取与所述融合特征对应的特征图谱；
53.输入单元，用于将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别。
54.另一方面，本发明还提出一种电子设备，所述电子设备包括：
55.存储器，存储计算机可读指令；及
56.处理器，执行所述存储器中存储的计算机可读指令以实现所述对象分类方法。
57.另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述对象分类方法。
58.由以上技术方案可以看出，本发明通过融合所述颜色特征及所述纹理特征对所述识别对象的初始结果进行分析，能够提高所述初始结果的识别准确性，进而在所述初始结果为所述预设结果时，对所述识别对象的目标类型进行判定，能够充分考虑标注结果为所述预设结果的样本与标注结果不为所述预设结果的样本中存在样本不均衡的问题，从而提高所述目标类型的判定准确性。
附图说明
59.图1是本发明对象分类方法的较佳实施例的流程图。
60.图2是本发明对象分类装置的较佳实施例的功能模块图。
61.图3是本发明实现对象分类方法的较佳实施例的电子设备的结构示意图。
具体实施方式
62.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
63.如图1所示，是本发明对象分类方法的较佳实施例的流程图。根据不同的需求，该
流程图中步骤的顺序可以改变，某些步骤可以省略。
64.所述对象分类方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字信号处理器(digital signal processor，dsp)、嵌入式设备等。
65.所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
66.所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
67.所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
68.s10，当接收到对象分类请求时，根据所述对象分类请求获取识别图像及识别对象。
69.在本发明的至少一个实施例中，所述对象分类请求可以由负责对象分类的用户触发生成。例如，所述对象分类请求可以由医护人员触发生成。
70.所述对象分类请求携带的信息包括，但不限于：所述识别对象的对象识别码。
71.所述识别图像中包含有所述识别对象的图像信息。
72.所述识别对象可以是鼻子。
73.在本发明的至少一个实施例中，所述电子设备根据所述对象分类请求获取识别图像及识别对象包括：
74.解析所述对象分类请求的报文，得到所述报文携带的数据信息；
75.从所述数据信息中获取指示对象的信息作为对象识别码；
76.将所述对象识别码所对应的对象确定为所述识别对象；
77.从图像库中获取与所述对象识别码对应的图像作为初筛图像；
78.从所述初筛图像中选取与预设标签对应的信息作为所述识别图像，所述预设标签用于指示未进行分类的图像。
79.其中，所述图像库中包含有多张存储图像，所述多张存储图像中包括：带有所述识别对象的图像及不带有所述识别对象的图像。
80.所述初筛图像是指带有所述识别对象的图像。
81.通过解析所述报文，能够快速获取到所述数据信息，从而能够快速确定出所述识别对象，通过所述识别对象，能够准确的获取到带有所述识别对象的初筛图像，进而根据所述预设标签能够选取出未进行分类的识别图像。
82.s11，对所述识别图像进行关键点检测，得到多个关键点坐标信息。
83.在本发明的至少一个实施例中，所述多个关键点坐标信息包括多个配置关键点在所述识别图像中的坐标信息。所述多个配置关键点中包含有所述识别对象。
84.在本发明的至少一个实施例中，所述电子设备对所述识别图像进行关键点检测，
得到多个关键点坐标信息包括：
85.获取预先训练好的关键点检测模型，所述关键点检测模型包括对齐网络、降维网络及关键点识别网络，所述关键点识别网络中包括多个配置关键点的配置特征；
86.获取所述对齐网络中的对齐参数，并基于所述对齐参数对所述识别图像进行对齐处理，得到所述识别图像的对齐图像；
87.对所述对齐图像进行向量化处理，得到图像信息，并基于所述降维网络中的维度参数对所述图像信息进行降维处理，得到图像特征；
88.将所述图像特征与所述配置特征进行匹配，并从所述图像特征中确定出与所述配置特征匹配的目标特征；
89.获取所述关键点识别网络所对应的基准坐标系，并根据所述基准坐标系确定所述目标特征在所述识别图像中的位置，得到所述多个关键点坐标信息。
90.其中，所述关键点检测模型是根据训练图像及所述训练图像所对应的检测结果调整配置学习器而生成的。
91.所述基准坐标系是指所述检测结果转换为检测坐标时建立的坐标系。
92.通过对所述对齐网络对所述识别图像进行对齐处理，能够确保所述对齐图像与训练所述关键点检测模型的样本图像对齐，以提高所述多个关键点坐标信息的准确性，通过所述图像特征与配置特征进行匹配，能够准确的识别出所述识别图像中的多个配置关键点，从而能够准确的确定出所述多个关键点坐标信息。
93.s12，根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域。
94.在本发明的至少一个实施例中，所述对象特征是指能够表征出所述识别对象的特征。
95.所述对象感兴趣区域是指是指包含有所述识别对象的区域。
96.在本发明的至少一个实施例中，所述电子设备根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域包括：
97.从所述识别图像中提取每个关键点坐标信息所对应的像素信息，得到每个关键点坐标信息的关键点特征；
98.计算所述关键点特征与所述对象特征的特征相似度，并将取值大于预设相似度阈值的特征相似度确定为目标相似度；
99.从所述多个关键点坐标信息中选取出与所述目标相似度对应的关键点坐标信息作为所述识别对象的多个目标坐标信息；
100.根据所述多个目标坐标信息构建初始区域；
101.对所述初始区域进行构建扩充处理，得到所述对象感兴趣区域。
102.其中，所述预设相似度阈值可以根据需求设置。
103.通过所述关键点特征与所述对象特征的比对，能够准确的确定出所述识别对象在所述识别图像中的位置信息，从而通过对所述初始区域进行扩充，能够提高所述识别对象的区域范围。
104.s13，提取所述对象感兴趣区域中的颜色特征，并提取所述对象感兴趣区域中的纹理特征。
105.在本发明的至少一个实施例中，所述颜色特征融合了所述对象感兴趣区域在rgb颜色模式、lab颜色模式及hsv颜色模式下的颜色信息。
106.所述纹理特征是指能够表征出所述对象感兴趣区域中的纹理信息的特征。
107.在本发明的至少一个实施例中，所述电子设备提取所述对象感兴趣区域中的颜色特征包括：
108.获取所述对象感兴趣区域在rgb颜色模式下的第一像素信息，并根据所述第一像素信息在所述对象感兴趣区域中的像素位置拼接所述第一像素信息，得到第一颜色信息；
109.获取所述对象感兴趣区域在lab颜色模式下的第二像素信息，并根据所述第二像素信息在所述对象感兴趣区域中的像素位置拼接所述第二像素信息，得到第二颜色信息；
110.获取所述对象感兴趣区域在hsv颜色模式下的第三像素信息，并根据所述第三像素信息在所述对象感兴趣区域中的像素位置拼接所述第三像素信息，得到第三颜色信息；
111.拼接所述第一颜色信息、所述第二颜色信息及所述第三颜色信息，得到所述颜色特征。
112.通过所述第一像素信息能够去除所述对象感兴趣区域中的光照及阴影等干扰信息对所述初始结果及所述目标类别的影响，通过所述第二像素信息能够准确的量化出用户对所述对象感兴趣区域的视觉感官，由于所述二分类模型及所述多分类模型是根据用户的标注结果训练的，因此，通过结合所述第二像素信息能够更加准确的确定出所述初始结果及所述目标类别，通过所述第三像素信息准确的衡量出所述对象感兴趣区域中的图像深浅程度及敏感程度，进而能够使所述颜色特征中同时兼备所述第一像素信息、所述第二像素信息及所述第三像素信息的优点。
113.在本发明的至少一个实施例中，所述电子设备提取所述对象感兴趣区域中的纹理特征包括：
114.获取所述对象感兴趣区域中的灰度像素，并从所述灰度像素中获取最大灰度信息；
115.根据所述最大灰度信息构建初始矩阵；
116.获取所述初始矩阵中每个初始元素的矩阵位置，并计算所述灰度像素中包含每个所述矩阵位置的数量，得到目标数值；
117.以所述目标数值更新所述初始矩阵中的所述矩阵位置，得到所述纹理特征。
118.例如，所述灰度像素为所述最大灰度信息为1，因此，构建得到的初始矩阵为行数为2，列数为2，即所述矩阵位置包括(0，0)、(0，1)、(1，0)、(1，1)，经计算，得到目标数值依次包括0、1、1、0，进而生成纹理特征为
119.通过上述实施方式，能够准确的生成所述对象感兴趣区域中的所述纹理特征，从而能够提高所述初始结果及所述目标类别的准确性。
120.s14，融合所述颜色特征及所述纹理特征，得到融合特征。
121.在本发明的至少一个实施例中，所述融合特征包括所述颜色特征及所述纹理特征。
122.在本发明的至少一个实施例中，所述电子设备融合所述颜色特征及所述纹理特征，得到融合特征包括：
123.获取所述纹理特征中每个行维度的向量值；
124.根据所述行维度的维度序号从小至大的顺序拼接所述向量值，得到特征向量；
125.对所述颜色特征及所述特征向量进行堆叠处理，得到所述融合特征。
126.通过上述实施方式，能够使所述融合特征中包含有所述颜色特征及所述纹理特征。
127.s15，基于预先训练好的二分类模型对所述融合特征进行分析，得到初始结果。
128.在本发明的至少一个实施例中，所述二分类模型是根据标注结果为正常颜色及异常颜色的标注样本训练生成的。
129.所述初始结果是指所述识别图像中所述识别对象所属的父结果。
130.在本发明的至少一个实施例中，所述电子设备将所述融合特征输入所述二分类模型，得到初始结果。
131.通过上述实施方式，能够快速生成所述初始结果。
132.s16，若所述初始结果为预设结果，从所述二分类模型中提取与所述融合特征对应的特征图谱。
133.在本发明的至少一个实施例中，所述预设结果为异常颜色。
134.所述特征图谱是指所述二分类模型中最后一层卷积层的输出信息。
135.在本发明的至少一个实施例中，所述二分类模型包括特征提取网络，所述特征提取网络包括多个卷积层，所述电子设备从所述二分类模型中提取与所述融合特征对应的特征图谱包括：
136.确定所述多个卷积层在所述特征提取网络中的卷积顺序；
137.将所述卷积顺序最大的卷积层所对应的卷积编号确定为目标编号；
138.基于所述融合特征获取所述二分类模型中的多个输出信息；
139.从所述多个输出信息中获取与所述目标编号对应的信息作为所述特征图谱。
140.其中，所述多个输出信息包括多个卷积层基于所述融合特征的输出结果。
141.通过上述实施方式，能够从所述二分类模型中准确的获取到所述特征提取网络中最后一层卷积层的输出信息，从而能够提高所述目标类别的准确性。
142.在本发明的至少一个实施例中，若所述初始结果不为所述预设结果，将所述预设结果确定为所述目标类别。
143.s17，将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别。
144.在本发明的至少一个实施例中，所述多分类模型是根据多种具体异常颜色的样本训练而成的模型。
145.所述目标类别可以是所述预设结果下的任意子结果，例如，所述目标类别可以是赤色、黄色、白色、黑色、青色中任意一种颜色。
146.需要强调的是，为进一步保证上述目标类别的私密和安全性，上述目标类别还可以存储于一区块链的节点中。
147.在本发明的至少一个实施例中，所述多分类模型中包括全连接网络及分类网络，
所述电子设备将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别包括：
148.拼接所述特征图谱及所述融合特征，得到输入特征；
149.基于所述全连接网络中的权重参数对所述输入特征进行分析，得到分数向量；
150.基于所述多分类网络中的激活函数对所述分数向量进行归一化处理，得到概率向量；
151.基于所述分类网络将所述概率向量中取值最大的维度所对应的类别确定为所述目标类别。
152.通过上述实施方式，能够准确的确定出所述目标类别。
153.由以上技术方案可以看出，本发明通过融合所述颜色特征及所述纹理特征对所述识别对象的初始结果进行分析，能够提高所述初始结果的识别准确性，进而在所述初始结果为所述预设结果时，对所述识别对象的目标类型进行判定，能够充分考虑标注结果为所述预设结果的样本与标注结果不为所述预设结果的样本中存在样本不均衡的问题，从而提高所述目标类型的判定准确性。
154.如图2所示，是本发明对象分类装置的较佳实施例的功能模块图。所述对象分类装置11包括获取单元110、检测单元111、提取单元112、融合单元113、分析单元114及输入单元115。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
155.当接收到对象分类请求时，获取单元110根据所述对象分类请求获取识别图像及识别对象。
156.在本发明的至少一个实施例中，所述对象分类请求可以由负责对象分类的用户触发生成。例如，所述对象分类请求可以由医护人员触发生成。
157.所述对象分类请求携带的信息包括，但不限于：所述识别对象的对象识别码。
158.所述识别图像中包含有所述识别对象的图像信息。
159.所述识别对象可以是鼻子。
160.在本发明的至少一个实施例中，所述获取单元110根据所述对象分类请求获取识别图像及识别对象包括：
161.解析所述对象分类请求的报文，得到所述报文携带的数据信息；
162.从所述数据信息中获取指示对象的信息作为对象识别码；
163.将所述对象识别码所对应的对象确定为所述识别对象；
164.从图像库中获取与所述对象识别码对应的图像作为初筛图像；
165.从所述初筛图像中选取与预设标签对应的信息作为所述识别图像，所述预设标签用于指示未进行分类的图像。
166.其中，所述图像库中包含有多张存储图像，所述多张存储图像中包括：带有所述识别对象的图像及不带有所述识别对象的图像。
167.所述初筛图像是指带有所述识别对象的图像。
168.通过解析所述报文，能够快速获取到所述数据信息，从而能够快速确定出所述识别对象，通过所述识别对象，能够准确的获取到带有所述识别对象的初筛图像，进而根据所
述预设标签能够选取出未进行分类的识别图像。
169.检测单元111对所述识别图像进行关键点检测，得到多个关键点坐标信息。
170.在本发明的至少一个实施例中，所述多个关键点坐标信息包括多个配置关键点在所述识别图像中的坐标信息。所述多个配置关键点中包含有所述识别对象。
171.在本发明的至少一个实施例中，所述检测单元111对所述识别图像进行关键点检测，得到多个关键点坐标信息包括：
172.获取预先训练好的关键点检测模型，所述关键点检测模型包括对齐网络、降维网络及关键点识别网络，所述关键点识别网络中包括多个配置关键点的配置特征；
173.获取所述对齐网络中的对齐参数，并基于所述对齐参数对所述识别图像进行对齐处理，得到所述识别图像的对齐图像；
174.对所述对齐图像进行向量化处理，得到图像信息，并基于所述降维网络中的维度参数对所述图像信息进行降维处理，得到图像特征；
175.将所述图像特征与所述配置特征进行匹配，并从所述图像特征中确定出与所述配置特征匹配的目标特征；
176.获取所述关键点识别网络所对应的基准坐标系，并根据所述基准坐标系确定所述目标特征在所述识别图像中的位置，得到所述多个关键点坐标信息。
177.其中，所述关键点检测模型是根据训练图像及所述训练图像所对应的检测结果调整配置学习器而生成的。
178.所述基准坐标系是指所述检测结果转换为检测坐标时建立的坐标系。
179.通过对所述对齐网络对所述识别图像进行对齐处理，能够确保所述对齐图像与训练所述关键点检测模型的样本图像对齐，以提高所述多个关键点坐标信息的准确性，通过所述图像特征与配置特征进行匹配，能够准确的识别出所述识别图像中的多个配置关键点，从而能够准确的确定出所述多个关键点坐标信息。
180.提取单元112根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域。
181.在本发明的至少一个实施例中，所述对象特征是指能够表征出所述识别对象的特征。
182.所述对象感兴趣区域是指是指包含有所述识别对象的区域。
183.在本发明的至少一个实施例中，所述提取单元112根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域包括：
184.从所述识别图像中提取每个关键点坐标信息所对应的像素信息，得到每个关键点坐标信息的关键点特征；
185.计算所述关键点特征与所述对象特征的特征相似度，并将取值大于预设相似度阈值的特征相似度确定为目标相似度；
186.从所述多个关键点坐标信息中选取出与所述目标相似度对应的关键点坐标信息作为所述识别对象的多个目标坐标信息；
187.根据所述多个目标坐标信息构建初始区域；
188.对所述初始区域进行构建扩充处理，得到所述对象感兴趣区域。
189.其中，所述预设相似度阈值可以根据需求设置。
190.通过所述关键点特征与所述对象特征的比对，能够准确的确定出所述识别对象在所述识别图像中的位置信息，从而通过对所述初始区域进行扩充，能够提高所述识别对象的区域范围。
191.所述提取单元112提取所述对象感兴趣区域中的颜色特征，并提取所述对象感兴趣区域中的纹理特征。
192.在本发明的至少一个实施例中，所述颜色特征融合了所述对象感兴趣区域在rgb颜色模式、lab颜色模式及hsv颜色模式下的颜色信息。
193.所述纹理特征是指能够表征出所述对象感兴趣区域中的纹理信息的特征。
194.在本发明的至少一个实施例中，所述提取单元112提取所述对象感兴趣区域中的颜色特征包括：
195.获取所述对象感兴趣区域在rgb颜色模式下的第一像素信息，并根据所述第一像素信息在所述对象感兴趣区域中的像素位置拼接所述第一像素信息，得到第一颜色信息；
196.获取所述对象感兴趣区域在lab颜色模式下的第二像素信息，并根据所述第二像素信息在所述对象感兴趣区域中的像素位置拼接所述第二像素信息，得到第二颜色信息；
197.获取所述对象感兴趣区域在hsv颜色模式下的第三像素信息，并根据所述第三像素信息在所述对象感兴趣区域中的像素位置拼接所述第三像素信息，得到第三颜色信息；
198.拼接所述第一颜色信息、所述第二颜色信息及所述第三颜色信息，得到所述颜色特征。
199.通过所述第一像素信息能够去除所述对象感兴趣区域中的光照及阴影等干扰信息对所述初始结果及所述目标类别的影响，通过所述第二像素信息能够准确的量化出用户对所述对象感兴趣区域的视觉感官，由于所述二分类模型及所述多分类模型是根据用户的标注结果训练的，因此，通过结合所述第二像素信息能够更加准确的确定出所述初始结果及所述目标类别，通过所述第三像素信息准确的衡量出所述对象感兴趣区域中的图像深浅程度及敏感程度，进而能够使所述颜色特征中同时兼备所述第一像素信息、所述第二像素信息及所述第三像素信息的优点。
200.在本发明的至少一个实施例中，所述提取单元112提取所述对象感兴趣区域中的纹理特征包括：
201.获取所述对象感兴趣区域中的灰度像素，并从所述灰度像素中获取最大灰度信息；
202.根据所述最大灰度信息构建初始矩阵；
203.获取所述初始矩阵中每个初始元素的矩阵位置，并计算所述灰度像素中包含每个所述矩阵位置的数量，得到目标数值；
204.以所述目标数值更新所述初始矩阵中的所述矩阵位置，得到所述纹理特征。
205.例如，所述灰度像素为所述最大灰度信息为1，因此，构建得到的初始矩阵为行数为2，列数为2，即所述矩阵位置包括(0，0)、(0，1)、(1，0)、(1，1)，经计算，得到目标数值依次包括0、1、1、0，进而生成纹理特征为
206.通过上述实施方式，能够准确的生成所述对象感兴趣区域中的所述纹理特征，从而能够提高所述初始结果及所述目标类别的准确性。
207.融合单元113融合所述颜色特征及所述纹理特征，得到融合特征。
208.在本发明的至少一个实施例中，所述融合特征包括所述颜色特征及所述纹理特征。
209.在本发明的至少一个实施例中，所述融合单元113融合所述颜色特征及所述纹理特征，得到融合特征包括：
210.获取所述纹理特征中每个行维度的向量值；
211.根据所述行维度的维度序号从小至大的顺序拼接所述向量值，得到特征向量；
212.对所述颜色特征及所述特征向量进行堆叠处理，得到所述融合特征。
213.通过上述实施方式，能够使所述融合特征中包含有所述颜色特征及所述纹理特征。
214.分析单元114基于预先训练好的二分类模型对所述融合特征进行分析，得到初始结果。
215.在本发明的至少一个实施例中，所述二分类模型是根据标注结果为正常颜色及异常颜色的标注样本训练生成的。
216.所述初始结果是指所述识别图像中所述识别对象所属的父结果。
217.在本发明的至少一个实施例中，所述分析单元114将所述融合特征输入所述二分类模型，得到初始结果。
218.通过上述实施方式，能够快速生成所述初始结果。
219.若所述初始结果为预设结果，所述提取单元112从所述二分类模型中提取与所述融合特征对应的特征图谱。
220.在本发明的至少一个实施例中，所述预设结果为异常颜色。
221.所述特征图谱是指所述二分类模型中最后一层卷积层的输出信息。
222.在本发明的至少一个实施例中，所述二分类模型包括特征提取网络，所述特征提取网络包括多个卷积层，所述提取单元112从所述二分类模型中提取与所述融合特征对应的特征图谱包括：
223.确定所述多个卷积层在所述特征提取网络中的卷积顺序；
224.将所述卷积顺序最大的卷积层所对应的卷积编号确定为目标编号；
225.基于所述融合特征获取所述二分类模型中的多个输出信息；
226.从所述多个输出信息中获取与所述目标编号对应的信息作为所述特征图谱。
227.其中，所述多个输出信息包括多个卷积层基于所述融合特征的输出结果。
228.通过上述实施方式，能够从所述二分类模型中准确的获取到所述特征提取网络中最后一层卷积层的输出信息，从而能够提高所述目标类别的准确性。
229.在本发明的至少一个实施例中，若所述初始结果不为所述预设结果，将所述预设结果确定为所述目标类别。
230.输入单元115将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别。
231.在本发明的至少一个实施例中，所述多分类模型是根据多种具体异常颜色的样本
训练而成的模型。
232.所述目标类别可以是所述预设结果下的任意子结果，例如，所述目标类别可以是赤色、黄色、白色、黑色、青色中任意一种颜色。
233.需要强调的是，为进一步保证上述目标类别的私密和安全性，上述目标类别还可以存储于一区块链的节点中。
234.在本发明的至少一个实施例中，所述多分类模型中包括全连接网络及分类网络，所述输入单元115将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别包括：
235.拼接所述特征图谱及所述融合特征，得到输入特征；
236.基于所述全连接网络中的权重参数对所述输入特征进行分析，得到分数向量；
237.基于所述多分类网络中的激活函数对所述分数向量进行归一化处理，得到概率向量；
238.基于所述分类网络将所述概率向量中取值最大的维度所对应的类别确定为所述目标类别。
239.通过上述实施方式，能够准确的确定出所述目标类别。
240.由以上技术方案可以看出，本发明通过融合所述颜色特征及所述纹理特征对所述识别对象的初始结果进行分析，能够提高所述初始结果的识别准确性，进而在所述初始结果为所述预设结果时，对所述识别对象的目标类型进行判定，能够充分考虑标注结果为所述预设结果的样本与标注结果不为所述预设结果的样本中存在样本不均衡的问题，从而提高所述目标类型的判定准确性。
241.如图3所示，是本发明实现对象分类方法的较佳实施例的电子设备的结构示意图。
242.在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如对象分类程序。
243.本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
244.所述处理器13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)、现场可编程门阵列(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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
245.示例性的，所述计算机可读指令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12中，并由所述处理器13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可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机
可读指令可以被分割成获取单元110、检测单元111、提取单元112、融合单元113、分析单元114及输入单元115。
246.所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
247.所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans
‑
flash card)等等。
248.所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
249.其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)。
250.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
251.结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种对象分类方法，所述处理器13可执行所述计算机可读指令从而实现：
252.当接收到对象分类请求时，根据所述对象分类请求获取识别图像及识别对象；
253.对所述识别图像进行关键点检测，得到多个关键点坐标信息；
254.根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域；
255.提取所述对象感兴趣区域中的颜色特征，并提取所述对象感兴趣区域中的纹理特征；
256.融合所述颜色特征及所述纹理特征，得到融合特征；
257.基于预先训练好的二分类模型对所述融合特征进行分析，得到初始结果；
258.若所述初始结果为预设结果，从所述二分类模型中提取与所述融合特征对应的特征图谱；
259.将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别。
260.具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
261.在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
262.所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
263.当接收到对象分类请求时，根据所述对象分类请求获取识别图像及识别对象；
264.对所述识别图像进行关键点检测，得到多个关键点坐标信息；
265.根据所述多个关键点坐标信息及所述识别对象的对象特征从所述识别图像中提取对象感兴趣区域；
266.提取所述对象感兴趣区域中的颜色特征，并提取所述对象感兴趣区域中的纹理特征；
267.融合所述颜色特征及所述纹理特征，得到融合特征；
268.基于预先训练好的二分类模型对所述融合特征进行分析，得到初始结果；
269.若所述初始结果为预设结果，从所述二分类模型中提取与所述融合特征对应的特征图谱；
270.将所述特征图谱及所述融合特征输入至预先训练好的多分类模型中，得到所述识别对象的目标类别。
271.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
272.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
273.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
274.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
275.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。