本发明涉及图像识别领域，具体涉及一种图像识别系统以及图像识别装置。
背景技术：
图像是人类视觉的基础，是自然景物的客观反映，也是人类信息收集和交流的有效途径之一，随着计算机、互联网等技术的发展，数字图像处理技术在工业、医疗、军事、交通等行业中发挥着日益重要的作用。
图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。
目前，传统的图像识别系统，通常采用图像整体特征提取，再通过人工智能模型进行识别的方式实现图像的识别，未充分考虑图像可能会包含多种不同属性的特征，特征提取的过程存在很大的盲区，图像识别准确率较低。
技术实现要素：
为解决上述技术问题，本发明提供了一种图像识别系统以及图像识别装置，可以实现图像的精准化识别。
为实现上述目的，本发明采取的技术方案为：
一种图像识别系统，包括：
图像采集模块，用于实现目标图像的采集；
图像特征区识别模块，用于基于神经网络模型实现图像特征区的识别；
图像校正模块，用于实现图像特征区偏转角度的校正；
图像特征提取模块，用于实现图像特征区特征参数的提取；
图像识别模块，用于融合所述图像特征区的特征参数，并实现图像的识别。
进一步地，所述图像采集模块内载有三维姿态传感器，每一张目标图像均携带有图像采集模块的三维姿态信息。
进一步地，所述神经网络模型采用dssdinceptionv3coco模型。
进一步地，所述图像校正模块基于每一张目标图像的三维姿态信息实现图像特征区偏转角度的校正。
进一步地，所述图像特征提取模块基于卷积神经网络实现图像特征区特征参数的提取。
进一步地，所述图像识别模块首先将各图像特征区的特征参数串联形成增强特征向量，然后基于bi-lstm attention模型实现图像的识别。
进一步地，还包括：
图像特征区标记模块，用于基于图像采集模块所在位置信息和三维姿态信息实现图像特征区三维坐标点的标记。
本发明还提供了一种图像识别装置，其采用上述的系统实现图像的识别。
本发明具有以下有益效果：
1）通过将图像分割成若干图像特征区，并为每一种图像特征区配置不同的特征提取算法，从而可以避免图像识别过程中存在的特征提取盲区，大大提高图像识别的精确度。
2）充分考虑图像特征区偏转角度特征和所在位置特征，进一步提高图像识别的精确度。
附图说明
图1为本发明实施例1一种图像识别系统的系统框图。
图2为本发明实施例2一种图像识别装置的系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对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。
实施例1
一种图像识别系统，包括：
图像采集模块，用于实现目标图像的采集；
图像特征区识别模块，用于基于神经网络模型实现图像特征区的识别；
图像校正模块，用于实现图像特征区偏转角度的校正；
图像特征提取模块，用于实现图像特征区特征参数的提取；
图像识别模块，用于融合所述图像特征区的特征参数，并实现图像的识别。
本实施例中，所述图像采集模块内载有三维姿态传感器，每一张目标图像均携带有图像采集模块的三维姿态信息。所述神经网络模型采用dssdinceptionv3coco模型。所述图像校正模块基于每一张目标图像的三维姿态信息实现图像特征区偏转角度的校正。所述图像特征提取模块基于卷积神经网络实现图像特征区特征参数的提取，基于dssdinceptionv3coco模型的识别结果调用对应的卷积神经网络算法实现图像特征区特征参数的提取。所述图像识别模块首先将各图像特征区的特征参数串联形成增强特征向量，然后基于bi-lstm attention模型实现图像的识别。
实施例2
一种图像识别装置，包括：
图像采集模块，用于实现目标图像的采集；
图像特征区识别模块，用于基于神经网络模型实现图像特征区的识别；
图像特征区标记模块，用于基于图像采集模块所在位置信息和三维姿态信息实现图像特征区三维坐标点的标记；
图像校正模块，用于实现图像特征区偏转角度的校正；
图像特征提取模块，用于实现图像特征区特征参数的提取；
图像识别模块，用于融合所述图像特征区的特征参数，并实现图像的识别。
本实施例中，所述图像采集模块内载有三维姿态传感器，每一张目标图像均携带有图像采集模块的三维姿态信息。所述神经网络模型采用dssdinceptionv3coco模型。所述图像校正模块基于每一张目标图像的三维姿态信息实现图像特征区偏转角度的校正。所述图像特征提取模块基于卷积神经网络实现图像特征区特征参数的提取，基于dssdinceptionv3coco模型的识别结果调用对应的卷积神经网络算法实现图像特征区特征参数的提取。所述图像识别模块首先将携带有特征区未知信息的特征参数串联形成增强特征向量，然后基于bi-lstm attention模型实现图像的识别。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
1.一种图像识别系统，其特征在于：包括：
图像采集模块，用于实现目标图像的采集；
图像特征区识别模块，用于基于神经网络模型实现图像特征区的识别；
图像校正模块，用于实现图像特征区偏转角度的校正；
图像特征提取模块，用于实现图像特征区特征参数的提取；
图像识别模块，用于融合所述图像特征区的特征参数，并实现图像的识别。
2.如权利要求1所述的一种图像识别系统，其特征在于：所述图像采集模块内载有三维姿态传感器，每一张目标图像均携带有图像采集模块的三维姿态信息。
3.如权利要求1所述的一种图像识别系统，其特征在于：所述神经网络模型采用dssdinceptionv3coco模型。
4.如权利要求1所述的一种图像识别系统，其特征在于：所述图像校正模块基于每一张目标图像的三维姿态信息实现图像特征区偏转角度的校正。
5.如权利要求1所述的一种图像识别系统，其特征在于：所述图像特征提取模块基于卷积神经网络实现图像特征区特征参数的提取。
6.如权利要求1所述的一种图像识别系统，其特征在于：所述图像识别模块首先将各图像特征区的特征参数串联形成增强特征向量，然后基于bi-lstm attention模型实现图像的识别。
7.如权利要求1所述的一种图像识别系统，其特征在于：还包括：
图像特征区标记模块，用于基于图像采集模块所在位置信息和三维姿态信息实现图像特征区三维坐标点的标记。
8.一种图像识别装置，其特征在于：采用如权利要求1-7任一项所述的系统实现图像的识别。
技术总结