具体实施方式

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、完整地描述，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。

实施例一

本申请实施例公开的一种图像注册方法，如图1所示，所述方法包括：步骤110至步骤140。

步骤110，获取预设数量待注册图像。

在用户身份注册过程中，为了进行身份核验，很多应用场景都需要用户进行人脸图像、证件图像，以及包括人脸和证件的图像。例如，在物流配送人员(如外卖骑手、邮件投递员、快递员等)注册过程中，需要上传配送人员正面人脸手持证件的图像(如图2a)、证件正面图像(如图2b)、正面人脸图像(如图2c)；在公司注册申请过程中，需要上传法人正面人脸图像、证件正面图像、正面人脸手持证件的图像。

在上述类似的应用场景中，有的注册应用通过调用图像采集设备的接口，引导注册用户实时采集预设数量的待注册图像(如采集外卖骑手的三张图像，包括：正面人脸图像、证件正面图像、正面人脸手持证件的图像)，有的注册应用通过调用图像管理软件(如系统相册)接口，引导注册用户实时上传采集预设数量的待注册图像。

注册应用可以通过图像采集设备采集上述预设数量的待注册图像，或者通过调用图像管理软件接口，获取用户上传的预设数量的待注册图像，例如获取的待注册图像表示为：pic1、pic2和pic3。

本申请实施例中，对获取待注册图像的具体实施方式不做限定。

步骤120，获取每张所述待注册图像的图像类别。

现有技术中，注册应用将按照预设图像识别引擎的接口引导注册用户依次采集或上传不同图像类别的图像。例如，在外卖骑手注册过程中，注册应用将引导用户依次采集：正面人脸手持证件图像、证件正面图像和正面人脸图像。注册应用在依次采集上述图像时，会将采集到的待注册图像依次标识图像类别，并分别存储。在获取到预设数量的待注册图像(如待注册图像pic1、pic2和pic3)之后，注册应用的图像比对识别模块按照待注册图像的采集顺序对待注册图像依次进行两两比对，并根据比对结果执行用户注册。例如，通过对正面人脸手持证件的图像(如图2a)中的手持证件的人脸H1、证件上的人脸H2、证件正面图像(如图2b)中的人脸H3以及正面人脸图像(如图2c)中的人脸H4完成两两比对。如果两两比对结果满足预设条件，则确定图像注册通过。

现有技术中，图像比对识别模块对不同图像类别的两幅待注册图像的比对结果设置了不同的置信度阈值。例如，图像比对识别模块预先设置的图像两两比对类别和顺序分别为：正面人脸手持证件图像与证件正面图像，置信度阈值为T12；正面人脸手持证件图像与正面人脸图像，置信度阈值为T13；证件正面图像与正面人脸图像了，置信度阈值为T23，其中，置信度阈值T12、T23和T13对应不同数值。

由于注册应用默认用户按照引导的顺序采集或上传待注册图像，因此，注册应用默认依序采集或上传的待注册图像的图像类别与图像比对识别模块依序输入的待注册图像的图像类别是一致的，并将依次采集或上传的待注册图像输入至所述图像比对识别模块进行注册识别。然而，如果用户没有按照引导顺序上传或采集相应类别的待注册图像，会出现所述图像比对识别模块将内容与类型不匹配的图像进行比对，由于不同图像类别的待注册图像内容具有很大差异，会导致比对结果不符合预设置信度阈值，进而影响图像注册结果，导致注册失败。需要用户重复上传或采集待注册图像，降低了图像注册效率。

本申请的一些实施例中，通过图像识别技术对图像内容进行识别，确定每张所述待注册图像的图像类别。例如，可以预先采集每种图像类别的各若干幅图像，并分别基于每种图像类别的各若干幅图像，训练该种图像类别的图像类别识别模型。具体应用中，对于采集到的每幅待注册图像(如待注册图像pic1、pic2和pic3)，分别输入每种图像类别的所述图像类别识别模型，以确定各待注册图像的图像类别。

本申请的一些优选实施例中，将获取的预设数量待注册图像(如待注册图像pic1、pic2和pic3)作为一个图像序列，输入至一个预先训练的图像序列类别识别模型，以确定该图像序列中每幅待注册图像的图像类别。例如，所述获取每张所述待注册图像的图像类别，包括：将所述预设数量待注册图像组成的待识别图像序列，作为预先训练的图像序列类别识别模型的输入，通过所述图像序列类别识别模型识别所述待识别图像序列对应的图像序列类别；根据所述待识别图像序列对应的图像序列类别，确定所述待识别图像序列中每个图像的图像类别。下面详细介绍基于图像序列对预设数量待注册图像进行组合识别，以获取每张所述待注册图像的图像类别的具体技术方案。

本申请的一些实施例中，所述预设数量待注册图像可以按照任意顺序排列组成一个待识别图像序列。如将获取的待注册图像pic1、pic2和pic3排列为待识别图像序列：pic1pic2 pic3。将所述预设数量待注册图像组成的待识别图像序列，作为预先训练的图像序列类别识别模型的输入，包括：将所述待识别图像序列中的各待注册图像依序拼接为一幅图像(如图3所示)，将拼接后的图像输入至所述预先训练的图像序列类别识别模型；或者，分别提取所述待识别图像列中的各待注册图像的预设图像特征，将各待注册图像的预设图像特征依序进行拼接后，输入至所述预先训练的图像序列类别识别模型。

进行图像拼接的具体实施方式参见现有技术，本申请实施例中不再赘述。前述预设图像特征可以为纹理特征、颜色特征或其他图像特征，本申请对此不做限定。进行图像特征拼接的具体实施方式参见现有技术，本申请实施例中不再赘述。

具体实施时，将所述预设数量待注册图像组成的待识别图像序列，以拼接图像的方式或拼接特征的方式输入至预先训练的图像序列类别识别模型，根据所述图像序列类别识别模型的输入需要确定。以所述图像序列类别识别模型的输入数据为图像为例，相应的，需要将所述待识别图像序列中的各待注册图像依序拼接为一幅图像(如图3)，将拼接后的图像输入至所述预先训练的图像序列类别识别模型。

所述预先训练的图像序列类别识别模型通过对输入图像进行特征提取和映射处理，输出所述输入图像匹配各预设图像序列类别的概率值，每一个所述概率值指示了所述输入图像是否属于该图像序列类别。以预设图像序列类别包括六个第一图像序列类别，分别表示为C1、C2、C3、C4、C5和C6为例，所述图像序列类别识别模型将输出对应这六个图像序列类别各自的概率值，则可以将最大概率值对应的所述第一图像序列类别(如C1)作为所述输入图像匹配的图像序列类别。

本申请的一些实施例中，根据所述待识别图像序列对应的图像序列类别，确定所述待识别图像序列中每个图像的图像类别，包括：根据所述图像类别的排列顺序与所述第一图像序列类别的预设对应关系，确定所述待识别图像序列中每个图像的图像类别。例如，本申请的一些实施例中预先建立了每个所述第一图像序列类别对应的图像类别的排列顺序。以图像类别包括：正面人脸手持证件图像、证件正面图像和正面人脸图像举例，假设预先设置了第一图像序列类别C1对应的图形类别的排列顺序从前到后为：正面人脸手持证件图像，证件正面图像,正面人脸图像，进一步的，可以根据第一图像序列类别C1对应的图形类别的排列顺序从前到后为：第一幅，正面人脸手持证件图像；第二幅，证件正面图像；第三幅,正面人脸图像。至此，即可确定所述待识别图像序列中每幅图像的所述图像。

本申请的一些实施例中，在将所述预设数量待注册图像组成的待识别图像序列，作为预先训练的图像序列类别识别模型的输入，通过所述图像序列类别识别模型识别所述待识别图像序列对应的图像序列类别的步骤之前，还包括：根据所述图像类别的排列数量，确定相同数量个第一图像序列类别，并确定与所述图像类别的每种排列顺序一一对应的所述第一图像序列类别；按照各所述第一图像序列类别对应的所述图像类别的排列顺序，获取各所述第一图像序列类别对应的若干图像序列，并基于每个所述图像序列构建一条对应于所述第一图像序列类别的训练样本；基于构建的所述训练样本，训练所述图像序列类别识别模型。即，在使用该图像序列类别识别模型之前，首先需要训练所述图像序列类别识别模型。

为了便于读者更清楚地理解本申请的技术方案所带来的有益效果，下面结合阐述图像序列类别识别模型的训练过程对技术方案中采用的技术手段进行详细描述。

以外卖骑手进行图像注册的应用场景为例，注册应用通常需要外卖骑手依次采集正面人脸手持证件图像、证件正面图像，以及,正面人脸图像。在确定待注册图像的图像类别时，如果分别将每幅待注册图像输入至预先训练的单一图像类别的图像类别识别模型中进行识别，分别确定每幅待注册图像的图像类别时，由于正面人脸手持证件图像和正面人脸图像的图像内容非常相似，很容易导致误识别。因此，本申请的优选实施例中，将获取的所述预设数量的待注册人脸图像按照任意顺序构成一待识别图像序列，通过图像序列类别识别模型对所述预设数量的待注册人脸图像及进行组合识别，以弱化易混淆特征的方式，降低误识别率。通过识别待识别图像序列的组合顺序，进一步确定所述待识别图像序列中每幅待注册图像的图像类别。相应的，在训练所述图像序列类别识别模型时，需要构建对应每种图像序列类别的若干条训练样本。

本申请的一些实施例中，将待注册图像的所有预设图像类别的不同组合顺序分别作为一种第一图像序列类别。即，将所有预设图像类别的排列种类作为第一图像序列类别的数量，每种第一图像序列类别对应所有预设图像类别的一种排列。仍以外卖骑手的待注册图像包括：正面人脸手持证件图像、证件正面图像，以及,正面人脸图像三个图像类别为例，下文中，为了便于描述，通过符号“P1”表示正面人脸手持证件图像，通过符号“P2”表示证件正面图像，通过符号“P3”表示正面人脸图像，则根据排列公式A(3,3)可以得到这三个图像类别的排列种类有六种，例如分别表示为：P1 P2 P3,P1 P3 P2,P2 P1 P3,P2 P3 P1,P3 P1 P2,P3 P2 P1。相应的，可以确定第一图像序列类别包括六种，每种第一图像序列类别对应上述三种图像类别的一种排列种类。例如，将六种第一图像序列类别分别通过符号：C1、C2、C3、C4、C5和C6表示，则可以设置第一图像序列类别C1对应的图像类别的排列顺序为P1(即正面人脸手持证件图像)P2(即证件正面图像)P3(即正面人脸图像)；设置第一图像序列类别C2对应的图像类别的排列顺序为P1 P3 P2；……

本申请的一些实施例中，在训练所述图像序列类别识别模型前，还需要构建每种所述第一图像序列类别对应的若干训练样本，其中，每条训练样本的样本标签为该第一图像序列类别的类别标识；样本数据为一个图像序列，该图像序列中图像的排列顺序与该第一图像序列类别对应的图像类别的排列顺序匹配。例如，第一图像序列类别C1对应的所有训练样本的样本数据中，第一幅图像的图像类别为P1(即正面人脸手持证件图像)，第二幅图像的图像类别为P2(即证件正面图像)，第三幅图像的图像类别为P3(即正面人脸图像)。

本申请的一些实施例中，可以通过直接采集各种第一图像序列类别对应的图像序列的方式构建训练样本。例如，分别按照不同顺序采集每个骑手的上述三种图像类别的图像，得到若干图像序列。但是，采集图像序列比较耗时，无法获取大量的训练样本。

本申请的一些实施例中，还可以首先获取每种图像类别的若干图像，之后，通过进行图像组合、排序，生成各种第一图像序列类别对应的图像序列的方式构建训练样本。基于将获取的所述预设数量的待注册人脸图像按照任意顺序构成一待识别图像序列，进行组合识别的要求，在构建模型的训练样本时，为了保证每个第一图像序列类别的训练样本，即各种图像类别的组合顺序的训练样本的分布均衡性，提升模型识别准确率，本申请的一些实施例中，通过各种图像类别的图像进行有规律组合，生成新样本，以增加训练样本的数量和样本分布均衡性。

例如，本申请的一些实施例中，所述按照各所述第一图像序列类别对应的所述图像类别的排列顺序，获取各所述第一图像序列类别对应的若干图像序列，并基于每个所述图像序列构建一条对应于所述第一图像序列类别的训练样本的步骤，包括：获取每种所述图像类别的若干图像；枚举从每种所述图像类别的若干图像中分别选择一幅图像得到的图像组合；对于每种所述第一图像序列类别，将每种所述图像组合中的图像按照与该第一图像序列类别对应的所述图像类别的排列顺序进行排序，得到该第一图像序列类别对应的训练样本。

仍以图像类别包括：正面人脸手持证件图像、证件正面图像和正面人脸图像为例，通过符号“P1”表示正面人脸手持证件图像，通过符号“P2”表示证件正面图像，通过符号“P3”表示正面人脸图像，首先需要获取若干幅正面人脸手持证件图像、若干幅证件正面图像和若干幅正面人脸图像。具体实施时，有些类别的图像比较难于采集，例如正面人脸图像，由于样本不均衡，模型训练过程中容易发生过拟合，因此，本申请的一些实施例中采用样本组合的方式重新生成“新样本”。

下面以符号Pi_j表示第j位骑手的第i个图像类别的图像为例，详细说明组合生成训练样本的技术方案。其中，i和j为正整数，具体到本实施例而言，假设有100位骑手的以上3种图像作为原始样本，则j的取值范围为1至100，i可以取值1、2和3，P1_1表示骑手1的第1类图像(即正面人脸手持证件图像),P2_1表示骑手1的第2类图像(即证件正面图像),P3_1表示骑手1的第3类图像(即正面人脸图像)。可以采集每位骑手的每种类图像类别的各若干幅图像，如采集骑手1的第1种类别(即正面人脸手持证件图像)的10幅图像、第2种类别(即证件正面图像)的10幅图像和第3种类别(即正面人脸图像)的10幅图像。按照同样方法采集其他骑手的每种图像类别的若干幅图像。最后，可以得到每种图像类别的若干幅图像。

为了增加样本数量，进一步提升训练得到的模型的识别准确度，接下来对每种图像类别的若干幅图像进行组合，生成若干图像序列。例如，从第1种图像类别中选择一幅图像P1_1、从第2种图像类别中选择一幅图像P2_1，和从第3种图像类别中每幅图像分别组成一个图像序列，如此操作，如果第3种图像类别中包括N幅图像，将得到N个对应第一图像序列类别C1(即对应图像类别的排列顺序为P1 P2 P3)的图像序列。从第1种图像类别中选择一幅图像P1_1、从第2种图像类别中选择一幅图像P2_2，和从第3种图像类别中每幅图像分别组成一个图像序列，又将得到N个对应第一图像序列类别C1(即对应图像类别的排列顺序为P1 P2 P3)的图像序列。按照测方法，将得到若干对应第一图像序列类别的图像序列。同样方法，可以得到对应每个第一图像序列类别的若干图像序列。

上述方法涵盖了从3种图像类别中分别选择一幅图像组成图像组合后的所有排列。

对于与每种第一图像序列类别对应的图像序列，将每个图像序列作为一条训练样本的样本数据，将该图像序列对应的所述第一图像序列类别的类别标识作为该条训练样本的样本标签，构造一条训练数据，可以得到对应第一图像序列类别的若干条训练样本。

在确定了每种第一图像序列类别对应的若干训练样本之后，开始基于构建的训练样本训练所述图像序列类别识别模型。本申请的一些实施例中，所述图像序列类别识别模型采用ResNet50网络结构实现。在本申请的另一些实施例中，所述图像序列类别识别模型还可以采用其他多分类网络机构，本申请对所述图像序列类别识别模型采用的具体网络结构不做限定，只要满足可以对输入数据进行多分类结果的输出即可。

基于构建的训练样本训练所述图像序列类别识别模型的具体实施方式参见现有技术，本申请实施例中不再赘述。

步骤130，根据每张所述待注册图像的所述图像类别，对所述预设数量待注册图像按照预设图像注册类别顺序从前向后排序，得到由所述预设数量待注册图像组成的待注册图像序列。

在确定了每幅待注册图像的所述图像类别之后，例如，待注册图像pic1 pic2pic3的所述图像类别依次为：正面人脸手持证件图像P1，正面人脸图像P3和证件正面图像P2，而预设图像注册类别顺序(即注册应用中图像比对识别模块的默认的图像注册类别顺序)为：正面人脸手持证件图像P1，证件正面图像P2和正面人脸图像P3，则将待注册图像pic1、pic2和pic3重新排列，得到待注册图像序列pic1 pic3 pic2，即将获取的待注册图像的排列顺序调整为与图像比对识别模块的输入要求一致。

步骤140，基于所述待注册图像序列进行图像注册。

最后，将调整顺序后得到的待注册图像序列输入至所述图像比对识别模块，通过所述图像比对识别模块进行待注册图像的比对识别，以便完成图像注册。

本申请实施例公开的图像注册方法，通过获取预设数量待注册图像，并获取每张所述待注册图像的图像类别，然后，根据每张所述待注册图像的所述图像类别，对所述预设数量待注册图像按照预设图像注册类别顺序从前向后排序，得到由所述预设数量待注册图像组成的待注册图像序列，最后，基于所述待注册图像序列进行图像注册，可以提升图像注册的效率。

具体而言，本申请实施例公开的图像注册方法，通过在现有技术的身份注册系统中的图像注册环节增设了待注册图像的类别识别和顺序矫正操作，从而对出现上传图像种类异常的情况进行自动纠错，从而提高自动通过率。对用户采集或上传待注册图像的顺序没有严格要求，提升了注册系统的易用性。经过大量实验数据表明，采用本申请实施例公开的图像注册方法进行骑手注册时，自动注册成功率比现有技术提升5个百分点。另一方面，在训练过程中采用样本组合作为训练样本单元，从而弥补在业务开展初期部分数据类型短缺的问题，丰富了样本，进而提升了图像类别识别准确度。

实施例二

本申请实施例公开的一种图像注册方法，在所述图像序列类别识别模型的训练过程中，所述图像序列类别还包括：第二图像序列类别。所述根据所述图像类别的排列数量，确定相同数量个第一图像序列类别，并确定与所述图像类别的每种排列顺序一一对应的所述第一图像序列类别的步骤之后，还包括：确定一不同于各所述第一图像序列类别的第二图像序列类别，并确定所述第二图像序列类别对应的所述图像类别的排列顺序为至少包括重复图像类别的排列顺序。其中，所述第二图像序列类别对应异常图像序列，例如，图像序列中的图像至少有两幅图像的类别相同。参见实施例一中描述，可以通过符号C7表示所述第二图像序列类别。具体到实施例一中所述的图像类别，如正面人脸手持证件图像P1、正面人脸图像P3和正面人脸手持证件图像P1组成的图像序列属于第二图像序列类别；再如正面人脸手持证件图像P1、两幅正面人脸图像P3组成的图像序列属于第二图像序列类别。

在构建训练样本时，根据从任意一种所述图像类别的若干图像中任意选择的至少两幅图像，和从其余所述图像类别的若干图像中选择的图像，构建所述第二图像序列类别对应的训练样本。例如，从正面人脸手持证件图像P1类别的若干图像中任意选择两幅图像和正面人脸图像P3类别的若干图像中任意选择一幅图像，按任意顺序排列，生成多条训练样本，该多条训练样本的样本标签例如可以设置为C7。

相应的，所述基于构建的所述训练样本，训练所述图像序列类别识别模型，包括：基于各所述第一图像序列类别对应的训练样本、所述第二图像序列类别对应的训练样本，训练所述图像序列类别识别模型。最后，基于第一图像序列类别(即正常图像序列类别)对应的训练样本和第二图像序列类别(即异常图像序列类别)对应的训练样本，训练所述图像序列类别识别模型。

相应的，所述将所述预设数量待注册图像组成的待识别图像序列，作为预先训练的图像序列类别识别模型的输入，通过所述图像序列类别识别模型识别所述待识别图像序列对应的图像序列类别的步骤之后，还包括：根据所述待识别图像序列对应的图像序列类别，确定所述待识别图像序列中图像的图像类别出现异常。例如，若所述图像序列类别匹配第一图像序列类别，则根据所述待识别图像序列对应的图像序列类别，确定所述待识别图像序列中每个图像的图像类别；若所述图像序列类别匹配第二图像序列类别，则确定输入的待注册图像类别异常。如前所述，在模型训练过程中，如果训练样本对应的图像序列类别包括七个，训练样本的样本标签对应七个图像序列类别(例如，C1至C6表示的六个第一图像序列类别和C7表示的一个第二图像序列类别)，所述图像序列类别识别模型的输出将对应七个图像序列类别的分类概率值。

进一步的，根据所述图像序列类别识别模型输出的，对应七个图像序列类别的分类概率值，即可确定输入的待识别图像序列对应哪个图像序列类别。例如，当所述图像序列类别识别模型输出的对应第一图像序列类别C1的分类概率值满足预设概率值条件时(如概率值最大)，则确定输入的待识别图像序列对应第一图像序列类别C1,则进一步可以根据第一图像序列类别对应的图像类别的排列顺序，确定待识别图像序列中依序排列的各待注册图像的图像类别。再例如，当所述图像序列类别识别模型输出的对应第二图像序列类别C7的分类概率值满足预设概率值条件时(如概率值最大)，则确定输入的待识别图像序列对应第二图像序列类别C7,则可以确定待识别图像序列中各待注册图像包括同一类别的多幅图像或者图像不符合要求。

相应的，如图4所示，所述获取每张所述待注册图像的图像类别的步骤之后，还包括：步骤150和步骤160。

步骤150。判断所述待识别图像序列中图像的图像类别是否出现异常，若是，则执行步骤160，否则，执行步骤130。

如果所述待识别图像序列属于第二图像序列类别，则说明所述待识别图像序列中的待注册图像至少包括的同一图像类别的两幅图像，不符合图像注册的要求，不再执行重新排序，需要用户重新采集或上传待注册图像。

步骤160，若确定所述待识别图像序列中图像的图像类别出现异常，则输出待注册图像类别错误的提示信息，并返回至所述获取预设数量待注册图像的步骤。

再确定所述待识别图像序列中图像的图像类别出现异常的情况下，注册应用降输出待注册图像类别异常的提示信息，以便注册用户重新采集或上传待注册图像。

本申请实施例公开的图像注册方法，通过构建异常图像类别序列的训练样本，并基于正常图像序列类别和异常图像序列类别的训练样本训练图像序列类别识别模型，可以通过平衡样本分布来提升训练得到的模型的识别准确率。进一步的，现有技术中，当图像比对识别模块对待注册图像比对不通过时，智能提示用户重新采集或上传图像，无法给出准确的提示。而本申请实施例公开的图像注册方法，通过对异常图像类别的待注册图像进行识别，并对注册用户进行准确地提示，有助于注册用户提升注册效率，可以进一步改善用户体验。

实施例三

本申请实施例公开的一种图像注册装置，如图5所示，所述装置包括：

待注册图像获取模块510，用于获取预设数量待注册图像；

图像类别获取模块520，用于获取每张所述待注册图像的图像类别；

排序模块530，用于根据每张所述待注册图像的所述图像类别，对所述预设数量待注册图像按照预设图像注册类别顺序从前向后排序，得到由所述预设数量待注册图像组成的待注册图像序列；

注册模块540，用于基于所述待注册图像序列进行图像注册。

本申请的一些实施例中，所述图像类别获取模块520，进一步用于：

将所述预设数量待注册图像组成的待识别图像序列，作为预先训练的图像序列类别识别模型的输入，通过所述图像序列类别识别模型识别所述待识别图像序列对应的图像序列类别；

根据所述待识别图像序列对应的图像序列类别，确定所述待识别图像序列中每个图像的图像类别。

本申请的一些实施例中，所述图像类别获取模块520，进一步还用于：

根据所述待识别图像序列对应的图像序列类别，确定所述待识别图像序列中图像的图像类别出现异常；

如图6所示，所述装置还包括：

异常处理模块550，用于若确定所述待识别图像序列中图像的图像类别出现异常，则输出待注册图像类别错误的提示信息，并返回至执行所述待注册图像获取模块。

本申请的一些实施例中，如图6所示，所述将所述预设数量待注册图像组成的待识别图像序列，作为预先训练的图像序列类别识别模型的输入，通过所述图像序列类别识别模型识别所述待识别图像序列对应的图像序列类别的步骤之前，包括：训练样本构建模块560和模型训练模块570，

其中，所述训练样本构建模块560，用于根据所述图像类别的排列数量，确定相同数量个第一图像序列类别，并确定与所述图像类别的每种排列顺序一一对应的所述第一图像序列类别；以及，

按照各所述第一图像序列类别对应的所述图像类别的排列顺序，获取各所述第一图像序列类别对应的若干图像序列，并基于每个所述图像序列构建一条对应于所述第一图像序列类别的训练样本；

所述模型训练模块570，用于基于构建的所述训练样本，训练所述图像序列类别识别模型。

本申请的一些实施例中，所述按照各所述第一图像序列类别对应的所述图像类别的排列顺序，获取各所述第一图像序列类别对应的若干图像序列，并基于每个所述图像序列构建一条对应于所述第一图像序列类别的训练样本的步骤，包括：

获取每种所述图像类别的若干图像；

枚举从每种所述图像类别的若干图像中分别选择一幅图像得到的图像组合；

对于每种所述第一图像序列类别，将每种所述图像组合中的图像按照与该第一图像序列类别对应的所述图像类别的排列顺序进行排序，得到该第一图像序列类别对应的训练样本。

本申请的一些实施例中，所述训练样本构建模块560，还用于在根据所述图像类别的排列数量，确定相同数量个第一图像序列类别，并确定与所述图像类别的每种排列顺序一一对应的所述第一图像序列类别之后，确定一不同于各所述第一图像序列类别的第二图像序列类别，并确定所述第二图像序列类别对应的所述图像类别的排列顺序为至少包括重复图像类别的排列顺序；以及，

根据从任意一种所述图像类别的若干图像中任意选择的至少两幅图像，和从其余所述图像类别的若干图像中选择的图像，构建所述第二图像序列类别对应的训练样本；

相应的，所述模型训练模块570，还用于基于各所述第一图像序列类别对应的训练样本、所述第二图像序列类别对应的训练样本，训练所述图像序列类别识别模型。

本申请实施例公开的图像注册装置，用于实现本申请实施例一或实施例二中所述的图像注册方法，装置的各模块的具体实施方式不再赘述，可参见方法实施例相应步骤的具体实施方式。

本申请实施例公开的图像注册装置，通过获取预设数量待注册图像，并获取每张所述待注册图像的图像类别，然后，根据每张所述待注册图像的所述图像类别，对所述预设数量待注册图像按照预设图像注册类别顺序从前向后排序，得到由所述预设数量待注册图像组成的待注册图像序列，最后，基于所述待注册图像序列进行图像注册，可以提升图像注册的效率。

具体而言，本申请实施例公开的图像注册装置，通过在现有技术的身份注册系统中的图像注册环节增设了待注册图像的类别识别和顺序矫正操作，从而对出现上传图像种类异常的情况进行自动纠错，从而提高自动通过率。对用户采集或上传待注册图像的顺序没有严格要求，提升了注册系统的易用性。经过大量实验数据表明，采用本申请实施例公开的图像注册方法进行骑手注册时，自动注册成功率比现有技术提升5个百分点。另一方面，在训练过程中采用样本组合作为训练样本单元，从而弥补在业务开展初期部分数据类型短缺的问题，丰富了样本，进而提升了图像类别识别准确度。

进一步的，现有技术中，当图像比对识别模块对待注册图像比对不通过时，智能提示用户重新采集或上传图像，无法给出准确的提示。而本申请实施例公开的图像注册方法，通过对异常图像类别的待注册图像进行识别，并对注册用户进行准确地提示，有助于注册用户提升注册效率，可以进一步改善用户体验。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请提供的一种图像注册方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其一种核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图7示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器710和存储器720及存储在所述存储器720上并可在处理器710上运行的程序代码730，所述处理器710执行所述程序代码730时实现上述实施例中所述的方法。所述存储器720可以为计算机程序产品或者计算机可读介质。存储器720可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器720具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码730的存储空间7201。例如，用于程序代码730的存储空间7201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码730为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码，当所述计算机可读代码在电子设备上运行时，导致所述电子设备执行根据上述实施例的方法。

本申请实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一或实施例二所述的图像注册方法的步骤。

这样的计算机程序产品可以为计算机可读存储介质，该计算机可读存储介质可以具有与图7所示的电子设备中的存储器720类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图8所述的便携式或者固定存储单元。通常，存储单元包括计算机可读代码730’，所述计算机可读代码730’为由处理器读取的代码，这些代码被处理器执行时，实现上面所描述的方法中的各个步骤。

本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。