[发明专利]一种基于改进型特征卷积神经网络图像识别方法

说明书

技术领域

本发明属于模式识别技术领域，特别是一种基于改进型特征卷积神经网络图像识别方法。

背景技术

目前，模式识别依然是计算机科学最热门的研究方向之一。赋予计算机感官能力，是模式识别的研究热点。学者们提出了许多算法用于图形图像处理，语音处理等方向。

在图像识别方面，主要是从图像中提取出特征点，然后利用该特征来对图像进行识别。目前，被用于图像识别的主要算法已经很多，比如：小波分析，支持向量机（SVM），遗传算法，神经网络算法等。

Heisele, Bernd提出了一种基于SVM的面部识别算法。其将人的面部分别划分成多个区域，利用面部图像数据库对算法进行训练，然后从这些区域中提取出不同的特征用于图像识别，取得了一定的效果（Heisele, Bernd. Face recognition with support vector machines: global versus component-based approach[C]. IEEE, 2001:688- 694.）。

在神经网络方面，在20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。随着学者对于卷积神经网络的深入理解，根据应用场景的不同，学者们提出了不同的改进版本来克服卷积神经网络的一些弱点。

在卷积神经网络方面，Yann LeCun等提出了利用卷积神经网络进行手写字体的识别。不过由于字体的复杂性比较高，所以算法训练时间较长，取得了一定的效果（Y.LeCun,L.Bottou,Y.Bengio,andP.Haffner.“Gradient-based Learning Applied to Document Recognition”,Proceedings of the IEEE,vol.86,pp.2278–2324,November1998.）。

发明内容

1、本发明的目的。

本发明提供一种基于改进型特征卷积神经网络图像识别方法，能够在卷积神经网络中，对于特征识别过程进行指导，增强其特征提取能力，提高图像识别率。

2、本发明所采用的技术方案。

基于改进型特征卷积神经网络图像识别方法，采用如下步骤：

第一步，对待输入的图像进行预处理，去除掉严重不符合规定的图像，并且根据输入图像的属性，设计卷积神经网络结构；

第二步， 在卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，将特征放大；

第三步，将所述的步骤二中的特征放大的图像数据输入卷积神经网络，对图像中的特征进行卷积操作学习辨认，得到卷积神经网络的输出；

第四步，将所述第一步骤中预处理后的图像进行偏移操作，得到图像的纹理特征；

第五步，对所述步骤四的纹理特征分析后输出结果，并将所述步骤三中的卷积神经网络的输出进行融合，得到最终结果进行输出。

3、本发明的有益效果。

本发明与现有技术相比，其显著优点： 1）通过增加特征提取层，能够对于卷积神经网络的特征提取过程进行指导，增强了特征提取能力；2）对于输入的图像不需要过多的人工预处理。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是特征卷积神经网络结构图。

图2是纹理特征提取像素点的偏移示意图。

图3是纹理特征提取权值矩阵示意图。

具体实施方式

实施例

本发明总体结构如图1所示，采用的步骤如下：

第一步，对图像数据进行预处理，人工剔除明显具有错误的图像，根据图像的属性设计卷积神经网络结构，并且实现其算法。

第二步，根据预处理后的图像数据，分析其特征性质，将其特征进行放大。在本实施例中，特征点在RGB空间内不是特别的明显，通过变换色彩空间的方法对其特征进行放大，将原来的RGB数据变换到HLS色彩空间。

变换公式如下所示:

     

    

第三步，将扩大化的图像数据输入卷积神经网络，对其进行卷积操作，并最终得到网络输出N₁。