[发明专利]基于神经网络的图像识别方法和系统

说明书

技术领域

本发明涉及图像识别领域，特别是涉及一种基于神经网络的图像识别方法和系统。

背景技术

无监督学习方法是一种机器学习方式，其被广泛的应用于多个研究领域，例如数据挖掘、计算机视觉、人工智能等。例如，K-mean等聚类方法，能够让计算机自动寻找出有规律的数据而去除无规律的噪声数据。该K-mean聚类方法也可应用于图像领域，对图像进行分类识别，然而该K-mean聚类方法学习的计算量与输入样本的次数n的平方成正比，即计算量是n²增长的，因而导致识别效率低下。

发明内容

基于此，有必要针对现有技术中图像识别效率低下的问题，提供一种能提高识别效率的基于神经网络的图像识别方法。

此外，还有必要提供一种能提高识别效率的基于神经网络的图像识别系统。

一种基于神经网络的图像识别方法，包括：

步骤a，采集训练样本图像和类别，并将所述训练样本图像按照类别顺序建立训练样本集；

步骤b，设定预先建立的神经网络参数的初始值，所述神经网络包括输入层、中间变量层和输出层，所述中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，所述中间变量层的各节点分别与所述输入层的每个输入神经元节点通过可变权值连接，所述可变权值包括可变的长期权值和短期权值，所述输出层的每个输出神经元节点分别与所述中间变量层中对应的兴奋型变量节点和抑制型变量节点相连接；

步骤c，根据所述训练样本集对所述神经网络进行训练，直到各个神经元的可变权值的变动在预设允许范围内结束训练；

步骤d，利用完成训练的所述神经网络对待分类图像进行识别分类。

一种基于神经网络的图像识别系统，包括：

样本采集模块，用于采集训练样本图像和类别，并将所述训练样本图像按照类别顺序建立训练样本集；

初始化模块，用于设定预先建立的神经网络参数的初始值，所述神经网络包括输入层、中间变量层和输出层，所述中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，所述中间变量层的各节点分别与所述输入层的每个输入神经元节点通过可变权值连接，所述可变权值包括可变的长期权值和短期权值，所述输出层的每个输出神经元节点分别与所述中间变量层中对应的兴奋型变量节点和抑制型变量节点相连接；

训练模块，用于根据所述训练样本集对所述神经网络进行训练，直到各个神经元的可变权值的变动在预设允许范围内结束训练；

分类模块，用于利用完成训练的所述神经网络对待分类图像进行识别分类。

上述基于神经网络的图像识别方法和系统，建立的神经网络中输入层的输入样本按类别顺序输入，且从输入层到输出层所需计算量与输入样本的次数成正比，即计算量是线性增长，相比于传统的K均值聚类法的计算量，大大减小，提高了识别效率。

此外，因长期权值是缓慢改变的，对噪声有较好的抵抗能力，短期权值能够快速学习识别，故采用长期权值和短期权值机制，能够具有更强的抗噪声能力，且识别效率高；且该神经网络具有良好的可扩展性，可以构建成多层神经网络系统，从而获得更强的学习能力；通过测试样本进行对训练后的神经网络进行测试，在未达到分类精确度时，再调整权值和参数重新训练，可提高神经网络的识别精确度。

附图说明

图1为一个实施例中基于神经网络的图像识别方法的流程图；

图2为神经网络的结构示意图；

图3为根据该训练样本集对该神经网络进行训练的流程图；

图4为另一个实施例中基于神经网络的图像识别方法的流程图；

图5为一个实施例中基于神经网络的图像识别系统的结构框图；

图6为图5中训练模块的内部结构示意图；

图7为另一个实施例中基于神经网络的图像识别系统的结构框图；

图8a为原始图像；

图8b为加入了高斯噪声后的图像；

图8c为权值的初始状态；

图8d为正权值的训练结果；

图8e为负权值的训练结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，为一个实施例中基于神经网络的图像识别方法的流程图。一种基于神经网络的图像识别方法，包括：