[发明专利]一种用于自动驾驶的野生动物图像识别方法

权利要求书

1.一种用于自动驾驶的野生动物图像识别方法，其特征在于包括以下步骤：

采用LLE算法对采集图像进行流形学习，得到图像特征；

通过图像特征对神经网络进行训练；

将实时采集的图像代入神经网络进行识别，得到野生动物种类标签，并将该标签对应的野生动物种类通知驾驶员；

所述将实时采集的图像代入神经网络进行识别包括以下步骤：

将实时采集的图像采用LLE算法对采集图像进行流形学习，得到图像特征；

将图像特征和权重代入神经网络，得到野生动物种类标签：

Y_N为野生动物种类标签，W为权重，D_N为当前样本与各聚类中心的距离矩阵，D为所有聚类中心之间的距离矩阵，p为隐层节点个数。

2.根据权利要求1所述的一种用于自动驾驶的野生动物图像识别方法，其特征在于所述采用LLE算法对采集图像进行流形学习包括以下步骤：

以图像作为样本构造k-近邻图，并计算任意两个图像之间的相似度作为近似测地线距离：

min(d_G(i,j),d_G(i,k)+d_G(k,j))

其中，d_G为k-近邻图上任意两个图像之间的欧式距离，图像索引号i、j、k为1、2、…、N,其中N为图像张数；

构造矩阵M＝(I-W)^T(I-W),其中I为N×N单位矩阵，W为N×N k-近 邻图矩阵，即k-近邻图上任意两个图像之间的近似测地线距离矩阵；

对M矩阵进行特征分解，X取M的前m个特征向量作为特征提取的结果，即图像特征X1…Xm。

3.根据权利要求1所述的一种用于自动驾驶的野生动物图像识别方法，其特征在于所述通过图像特征对神经网络进行训练包括以下步骤：

将图像特征作为输入，野生动物种类标签为输出，隐层节点为K-means算法聚类得到的中心；

对神经网络进行训练得到隐层各节点输出的权重。

4.根据权利要求3所述的一种用于自动驾驶的野生动物图像识别方法，其特征在于所述K-means算法包括以下步骤：

1)选择c个类的初始中心：c为样本个数的若干分之一，第一个样本为数据集的中心，第c个样本为所有数据点中距离前c-1个数据点最远的点；其中数据集为X，数据点表示某张图像特征；

2)对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；

3)将每个类中的点取平均值作为该类的聚类中心；返回步骤2)，直到当前所有类的聚类中心与上一次迭代得到所有类的聚类中心之差小于阈值为止。