[发明专利]由全局向局部传递的图像特征提取方法及装置

说明书

本发明公开的由全局向局部传递的图像特征提取方法及装置，应用网络结构的每一层网络中，该方法包括：将所有输入样本的所有像素特征值排列成一个特征矩阵，对该特征矩阵进行PCA计算，获得预设数量个PCA卷积核；根据每一层网络的预设局部卷积核尺寸，在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域，将对应的两个区域进行卷积计算，直至遍历所有的输入样本和所有PCA卷积核，生成新的特征样本；将新的特征样本作为输入样本输入下一网络层，直至最后一层网络生成最终特征。本发明的方法及装置提取的图像特征兼顾了全局与局部特性，同时，降低了对样本数量和计算模块性能的要求。

技术领域

本发明属于智能信息处理领域，具体涉及一种由全局向局部传递的图像特征提取方法及装置。

背景技术

深度学习是通过训练含有多层非线性结构的网络模型来实现特征学习的一类机器学习方法。当前，深度学习技术在各个领域都有着广泛的运用与发展，随着深度学习技术的研究进展，利用深度学习技术从图像数据中自动学习特征在识别与分类等问题中有着重要的应用。

CNN(Convolutional Neural Network，卷积神经网络)作为最典型的深度学习网络，在图像处理领域有着出色的表现，尤其对于大型图像处理。CNN完成网络参数学习的训练工作需要两个前提，首先是丰富的样本，其次是高速计算模块。然而，当样本数量未达到海量要求，或者计算机性能一般，未达到高速计算模块的高速并行计算能力时，怎样完成网络参数的学习，这是一个亟待解决的问题。

PCA(Principal Component Analysis，主成分分析)主要用于数据降维，是一种掌握事物主要矛盾的统计分析方法，其可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。

现有技术中，提取图像特征的方法是利用k1*k2大小的窗口来将每个样本生成很多块，其中，k1为窗口的宽，k2为窗口的高。比如n个样本，每个样本生成m个块，则数量为n*m个块，进行PCA计算时，计算量和耗时巨大。并且每个卷积核都是通过小块训练PCA获得，只考虑到了全局特性，未考虑到全局性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种由全局向局部传递的图像特征提取方法及装置，提取的图像特征兼顾了全局和局部的特性，且降低了传统CNN网络训练对于样本数据量以及计算模块的性能要求。

本发明的目的是这样实现的：一种由全局向局部传递的图像特征提取方法，应用于CNN网络结构的每一层网络中，包括：

将所有输入样本的所有像素特征值排列成一个特征矩阵，对该特征矩阵进行PCA计算，获得预设数量个PCA卷积核；

根据每一层网络的预设局部卷积核尺寸，在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域，将对应的两个区域进行卷积计算，直至遍历所有的输入样本和所有PCA卷积核，生成新的特征样本；

将新的特征样本作为输入样本输入下一网络层，直至最后一层网络生成最终特征。

进一步地，所述PCA卷积核的计算过程为：

构建特征矩阵，特征矩阵的每一行为当前层网络中一个输入样本的所有像素特征值的排列，形成一个n行，w*h列的矩阵，其中，w为输入样本的高，h为输入样本的宽，n为当前层网络输入样本的数量；

对特征矩阵做PCA计算，获取预设数量个特征向量；

将每个特征向量重排列为w行h列，作为PCA卷积核。

进一步地，所述特征向量是按照元素顺序重排列的。

进一步地，所述PCA计算步骤为：