[发明专利]一种基于深度学习的K线形态图像识别方法

权利要求书

1.一种基于深度学习的K线形态图像识别方法，其特征在于，所述方法包括以下步骤：

1)将含有需要识别的金融K线形态图像和该形态对应的坐标作为神经网络的输入，输入到含有多层卷积层的神经网络中；

2)将步骤1)的卷积层输出作为区域生成网络的输入，进行区域生成网络训练；

3)将步骤2)的区域生成网络的输出作为感兴趣区域进行池化；

4)将步骤3)的感兴趣区域池化结果作为Faster-RCNN检测网络的输入；

5)由步骤4)的Faster-RCNN检测网络最终生成推荐框的位置信息和推荐得分。

2.根据权利要求1所述的一种基于深度学习的K线形态图像识别方法，其特征在于：所述金融K线形态图像为由K线及其指标、其他金融数据指标一种或者多种组合而成的图像。

3.根据权利要求1所述的一种基于深度学习的K线形态图像识别方法，其特征在于，步骤2)中所述进行区域生成网络训练的具体过程为：将步骤1)的卷积层输出作为区域生成网络的输入，在卷积的最后一层特征图上使用固定大小的窗口滑动，每个窗口输出固定大小维度的特征，每一个窗口对候选的9个回归框进行回归坐标和分类，为了将一个物体能够在不同的尺寸下识别出来，采用对特征图进行不同大小的划窗，生成训练数据的过程为先看锚框覆盖真实标签是否超过阈值，超过就将当前锚框的项分类标记为“存在”；如果都没有超过阈值，就选择一个覆盖比例最大的标记为“存在”；其中区域生成网络的损失函数定义为：

其中下标i为小批量训练样本中的编号，p_i为目标的预测概率，若目标为正例则p_i^*＝1，否则p_i^*＝0，t_i为预测的边框的四个参数构成的向量，t_i^*为真实标签对应的参数向量；具体计算方式如下：

t_X＝(X-X_a)/w_a,t_y＝(y-y_a)/h_a,

t_w＝log(w/w_a),t_h＝log(h/h_a),

其中X、y、w和h表示提案网络预测出来的推荐框的正中心坐标及该推荐框的高度和宽度，下标a和上标*分别代表锚框框体和真实标签框体，N_cls是小批量训练样本的大小，N_reg是锚框的数目，L_cls采用的是交叉熵，L_reg采用的是Smooth L1,其定义为：

其中x为目标值与回归值的差值。

4.根据权利要求1所述的一种基于深度学习的K线形态图像识别方法，其特征在于：步骤3)中所述将步骤2)的区域生成网络的输出作为感兴趣区域进行池化，即从候选区域生成网络得到候选的感兴趣区域列表，通过卷积神经网络拿到所有的特征，进行后面的分类和回归。