[发明专利]一种基于深度Gabor网络的图像目标识别方法

权利要求书

1.一种基于深度Gabor网络的图像目标识别方法，其特征在于：实现步骤如下：

步骤1：读取需要进行目标识别的图像或视频数据，如果数据为视频数据，则视频数据分解成单帧图像序列；将图像数据，或者视频分解出的单帧图像序列，分为训练数据和测试数据，分别构成训练数据集与测试数据集；

步骤2：在目标识别的算法中包含训练和测试两个过程，在训练过程中，将对于步骤1得到的训练数据进行标记，根据图像中目标种类对图像进行标记，将图像数据打上类别标签，得到标记后的训练数据；

步骤3：针对步骤2得到的标记后的训练数据进行数据增广，将增广后的数据加到原始数据中，得到的数据增广后的训练数据；

步骤4：将步骤3得到的数据增广后的训练数据作为深度Gabor网络的输入，利用监督学习方法，通过最小化损失函数，训练深度Gabor网络，得到深度Gabor网络；利用Gabor网络对训练数据进行分类，对比数据标签，得到分类正确的训练数据与分类错误的训练数据，分类错误的训练数据被认为是困难数据；

步骤5：对于步骤4得到的深度Gabor网络，针对分类错误的训练数据进行困难数据挖掘，采用生成对抗网络成类似的困难数据，将困难数据通过深度Gabor网络进行训练，提升深度Gabor网络的性能，至此完成训练阶段；

步骤6：在测试阶段中，利用训练好的深度Gabor网络作为测试过程的网络，对于输入的图像利用Gabor网络提取图像的特征，输出对所述图像的识别结果，从而对图像目标识别；

所述步骤4中，利用监督学习方法，通过最小化损失函数，训练深度Gabor网络的过程：

步骤i) 训练过程为有监督学习过程，图像目标识别的数据为多类别的数据，深度Gabor网络采用交叉熵作为损失函数；

步骤ii) 对于图像目标识别的深度Gabor网络的组成均为Gabor滤波器；

步骤iii) 设计深度Gabor网络的4个Gabor层，Gabor层的Gabor滤波器数量依次为32、64、128和128个，每个Gabor层由多个不同参数的Gabor滤波器组成；

步骤iv) 在步骤iii)的基础上，对每个Gabor层后分别添加激活层、批标准化层和池化层，对于网络中的Gabor的角度参数进行参数优化；

步骤v)根据步骤i设定的损失函数，取学习率为0.001对网络进行训练，参数优化方法采用梯度下降法，得到训练好的深度Gabor网络；

所述步骤5中，对于步骤4得到的深度Gabor网络采用困难样本挖掘为：

步骤i) 在目标分类深度Gabor神经网络训练过程中，需要对分类错误的训练数据进行困难样本挖掘，提高神经网络分类的准确率，利用生成对抗网络对分类错误的训练数据的生成；

步骤ii) 设定训练步数X，若达到训练要求，则停止针对分类错误的训练数据的对抗生成网络的训练，利用生成的数据作为训练数据集的补充样本；

步骤iii) 将容易分错的样本与生成对抗网络生成的样本融合，作为扩充的训练样本数据集，提高图像目标分类的精度，修正深度Gabor网络，至此完成训练阶段，得到训练好的深度Gabor网络。

2.根据权利要求1所述的一种基于深度Gabor网络的图像目标识别方法，其特征在于：所述步骤3中，进行数据增广的过程如下：

步骤i) 针对步骤2得到的标记后的训练数据，利用图像旋转、局部裁剪、上下对称翻转、左右对称翻转、颜色抖动方式进行图像数据增广；

步骤ii) 对数据增广后得到的更多的数据，加到原始数据中，增大训练数据集的规模，提高深度Gabor网络的训练的有效性。

3.根据权利要求1所述的一种基于深度Gabor网络的图像目标识别方法，其特征在于：所述步骤6中，在测试阶段中：

步骤i) 将输入的图像数据进行预处理，如果输入数据为视频数据，则频分解成单个帧，而后输入训练好的深度Gabor网络单帧图像进行测试；如果输入数据为图像，则将单帧图像输入训练好的深度Gabor网络单帧图像进行测试；

步骤ii) 利用步骤5中训练好的深度Gabor网络作为测试过程的网络，将输入的图像利用Gabor滤波器提取图像的纹理特征，利用池化进行空间输入融合，得到深度Gabor网络针对图像的特征描述；

步骤iii) 利用深度Gabor网络后端的全连接网络，对深度Gabor网络得到图像特征进行分类，输出对图像数据的识别结果，从而完成对测试图像的目标识别。