[发明专利]一种基于卷积神经网络和朴素贝叶斯的目标识别方法

权利要求书

1.一种基于卷积神经网络和朴素贝叶斯的目标识别方法，其具体识别步骤如下：

(1)确定训练集样本A中图片像素点平移和归一化后的坐标(x′，y′)，得到新的训练集A″；

根据样本集中图片像素点的原坐标(x₀，y₀)、平移操作后像素点横坐标的最大值x_max、最小值x_min,纵坐标的最大值y_max、最小值y_min，dx、dy分别代表像素点在x轴和y轴上移动的大小，确定训练样本集像素点的坐标；

(2)训练卷积神经网络，更新连接权值ω_i；

构建卷积神经网络，设置卷积神经网络的卷积层个数m、池化层个数n、卷积层卷积核大小(s₁，s₂，...，s_m)、池化层大小(t₁，t₂，...，t_n)、卷积层步长r₁、池化层步长r₂、全连接层神经元个数N、激活函数f以及迭代次数l，采用反向传播算法及BP算法对卷积神经网络中的连接权值ω_i进行更新；

其中，为实际输出值，y_i为理想输出值，η为每次更新的步长，ω_i'为更新后的连接权值，J为神经网络的代价函数；

(3)提取特征向量X；

将卷积神经网络全连接层前边的卷积层和池化层交替连接的部分保留，去掉全连接层后面的Softmax层，将卷积神经网络的全连接层记为C，则卷积神经网络模型训练结束后，全连接层C的输出即为提取的特征向量X；

(4)将上一步骤得到的特征向量X作为朴素贝叶斯模型的输入，建立朴素贝叶斯模型进行训练，实现不同训练样本的分类，朴素贝叶斯法则如下；

其中C_i为类别，P(C_i|x_i)表示在具有x_i特征下被分为C_i的概率；

(5)将测试集样本作为输入，送到组合网路中进行分类，得到分类结果，完成基于卷积神经网络和朴素贝叶斯的图片目标识别。