[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

说明书

本发明涉及基于卷积神经网络和朴素贝叶斯的目标识别方法，属于图片处理与模式识别领域，其特征在于采用如下步骤：(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″；(2)训练卷积神经网络，更新连接权值ω_i；(3)提取特征向量X；(4)将特征向量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；(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。本发明所建立的基于卷积神经网络和朴素贝叶斯的目标识别方法用朴素贝叶斯替换了传统卷积神经网络中的Softmax分类器实现了分类预测，充分利用了卷积神经网络全连接层输出的特征向量的特征信息。通过多组数据实验可知该方法计算精确、可靠，数据结果相对稳定，为图片目标识别提供了在保证了分类准确的基础上的稳定识别方法。

技术领域

本发明涉及图片处理与模式识别领域，主要是一种对图片目标进行识别的方法。

背景技术

目前针对图片目标的识别问题，大多数技术无法完成较高的准确率，并且不稳定，鲁棒性较差。有些技术虽然可以达到较高的准确率，却需要经过一些复杂的预处理操作步骤。以手写数字识别为例，手写数字图片往往要进行扭曲变形来扩充训练集、模拟各种抖动操作来对图像进行预处理等操作，这样虽然可以达到较高的准确率，但是在一定程度上降低了实用性，而且不能满足稳定性要求。在经典的模式识别中，一般是事先提取特征，提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关的特征。然而，这些特征的提取过于依赖人的经验和主观意识，提取到的特征的不同分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。

目前，图片目标中的数字识别技术往往与经济和商业相联系，投入使用的技术必须保证有较高的准确率，因为如果识别错误，即使是极小的错误，也可能会引发一系列的商业纠纷，甚至带来巨大的损失，造成无法挽回的结果。因此在研究和开发的过程中，为了避免一系列问题的出现，必须建立一种精确、可靠的手写数字识别模型，使得模型在对手写数字进行识别的时候，同时满足较高的准确率和较强的鲁棒性，达到经济和商业等领域中对手写数字识别的要求，从而节约时间、金钱，提高效率、节省成本。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种精确、稳定的图片目标识别方法，其具体流程如图1所示。

技术方案实施步骤如下：

(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：