[发明专利]一种基于深度学习的纹身图像分类方法

摘要

一种基于深度学习的纹身图像分类方法，包括以下步骤1)样本变换1.1)仿射变换；1.2)弹性变换；1.3)遮挡模拟；1.4)白化；2)自编码预训练进使用CUDA优化后的自编码训练机对大量彩色纹身图像进行训练，得到纹身图像的一些共同地边缘信息，同时对这些图像做些挑选后用于卷积网络的第一层；3)使用自编码得到的结果对变换后的样本进行卷积网络训练。本发明有效避免受照射方向，肤色，毛发，光线，图像质量等各方面的影响、可靠性良好、实现效率较高。

主权项

一种基于深度学习的纹身图像分类方法，其特征在于：所述分类方法包括以下步骤：1)样本变换1.1)仿射变换；1.2)弹性变换：对样本进行曲面模拟，过程如下：对n*m的图像进行变换，得到n*m个向量构成坐标矩阵X；其中Y＝[y1,y2,…,ym],1≤i≤n，列向量表示图中横坐标第i位置，纵坐标第j位置，1≤j≤m，将其输入到输入维度为2，输出维度为1的神经网络中，采用3层神经网络，变换函数为：P＝g(W2g(W1(X+b1))+b2)           (2)其中：P＝[p1,1,p1,2,…,p1,m,p2,1,p2,2,…,p2,m,…,pn,1,pn,2,…,pn,m]pi,j为向量对应的输出值；g为神经网络的激活函数，选用sigmoid函数即x为函数的输入值；W1,W2,b1,b2是(‑r,r)均匀分布的随机数；对于神经网络随机初始化的范围为(‑r,r)即构成所需要的曲面模型，满足光滑，并且由参数控制形变复杂度的特性；得到曲面后，对曲面上毎一点求导得到偏移矩阵G，得到每个像素点最后的偏移坐标：Xo＝X+G       (3)最后把新图像中点X的像素值取原图像Xo经过线性插值后的像素值；1.3)遮挡模拟：在每幅输入训练机的图像随机把某一区域的像素值置0；1.4)白化；2)自编码预训练：使用CUDA优化后的自编码训练机对大量彩色纹身图像进行训练，得到纹身图像的一些共同地边缘信息，同时对这些图像做些挑选后用于卷积网络的第一层；3)卷积网络训练：使用CUDA优化后的卷积网络对有标定的纹身图像进行训练得到最终分类结果。