[发明专利]一种基于大数据的图像分类方法

说明书

技术领域

本发明涉及一种在大数据环境下对图像、视频进行分类的方法，尤其涉及一种采用机器对图像进行自动分类的方法。

背景技术

人脑判断物体过程：开始原始信号摄入(瞳孔摄入像素Pixels)，接着做初步处理(大脑皮层某些细胞发现边缘和方向)，然后抽象(大脑判定，眼前的物体的形状，是圆形的)，然后进一步抽象判断物体类别。通过机器模仿这个过程，就是深度学习的基本过程。

深度学习是机器学习、人工智能领域近几年最热、最前沿的领域，其中深度卷积网络在图像处理上，已经超越了全部传统学习算法。而在许多模式识别实际应用中，如手写数字识别，文本分类，人脸识别，语音识别等，支持向量机表现出极大的很好的统计性能，支持向量机具有不同的内核函数，将非线性不可分问题转化为线性可分问题，通过数据投影到特征空间，然后寻求最优分离超平面。将卷积神经网络和支持向量机结合，应用到图像分类领域具有广阔的前景。

发明内容

本发明的目的是提供一种基于大数据的图像分类方法，将卷积神经网络和支持向量机结合，提高图像分类准确度。

本发明的技术方案如下：

一种基于大数据的图像分类方法，其特征在于：首先编程构建卷积网络，将最后一层输入至线性支持向量机，构建模型；然后准备训练数据，至少1万张以上221*221图片；训练时采用GPU处理器进行处理。

所述卷积网络的卷基层包括96到1024个卷积核，每个核从3*3到7*7不等，使用半波整流作为非线性激活函数，最大池化核从3*3到5*5，来使内部类别鲁棒性更好；输入图像大小采用221*221像素，得到模型最终输出分类结果。

本发明实现方式很直观，通过模拟人脑处理分类的过程，使用深度神经网络，构建大规模网络模型。在深度神经网络识别率已经很高的前提下，再加入线性支持向量机，取得了更 好的效果。

具体实施方式

首先编程构建下表1所示的卷积网络，将最后一层输入至线性支持向量机，这样就构建了模型。

层123456789阶段conv+maxconv+maxconvconvconvconv+maxfullfullfull通道数9625651251210241024409640961000滤波器7*77*73*33*33*33*3---卷积步长2*21*11*11*11*11*1---池化尺寸3*32*2---3*3---池化步长3*32*2---3*3---零填充大小--1*1*1*11*1*1*11*1*1*11*1*1*1---输入大小221*22136*3615*1515*1515*1515*1515*151*11*1