[发明专利]基于深度学习实现地铁场景分类的系统及方法

权利要求书

1.一种基于深度学习实现地铁场景分类的系统，其特征在于，所述的系统包括：

图像预处理模块，用以对地铁场景图像进行预处理；

卷积神经网络提取图像特征模块，用以利用构建的卷积神经网络进行深度特征学习并提 取图像特征；

全连接网络场景分类模块，用以将从卷积神经网络学习到的优选特征输入全连接神经网 络并进行分类从而得到样本的标签类别。

2.一种根据权利要求1所述的系统基于深度学习实现地铁场景分类的方法，其特征在于， 所述的方法包括以下步骤：

(1)所述的图像预处理模块对地铁场景图像进行预处理；

(2)所述的卷积神经网络提取图像特征模块利用构建的卷积神经网络进行深度特征学习 并提取图像特征；

(3)所述的全连接网络分类模块将从卷积神经网络学习到的优选特征输入全连接神经网 络并进行分类从而得到样本的标签类别。

3.根据权利要求2所述的基于深度学习实现地铁场景分类的方法，其特征在于，所述的 对地铁场景图像进行预处理，包括以下步骤：

(1-1)将地铁场景图像进行彩色转灰度变换，得到对应的灰度图像；

(1-2)将灰度图像进行缩放变换，改变图像大小至预定尺寸；

(1-3)对缩放后的灰度图像进行归一化操作。

4.根据权利要求2所述的基于深度学习实现地铁场景分类的方法，其特征在于，所述的 利用构建的卷积神经网络进行深度特征学习，包括以下步骤：

(2-1)采用含4层隐含层的卷积神经网络模型构建一个深度学习模型；

(2-2)随机初始化网络模型参数；

(2-3)使用训练集对该卷积神经网络模型进行训练。

5.根据权利要求4所述的基于深度学习实现地铁场景分类的方法，其特征在于，所述的 用含4层隐含层的卷积神经网络模型包括：

第一层卷积层C1：设定6张特征图，卷积核大小为5×5；

第一层下采样层S1：设定6张特征图，接受域大小为2×2；

第二层卷积层C2：设定5张特征图，卷积核大小为5×5；

第二层下采样层S2：设定5张特征图，接受域大小为2×2。