[发明专利]基于深度学习实现地铁场景分类的系统及方法

说明书

技术领域

本发明涉及模式识别技术领域，尤其涉及卷积神经网络深度学习技术领域，具体是指一 种基于深度学习实现地铁场景分类的系统及方法。

背景技术

地铁运行通道内工作环境较为复杂，场景多变，为保证能在不同的场景下检测地铁是否 处于良好稳定工作状态，通常需要对不同的场景采用不同的检测方法，此时能准确区分地铁 各种不同的场景显得尤为重要。而现有技术中的场景分类一般采用颜色、纹理、形状等底层 特征或图像语义特征进行表征分类，但特征提取和计算分析往往鲁棒性不强。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种可实现对地铁不同场景图片的 正确分类、鲁棒性强、对地铁后续的运行状态监测工作有重要价值的基于深度学习实现地铁 场景分类的系统及方法。

为了实现上述目的，本发明的基于深度学习实现地铁场景分类的系统及方法具有如下构 成：

该基于深度学习实现地铁场景分类的系统，其主要特点是，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。

本发明还涉及一种根据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。

较佳地，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。

较佳地，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。

更佳地，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。

更佳地，所述的随机初始化网络模型参数，包括以下步骤：

(2-2-1)随机初始化卷积层卷积核参数，第i张输入特征图和第j张输出特征图对应的卷 积核参数矩阵K_ij为：