[发明专利]一种基于边缘检测来确定卷积神经网络卷积核数量的方法

说明书

本发明提供了一种基于边缘检测来确定卷积神经网络卷积核数量的方法，包括以下步骤：设定卷积神经网络层数和卷积核大小；将图像尺寸缩放至30*30后，对训练图像进行边缘检测获得边缘图像；按照各卷积层的卷积核大小对边缘图像进行边缘块提取和统计分析，获得各层卷积核数量；最后构建完整卷积神经网络对RGB‑D数据集进行训练。优点为：在构建卷积神经网络过程中，可自动的确定各个卷积层的卷积核数量，提高了设计卷积神经网络的效率，增强了卷积神经网络的自适应能力，使得设计的卷积神经网络拥有适应不同大小数据集的能力。

技术领域

本发明涉及卷积神经网络领域，特别涉及一种基于边缘检测来确定卷积神经网络卷积核数量的方法。

背景技术

卷积神经网络是20世纪80年代末提出的一种多层人工神经网络，特别是一种处理二维数据的神经网络。其通过结合局部感知、权值共享、降采样等特点来充分提取数据空间上的信息，并将传统的特征提取过程融入到整个神经网络中，省略了复杂的特征提取过程，使得其擅长处理图像的相关机器学习问题。自2012年Alex Krizhevsky等人提出AlexNet(一种改进的卷积神经网络结构)之后，卷积神经网络逐步成为研究热点。

在图像领域，利用卷积神经网络可获得比传统方法更高的准确率，并且不需要复杂的人工特征提取过程，因此，卷积神经网络在图像处理领域得到了广泛的应用，如物体分类、目标检测、人脸识别和场景的语义分割等。这表明在图像分类领域中利用卷积神经网络的方法处理问题已成为当前趋势。

但是在构建卷积神经网络过程中，需要设置的参数过多，例如网络层层数、卷积核大小、卷积核数量等，这导致构建卷积神经网络效率低，需要耗费大量人力和物力，而且还容易导致构建的卷积神经网络结构过大的问题。其中，卷积核数量对网络结构有直接影响，然而对卷积核数量的确定少有研究，卷积核数量大多是凭借经验确定，使得设计卷积神经网络效率低，设计的卷积神经网络缺乏自适应能力。

本发明通过对训练图像的边缘图像进行边缘块提取及统计分析，自动的确定各个卷积层的卷积核数量，提供了一种较为客观的卷积核数量确定方法，提高了设计卷积神经网络的效率，增强了卷积神经网络的自适应能力，使得设计的卷积神经网络拥有适应不同大小数据集的能力。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于边缘检测来确定卷积神经网络卷积核数量的方法，其目的是客观的确定卷积核数量，使得构建的卷积神经网络有好的自适应能力，避免构建的卷积神经网络结构过大及权值数量过多的问题，提高了卷积神经网络的使用效率。

本发明的目的通过下述技术方案实现：

本发明提供一种基于边缘检测来确定卷积神经网络卷积核数量的方法，包括以下步骤：

(1)设定卷积神经网络的卷积层及池化层的层数和各个卷积层的卷积核大小，通常卷积层和池化层交替连接，卷积核是m*n的矩阵(通常m＝n，且为奇数)；

(2)将所有图像的尺寸缩放至w*h(通常w＝h)，再将所有训练图像转化为灰度图像，对训练图像的灰度图像利用边缘检测算子进行边缘检测，得到边缘图像，边缘图像为二值图像，边缘部分为1，其余部分为0；

(3)确定第一个卷积层的卷积核数量：

1)依据第一个卷积层卷积核大小(设为k1*k1，k1为奇数)，且以边缘图像的边缘像素点作为边缘块中心点，对类别一的训练图像分别进行边缘块提取，所提取的边缘块大小为k1*k1，在每张边缘图像中提取出ni个边缘块(ni为类别一的第i张边缘图像中边缘像素点个数，类别一的训练图像共计i张)，对类别一的边缘图像所提取得到的所有边缘块进行统计，统计所含的边缘类型以及各个边缘类型的数量，大小为k1*k1的边缘块可能的边缘类型共计种。将统计到的数据存储于边缘特征矩阵E中，矩阵E的行表示类别，矩阵E的列表示边缘类型；