[发明专利]基于卷积神经网络的图像识别方法

说明书

本发明属于图像识别技术领域，更具体地，涉及一种基于卷积神经网络的图像识别方法。该方法对同一个图像采用不同的分割方法进行图像分割，针对不同的分割方法采用不同的特征提取算法提取图像特征，将提取的图像特征输入到同一个卷积神经网络模型中进行识别，结合不同权重的识别结果计算该图像的最终识别结果。

技术领域

本发明属于图像识别技术领域，更具体地，涉及一种基于卷积神经网络的图像识别方法。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程分为四个步骤：图像采集→图像预处理→特征提取→图像识别。图像识别将图像处理得到的图像进行特征提取和分类。识别方法中基本的也是常用的方法有统计法(或决策理论法)、句法(或结构)方法、神经网络法、模板匹配法和几何变换法。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。参考专利文献CN106934408A公开了一种基于卷积神经网络的身份证照片分类方法，包括步骤：获取多样性的身份证照片样本集，并划分为训练样本集、验证样本集和测试样本集；建立卷积神经网络；对训练样本集中的样本图片进行预处理；将预处理后的图片作为训练数据输入该卷积神经网络，进行有监督的学习，得到训练后的卷积神经网络的各层的参数；利用训练后的卷积神经网络的各层的参数，初始化结构相同的卷积神经网络，得到具有身份证照片分类功能的图像识别网络。该方法在神经网络训练好之后，神经网络中涉及的参数不在变化，网络也不再变化，因此单个神经网络模型会出其中的部分图像识别率低。

发明内容

为此，本发明提出一种基于卷积神经网络的图像识别方法，该方法对同一个图像采用不同的分割方法进行图像分割，针对不同的分割方法采用不同的特征提取算法提取图像特征，将提取的图像特征输入到同一个卷积神经网络模型中进行识别，结合不同权重的识别结果计算该图像的最终识别结果。

为实现上述目的，本发明采用如下技术方案：

基于卷积神经网络的图像识别方法，包括以下步骤，

S1、图像分割，采用不同的方法进行图像分割；

S2、对分割后的图像进行特征提取，不同的分割方法分割的图像采用不同的特征提取方法；

S3、提取的特征输入到同一卷积神经网络模型进行图像识别，得到多个图像识别结果；

S4、通过预设每种图像分割方法对应的识别结果权重，计算图像识别最终结果：

Q＝k1*q1+k2*q2+…+kn*qn，

其中，k1、k2、…、kn为分割方法对应的卷积神经网络的权重，q1、q2、…、qn为分割方法对应的卷积神经网络的图像识别结果。

本技术方案进一步的优化，还包括步骤S5，根据识别结果对识别错误的卷积神经网络的权重进行修正。

本技术方案更进一步的优化，所述权重的修正方法：

ki＝a*ai+(1-ai)*bi，