[发明专利]一种基于卷积神经模糊网络的简笔画识别方法

说明书

为了解决现有技术简笔画识别准确率低的问题，本发明提出了一种基于卷积神经模糊网络的简笔画识别方法，将输入数据在模糊卷积层进行模糊处理，通过模糊隶属度函数计算每个输入节点对一个特定模糊集的隶属度，得到含有模糊逻辑的特征；再将该含有模糊逻辑的特征输入全连接层构中进行分类，最终识输入数据对应的简笔画。本发明提出的基于卷积神经模糊网络的识别方法能够很好的克服现有的识别方法识别准确率低的问题，有效提高识别效率。

技术领域

本发明涉及深度学习及图像识别技术领域，特别涉及一种基于卷积神经模糊网络的简笔画识别方法。

背景技术

随着互联网信息技术及多媒体应用的飞速发展，海量的图片信息、数据应运而生，图像识别技术也逐渐渗透到日常生活的各个领域当中，如目标跟踪、车载导航、生物医学、军事和电子商务等，为我们的日常生活和工作带来了很大的便利。而简笔画是一种较为简练的绘画形式，具有简单、直观的特点，也是人机交互、网络交际的主要形式之一。

早期的简笔画识别主要遵循传统的图像分类模式，即从简笔画中提取相应的如方向梯度直方图(HOG)、尺度不变特征变换(SIFT)、形状上下文特征等手工特征并送入分类其中分类，但这些手工特征主要是为自然图像设计的，而简笔画由于输入的自由度大和随机性强而具有抽象性和稀疏性的特征，且颜色较于自然图像来说更为单调，因此这些方法并不完全适用于简笔画识别。后来又先后提出了用局部特征表示和全局结构的关系来处理局部和全局的变化，采用图像变形模型结合SVM分类器来识别简笔画，还有基于图像熵、基于边缘特征、基于轮廓特征的方法等，上述这些方法的最大缺陷是依靠人工的特征提取，除却需要大量的人力物力，还可能存在着不客观性和不准确性，因此这几种识别方法也逐渐遭到淘汰。

深度学习的出现离不开神经网络的快速发展，它主要针对于生物大脑认知原理的研究，特别是视觉的研究。人类识别物体的过程其实是分层次进行的——瞳孔接收到原始信号交由大脑皮层初步处理，大脑进行抽象来判定物体的形状，最后对其进行进一部抽象，判定物体的类别。深度学习就是模仿大脑这一识别特点，构造出多层神经网络来逐层地提取和收集信息，最后由高层网络组合前面各层级信息来抽取出较为完整的全局对象，做出分类。随着GPU技术的进步和卷积网络的提出，目前为止在简笔画识别领域，已经提出了由多尺度多通道的深度神经网络框架并去得了良好的识别效果，后来更是针对简笔画在本质上是由有顺序的笔画所构成这一特点，加入了递归神经网络，提升了识别效率。

早期对于简笔画识别方面的研究主要采用基于手工特征如SIFT特征、HOG特征等传统图像分类模式的方法，但这些手工特征主要是为自然图像设计的，而不同于自然图像，简笔画具有特有的抽象性、稀疏性以及颜色单一性，因此以上方法并不完全适用于简笔画识别。后来，针对这一情况又提出了基于图像轮廓、基于图像熵、基于费舍尔向量的方法等，但这些方法均依靠人工提取特征，需要消耗大量的人力，同时特征的选择也对经验有着较高的要求。

现有的基于深度学习神经网络的识别方法并未针对输入自由性大，随机性强所具有的模糊性这一特点做出考虑。卷积神经网络会自动的进行特征提取且不能很好的表示出数据的模糊性、歧义性。而且简笔画具有输入自由度大和随机性强的特点，并且每个人在绘画过程中的笔画顺序也不是完全一样，甚至可能会出现数据不完整性情况，因此具有模糊性的特点，从而对识别准确率造成一定影响。

发明内容

为了解决现有技术简笔画识别准确率低的问题，本发明提出了一种基于卷积神经模糊网络的简笔画识别方法。

本发明解决上述技术问题所采取的技术方案是：一种基于卷积神经模糊网络的简笔画识别方法，将输入数据在模糊卷积层进行模糊处理，通过模糊隶属度函数计算每个输入节点对一个特定模糊集的隶属度，得到含有模糊逻辑的特征；再将该含有模糊逻辑的特征输入全连接层构中进行分类，最终识输入数据对应的简笔画。

所述的模糊卷积层进行模糊处理的过程是：