[发明专利]一种基于卷积神经网络的图像识别方法

权利要求书

1.一种基于卷积神经网络的图像识别方法，其特征在于，包括以下几个步骤：

获取原始图像；

对所述原始图像进行预处理；

将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；

将池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征张量；

将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；

根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果。

2.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述对所述原始图像进行预处理，包括如下步骤：

步骤A1，构建原始图像的像素值：

其中，x代表原始图像的像素值，a₁₁代表横纵坐标为1的点的像素值，n,k代表不同相机拍出的像素值大小，图片尺寸是不同的；

步骤A2，根据以下公式得到预处理后的图像：

其中，x_i代表第i个原始图像的像素值，代表预处理后的第i个图像的像素值，ε代表非0常数，m代表所述原始图像的数目。

3.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积神经网络的每个卷积层后均连接一个与所述卷积层对应的ReLU激活层，ReLU激活函数的表达式是ReLU(q)＝max(0,q)，其中q表示激活层的输出。

4.根据权利要求3所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积层采用3×3的卷积核，步长为1，卷积层提取出的特征映射的大小为((W-F)/S)+1，其中，W是输入的大小，F是卷积核的大小，S是步长。

5.根据权利要求3所述的基于卷积神经网络的图像识别方法，其特征在于，所述池化层的滑动窗口大小为2×2，步长为2，越界时，以0填充，采用求平均池化方式进行池化。

6.根据权利要求4所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积层为了与ReLU层的激活函数对应，所述每个激活层的节点与前一层卷积层的节点之间对应有一个权重参数。

7.根据权利要求6所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积层都有其对应的权重矩阵参数，所述权值矩阵的初始化采用预训练初始化。

8.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述全连接层将池化后特征图转换成tensor张量值，全连接层每个神经元的激活函数采用ReLU函数。

9.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述根据以下公式得到图像属于各个类别的概率：

其中，z代表全连接层的输出值，Softmax的输入，C代表代表共有几种类别，y_t代表预测对象属于第几类的概率，e代表无理数，其值是2.71828...。

10.根据权利要求9所述的基于卷积神经网络的图像识别方法，其特征在于，所述根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果，包括如下步骤：

步骤A1，根据以下公式获取图像分类概率最大值：

y＝max(y_t)

其中，y_t代表预测对象属于第几类的概率，y代表图像分类概率最大的值；

步骤A2，根据y图像分类概率最大的值对应的类别确定图像分类结果，最终输出图像分类结果。