[发明专利]一种基于卷积神经网络的图像识别方法

说明书

本申请公开了一种基于卷积神经网络的图像识别方法，所述方法包括获取原始图像；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；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，本发明通过采用卷积神经网络，并且采用预训练模式初始化权重值，具有较深网络层，能够高效的提取图像的特征，达到图像更精准的分类。

技术领域

本发明涉及一种基于卷积神经网络的图像识别方法，属于计算机视觉和深度学习技术领域。

背景技术

随着科学技术的发展,图像识别技术已经逐渐应用于越来越多的领域，与此同时，图像识别的准确性、可靠性和实时要求也越来越严格。卷积神经网(CNN)可以很好地用于处理图像处理和理解任务，但该模型中的BP神经网络过于简单，需要大量的训练进行多次迭代。且BP采用下行梯度训练法，使模型收敛缓慢，容易达到局部优化，影响最终识别精度。

Fu.M.Y等提出了利用Hu不变矩进行特征值提取和交通标志检测的交通标志检测方法,该方法快速可靠识别率高。但它提取的表示是低维特征和无层次信息,仅限于简单的检测和识别工作，不需要更多的图像信息。Shen X等人采用灰度共生(GLCM)来提取图像的纹理信息，并使用已学习的表示来进行识别，该方法只能将低维特征手工提取为Hu不变矩，结合其他方法进行改进。牛晓晓等提出了CNN-svm模型来识别手写数字，该方法使用SVM来提高CNN的识别精度，但它只在简单的手写数字上进行实验。现有的图像识别方案，还存在以下缺点

1.BP神经网络采用下行梯度训练法，使模型收敛缓慢，容易达到局部优化，影响最终识别精度；

2.现有的卷积神经网络(CNN)在多个图像识别中识别精度不高。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提供了用于提高识别精度的图像分类方法，能够很好的提取图像的特征。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明的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。

优选的，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，代表预处理后第i个原始图像的像素值，ε代表非0常数，m代表所述原始图像的数目。