[发明专利]一种基于卷积网络的图像识别系统

权利要求书

1.一种基于卷积网络的图像识别系统，其特征在于，包括采集模块(1)、识别模块(2)和呈现模块(3)，所述识别模块(2)包括提取单元(4)、深度卷积神经网络模型(5)，其中，所述采集模块(1)与所述提取单元(4)连接，所述提取单元(4)与所述深度卷积神经网络模型(5)连接，所述深度卷积神经网络模型(5)与所述呈现模块(3)连接，其中；

所述采集模块(1)，用于采集街景图像数据并传输至所述提取单元；

所述提取单元(4)，用于对获取的街景图像数据提取图像的语义分割图并作为所述深度卷积神经网络模型(5)的输入；

所述深度卷积神经网络模型(5)，用于搭建深度卷积神经网络模型并对图像的语义分割图进行识别分析，其中包括以下步骤：

标定深度卷积神经网络模型并训练确定深度卷积神经网络的损失函数；

获取从卷积层输出的辉光特征f_G和经过小尺度的卷积滤波用来表示辉光位置的GM；

将获取的GM与f_G的特征经过卷积滤波获取辉光的强度估计S；

将获取的特征级联起来卷积输出得到去辉光后的图像H；

获取图像H的透射率和环境光照作为识别图像进行输出；

所述呈现模块(3)，用于将获取的识别图像进行呈现。

2.根据权利要求1所述的基于卷积网络的图像识别系统，其特征在于，所述深度卷积神经网络模型(5)，还包括以下步骤：

获取训练数据库集；

设定深度卷积神经网络的超参数和参数；

通过多代Epoch和批次Batch训练获取训练好的深度卷积神经网络模型。

3.根据权利要求2所述的基于卷积网络的图像识别系统，其特征在于，所述深度卷积神经网络模型包括多个卷积层、激活层、池化层、反卷积层、1×1卷积层、softmax层，其中；卷积层的核函数大小为3×3矩阵，反卷积层的核函数为4×4，池化域大小为2×2，池化步长为2。

4.根据权利要求1所述的基于卷积网络的图像识别系统，其特征在于，所述辉光位置的GM，包括辉光分量分解，表示为：

I(x)＝H(x)+G(x)，

其中，H(x)＝J^c(x)t(x)+A^c(x)(1-t(x))表示为街景图像数据的语义分割图，

其中，I街景图像数据，G为辉光图像，S表示为k个代表辉光图像形状和光照的S_k的叠加，GM表示为光源区域和非光源区域的二值辉光掩膜。

5.根据权利要求4所述的基于卷积网络的图像识别系统，其特征在于，所述图像H的透射率和环境光照，表示为：

其中，ω_k为滤波窗口；

获取如下：

b_k＝μ_k-a_kμ_k；

其中，μ_k和分别是窗口ω_k内像素的均值和方差，|ω|为ω_k中像素的数量；输出图像A的每一个像素点为包含该点的所有线性函数的均值，表示为：