[发明专利]一种卷积神经网络模型的稀疏编码分类器设计方法

说明书

本发明提供了一种卷积神经网络模型的稀疏编码分类器设计方法，本方法以字典学习的原始模型为基础，引入深度卷积神经网络模型的图像特征提取和特征分类规则，首先设计几种具有不同特征的稀疏编码分类器组，且每一个不同特征分类器组中又由多分类器组成，使用某一类特征的图像样本对相应特征的稀疏编码分类器进行训练，使用一个已完成特征分类的图像样本对相应特征的稀疏编码分类器进行测试。依据以上模型设计思想，分别构建了基于重建残差运算的图像样本训练模型和图像样本特征测试模型。并与多个分类模型进行对比，本分类器从滤波器使用数量角度考虑，其图像识别准确率在95％以上；从参与训练的图像样本数量角度考虑，其图像识别准确率在92％以上。

技术领域

本发明涉及一种分类器设计，具体涉及一种卷积神经网络模型的稀疏编码分类器设计方法。

背景技术

早期的稀疏编码策略研究主要应用于模拟构建人类视觉系统，在计算机系统中实现人类对视觉感知场景的再现，该策略至今还被应用于计算机视觉系统中。当前，稀疏编码策略已成功地应用于图像处理领域，对图像特征的分类实现产生了重要影响。在机器学习或深度学习(如深度卷积神经网络图像训练模型等)图像特征分类技术应用中，针对一个准备进行测试训练的图像样本，可以通过与该样本类别相似的、特征已知的一组图像样本特征进行稀疏特征以线性方式进行描述来表示，再利用字典学习分类算法，对图像特征的编码系数通过两类范数进行描述，从而实现对图像特征的稀疏特征进行数学表示。字典学习理论来源于学生使用的字典，字典中记录的是一些学习总结的经验，在学习新东西的过程中，通过字典学习就可以省去对一些前人总结的经验，只需要参考字典中的这些已有经验，通过查阅字典，就可以得到需要学习的内容。因此，字典学习的关键是对总结的经验和查阅的经验进行准确的表示，在计算机系统中，通常是通过构建数学模型实现。在字典学习数学模型中，对已知总结的经验可以定义为原始样本，通常用矩阵建模；字典也是通过矩阵建模，字典中描述的内容为词条，被定义为原子，通常用向量表示；在查阅字典时，查阅方法通过稀疏矩阵进行表示，其中，稀疏所表达的含义是指图像样本的特征(并不是指图像矩阵的全部信息)；查阅过程可以通过已知总结的经验和查阅方法两个矩阵的乘来表示。

图像特征的稀疏描述方法的研究是以图像样本所具有的独立性为基础展开的，这一特点在进行图像处理时将产生一个明显的问题，也就是在字典学习分类算法中，有许多原子(字典中的词条)是通过对其他一些原子的再学习后总结出来的，在字典学习应用中，必然会产生一些内容相似或完全相同的原子，这样将影响到对图像特征的精准表示。在解决这一问题时，研究人员通过设计一种具有针对内容相似或完全相同原子的滤波器，对这类原子只定义一次，再利用卷积稀疏方式对图像特征进行编码。卷积稀疏图像特征编码设计了多个卷积滤波器，在输入一幅图像样本后，图像通过卷积滤波器的处理，可以得到与卷积滤波器数量相同的特征图。该方法曾经广泛应用于图像处理和计算机视觉领域。

卷积稀疏图像特征编码方法在应用方面的性能得到了提高，但也不是没有缺陷，其图像学习训练模型以无监督字典学习为主，在图像样本进入卷积滤波器进行训练时，图像样本都没有专门针对特征的类别进行单独定义，也就是没有专门针对不同类别特征的图像样本标签。图像样本标签的作用主要是用于定义某一个图像样本，也就是用一个符号来表示一幅图像，这个符号可以表示完整的图像信息，也可以只表示图像的局部信息，在图像处理中，局部信息主要是指图像的特征信息，如：图像边缘信息、图像纹理信息和图像色彩信息等。图像卷积稀疏编码模型主要的作用是对图像样本的特征信息进行提取，如果已完成训练的卷积滤波器不能准确地进行特征类别的划分，最终提取的图像特征可能就不是纯粹的同一类别信息，如：图像边缘信息中可能参杂了图像纹理等其他信息，图像的有效信息中可能参杂了噪声信息等情况。

发明内容