[发明专利]一种基于深度学习的动态图像特征捕捉方法

说明书

本发明公开了一种基于深度学习的动态图像特征捕捉方法，涉及图像识别技术领域，通过对深度卷积神经网络模型的优化，使得深度卷积神经网络模型中对于识别结果不起作用或起负作用的卷积层进行剔除，一方面降低深度卷积神经网络模型的计算量，另一方面能够在已经完成训练的基础上，进一步的提高深度卷积神经网络模型的准确率；同时技术人员通过工具将错误识别的特征标记框进行删除后，将对应的对照视频帧和原始视频帧作为深度卷积神经网络模型的训练样本进行输入，也能使得深度卷积神经网络模型的识别精度更准。

技术领域

本发明涉及图像识别技术领域，具体是一种基于深度学习的动态图像特征捕捉方法。

背景技术

图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征，颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质，纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征，图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域，空间关系特征，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接关系、交叠关系和包含关系等；

现有技术中，在对动态图像进行特征提取时，当动态图像中出现多个特征中，容易出现识别结果混乱或错误的情况，如何得到更加准确的动态图像特征捕捉结果，是我们需要解决的问题，为此，现提供一种基于深度学习的动态图像特征捕捉方法。

发明内容

本发明的目的在于提供一种基于深度学习的动态图像特征捕捉方法。

本发明的目的可以通过以下技术方案实现：一种基于深度学习的动态图像特征捕捉方法，包括以下步骤：

步骤S1：对已经完成训练的深度卷积神经网络模型进行优化；

步骤S2：捕捉动态图像，并对所获得的动态图像进行预处理；

步骤S3：将经过预处理后的动态图像输入至完成优化的深度卷积神经模型内，并输出动态图像的特征捕捉结果；

步骤S4：根据所输出的特征捕捉结果，形成动态图像内所需要捕捉的特征的移动轨迹。

进一步的，深度卷积神经网络模型的训练过程包括：

构建深度卷积神经网络模型，并完成对所构建的深度卷积神经网络的训练；所述深度卷积神经网络模型由卷积层、池化层以及激活函数层组成；

对每个卷积层的权重进行设置，根据每个卷积层的权重系数，判断卷积层对深度卷积神经网络模型的影响类型；

将影响类型为负面影响和无影响的卷积层进行标记，并将所标记的卷积层进行剔除，完成对深度卷积神经网络模型的优化。

进一步的，对所获得的动态图像的预处理过程包括：

将所获得的动态图像转化为灰度动态图像；

将灰度动态图像转化为若干个视频帧；

获取每个灰度动态图像所转化的视频帧内各个区域的灰度值，并将所获得的灰度值与视频帧内的对应位置进行关联；

建立二维坐标系，将视频帧映射至二维坐标系内，并将映射至二维坐标系内的所述视频帧标记为原始视频帧；

将所获得的所有原始视频帧输入至优化后的深度卷积神经网络模型内。

进一步的，原始视频帧在输入至深度卷积神经网络模型内后，对原始视频帧内所需要捕捉的特征对应的区域进行标记；

将完成标记后的原始视频帧进行输出，获得动态图像的特征捕捉结果；