[发明专利]一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法

摘要

本发明属于计算机视觉中的图像处理领域，具体的说是一种基于LeakyRelu激活函数的Faster RCNN卷积神经网络单目标识别方法。本发明提出了一种改进的relu激活函数即LeakyRelu激活函数，该函数更好地保留了图像数据信息，更有利于对图像特征的提取。将该函数应用在卷积神经网络中对图像中的目标物进行检测与提取的领域，使检测准确率得到了提高。该方法提高了现有的神经网络图像处理算法检测的准确率，解决了目前采用relu作为激活函数的卷积神经网络在图像识别与检测上所带来的问题。

主权项

1.一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法，其特征在于，该方法包括以下步骤：/n步骤一、获取图像样本及数据分类并且确定训练集和测试集样本数；/n从公开数据集KITTI上收集汽车行驶在某城市道路上时摄像头拍摄到的视频流中剪辑出RGB图片若干张，取其中的60％作为训练集样本，另外的40％作为测试集样本；/n步骤二、对训练集和测试集所有样本进行目标物标记；/n利用MATLAB平台中图像处理与计算机视觉工具箱中的Image Labeler标注工具对采集到的图片中的单一目标物即车辆进行标记；/n步骤三、搭建Faster RCNN卷积神经网络结构；/n在MATLAB平台搭建卷积神经网络即Faster RCNN模型，卷积神经网络由以下几层组成：一个加载训练集图像层，第一层卷积层，第一层激活函数层，第一层池化层，第一层批量标准化层；第二层卷积层，第二层激活函数层，第二层池化层，第二层批量标准化层；第三层卷积层，第三层激活函数层，第三层池化层，第三层批量标准化层；第一个全连接层；一个非线性层；第二个全连接层和softmax分类器；其中每一个卷积层都分别提取出输入图像R、G、B三个色彩分量不同的像素特征；/n步骤四、对RCNN网络各层中基本参数进行设置并初始化卷积核的权重和偏置项；/nRCNN的基本参数包括：RCNN的卷积层和池化层的数量、激活函数、卷积核大小、卷积核滑动步长、每一层中卷积核数量、学习率初值、卷积核中权重更新方法以及学习率衰减因子这些网络训练参数；该网络特征提取部分主体结构采用3个卷积层，3个池化层，3个激活函数层和3个正则化层；/n步骤五、用上述训练好的网络进行测试集图像检测；/n51)对于上述调整好参数的网络结构，不断调节学习率衰减因子，使其在数据训练的每一个批次中，学习率不断减小，权重值下降速度减慢，达到损失函数最小值；从而找到一个最佳的学习率衰减因子，使检测准确率达到最大值；/n52)将测试集中待检测的图片输入到上述训练完成的卷积神经网络模型中，输出带有检测框和检测置信度的检测图；/n53)统计测试集中所有待检测图片的检测准确度，绘制检测率曲线，即得到测试集图片的平均检测准确率。/n