[发明专利]一种基于动态调整训练目标的卷积神经网络的图像识别方法

说明书

技术领域

本发明涉及图像识别技术领域，尤其是基于卷积神经网络的图像识别技术领域。

背景技术

目前，公知的卷积神经网络的输出层为类别编码。这就要求，模型训练结束后，使用模型的待识别的图像需要和训练模型的样本具有相同的类别，并且，模型能够识别的类别数也是固定的。

这样的卷积神经网络在固定类别的图像识别领域是适用的，并且，在许多固定类别的图像识别领域中取得了很好的效果，如手写字母识别、手写数字识别等。

然而，还有许多图像识别领域，特别是生物特征的图像识别领域，如人脸识别、指纹识别、静脉识别等，在模型训练后，需要识别的图像样本和模型训练的样本属于不同类别，并且，需要识别的类别数是随着使用过程中注册的数据变化而变化的。这就使得公知的卷积神经网络不能用于这些图像识别领域。

发明内容

为了克服现有的卷积神经网络模型不能用于非限定类别的图像识别领域，本发明提出了一种基于动态调整训练目标的卷积神经网络的图像识别方法。该方法不限定训练模型后识别分类的样本和训练样本具有相同的类别，也不限定分类的类别数固定不变。同时，该方法具有较高的识别率。

本发明所提出的一种基于动态调整训练目标的卷积神经网络的图像识别方法包括S100训练模型、S200注册数据和S300识别匹配三个部分。图1给出了本发明的总体流程图。

本发明所述的动态调整训练目标的卷积神经网络，其结构为：包括一个输入层I，在输入层之后，交替分布卷积层C₁、降采样层S₁、……、卷积层C_k、降采样层S_k、卷积层C_k+1，在最后一个卷积层C_k+1之后为若干个隐含层H₁、H₂、……H_n，在最后一个隐含层H_n之后，为输出层O。图2给出了卷积神经网络的结构示意图。

 所述的输入层的每个节点对应于输入图像的一个像素。所述的输入图像，可以是采集的原始图像，也可以是经过滤波或归一化后的图像。

 所述的卷积层的每一层包括多个特征图，同一层的特征图的尺寸相同，且每个特征图的像素，对应于前一层的指定的若干特征图相应窗口位置的像素集合。

 所述的降采样层的每一层包括多个相同尺寸的特征图；降采样层的每张特征图对应于前一层卷积层的一张特征图；降采样层的特征图的像素对应于前一层相应特征图的采样区域；所有的采样区域没有重叠部分。

 所述的隐含层的每个节点与前一层的每个节点和后一层的每个节点都是通过带权重的边相互联系的。

 所述的输出层的每个节点输出是一个实数。

 所述的训练模型S100训练模型包括S110-S130的步骤。

 S110初始化卷积神经网络，该过程包括S111-S116的步骤。

 S111设置训练次终止条件参数。

 S112设置每个卷积层的特征图的个数及卷积窗口尺寸。

 S113设置每个降采样层的特征图的个数及降采样比例。

 S114设置每个卷积层与前一层特征图的对应关系。

 S115设置输出层的节点个数，使得该节点个数与训练样本的类别二进制编码的位数相同。

 S116初始化卷积神经网络中的边的权重参数为随机数。

 S120执行训练过程，重复执行S121-S128的步骤，直至满足训练终止条件为止。

 S121将训练图像输入卷积神经网络的输入层。

 S122 若当前层为卷积层，则根据卷积计算公式，对前一层所选中的图像数据进行卷积计算，从而得到卷积层的特征图的结果。其计算过程为：将前一层选中图像数据及相应的卷积核根据公式（1）计算相应区域的卷积；而后将计算的卷积结果根据公式（2）得出Sigm函数的计算结果；最后，根据公式（3），对各选中图像的卷积结果进行求和，得到卷积层相应的卷积结果。图3给出了卷积过程的示意图。

   （1）。

             （2）。

S = Σ S_i                   （3）。