[发明专利]一种基于改进的卷积神经网络的图像识别方法

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于改进的卷积神经网络的图像识别方法。

背景技术

由于计算机技术和信息技术的不断发展，图像识别技术的使用领域越来越广泛：如指纹的识别、虹膜的识别、手写汉字的识别、交通标志的识别、手势的识别、人脸的识别、机器人视觉等等，并且随着实践活动社会化的需要，需要分类识别的事物种类越来越丰富，而且被识别对象的内容也越来越复杂。例如，在交通管理系统中，通过使用车牌的自动识别来记录车辆的违章行为；从医学图像中根据细胞的形状和颜色等分析是否发生了病变；通过植物的颜色和形态长势判断何时需要浇水、施肥；通过气象观测的数据或利用卫星照片来进行天气预报等等。总而言之，图像识别技术不仅在农业、工业、医学和高科技产业等各个领域发挥着非常重要的作用，并且已经越来越多地渗透到了我们的日常生活中。好的识别技术是关键所在，因此，怎么样提高识别率意义重大，如上面讲到的人脸识别已经直接涉及到了安全性。

目前有很多图像识别方法,大体上将图像识别系统分为图像特征提取和图像识别算法两个部分。图像的特征提取包括距离特征、像素特征、局部二进制模式和小波变换等,而图像识别算法就是依靠机器学习算法来实现,效果比较显著的有支持向量机、神经网络、最近邻算法、高斯混合模型、随机森林和回归模型等等。国内外学者在解决图像识别问题时,大都采用这些分类算法,但是这些分类算法极大地依赖于对图像的特征提取,而目前采用的特征抽取方法是人工设计的,再通过特征选择算法剔除冗余或者不相关的特征,得出最优或者次优特征子集,提高识别准确率。图像识别的另一种方法是降低图像特征的维数,从而提升模型训练速度，这个过程极大地依赖人工专家的经验和反复实验完成的,不仅工作量大,而且很难找到一种最优的图像特征表达,从而影响了图像识别的效果。经典的卷积神经网络作为图像识别的方法,需要调整许多参数,而参数调优复杂且工作量大,难以获得最优参数,因而影响整体的图像识别性能。

发明内容

针对现有技术的缺陷，本发明提供一种基于改进的卷积神经网络的图像识别方法。

一种基于改进的卷积神经网络的图像识别方法，包括以下步骤：

步骤1：首先将标准数据集随机组合形成多个新的训练数据集，然后从新的训练数据集选取出M个训练数据集，将经过训练得到的卷积神经网络分类器作为基分类器，具体方法为：

步骤1.1：从标准数据集中随机选择一个基准数据集和多个辅助数据集，将其中的基准数据集按照4:1的惯用比例分割成基准训练数据集和基准测试数据集；

步骤1.2：将多个辅助数据集随机组合后加入到基准训练数据集中,构成多个新的训练数据集；

步骤1.3：在LeNet5神经网络架构的基础上，根据实际需求，搭建多个卷积神经网络模型；

所述搭建的多个卷积神经网络模型包括五层卷积层的卷积神经网络模型和六层卷积层的卷积神经网络模型；

所述五层卷积层的卷积神经网络模型的输入层至输出层之间依次连接有第一数据层Data11层、第二数据层Data12层、第一卷积层conv11层、第一下采样层P11层、第一LRN层L11层、第二卷积层conv12层、第二下采样层P12层、第二LRN层L12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第五下采样层P15层、第一全链接层Q11层、第一Dropout层D11层、第二全链接层Q12层和第二Dropout层D12层；其中，第一卷积层conv11层、第二卷积层conv12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第一全链接层Q11层和第二全链接层Q12层下分别对应连接第一激活函数层ReLU11层、第二激活函数层ReLU12层、第三激活函数层ReLU13层、第四激活函数层ReLU14层、第五激活函数层ReLU15层、第六激活函数层ReLU16层和第七激活函数层ReLU17层；