[发明专利]一种复杂背景下的对象识别方法及使用的计算机技术

说明书

本发明属于图形图像识别技术领域，公开了一种复杂背景下的对象识别方法及使用的计算机技术，利用基于非负矩阵分解的神经网络学习算法的独特功能；通过流形学习思想实现对具有不同特征的图形、图像信息数据的分解和特征提取来发现模式识别的方法、规律性及初始数据的特征。本发明通过对每个数据集10次测验然后计算平均值显示，对Caltech101数据集，正确率约85.2％正负2.5％误差，对于LFW数据集，测试达到86.5％正负1.75％准确率，如下两组结果是两个数据集测试结果展示；将同类数据逐行显示在图中，从图中可以看到相同的对象都被聚集在一起，只有极少对象分类没有成功。

技术领域

本发明属于图像识别技术领域，尤其涉及一种复杂背景下的对象识别方法及使用的计算机技术。

背景技术

国内外著名高校和科研机构在基于非负矩阵分解及流形学习的理论和应用已经取得了丰富的成果，由此产生了一类非常有实际应用意义的人工神经网络目标识别方法。除了使用流形及非负矩阵分解的神经网络学习方法外，深度网络也是模式识别的重要工具。多种技术和研究领域的结合是创新和发展的基础，在图像分类和聚类的模式识别方面，当前基于人工神经网络深度学习方法已获得广泛应用，在这项工作中，为网络提供更具原则性的汇集策略，即“空间金字塔池”，在现有方法基础上通过消除图像规模及大小限制，新的网络结构，称为SPP网，可以产生一个固定长度的代表而不管图像的大小/规模。通过消除固定大小的限制，可以改进所有基于深度卷积神经网络的图像分类方法。使用这类方法，实验结果显示，当前在Caltech 101数据集上获得91％的最高分类精度。另一种新的成为ImageNet的可视化技术，它可以洞察中间特征层功能和分类器的操作。用于通过图像进行各类问题诊断，通过这种可视化方法，可以获得优于先前方法的模型架构。实验显示ImageNet模型可以推广到其他数据集：如果我们对“软最大分类器”进行重新训练，这种方法显著地优于当前其他方法的测试结果，在Caltech-101获得86.5％分类精度。这两类方法在Caltech数据集上获得较高识别率，但由于实现的是分类技术，需要事先选择样本数据集进行训练，然后根据训练结果对观察数据进行逐一分类。这类识别方法与我们的聚类方法有明显区别，首先样本较大时对样本进行标记非常费时，测试中也难以准确把握获得最好识别结果时的样本大小；其次是当样本数据选项不适当、样本难以获得或直接在网络上识别对象时，分类方法无法发挥其有效性。