[发明专利]一种基于图像特征自适应卷积网络的图像分类方法和系统

权利要求书

1.一种基于图像特征自适应卷积网络的图像分类方法，其特征在于，包括：

获取所有待分类样本图像的边缘轮廓平均数，以及所有待分析样本图像的加速稳健特征点平均数；

确定所述边缘轮廓平均数和所述加速稳健特征点平均数之和所处特征量范围，选择与所述特征量范围对应的网络结构模型；

基于所述待分类样本图像和所述网络结构模型进行神经网络训练，得到用于图像分类的分类模型；

基于所述分类模型进行待分类样本的图像分类。

2.根据权利要求1所述的基于图像特征自适应卷积网络的图像分类方法，其特征在于，所述特征量选择范围包括第一特征量选择范围、第二特征量选择范围和第三特征量选择范围；

所述第一特征量选择范围为[0，30)；

所述第二特征量选择范围为[30，50)；

所述第三特征量选择范围为[50，+∞)。

3.根据权利要求2所述的基于图像特征自适应卷积网络的图像分类方法，其特征在于，所述网络结构模型包括第一网络结构模型、第二网络结构模型和第三网络结构模型；所述第一网络结构模型对应所述第一特征选择范围，所述第二网络结构模型对应所述第二特征选择范围，所述第三网络结构模型对应所述第三特征选择范围。

4.根据权利要求3所述的基于图像特征自适应卷积网络的图像分类方法，其特征在于，所述第一网络结构模型包括第一输入层、第一卷积层A、第一最大值池化层A、第一卷积层B、第一最大池化层B、第一全连接层A、第一全连接层B和第一输出层；

所述第一卷积层A的卷积核个数为3，卷积核大小为11*11；

所述第一最大值池化层A的核大小为2*2；

所述第一卷积层B的卷积核个数为3，卷积核大小为11*11；

所述第一最大值池化层B的核大小为2*2；

所述第一全连接层A包括120个神经节点，所述第一全连接层B包括84个神经节点；

所述第一输出层的输出节点为N，其中N为所述待分类样本图像的分类数。

5.根据权利要求3所述的基于图像特征自适应卷积网络的图像分类方法，其特征在于，所述第二网络结构模型包括第二输入层、第二卷积层A、第二最大值池化层A、第二卷积层B、第二最大池化层B、第二卷积层C、第二最大池化层C、第二全连接层A、第二全连接层B和第二输出层；

所述第二卷积层A的卷积核个数为6，卷积核大小为7*7；

所述第二最大值池化层A的核大小为2*2；

所述第二卷积层B的卷积核个数为6，卷积核大小为7*7；

所述第二最大值池化层B的核大小为2*2；

所述第二卷积层C的卷积核个数为6，卷积核大小为5*5；

所述第二最大值池化层C的核大小为2*2；

所述第二全连接层A包括120个神经节点，所述第二全连接层B包括84个神经节点；

所述第二输出层的输出节点为N，其中N为所述待分类样本图像的分类数。

6.根据权利要求3所述的基于图像特征自适应卷积网络的图像分类方法，其特征在于，所述第三网络结构模型包括第三输入层、第三卷积层A、第三最大值池化层A、第三卷积层B、第三最大池化层B、第三卷积层C、第三最大池化层C、第三卷积层D、第三最大池化层D、第三全连接层A、第三全连接层B和第三输出层；

所述第三卷积层A的卷积核个数为16，卷积核大小为3*3；

所述第三最大值池化层A的核大小为2*2；

所述第三卷积层B的卷积核个数为16，卷积核大小为3*3；

所述第三最大值池化层B的核大小为2*2；

所述第三卷积层C的卷积核个数为16，卷积核大小为3*3；

所述第三最大值池化层C的核大小为2*2；

所述第三卷积层D的卷积核个数为1 6，卷积核大小为3*3；

所述第三最大值池化层D的核大小为2*2；

所述第三全连接层A包括120个神经节点，所述第三全连接层B包括84个神经节点；

所述第三输出层的输出节点为N，其中N为所述待分类样本图像的分类数。