[发明专利]一种基于Harris的数据增强图像分类方法及系统

说明书

一种基于Harris的数据增强图像分类方法及系统，它属于数据处理技术与计算机视觉技术相结合的学科交叉领域。本发明解决了采用现有的数据增强方法获得的图像分类准确率低的问题。本发明通过采用Harris算法进行数据增强，使训练好的卷积神经网络提取图像信息特征的强大功能得以充分利用，提高了对图像分类的准确率、鲁棒性以及泛化性能；与现有的数据增强算法相比，在相同难度的图像分类任务中，本发明方法的收敛速度较快，算法的运行效率更高，总回报增多，能够有效进行训练数据集的遮挡，加大训练难度，使分类算法的准确率上升了3.86％，从而提高了算法的性能。本发明可以应用于图像分类领域。

技术领域

本发明属于数据处理技术与计算机视觉技术相结合的学科交叉领域，具体涉及一种基于Harris的数据增强图像分类方法及系统。

背景技术

近些年来，得益于机器学习以及人工智能研究的发展，计算机视觉技术已经可以实现极好的性能，图像分类、目标检测、人体姿势识别等领域的研究正在受到广泛关注，并被应用于军事、农业、城市交通、安防和林业等领域。

计算机视觉技术领域也在迅速地发展，性能不断提升。各个国家都在积极发展高性能的计算机视觉技术。这项技术最开始主要目的是获取可视分析以及人脸识别、智能驾驶等。

近年来，深度学习技术快速发展，导致图像处理领域发展迅速。图像分类作为图像处理领域的经典研究方向，也面临着新的挑战和突破。一些学者将深度学习应用到图像分类任务中来，并且取得一些成绩，如何更好的实现适合图像分类的处理方式，也成为一项新的挑战。

随着卷积网络越来越复杂以及参数的大量增加，由于深度学习的特征提取参数量很大，任务复杂，其在训练过程中的过拟合程度也随之增加，泛化能力越来越差，因此如何更好地在解决过拟合问题、提高其泛化能力具有非常深刻的意义。

计算机视觉领域的数据增强技术主要应用在图像分类领域以及目标检测领域，数据增强技术可以让弱的模型更强，强的模型更强，并且让数据集更丰富。随着卷积神经网络越来越复杂参数越来越多，只有用大量的数据才能达到更好的训练效果，否则很容易提高过拟合的风险。通过数据增强技术可以降低图像过拟合风险以及改善模型的泛化能力。在深度学习中，常见的解决卷积神经网络模型过拟合问题的方法有正则化方法、Dropout算法、数据增强、归一化算法等。数据增强是数据层面的问题，数据决定了模型的上限，所以数据增强可以更好的解决卷积神经网络的过拟合问题。常见的数据增强方法有中心裁剪、旋转以及翻转、大小、对比度、亮度、颜色、平移等。但这些方法鲁棒性差，对图像没有本质意义上的转变。当前的数据增强方法有cutout、hide and seek、gridmask、mixup、cutmix、fmix等，这些方法去除的是一个单一的连续区域以及固定位置区域，因此可能导致剩余图像信息不足或者过度保留图像信息，这样就不能够很好地发挥出卷积神经网络提取图像信息特征的强大功能，进而导致对图像分类的准确率较低。

综上所述，为了提升对图像分类的准确率，降低过拟合风险，提高模型的泛化能力和鲁棒性，提出一种新的数据增强方法是十分必要的。

发明内容

本发明的目的是为解决采用现有的数据增强方法获得的图像分类准确率低的问题，而提出了一种基于Harris的数据增强图像分类方法及系统。

本发明为解决上述技术问题所采取的技术方案是：

一种基于Harris的数据增强图像分类方法，所述方法具体包括以下步骤：

步骤一、采集训练集图像，并分别对训练集中的每张图像进行灰度化处理后，得到每张图像所对应的灰度图像；

步骤二、分别将每张灰度图像通过Harris角点检测算法，得到每张灰度图像中的预选角点；

步骤三、分别对每张灰度图像中的预选角点进行筛选，获得筛选出的角点；