[发明专利]一种基于多特征图深度学习的图像识别方法

摘要

本发明提出了一种基于多特征图深度学习的图像识别方法，用于图像处理和模式识别技术领域。所述方法包括多特征图深度学习的训练过程和使用训练好的深度学习系统进行图像识别的过程。本发明应用图像的多种特征图来进行深度学习,提取更多量和更多元的特征,从而增强系统的鲁棒性,同时亦能提升识别率，并进一步应用MLP和SOFTMAX结合的方式强化分类器，来提升识别效果。

主权项

1.一种基于多特征图深度学习的图像识别方法，其特征在于，包括多特征图深度学习的训练过程和使用训练好的深度学习系统进行图像识别的过程，其中，所述多特征图深度学习的训练过程包括以下步骤：步骤a：对训练样本集图片求取其灰度图；步骤b：对所述灰度图求取灰度图中每个像素点的特征构成的特征图,所述特征图包括：LBP特征图、梯度幅值特征图和梯度方向特征图；步骤c：设置深度卷积网络的各个网络层及分类器的初始参数，将步骤a中获得的灰度图和步骤b中获得的特征图输入所述深度卷积网络以提取高层特征即深度卷积特征，并将所述深度卷积特征输入到所述分类器，所述分类器获得系统的前向预测输出，其中深度卷积网络和分类器的参数均为前一次学习的结果；步骤d：将步骤c获得的所述前向预测输出与所述训练样本集图片的标签进行比对，将两者的误差反传，根据所述误差来更新所述深度卷积网络的参数和所述分类器的参数；步骤e：重复步骤a～d，对多个训练样本图片进行多次训练，当所述误差小于预定值时确定当前学习到的模型参数为训练好的模型参数，从而获得训练好的深度学习系统，所述训练好的模型参数包括深度卷积网络的参数和分类器的参数；所述使用训练好的深度学习系统进行图像识别过程包括以下步骤：步骤f：对测试图片分别求取灰度图、LBP特征图、梯度幅值特征图和梯度方向特征图；步骤g：将步骤f获得的4种图输入前述训练过程获得的所述深度学习系统获取图像的深度卷积特征；步骤h：将步骤g中获取的深度卷积特征输入到训练好的分类器，获得最终的分类和识别结果，其中，述分类器由多层感知器MLP和SOFTMAX构成。