[发明专利]获取深度一次性学习模型的方法、图像识别方法及装置

摘要

本发明公开了一种获取深度一次性学习模型的方法、图像识别方法及装置，获取深度一次性学习模型的方法包括：将包含少量目标图像和背景图像的预设数据集中每一幅目标图像输入预设CNN模型，选择预设CNN模型隐含层中任一层输出图像作为该目标图像的特征图像集；采用预设数据集中背景图像，通过PCA方法确定降维矩阵，对所有特征图像集进行降维，生成降维特征图像集；将所有降维特征图像集输入预设贝叶斯学习模型，对降维特征图像集对应的目标图像进行识别，构建深度一次性学习模型；采用预设数据集对深度一次性学习模型进行训练，直到模型收敛，获取收敛后的深度一次性学习模型。采用收敛后的深度一次性学习模型对图像进行识别，识别率较高。

主权项

1.一种获取深度一次性学习模型的方法，其特征在于，包括：针对包含少量目标图像和背景图像的预设数据集中的所有目标图像，将每一幅目标图像输入预设卷积神经网络CNN模型，选择该预设CNN模型隐含层中任意一层的输出图像作为该目标图像的特征图像集，所述目标图像为被标注为包含待识别物体的图像，所述背景图像为被标注为不包含待识别物体的图像；采用所述预设数据集中的背景图像，通过主成分分析PCA方法确定降维矩阵；采用所述降维矩阵对所述预设数据集中每一幅目标图像的特征图像集进行降维，生成该目标图像的降维特征图像集；将所有降维特征图像集中的每一个降维特征图像集输入预设贝叶斯学习模型，对该降维特征图像集对应的目标图像进行识别，构建深度一次性学习模型，具体包括：将所有降维特征图像集中的每一个降维特征图像集输入下述预设贝叶斯学习模型，对该降维特征图像集对应的目标图像进行识别，其中，p(C|I′ⁿ)表示在获得降维特征图像集I′ⁿ的前提下，预设贝叶斯学习模型将输入其中的降维特征图像集I′ⁿ对应的目标图像识别为目标图像的后验概率，C表示预设贝叶斯学习模型识别输入的降维特征图像集I′ⁿ对应的目标图像为目标图像，p(C_bg|I′ⁿ)表示在获得降维特征图像集I′ⁿ的前提下，预设贝叶斯学习模型将输入其中的降维特征图像集I′ⁿ对应的目标图像识别为背景图像的后验概率，C_bg表示预设贝叶斯学习模型识别输入的降维特征图像集I′ⁿ对应的目标图像为背景图像，p(I′ⁿ|θ)为目标图像的似然函数，表示降维特征图像集I′ⁿ对应的目标图像为目标图像，满足参数为θ的某一分布的前提下，降维特征图像集I′ⁿ的概率密度函数，p(C)表示降维特征图像集I′ⁿ对应的目标图像中包含待识别物体的先验概率，p(I′ⁿ|θ_bg)为背景图像的似然函数，表示降维特征图像集I′ⁿ对应的目标图像为背景图像，满足参数为θ_bg的某一分布的前提下，降维特征图像集I′ⁿ的概率密度函数，p(C_bg)表示降维特征图像集I′ⁿ对应的目标图像中不包含待识别物体的先验概率，通过假设方法，按照下述公式，挑选出降维特征图像集I′ⁿ中能够表征待识别物体特征的降维特征图像，确定出目标图像的似然函数：其中，h表示假设方法中采用的索引向量，其值域为[1,K]，H表示所有h的集合，通过零假设方法，按照下述公式，挑选出降维特征图像集I′ⁿ中能够表征背景特征的降维特征图像，确定出背景图像的似然函数：p(I′ⁿ|θ_bg)＝p(I′ⁿ,h₀|θ_bg)＝p(I′ⁿ|h₀,θ_bg)p(h₀|θ_bg)，其中，h₀表示零假设方法中采用的索引向量，将目标图像的似然函数中的p(I′ⁿ|h,θ)变换为下述第一高斯分布函数：其中，G表示高斯分布，h_q表示索引向量h中的第q个特征索引，Q表示索引向量h的长度，即索引向量h中特征索引的数量，I′ⁿ(h_q)表示根据h从降维特征图像集I′ⁿ中选出的第h_q个降维特征图像，j\h表示索引j需要去除被h选中的特征索引，I′ⁿ(j)表示降维特征图像集I′ⁿ中未被h选出的降维特征图像，μ，Γ，μ_bg，Γ_bg表示第一高斯分布函数的参数，将背景图像的似然函数中的p(I′ⁿ|h₀,θ_bg)变换为下述第二高斯分布函数：根据所述目标图像的似然函数、背景图像的似然函数、预设贝叶斯学习模型、第一高斯分布函数和第二高斯分布函数，构建下述深度一次性学习模型：采用所述预设数据集对所述深度一次性学习模型进行训练，直到模型收敛，从而获取收敛后的深度一次性学习模型。