[发明专利]基于图像特征的图像主体的识别方法

摘要

本发明公开了一种基于图像特征的图像主体的识别方法。该方法首先进行图像的初步处理，通过图片增强深化图片特征，将前景和背景大致区分开；形态学处理主要用于提取图像特征，分割过程则将一幅图像划分为组成部分或目标对象；研究图像特征提取则是要将前面提取出来的图像元素或目标对象表示为适合计算机后续处理的数值形式，最终形成能够直接供机器学习生成的分类器模型使用的特征；分布式环境提供搜索效率和并行计算能力；输入图像经过上述方法识别得到特征数据后搜索与之相似度最高的图像并输出，判断二者是否匹配。本发明不仅提供了稳定可行的图像搜索方法，对图像的语义进行深度的分析学习，提高了当前搜索算法的时间和速度，同时避免了网络制约，普适性很高。

主权项

一种基于图像特征的图像主体的识别方法，其特征在于步骤如下：第一步，标注选取好的训练集的特征，首先判断图片中物品的所属物种，根据不同的物种细化特征，详细标注后作为训练集待用；第二步，选取n万张图片，对这n万张图像进行裁剪，达到统一的长宽规格，裁剪过程中若产生物体形变则替换为其他图片，继而利用高斯函数完成图像平滑，去除图像噪声排除干扰项；循环平滑过程直到处理结果不再改变，完成图像预处理过程，送至第三步；第三步，形态学处理即图像增强，利用直方图均衡化将原始图像的直方图通过积分概率密度函数转化为概率密度为1的图像，凸显图像边缘点，然后利用图像分割，将图像划分为目标对象和其他部分；特征提取过程将前面提取出来的目标对象利用opencv中的格式转换算法转换为适合计算机后续处理的数值形式，最终形成能够直接供神经网络分辨的特征值，此时测试集的处理完成，等待第五步神经网络训练好后使用；第四步，分布式环境的搭建，首先在虚拟器中开三台ubuntu的虚拟机，将下载好的辅助软件完成安装，为每一台搭建好java环境，正常安装hadoop，继而完成伪分布式配置；然后将上述实验过程转移到ubuntu的服务器上；利用搭建好的分布式环境试验hadoop自带的例子——词频统计，后台观察数据量相同时的不同数量机器的工作效率，发现六台时达到一个小顶点；第五步，用标注好特征的训练集训练人工神经网络（ANN），编程创建由多个简单的神经元相互密集连接形成的神经网络，其中每个神经元由三部分构成：输入、计算激励函数的细胞体和输出，神经元具有两种状态：1和0，神经元之间由可调节的权值相连，权值的设定采用监督性的多变量线性回归函数；每个神经元代表一个特征并接受一定数量的来自其他神经元的实数值输入，人工神经细胞通过激励函数对这些输入信号进行并进行阈值处理；如果整合后刺激值超过某一阈值，则神经元被激活进入1状态，否则处于0状态，当一系列的神经元被触发后即得到一个实际输出值；然后利用成本函数评估实际输出与目标输出的误差，若误差很小，则强化该权值，若误差很大，则改变学习的算法以弱化该权值；最后会得到一个成熟的神经网络，用这个神经网络为前面处理好的测试集标注特征；第六步，利用上述训练完成的神经网络为输入的新的测试图像标注特征，输入一张图像，神经网络完成特征的识别并标注后，利用分布式环境，并行加速的在测试集中搜索最相近的图片并输出，根据输出值判断是否需要再次对神经网络进行强化权值的训练过程。