[发明专利]一种基于改进的卷积神经网络的图像识别方法

摘要

本发明提供一种基于改进的卷积神经网络的图像识别方法，涉及图像处理技术领域。一种基于改进的卷积神经网络的图像识别方法，首先，生成多个新的训练数据集和多个卷积神经网络分类器，使用新的训练数据集训练随机生成的多个卷积神经网络分类器，得到M个基分类器；然后从标准数据集中获取待测图像；最后将待测图像分别输入到M个基分类器,并融合M个基分类器输出的图像类别,最终获得待测图像中物体的类别。本发明提供的基于改进的卷积神经网络的图像识别方法，利用多个结构差异的卷积神经网络模型进行集成识别，能够更好的获得待识别图像的特征，提高图像的识别准确率，并且能够广泛应用于多种图像识别领域。

主权项

一种基于改进的卷积神经网络的图像识别方法，其特征在于：具体包括以下步骤：步骤1：首先将标准数据集随机组合形成多个新的训练数据集，然后从新的训练数据集选取出M个训练数据集，将经过训练得到的卷积神经网络分类器作为基分类器，具体方法为：步骤1.1：从标准数据集中随机选择一个基准数据集和多个辅助数据集，将其中的基准数据集按照4:1的惯用比例分割成基准训练数据集和基准测试数据集；步骤1.2：将多个辅助数据集随机组合后加入到基准训练数据集中,构成多个新的训练数据集；步骤1.3：在LeNet5神经网络架构的基础上，根据实际需求，搭建多个卷积神经网络模型；步骤1.4：利用步骤1.2中构成的多个新的训练数据集分别对步骤1.3随机生成的卷积神经网络模型进行训练,得到多个卷积神经网络分类器；步骤1.5：从标准数据集中获取小批量的数据并输入到搭建的多个卷积神经网络模型，搭建的多个卷积神经网络模型对输入的数据进行识别，并输出识别的物体，然后将物体识别的结果与标准数据集中图像的标签进行对比，分别计算步骤1.4所获取的各卷积神经网络分类器在基准测试数据集上的识别准确率；步骤1.6：选择识别准确率排名前M的M个卷积神经网络分类器作为基分类器；步骤2：从标准数据集中获取待测图像；步骤3：将待测图像分别输入到步骤1获取到的M个基分类器,得到M个基分类器输出的物体类别，然后将M个基分类器输出的物体类别采用简单投票融合方法进行融合,最终获得待测图像中物体的类别。