[发明专利]一种深度学习网络实现大类别图像识别的方法

摘要

本发明公开了一种深度学习网络实现大类别图像识别的方法，包括训练和识别过程，训练过程中，首先提取样本图片的Gabor特征并进行最大选取，此后使用经过聚类处理的特征码本进行线性局部编码，最后使用空间金字塔方法进行特征矢量的导出，并使用支持向量机分类器进行训练；识别过程中，将测试图片的特征矢量使用训练好的支持向量机分类器进行识别。本发明克服传统方法提取局部特征时语义信息的缺乏，能显著提升多类别图像识别的识别率。

主权项

一种深度学习网络实现大类别图像识别的方法，其特征在于，采用深度学习网络进行大类别图像识别，所述深度学习网络包括第一简单层S1层，第一复杂层C1层，第二简单层S2层和第二复杂层C2层；识别过程包括以下步骤：（1）训练过程：（11）对样本图片进行预处理，所述样本图片包括多种类别；（12）对样本图片进行Gabor特征提取，得到Gabor特征矩阵，即S1层中的特征矩阵；（13）对步骤（12）得到的S1层中的特征矩阵进行局部最大选取，得到局部最大化的Gabor特征矩阵，即C1层中的特征矩阵；（14）使用特征码本对步骤（13）得到的C1层中的特征矩阵进行局部线性编码，得到S2层中的特征矩阵；（15）使用空间金字塔方法对步骤（14）得到的S2层中的特征矩阵进行最大选取，得到视觉图像特征和局部线性编码相结合的特征矢量，即C2层的特征矢量：（16）将步骤（15）得到的C2层的特征矢量送入支持向量机分类器进行训练；（2）识别过程：（21）对测试图片进行预处理；（22）对测试图片进行Gabor特征提取，得到Gabor特征矩阵，即S1层中的特征矩阵；（23）对步骤（22）得到的S1层中的特征矩阵进行局部最大选取，得到局部最大化的Gabor特征矩阵，即C1层中的特征矩阵；（24）使用特征码本对步骤（23）得到的C1层中的特征矩阵进行局部线性编码，得到S2层中的特征矩阵；（25）使用空间金字塔方法对步骤（24）得到的S2层中的特征矩阵进行最大选取，得到视觉图像特征和局部线性编码相结合的特征矢量，即C2层的特征矢量：（26）将步骤（25）得到的C2层的特征矢量送入步骤（16）训练好的支持向量机分类器进行识别。