一种基于神经网络的通用图像分类识别系统及方法与流程

本发明涉及模式识别，特别涉及一种基于神经网络的通用图像分类识别系统及方法。

背景技术：

图像目标识别(Image Classification)一直是计算机视觉领域的一个核心课题，图像识别技术经过60年多来的发展，基于神经网络的方法在图像识别领域已经发展到了一个崭新的高度。神经网络 图像识别然而，训练模型依然需要很工的干预，尤其是像CNN这种复杂的系统，如何选择合适的特征，如何设计卷积核，如何设计特征聚合，隐藏层里到底需要多少计算层，很多时候还是基于经验。而且基于神经网络，尤其是深度神经网络，在设计和使用上还是很复杂的，需要很强的知识，需要研究人员具有较高的水平，不利于技术普及。

技术实现要素：

针对现有技术的问题，本发明提出一种基于神经网络的通用图像分类识别系统及方法，基于内置的神经网络设计模板，根据用户的具体应用，自动产生合适的神经网络类型和对应的一整套算法，再通过学习和检验，来自动探索参数空间，并调整参数来获得最佳的成果。本发明可以大大降低神经网络的设计难度，用户不需要很复杂的背景，就可以直接使用。

本发明为解决上述技术问题所采用的技术方案是：

一种基于神经网络的通用图像分类识别系统，包括参数采集模块，专家系统，算法生成模块和参数调节模块。

通过对图像的采集和处理，作为档案保存、车牌字符分割算法和光学字符识别算法等汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码，进而对字符进行识别、牌照识别等几部分，定位出牌照位置，可以为一些纠纷提供有力的证据.其硬件基础一般包括触发设备(监测车辆是否进入视野)，再将牌照中的字符分割出来进行识别、摄像设备。 ２面向对象影像分类中的样本数量选择 由前面的计算公式可知，训练样本需要的数量 万方数据 １１０８ 中国图象图形学报 第１５卷 与置信区间的宽度、置信水平、类别的标准差和类别 大小都是相关的，其中与数据本身相关的最重要的 就是类内标准差，这里分析类内标准差在面向对象 影像分类中的变化情况。 为了避免特征维数的增加对分类性能的影响， 在遥感影像分类中，假设某个地物类别服从正态分 布，要选择训练样本对该类别进行表示，结合统计学 理论，需要的样本数量可以由下式计算＂１： ｈ２＋等式中，ｈ表示指定的置信区间的半宽，矿是类别标准 差，ｚ是指定的置信水平，是类别的大小。

专家系统是根据长期追踪最新的图像识别算法的成果并融合在车辆识别，车牌识别，人脸识别等领域积累的技术，建立的一个专门针对神经网络的专家。它根据一些典型图像识别问题，存储了多种神经网络结构，特征提取方法以及聚类方法等。问题参数采集的数据输入到专家系统，系统会自动选择符合条件的神经网络结构，特征提取方法和聚类方法。举个具体的例子，手写数字识别问题，只需要识别0到9一共十个数字，只需要10个输入神经元，问题规模较小，系统会选择采用反向传递(Backward Propagation)的单一隐藏层的神经网络。

算法生成模块根据系统选择的神经网络结构、特征提取方法及聚类方法生成适用于处理目标问题的神经网络算法模型，同时根据问题规模确定算法深度；用户如果对算法模型不满意，可以自行调整算法模型。算法模型确定之后，就可以开始学习训练数据，并计算模型中的参数。

通过对图像的采集和处理，作为档案保存、车牌字符分割算法和光学字符识别算法等汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码，进而对字符进行识别、牌照识别等几部分，定位出牌照位置，可以为一些纠纷提供有力的证据.其硬件基础一般包括触发设备(监测车辆是否进入视野)，再将牌照中的字符分割出来进行识别、摄像设备。图中：1、透射光源组件 2、上图像采集组件 3、下图像采集组件 4、上模块 5、纸币通道 6、下模块 7、识别模块 11、透射光源 21、第一反射光源 22、第一接收模块 23、第二反射光源 31、第三反射光源 32、第二接收模块 33、第四反射光源。具体地，所述鉴别模块包括识别模块7，用于采集纸币正面左下角数字的第一局部图案的上图像采集组件2，用于采集纸币背面右下角所述数字的第二局部图案的下图像采集组件3以及用于采集所述数字的完整图案的透射光源组件1，所述透射光源组件1内设有透射光源11，所述透射光源11与所述下图像采集组件3内的第二接收模块32一起实现对所述数字的完整图案的采集，所述上图像采集组件2位于所述纸币通道5的上壁，所述下图像采集组件3位于所述纸币通道5的下壁，所述上图像采集组件2、下图像采集组件3以及所述透射光源组件1均与所述识别模块7相连。

本模块的核心思想是把参数视为一个随机变量，其取值范围是有一定的统计意义的。通过训练数据来找出所有参数的一个变化范围，然后再通过测试数据进一步调整这些参数范围，以期获得较为稳定和正确的分类结果。这样做的目的是把靠经验试出来的参数范围，通过训练，测试的步骤找出最优的参数组合。这可以大大提高优化神经网络训练的速度。

一种基于神经网络的通用图像分类识别方法，包括以下步骤：

步骤1，用户根据图像识别的目标问题，通过参数采集模块向系统输入具体的问题参数；

步骤2，系统根据上述问题参数从专家系统中选取相应的神经网络结构、特征提取方法和特征聚类方法，初步建立用于分析目标问题的神经网络算法模型，并自动确定算法深度；

步骤3，学习训练数据，通过图像输入到分类信息的映射关系，确定神经网络算法模型中的一系列算法参数；

步骤4，根据输入的问题参数的性质，建立算法模型中算法参数的搜索范围，包括神经网络的深度，卷积核的大小，特征提取的参数；

步骤5，用测试数据对神经网络算法模型进行测试，测试中需要用到所有关键参数变化范围内的参数，并找出最佳的参数组合范围。在分类结果正确的前提下，保留参数组合及其变化范围。

本发明的有益效果是：可以根据用户的具体应用，基于专家系统中所保存的类似问题的神经网络模型，自动产生合适的神经网络类型和对应的一整套算法，再通过学习和检验，来自动探索参数空间，并调整参数来获得最佳的成果，减少人工干预。本系统可以大大降低神经网络的设计难度，用户不需要很复杂的背景，就可以直接使用。

附图说明

图1为本发明提供的一种基于神经网络的通用图像识别系统结构框图

图2为本发明一种基于神经网络的通用图像识别方法流程图

具体实施方式

下面结合附图及实施例对本发明作进一步说明。

如图1所示，本发明提供了一种基于神经网络的通用图像分类识别系统，包括参数采集模块，专家系统，算法生成模块和参数调节模块。参数采集模块用于采集目标问题的问题参数，系统通过参数采集模块采集到的问题参数来确定图像识别的问题规模和复杂程度；采集的问题参数包括：图像识别的类别数量、样本图像的数量、样本图像的规格尺寸、是否为摄像影像以及采用监督法或者非监督法；图像识别的问题规模主要指分类的类别和学习的训练数据量；所述复杂程度是指进行图像识别所需要的特征种类。

专家系统是根据长期追踪最新的图像识别算法的成果并融合在车辆识别，车牌识别，人脸识别等领域积累的技术，建立的一个专门针对神经网络的专家。它根据一些典型图像识别问题，存储了多种神经网络结构，特征提取方法以及聚类方法等。问题参数采集的数据输入到专家系统，系统会自动选择符合条件的神经网络结构，特征提取方法和聚类方法。举个具体的例子，手写数字识别问题，只需要识别0到9一共十个数字，只需要10个输入神经元，问题规模较小，系统会选择采用反向传递(Backward Propagation)的单一隐藏层的神经网络。

提取所述多维的词向量集合的特征数据，将所述特征数据与标注数据同时输入至svc模型中进行模型训练，得到短文本语义相似性判别模型的技术方案，在社交网络文本分析场景中，将待判别的两个短文本输入到上一步训练的模型中，即可输出语义相似性的判别结果，创新地将深度学习算法应用于解决自然语言处理中的短文本语义相似性判别。随着深度学习的发展，为了方便算法人员训练模型，调整参数等，很多公司开源了优秀的深度学习框架，到目前为止，主要的深度学习框架如下图所示。在步骤s120中，提取所述多维的词向量集合的特征数据，将所述特征数据与标注数据同时输入至svc模型中进行模型训练，得到短文本语义相似性判别模型。

参数调节模块根据参数采集模块采集到的问题参数的性质初步建立神经网络算法模型的关键参数的搜索范围，并根据系统训练及测试结果，进一步调整关键参数的变换范围，找出正确分类的最佳参数组合和范围，以期在新数据上获得较为稳定和正确的分类结果。关键参数就是那些对分类结果比较敏感的参数。

本发明还提供一种基于神经网络的通用图像分类识别方法，如图2所示，包括以下步骤：

步骤1，用户根据图像识别的目标问题，通过参数采集模块向系统输入具体的问题参数；

步骤2，系统根据上述问题参数从专家系统中选取相应的神经网络结构、特征提取方法和特征聚类方法，初步建立用于分析目标问题的神经网络算法模型，并自动确定算法深度；

步骤3，学习训练数据，通过图像输入到分类信息的映射关系，确定神经网络算法模型中的一系列算法参数；

模型参数辨识采用rls法进行参数辨识的编程步骤 确定各向量及矩阵的维数 对各向量及矩阵初始化 参数向量 初始化为thitazeros 初始化为hzeros 用matlab及labview实现动态称重算法的过程用labview从文件中读取原始数据 用labview实现窗函数 选取有效数据段 在labview中调用matlab脚本节点 用matlab实现数据滤波和模型辨识算法 得到质量值并用labview显示。随着深度学习的发展，为了方便算法人员训练模型，调整参数等，很多公司开源了优秀的深度学习框架，到目前为止，主要的深度学习框架如下图所示。按照匹配算法的具体实现又可以分为直接法和搜索法两大类，直接法主要包括变换优化法，它首先建立两幅待拼接图像间的变换模型，然后采用非线性迭代最小化算法直接计算出模型的变换参数，从而确定图像的配准位置。

步骤5，用测试数据对神经网络算法模型进行测试，测试中需要用到所有关键参数变化范围内的参数，并找出最佳的参数组合范围。在分类结果正确的前提下，保留参数组合及其变化范围。

下面以轿车识别的具体案例对本发明做进一步说明：

本案例中的轿车识别是通过学习一段拍摄了各种轿车的影像，通过监督法训练模型理解轿车在图像中的规律，然后从新的图像中识别出轿车。

首先，对影像资料中标记车的轮廓范围，然后提取这个车图像，把所有的车图像都规划到统一的大小，比如64像素乘64像素。

由于学习的影像数据量较大，采用卷积神经网络的模板，建立一个隐藏层包含6层的CNN。这里选择6层是基于该专家系统中已经包括了一个类似的识别应用，即影像中的行人识别。这6层依次是卷积层1(提取特征)，池化层2(聚类特征)，卷积层3，池化层4，全连接层5和分类层6。

具体思路是：使用sift算法进行识别（特征点的提取并用特征向量对特征点描述，接着当前视图的特征向量与目标对象的特征向量进行匹配），根据识别出来的原目标和帧图像匹配关系得到变化矩阵，来显示三维物体（使用opengl来绘制），实现跟踪。不适合训练样本很多的情况，原因是经过核映射后，样本的维数等于训练样本的个数，如果训练样本数目很大，核映射后的向量维数将会很高，并将遇到计算量上的难题。邻近特征量例如包括周边块图像bi b8的局部特征量、将周边块图像b4、b5合并后的像素值(y、u、v)的平均值以及方差值、或将周边块图像b6、b8合并后的像素值(y、u、v)的平均值以及方差值。

在监督法下，我们可以认为只要输出概率大于50％，即正确判断。那么我们可以给参数一个变化范围，在本例中的参数主要是卷积核(特征)的种类和大小，池化核的种类和大小。因为池化核的种类和大小是相对固定的，主要是考虑卷积核的种类和大小。卷积核的大小可以考虑使用5X5-13X13的范围。学习测试数据，如果识别的分类正确率在50％以上，则可以保留。同时，构建一个分类结果与参数变化范围的对应关系，从中找出分类正确率较高的参数组合和范围。通过学习训练数据和测试数据，我们就可以获得一个带有参数变化范围的神经网络模型。把新的图像输入到这个带有参数变化范围的神经网络模型中，除了获得分类的概率以外，还可以获得一个对这个概率正确率的估计。这样以来，就提高了分类正确率。整个参数调节的过程都是自动完成。

说明书中未阐述的部分均为现有技术或公知常识。本实施例仅用于说明该发明，而不用于限制本发明的范围，本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-96174-1.html