一种基于动态调整训练目标的卷积神经网络的图像识别方法
【专利摘要】本发明公开了一种基于动态调整训练目标的卷积神经网络的图像识别方法；所述的方法包括训练模型、注册数据和识别匹配三个部分；在训练模型的过程中，将训练样本输入卷积神经网络模型，将同类样本的输出层输出向量求均值作为本轮训练的目标向量，而后，将各样本输出向量和目标向量的误差反向传递调整卷积神经网络的参数，直至达到训练要求为止；在注册数据过程中，将需注册的样本图像输入卷积神经网络模型，将输出层的输出结果作为特征向量予以存储；在识别匹配过程中，将待识别匹配输入卷积神经网络，将输出层的输出结果作为特征向量，而后将该特征向量与已注册的特征向量进行匹配，从而给出识别匹配的判决结果。
【专利说明】-种基于动态调整训练目标的卷积神经网络的图像识别方 法
【技术领域】
[0001] 本发明涉及图像识别【技术领域】，尤其是基于卷积神经网络的图像识别【技术领域】。
【背景技术】
[0002] 目前，公知的卷积神经网络的输出层为类别编码。这就要求，模型训练结束后，使 用模型的待识别的图像需要和训练模型的样本具有相同的类别，并且，模型能够识别的类 别数也是固定的。
[0003] 这样的卷积神经网络在固定类别的图像识别领域是适用的，并且，在许多固定类 别的图像识别领域中取得了很好的效果，如手写字母识别、手写数字识别等。
[0004] 然而，还有许多图像识别领域，特别是生物特征的图像识别领域，如人脸识别、指 纹识别、静脉识别等，在模型训练后，需要识别的图像样本和模型训练的样本属于不同类 另IJ，并且，需要识别的类别数是随着使用过程中注册的数据变化而变化的。这就使得公知的 卷积神经网络不能用于这些图像识别领域。
【发明内容】
[0005] 为了克服现有的卷积神经网络模型不能用于非限定类别的图像识别领域，本发明 提出了一种基于动态调整训练目标的卷积神经网络的图像识别方法。该方法不限定训练模 型后识别分类的样本和训练样本具有相同的类别，也不限定分类的类别数固定不变。同时， 该方法具有较高的识别率。
[0006] 本发明所提出的一种基于动态调整训练目标的卷积神经网络的图像识别方法包 括S100训练模型、S200注册数据和S300识别匹配三个部分。图1给出了本发明的总体流 程图。
[0007] 本发明所述的动态调整训练目标的卷积神经网络，其结构为：包括一个输入层I， 在输入层之后，交替分布卷积层Q、降采样层Sp……、卷积层C k、降采样层Sk、卷积层Ck+1， 在最后一个卷积层Ck+1之后为若干个隐含层Ηρ H2、......扎，在最后一个隐含层扎之后，为 输出层0。图2给出了卷积神经网络的结构示意图。
[0008] 所述的输入层的每个节点对应于输入图像的一个像素。所述的输入图像，可以是 采集的原始图像，也可以是经过滤波或归一化后的图像。
[0009] 所述的卷积层的每一层包括多个特征图，同一层的特征图的尺寸相同，且每个特 征图的像素，对应于前一层的指定的若干特征图相应窗口位置的像素集合。
[0010] 所述的降采样层的每一层包括多个相同尺寸的特征图；降采样层的每张特征图 对应于前一层卷积层的一张特征图；降采样层的特征图的像素对应于前一层相应特征图的 采样区域；所有的采样区域没有重叠部分。
[0011] 所述的隐含层的每个节点与前一层的每个节点和后一层的每个节点都是通过带 权重的边相互联系的。
[0012] 所述的输出层的每个节点输出是一个实数。
[0013] 所述的训练模型S100训练模型包括S110-S130的步骤。
[0014] S110初始化卷积神经网络，该过程包括S111-S116的步骤。
[0015] S111设置训练次终止条件参数。
[0016] S112设置每个卷积层的特征图的个数及卷积窗口尺寸。
[0017] S113设置每个降采样层的特征图的个数及降采样比例。
[0018] S114设置每个卷积层与前一层特征图的对应关系。
[0019] S115设置输出层的节点个数，使得该节点个数与训练样本的类别二进制编码的 位数相同。
[0020] S116初始化卷积神经网络中的边的权重参数为随机数。
[0021] S120执行训练过程，重复执行S121-S128的步骤，直至满足训练终止条件为止。
[0022] S121将训练图像输入卷积神经网络的输入层。
[0023] S122若当前层为卷积层，则根据卷积计算公式，对前一层所选中的图像数据进 行卷积计算，从而得到卷积层的特征图的结果。其计算过程为：将前一层选中图像数据及 相应的卷积核根据公式（1)计算相应区域的卷积；而后将计算的卷积结果根据公式（2)得 出Sigm函数的计算结果；最后，根据公式（3)，对各选中图像的卷积结果进行求和，得到卷 积层相应的卷积结果。图3给出了卷积过程的示意图。
[0024]
【权利要求】
1. 一种基于动态调整训练目标的卷积神经网络的图像识别方法，其特征在于：包括训 练卷模型、注册数据、识别匹配三大部分。
2. 根据权利要求1所述的卷积神经网络，其特征在于：包括一个输入层，在输入层之 后，交替分布卷积层、降采样层、……、降采样层、卷积层，在最后一个卷积层之后为若干个 隐含层，在最后一个隐含层之后，为输出层。
3. 根据权利要求2所述的输入层，其特征在于：输入层对应于输入图像，每个节点对 应于输入图像的一个像素；输入图像可以是原始图像，也可以是经过滤波或归一化后的图 像。
4. 根据权利要求2所述的卷积层，其特征在于：每个卷积层包括多个特征图同一层的 特征图的尺寸相同，且每个特征图的像素，对应于前一层指定的若干特征图相应窗口位置 的像素集合。
5. 根据权利要求2所述的降采样层，其特征在于：每个降采样层包括过个相同尺寸的 特征图；降采样层的每张特征图对应于前一层卷积层的一张特征图；降采样层的特征图的 像素对应于前一层相应特征图的采样区域；所有的采样区域没有重叠部分。
6. 根据权利要求2所述的隐含层，其特征在于：该层的每个节点与前一层的每个节点 和后一层的每个节点都是通过带权重的边相互联系的。
7. 根据权利要求2所述的输出层，其特征在于：该层的每个节点的输出值为实数。
8. 根据权利要求1所述的训练模型，其特征在于：初始化卷积神经网络的参数为随机 数；将训练样本输入卷积神经网络，将同类训练样本的输出层的输出向量求均值，作为该类 样本本轮目标向量；将各样本输出向量与其所属类别的本轮目标向量的误差从输出层反向 传递进入卷积神经网络，调整卷积神经网络的参数；而后，再次将训练样本输入卷积神经网 络，重复上述过程，直至训练达到要求为止。
9. 根据权利要求1所述的注册数据，其特征在于：将注册的图像数据送入卷积神经网 络，将输出层的输出向量作为该样本的特征向量，存储于数据库中。
10. 根据权利要求1所述的识别匹配，其特征在于：将待识别的图像数据送入卷积神经 网络，将输出层的输出向量作为该样本的特征向量，将该特征向量与权利要求9所述的数 据库中已注册的特征向量计算距离，从而做出识别匹配的判决结果。
【文档编号】G06K9/62GK104268524SQ201410492769
【公开日】2015年1月7日 申请日期:2014年9月24日 优先权日:2014年9月24日
【发明者】朱毅 申请人:朱毅