一种目标类别图片的获取方法及系统的制作方法
【技术领域】
[0001] 本发明涉及模式识别技术领域，具体涉及一种目标类别图片的获取方法及系统。
【背景技术】
[0002] 近年来，以卷积神经网络为代表的深度学习技术呈现出井喷式发展。在模式识别 领域，卷积神经网络在物体分类研究等问题上得到了很广泛的应用，较之前模板匹配、图像 纹理分析、浅层神经网络等物体识别的方法无论在识别率还是识别速度上都得到了较大的 提升。
[0003] 传统大规模卷积神经网络例如LeNet-5模型通常采用随机初始化方法或者采用 Gabor滤波器作为卷积核，导致高准确率往往以高时耗为代价，并经常会出现特征提取过多 导致过拟合现象的缺点。
【发明内容】
[0004] 针对现有技术中的缺陷，本发明提出了一种目标类别图片的获取方法及系统，该 方法以目标类别所属的样本图片的特征基集作为卷积核对待分类图片集进行分类，具有准 确率高、耗时低的优点。
[0005] 本发明提出了 一种目标类别图片的获取分类方法，包括：
[0006] 获取待分类图片集，并获取目标类别；
[0007] 根据所述目标类别从样本图片库中查找属于所述目标类别的样本图片；
[0008] 对样本图片进行稀疏自编码特征提取，以获得所述样本图片的特征基集；
[0009] 将所述特征基集作为神经网络的滤波器对图片进行滤波处理，以获取所述待分类 图片集中属于所述目标类别的图片。
[0010] 可选的，所述对样本图片进行特征提取，包括：
[0011] 对样本图片进行采样，获取图片碎片，并根据所述图片碎片建立特征样本集；
[0012] 采用稀疏自编码对特征样本集进行特征提取。
[0013] 可选的，还包括：
[0014]采用BP神经网络中的反向传播算法对所述特征基集进行优化。
[0015] 可选的，所述根据所述特征基集，获取所述待分类图片集中属于所述目标类别的 图片，包括：
[0016] 采用以所述特征基集为卷积核的卷积神经网络对所述待分类图片集中的每个待 分类图片进行卷积滤波，获取每个待分类图片的高维卷积特征；
[0017] 对所述高维卷积特征进行池化处理，并根据池化处理后的卷积特征，获取所述待 分类图片集中属于所述目标类别的图片。
[0018] 可选的，所述根据池化处理后的卷积特征，获取所述待分类图片集中属于所述目 标类别的图片，包括：
[0019] 采用softamx分类算法，对所述池化处理后的卷积特征进行分类，并根据分类结 果，获取属于所述目标类别的图片。
[0020] 本发明还提供了一种目标类别图片的获取系统，其特征在于，包括：
[0021] 第一获取模块，用于获取待分类图片集，并获取目标类别；
[0022] 查找模块，用于根据所述目标类别从样本图片库中查找属于所述目标类别的样本 图片；
[0023] 特征提取模块，用于对样本图片进行特征提取，以获得所述样本图片的特征基集；
[0024] 第二获取模块，用于将所述特征基集作为神经网络的滤波器对图片进行滤波处 理，以获取所述待分类图片集中属于所述目标类别的图片。
[0025] 可选的，所述特征提取模块还用于：
[0026] 对样本图片进行采样，获取图片碎片，并根据所述图片碎片建立特征样本集；
[0027] 采用稀疏自编码对特征样本集进行特征提取。
[0028] 可选的，还包括：
[0029] 优化模块，用于采用BP神经网络中的反向传播算法对所述特征基集进行优化。
[0030] 可选的，所述第二获取模块还用于：
[0031] 采用以所述特征基集为卷积核的卷积神经网络对所述待分类图片集中的每个待 分类图片进行卷积滤波，获取每个待分类图片的高维卷积特征；
[0032] 对所述高维卷积特征进行池化处理，并根据池化处理后的卷积特征，获取所述待 分类图片集中属于所述目标类别的图片。
[0033] 可选的，所述第二获取模块还用于：
[0034]采用softamx分类算法，对所述池化处理后的卷积特征进行分类，并根据分类结 果，获取属于所述目标类别的图片。
[0035]由上述技术方案可知，本发明通过提取属于目标类别的样本图片的特征基集，作 为先验知识，并根据特征基集获取待分类图片集中属于所述目标类别的图片，与现有技术 中使用随机初始化方法或者采用Gabor滤波器作为卷积核相比，具有准确率高、耗时低的优 点
【附图说明】
[0036]通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理 解为对本发明进行任何限制，在附图中：
[0037] 图1示出了本发明一实施例提供的目标类别图片的获取方法的流程示意图；
[0038] 图2示出了本发明另一实施例提供的目标类别图片的获取方法的流程示意图；
[0039] 图3示出了本发明一实施例提供的目标类别图片的获取方法中利用自编码器学习 得到的100个特征基图片；
[0040] 图4示出了本发明一实施例提供的图片目标类别图片的获取中特征提取步骤的网 络结构图简图；
[0041] 图5示出了本发明一实施例提供的目标类别图片的获取方法的池化流程示意图；
[0042] 图6示出了本发明另一实施例提供的目标类别图片的获取方法的流程示意图；
[0043] 图7示出了本发明一实施例提供的目标类别图片的获取方法中样本图片集的示例 图；
[0044] 图8示出了本发明一实施例提供的目标类别图片的获取统的结构示意图。
【具体实施方式】
[0045] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人 员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046] 图1为本发明一实施例提供的目标类别图片的获取方法的流程示意图，参照图1， 该图片分类方法，包括：
[0047] 101、获取待分类图片集，并获取目标类别；
[0048]可理解的是，目标类别例如:车，人，水果等等
[0049] 102、根据所述目标类别从样本图片库中查找属于所述目标类别的样本图片；
[0050] 可理解的是，样本图片的数量为多个，具体数量可视精度要求而定。
[0051] 103、对样本图片进行特征提取，以获得所述样本图片的特征基集；
[0052] 104、根据所述特征基集作为滤波器对图片进行滤波特征提取，获取待分类图片的 高维特征，获取所述待分类图片集中属于所述目标类别的图片。
[0053] 本发明提出的图片分类方法通过提取与待分类目标相同属性的样本集的特征基 集，并将特征基集作为卷积核对待分类图片集进行分类，与现有技术中使用随机初始化方 法或者采用Gabor滤波器作为卷积核相比，具有准确率高、耗时低的优点。
[0054] 图2为本发明另一实施例提供的目标类别图片的获取方法的流程示意图，下面参 照图2对本发明进行详细说明：
[0055]步骤201、202与上述步骤101、102相对应，在查找到属于目标类别的样本图片后， 本发明还包括：
[0056] 203、对样本图片进行采样，获取图片碎片，并根据所述图片碎片建立特征样本集； [0057]需要说明的是，采集图片碎片集主要是通过预设大小的模板对各样本图片进行非 跳跃式的采样，得到各样本图片在这个模板下的所有图片碎片，并构成各样本图片的局部 图片区域集。例如:采用mXm的模板对大小为ηΧη的样本图片进行采样，每张样本图片可以 得到(n-m+1) X (n-m+1)个图片碎片，然后从中随机抽取k个以构建特征样本集。
[0058] 204、采用稀疏自编码对特征样本集进行特征提取，以获得所述样本图片的特征