[發明專利]基于神經網絡的圖像識別方法和系統

在審

• 申請號: 201310398873.8
• 申請日: 2013-09-04
• 公開（公告）號: CN103473558A
• 公開（公告）日: 2013-12-25
• 發明（設計）人: 翁凱劍;梁國遠;吳新宇;徐揚生
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 吳平

技術領域

本發明涉及圖像識別領域，特別是涉及一種基于神經網絡的圖像識別方法和系統。

背景技術

無監督學習方法是一種機器學習方式，其被廣泛的應用于多個研究領域，例如數據挖掘、計算機視覺、人工智能等。例如，K-mean等聚類方法，能夠讓計算機自動尋找出有規律的數據而去除無規律的噪聲數據。該K-mean聚類方法也可應用于圖像領域，對圖像進行分類識別，然而該K-mean聚類方法學習的計算量與輸入樣本的次數n的平方成正比，即計算量是n²增長的，因而導致識別效率低下。

發明內容

基于此，有必要針對現有技術中圖像識別效率低下的問題，提供一種能提高識別效率的基于神經網絡的圖像識別方法。

此外，還有必要提供一種能提高識別效率的基于神經網絡的圖像識別系統。

一種基于神經網絡的圖像識別方法，包括：

步驟a，采集訓練樣本圖像和類別，并將所述訓練樣本圖像按照類別順序建立訓練樣本集；

步驟b，設定預先建立的神經網絡參數的初始值，所述神經網絡包括輸入層、中間變量層和輸出層，所述中間變量層的節點包括各個輸出神經元節點的興奮型變量節點和抑制型變量節點，所述中間變量層的各節點分別與所述輸入層的每個輸入神經元節點通過可變權值連接，所述可變權值包括可變的長期權值和短期權值，所述輸出層的每個輸出神經元節點分別與所述中間變量層中對應的興奮型變量節點和抑制型變量節點相連接；

步驟c，根據所述訓練樣本集對所述神經網絡進行訓練，直到各個神經元的可變權值的變動在預設允許范圍內結束訓練；

步驟d，利用完成訓練的所述神經網絡對待分類圖像進行識別分類。

一種基于神經網絡的圖像識別系統，包括：

樣本采集模塊，用于采集訓練樣本圖像和類別，并將所述訓練樣本圖像按照類別順序建立訓練樣本集；

初始化模塊，用于設定預先建立的神經網絡參數的初始值，所述神經網絡包括輸入層、中間變量層和輸出層，所述中間變量層的節點包括各個輸出神經元節點的興奮型變量節點和抑制型變量節點，所述中間變量層的各節點分別與所述輸入層的每個輸入神經元節點通過可變權值連接，所述可變權值包括可變的長期權值和短期權值，所述輸出層的每個輸出神經元節點分別與所述中間變量層中對應的興奮型變量節點和抑制型變量節點相連接；

訓練模塊，用于根據所述訓練樣本集對所述神經網絡進行訓練，直到各個神經元的可變權值的變動在預設允許范圍內結束訓練；

分類模塊，用于利用完成訓練的所述神經網絡對待分類圖像進行識別分類。

上述基于神經網絡的圖像識別方法和系統，建立的神經網絡中輸入層的輸入樣本按類別順序輸入，且從輸入層到輸出層所需計算量與輸入樣本的次數成正比，即計算量是線性增長，相比于傳統的K均值聚類法的計算量，大大減小，提高了識別效率。

此外，因長期權值是緩慢改變的，對噪聲有較好的抵抗能力，短期權值能夠快速學習識別，故采用長期權值和短期權值機制，能夠具有更強的抗噪聲能力，且識別效率高；且該神經網絡具有良好的可擴展性，可以構建成多層神經網絡系統，從而獲得更強的學習能力；通過測試樣本進行對訓練后的神經網絡進行測試，在未達到分類精確度時，再調整權值和參數重新訓練，可提高神經網絡的識別精確度。

附圖說明

圖1為一個實施例中基于神經網絡的圖像識別方法的流程圖；

圖2為神經網絡的結構示意圖；

圖3為根據該訓練樣本集對該神經網絡進行訓練的流程圖；

圖4為另一個實施例中基于神經網絡的圖像識別方法的流程圖；

圖5為一個實施例中基于神經網絡的圖像識別系統的結構框圖；

圖6為圖5中訓練模塊的內部結構示意圖；

圖7為另一個實施例中基于神經網絡的圖像識別系統的結構框圖；

圖8a為原始圖像；

圖8b為加入了高斯噪聲后的圖像；

圖8c為權值的初始狀態；

圖8d為正權值的訓練結果；

圖8e為負權值的訓練結果。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

如圖1所示，為一個實施例中基于神經網絡的圖像識別方法的流程圖。一種基于神經網絡的圖像識別方法，包括：