[發(fā)明專利]一種基于自編碼的物體識別方法

有效

• 申請?zhí)枺?/td>: 201610055128.7
• 申請日: 2016-01-27
• 公開（公告）號: CN105718959B
• 公開（公告）日: 2018-11-16
• 發(fā)明（設計）人: 劉偉鋒;馬騰洲
• 申請（專利權(quán)）人: 中國石油大學（華東）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 青島致嘉知識產(chǎn)權(quán)代理事務所(普通合伙) 37236
• 代理人: 劉曉

本發(fā)明涉及一種基于自編碼的物體識別方法，首先為訓練過程，即對自編碼器和分類器進行訓練，在對自編碼器的訓練過程中加入了Large?Margin正則化項；然后為識別過程，將待識別的物體圖像數(shù)據(jù)，轉(zhuǎn)化為相應格式，輸入到已訓練好的自編碼器和分類器中，進行分類識別。本發(fā)明在訓練自編碼器的過程中加入了Large?Margin的有監(jiān)督正則化，使得其映射空間中同類樣本點相聚集，異類之間相遠離，使得不同類別之間的特征區(qū)分的更加明顯，從而在特征數(shù)據(jù)輸入到分類器中之后提高其分類識別效果。

技術(shù)領域

本發(fā)明涉及物體識別技術(shù)領域，尤其涉及一種基于自編碼的物體識別方法。

背景技術(shù)

物體識別是機器智能的基本功能之一，它是任何一個以圖像或視頻作為輸入的實際應用系統(tǒng)中的核心問題和關鍵技術(shù)。物體識別技術(shù)無論是在軍事還是在民用中都有著廣泛需求和應用。

現(xiàn)有技術(shù)中，深度神經(jīng)網(wǎng)絡在物體識別領域已經(jīng)得到廣泛的應用，自編碼器作為其基本架構(gòu)也在被不斷的改進和完善。但是，現(xiàn)有的自編碼器的特征提取過程均為無監(jiān)督過程，即在隱層映射空間中同類與異類樣本點之間沒有約束限制，不利于分類器的分類應用。

發(fā)明內(nèi)容

本發(fā)明的目的是針對上述現(xiàn)有技術(shù)中存在的問題，提出一種基于自編碼的物體識別方法，在自編碼器的特征提取過程設計Large-Margin正則化方法進行有監(jiān)督特征提取過程，使隱層映射空間中的樣本點同類之間相接近，異類之間相遠離，能更好的便于分類器的分類應用，達到更好的物體識別效果。

為了達到上述目的，本發(fā)明提出一種基于自編碼的物體識別方法，包括以下步驟：

首先為訓練過程，包括：

S1、從數(shù)據(jù)庫中提取圖像數(shù)據(jù)及其標簽，獲得有標簽的圖像數(shù)據(jù)集；

S2、依據(jù)上述數(shù)據(jù)，通過訓練自編碼器進行特征提取，獲取目標函數(shù)，所述特征提取過程設計Large-Margin正則化方法進行特征提取，使隱層映射空間中的樣本點同類之間相接近，異類之間相遠離，能更好的便于分類器的分類應用；

S3、將提取到的特征數(shù)據(jù)輸入到分類器中，結(jié)合標簽訓練分類器，并通過BP算法進行整體調(diào)優(yōu)；

S4、訓練過程完成；

其次為識別過程，包括：

S1’、獲取待識別分類的圖像數(shù)據(jù)；

S2’、將待識別分類的圖像數(shù)據(jù)輸入到已訓練好的自編碼器中，得到隱層映射空間中的特征數(shù)據(jù)；

S3’、將上述特征數(shù)據(jù)輸入到已訓練好的分類器中進行分類識別；

S4’、識別過程完成。

進一步的，所述步驟S2中，對自編碼器的訓練過程如下，同時展示其與L arge-Margin的結(jié)合方法：

S21、輸入數(shù)據(jù)：對于獲得的有標簽的圖像數(shù)據(jù)集，把單一樣本數(shù)據(jù)轉(zhuǎn)換成一個向量，與輸入層單元相對應，整個訓練數(shù)據(jù)集形成一個矩陣；

S22、更新自編碼器函數(shù)的參數(shù)，具體包括：

S221、將輸入層通過映射函數(shù)f₁(x)＝s(Wx+b^e)得到隱層數(shù)據(jù)；

S222、結(jié)合訓練數(shù)據(jù)標簽計算隱層數(shù)據(jù)基于k近鄰的Large-Margin目標函數(shù)值；

S223、隱層數(shù)據(jù)通過映射函數(shù)f₂(x)＝s(W^Te+b^z)得到輸出層數(shù)據(jù)；

S224、通過上述步驟中獲得的數(shù)據(jù)計算出目標函數(shù)；