[發明專利]基于多列卷積神經網絡模糊評判的圖像識別方法

在審

• 申請號: 201610998335.6
• 申請日: 2016-11-14
• 公開（公告）號: CN106650786A
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 鐘玲;張志佳;于雅潔;張興坤;郭婷;許鐘子珩;王藝潭
• 申請（專利權）人: 沈陽工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 沈陽智龍專利事務所(普通合伙)21115
• 代理人: 周楠,宋鐵軍

技術領域：

本發明涉及有干擾和變形的圖像識別方法，特別是涉及一種基于多列卷積神經網絡模糊評判的圖像識別方法。

背景技術：

計算機技術和信息技術的不斷發展使得計算機智能化圖像識別技術得到了越來越廣泛的應用。計算機智能化圖像識別技術可以快速地獲得所需要的信息從而幫助人們更好地思考和決策。實景圖像識別如交通標志識別、人臉識別、火災火焰識別等有重要意義，也因采集圖像條件的隨時變化比印刷體文字識別更具不確定性。

本發明提供了一種基于多列深度神經網絡模糊評判的圖像識別方法，無需預先進行復雜的特征提取，避免了樣本特征提取不足或不精確導致的識別失敗。圖像識別方法種類繁多，但有缺陷、有噪聲、環境變化大、拍攝角度不確定的實景圖像識別一直難度較大。如作為智能駕駛系統的重要組成部分的交通標志識別，是圖像識別、機器視覺等多學科交叉研究的典型應用，也是智能駕駛系統研究領域中尚未解決的難題之一，是難度較大的實景圖像識別。因此，近年來，如何高效地對交通標志進行識別已成為學術研究和工業應用的熱點課題。作為智能交通系統的重要組成部分，交通標志識別系統在增強機動車與行人安全性等方面起著重要作用。傳統交通標志識別系統包括對交通標志的檢測、定位、特征提取和識別，目前對交通標志的檢測和定位研究相對成熟，而特征提取和識別方面的研究尚有待深入。應用于交通標志識別的方法主要有統計模式識別、模板匹配法、機器學習等，典型代表有：統計分析類的最近鄰域法、相似系數法、聚類分析法、決策樹分類法，如P.Sompoch等人通過計算待識別的交通標志圖像與交通標志標準模板之間的規則化歐拉距離(即最近鄰域法)，實現對交通標志的分類；M.Betke等人提出了一種基于相似系數的交通標志分類的方法；藺立娜等人提出來基于模糊C—均值(FCM)聚類分析方法識別交通標志；W.Ritter提出了一種基于三層決策樹的交通標志識別方法，分別對應的是交通標志的顏色、形狀以及圖元，每個節點對應一個在高維特征空間中進行距離加權計算的統計分類器，采用聚類分析法計算分類器的參數。模板匹配法包括像素級的匹配和特征級的匹配等，如Piccioli設計完成了一種龐大的基于模板匹配的交通標志識別系統；王洋等人采用了一種基于不變矩特征進行模板匹配的交通標志識別方法；房澤平等人采用了一種基于特征顏色的模板匹配方法，利用圖像像素的統計特征，計算顏色匹配度先提取出測試樣本的內部圖案，再將其與模板庫中模板依次進行比較，從而實現交通標志的識別。機械學習法包括支持向量機和BP神經網絡,如Arroy等人提取出交通標志的全部像素，將其作為特征向量，輸入到非線性SVM中進行訓練；S.Estable等人將改進了徑向基神經網絡應用到交通標志識別，參考向量是在特征空間中利用聚類算法得到。交通標志具有顏色鮮明，形狀特征明顯的特點，正常情況下，交通標志的圖像信息是比較清晰的，但是自然條件下采集的交通標志圖像很容易受到外界條件的影響，造成所采集的圖像存在噪聲和畸變，從而難以有效識別。

此類自然條件下采集的圖片識別需求不斷增加，因此設計一種在不同環境光線、遮擋、拍攝角度等干擾下也能有效識別圖像的方法具有非常重要的現實意義。

發明內容：

發明目的：

本發明涉及一種基于多列卷積神經網絡模糊評判的圖像識別方法，其目的是設計出一種可以針對不同光照、成像條件、遮擋、變形等影響條件下采集的圖像進行有效識別的方法。

技術方案：

本發明是通過以下技術方案來實現的：

一種基于多列卷積神經網絡模糊評判的圖像識別方法，其特征在于：步驟如下：

(1)選取采集于現實環境的不利于分類的圖像，進行預處理，以克服樣本中的干擾信息；

(2)構建多列卷積神經網絡：針對每種預處理，分別構建不同卷積神經網絡，獲取針對每種預處理的最優網絡結構，之后將不同預處理對應的最優卷積神經網絡結構進行集成，構建有效利用各種預處理優勢的多列卷積神經網絡，應用于圖像的識別；

1)卷積神經網絡基本結構包括：

(a)卷積層

卷積層，又稱為特征提取層，是對圖像的一個鄰域進行卷積得到圖像的鄰域特征，每個神經元的輸入與前一層的局部感受野相連，上層得到的特征圖與一個可學習的卷積核進行卷積，然后通過一個激活函數，輸出形成這一層的特征圖，即提取該局部的特征；該局部特征被提取后，與其它特征間的位置關系也隨之確定；

對卷積核的確定：對于步驟(1)獲得的圖像作為輸入圖像，在輸出圖像中每一個像素是輸入圖像中一個小區域中像素的加權處理，其中權值由一個函數即卷積核定義；