[發明專利]一種基于三支決策與CNN的圖像識別方法

在審

• 申請號: 201910084149.5
• 申請日: 2019-01-29
• 公開（公告）號: CN109816022A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 邵帥;梁星;余靜;賈敦新;張澤烈;楊航;趙翔宇;余洋;程宇翔;曾誠
• 申請（專利權）人: 重慶市地理信息中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶飛思明珠專利代理事務所(普通合伙) 50228
• 代理人: 劉念芝

本發明公開了一種基于三支決策與CNN的圖像識別方法，包括輸入樣本數據集圖像訓練CNN分類器；在圖像分割階段引入三支決策思想，利用CNN分類器分類得到的正向數據集圖像與負向數據集圖像得到三支決策分類器；利用三支決策分類器將圖像分為正區域、負區域和延遲決策區域；對該分類器分割出的延遲決策區域進行迭代分類處理；對剩下的延遲決策區域進行判斷，是否達到臨界值；當延遲決策區域達到臨界值，說明待識別圖像已經不可再分割，然后對所有的正區域進行CNN圖像識別；本發明將CNN圖像識別技術和三支決策理論結合起來，可以充分利用圖像中有用信息，使達到更高的識別率。

技術領域

本發明涉及到智能信息處理和高性能圖像識別技術領域，具體涉及一種基于三支決策與CNN的圖像識別方法。

背景技術

圖像識別，使之利用計算機對圖像進行處理、分析和理解，以識別不同的目標和對象的技術。現有的圖像識別方法多事結余圖像的底層語義進行研究，由于計算機自身性能的問題，只能程序化的執行單一的操作指令，導致一般方法對圖像的識別率低。因此，有人提出了基于三支決策(Three-way Decision，簡稱3WD)、卷積神經網絡(ConvolutionalNeural Network,CNN)等方法的圖像識別技術。

其中，三支決策是近幾年發展起來的一種處理不確定性決策的方法，是一種復合人類認知的“三分而治”(Trisecting and Acting)模型。三支決策是一種基于符合人類認知的決策模式，它認為：人們在實際決策過程中，對于具有充分把握接受或拒絕的事物能夠立即做出快速的判斷；對于哪些不能立即做出決策的事物，人們往往會推遲對事件的判斷，即延遲決策。在更多的實際決策過程中，存在決策環境的復雜性，信息獲取的不完備性，群決策中各專家意見不一致性，決策者所具備知識的有限性和思維模糊性等不確定情況，決策者在大多數情況下很難準確的給出損失函數的具體取值，也就造成其識別精度經常達不到所需要求。

另外，卷積神經網絡是近幾年發展起來并應用廣泛的一種高效的神經網絡機器學習方法。CNN的主要優勢在于避免了圖像前期預處理的復雜過程，可以直接輸入原始圖像。一般來說，CNN基本結構包括兩層：特征提取層和特征映射層。其傳統機器學習方法的主要區別在于，CNN包含一個由一個卷積層和子采樣層構成的特征抽取器。子采樣也叫做池化(Pooling)，通常有均值子采樣(Mean Pooling)和最大值子采樣(Max Pooling)兩種形式。子采樣可以看作一種特殊的卷積過程。卷積和子采樣不僅簡化了模型復雜度，而且還減少了模型的參數。但是，卷積神經網絡識別的處理過程單一，不夠靈活，需要的特征值比較具體，導致取得的特征很固定；另外，卷積過程容易導致圖像中一些有用信息的缺失，使得圖像的識別精度不太理想。

因此，如何將三支決策方法與CNN圖像識別方法有機結合起來，實現更優的圖像識別技術成為亟待解決的問題。

發明內容

針對現有技術的不足，本發明的目的是提供一種基于三支決策與CNN的圖像識別方法，通過將三支決策理論引入到CNN圖像識別中，并基于三支決策的概念設計分類器，建立模型進行圖像識別，能夠提高圖像識別準確率。

為達到上述目的，本發明采用的技術方案如下：

一種基于三支決策與CNN的圖像識別方法，其關鍵在于包括以下步驟：

S1、輸入待識別圖像；

S2、利用樣本圖像訓練待訓練CNN分類器，并得到已訓練CNN分類器、正向數據集圖像與負向數據集圖像，所述待訓練CNN分類器的訓練過程為：

S201、建立待訓練CNN分類器，并設定待訓練CNN分類器中濾波器的初始參數值；

S202、輸入樣本圖像，分別對每幅圖像進行預處理，并計算每幅圖像中正向區域與負向區域所對應的輸出概率；

S203、分別計算輸出層的總誤差；