本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法，屬于圖像分類技術(shù)領(lǐng)域。

背景技術(shù)：

近年來(lái)，隨著數(shù)以百萬(wàn)帶標(biāo)簽訓(xùn)練集的出現(xiàn)以及基于GPU訓(xùn)練算法的出現(xiàn)，使訓(xùn)練復(fù)雜卷積網(wǎng)絡(luò)模型不再奢望，卷積神經(jīng)網(wǎng)絡(luò)逐漸發(fā)展，并引起廣泛重視的一種高效識(shí)別方法。大量基于卷積神經(jīng)網(wǎng)絡(luò)的模型在手寫(xiě)體識(shí)別，ImageNet庫(kù)的分類測(cè)試中取得不俗的成績(jī)，許多論文都利用卷積神經(jīng)網(wǎng)絡(luò)，在視覺(jué)分類任務(wù)中取得不錯(cuò)成績(jī)。

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩層，其一為特征提取層，每個(gè)神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來(lái)；其二是特征映射層，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。

由于卷積神經(jīng)網(wǎng)絡(luò)參數(shù)龐大，在人臉識(shí)別領(lǐng)域，網(wǎng)絡(luò)參數(shù)數(shù)量達(dá)幾兆到幾百兆不等，導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)，消耗大量?jī)?nèi)存空間，對(duì)訓(xùn)練樣本數(shù)量也有比較高的要求，同時(shí)易出現(xiàn)過(guò)擬合或者收斂至局部最小區(qū)域。另外，網(wǎng)絡(luò)模型的訓(xùn)練分析過(guò)程中得到的特征，不易觀察，難以分析以調(diào)整網(wǎng)絡(luò)。最后，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法為梯度下降算法，該方法不但易受初始值的影響，而且無(wú)法反映神經(jīng)元的不變性能力。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種針對(duì)卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行改進(jìn)，能夠有效提高圖像分類準(zhǔn)確性和效率的基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法。

本發(fā)明為了解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：本發(fā)明設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法，卷積神經(jīng)網(wǎng)絡(luò)由輸入開(kāi)始依次包括至少一個(gè)隱含層、一個(gè)全連層、一個(gè)分類輸出層，各個(gè)隱含層依次相連，且各個(gè)隱含層中分別還包括位于歸一化層之后的特征過(guò)濾層；所述圖像分類方法包括如下步驟：

步驟001.構(gòu)建訓(xùn)練樣本圖片組，針對(duì)訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片進(jìn)行預(yù)處理，接著由經(jīng)過(guò)預(yù)處理的各張訓(xùn)練樣本圖片針對(duì)卷積神經(jīng)網(wǎng)絡(luò)各個(gè)工作參數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的工作卷積神經(jīng)網(wǎng)絡(luò)，然后初始化n＝1，并進(jìn)入步驟002；其中，n＝{1,…,N}，N為隱含層的個(gè)數(shù)；

步驟002.針對(duì)至少兩張待分類圖片進(jìn)行預(yù)處理，接著將經(jīng)過(guò)預(yù)處理的各張待分類圖片輸入工作卷積神經(jīng)網(wǎng)絡(luò)中，并進(jìn)入步驟003；

步驟003.各張待分類圖片分別輸入第n個(gè)隱含層，并依次經(jīng)過(guò)卷積層、矯正層、降采樣層、歸一化層，獲得各張待分類圖片分別對(duì)應(yīng)卷積層中M個(gè)濾波器的M張歸一化特征圖像，即獲得K×M張歸一化特征圖像，然后將K×M張歸一化特征圖像輸入至第n個(gè)隱含層中的特征過(guò)濾層，依次執(zhí)行如下步驟00401至步驟00405，然后進(jìn)入步驟005；其中，M表示卷積層中預(yù)設(shè)濾波器的個(gè)數(shù)，且各個(gè)濾波器的大小預(yù)設(shè)；K表示待分類圖像的張數(shù)；

步驟00401.根據(jù)指定像素的屬性值，獲得第n個(gè)隱含層所接收所有歸一化特征圖像的歸一化特征均值圖像，并進(jìn)入步驟00402；

步驟00402.分別針對(duì)各張歸一化特征圖像，計(jì)算其相對(duì)歸一化特征均值圖像的L2范數(shù)，獲得各張歸一化特征圖像所對(duì)應(yīng)的L2范數(shù)，并針對(duì)各張歸一化特征圖像，按對(duì)應(yīng)的L2范數(shù)，由大至小進(jìn)行排序，然后進(jìn)入步驟00403；

步驟00403.將由最大L2范數(shù)所對(duì)應(yīng)歸一化特征圖像為起始、依序預(yù)設(shè)第一百分比張數(shù)的歸一化特征圖像構(gòu)成待過(guò)濾歸一化特征圖像集合，并將第n個(gè)隱含層所接收所有歸一化特征圖像中剩余各張歸一化特征圖像構(gòu)成第一歸一化特征圖像集合，然后進(jìn)入步驟00404；其中，第一百分比大于0，且小于100％；

步驟00404.針對(duì)待過(guò)濾歸一化特征圖像集合，隨機(jī)刪除其中預(yù)設(shè)第二百分比張數(shù)的歸一化特征圖像，并將待過(guò)濾歸一化特征圖像集合中剩余各張歸一化特征圖像構(gòu)成第二歸一化特征圖像集合，然后進(jìn)入步驟00405；其中，第二百分比大于0，且小于100％；

步驟00405.將第一歸一化特征圖像集合中的各張歸一化特征圖像，與第二歸一化特征圖像集合中的各張歸一化特征圖像，合并或更新為初級(jí)歸一化特征圖像集合；

步驟005.判斷n是否等于N，是則進(jìn)入步驟007；否則將n的值加1，并將結(jié)果賦予n，然后進(jìn)入步驟006；

步驟006.將初級(jí)歸一化特征圖像集合中的各張歸一化特征圖像輸入至第n個(gè)隱含層中的特征過(guò)濾層，依次執(zhí)行如下步驟00401至步驟00405，然后進(jìn)入步驟005；

步驟007.將初級(jí)歸一化特征圖像集合中的各張歸一化特征圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)中的全連層，并經(jīng)過(guò)分類輸出層實(shí)現(xiàn)針對(duì)各張待分類圖片的分類。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟001包括如下步驟：

步驟00101.構(gòu)建訓(xùn)練樣本圖片組，統(tǒng)一訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片的分辨率，然后進(jìn)入步驟00102；

步驟00102.根據(jù)指定像素的屬性值，獲得訓(xùn)練樣本圖片組所有訓(xùn)練樣本圖片的訓(xùn)練樣本均值圖片，然后進(jìn)入步驟00103；

步驟00103.將訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片分別減去訓(xùn)練樣本均值圖片，獲得訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片分別所對(duì)應(yīng)的訓(xùn)練樣本差值圖片，然后進(jìn)入步驟00104；

步驟00104.分別針對(duì)各張訓(xùn)練樣本差值圖片，針對(duì)訓(xùn)練樣本差值圖片上各個(gè)像素值進(jìn)行縮放，使不同位置像素值的方差均等于1，然后進(jìn)入步驟00105；

步驟00105.針對(duì)各張訓(xùn)練樣本差值圖片制定輸入順序，使得相鄰訓(xùn)練樣本差值圖片不屬于預(yù)設(shè)分類標(biāo)準(zhǔn)中的同一類，然后將各張訓(xùn)練樣本差值圖片按輸入順序，依次輸入至卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中，針對(duì)卷積神經(jīng)網(wǎng)絡(luò)各個(gè)工作參數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的工作卷積神經(jīng)網(wǎng)絡(luò)。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟00102中，若訓(xùn)練樣本圖片組中的訓(xùn)練樣本圖片為灰度圖，則根據(jù)像素灰度值，獲得訓(xùn)練樣本圖片組所有訓(xùn)練樣本圖片的訓(xùn)練樣本均值圖片；若訓(xùn)練樣本圖片組中的訓(xùn)練樣本圖片為彩色圖，則根據(jù)像素RGB值，獲得訓(xùn)練樣本圖片組所有訓(xùn)練樣本圖片的訓(xùn)練樣本均值圖片。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟002中，針對(duì)至少兩張待分類圖片，統(tǒng)一各張待分類圖片的分辨率，實(shí)現(xiàn)針對(duì)各張待分類圖片預(yù)處理。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟003中，各張待分類圖片分別輸入第n個(gè)隱含層，并依次經(jīng)過(guò)卷積層、矯正層、降采樣層、歸一化層，獲得各張待分類圖片分別對(duì)應(yīng)卷積層中M個(gè)濾波器的M張歸一化特征圖像，即獲得K×M張歸一化特征圖像，包括如下步驟：

步驟00301.將各張待分類圖片分別輸入第n個(gè)隱含層的卷積層，分別針對(duì)各張待分類圖片，將待分類圖片分別與卷積層中各個(gè)濾波器進(jìn)行卷積操作，獲得該待分類圖片分別對(duì)應(yīng)卷積層中M個(gè)濾波器的M張?zhí)卣鲌D像，進(jìn)而獲得各張待分類圖片分別對(duì)應(yīng)卷積層中M個(gè)濾波器的M張?zhí)卣鲌D像，即獲得K×M張?zhí)卣鲌D像，然后進(jìn)入步驟00302；

步驟00302.將K×M張?zhí)卣鲌D像分別輸入第n個(gè)隱含層的矯正層，分別針對(duì)各張?zhí)卣鲌D像，將小于0的像素值置為0，更新K×M張?zhí)卣鲌D像，然后進(jìn)入步驟00303；

步驟00303.將K×M張?zhí)卣鲌D像分別輸入第n個(gè)隱含層的降采樣層，分別針對(duì)各張?zhí)卣鲌D像進(jìn)行降維處理，更新K×M張?zhí)卣鲌D像，然后進(jìn)入步驟00304；

步驟00304.將K×M張?zhí)卣鲌D像分別輸入第n個(gè)隱含層的歸一化層，分別針對(duì)各張?zhí)卣鲌D像進(jìn)行歸一化處理，獲得K×M張歸一化特征圖像。

本發(fā)明所述基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明所設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法，針對(duì)卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行改進(jìn)，在隱含層中新增特征過(guò)濾層，通過(guò)對(duì)卷積網(wǎng)絡(luò)提取的大量特征進(jìn)行過(guò)濾，去除部分帶有較多噪聲的特征，提高卷積網(wǎng)絡(luò)訓(xùn)練效率，減少訓(xùn)練時(shí)間，降低內(nèi)存使用需求，并且集合多種訓(xùn)練技巧，使卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂到更好的解，避免訓(xùn)練參數(shù)陷入局部最小區(qū)域，通過(guò)減少網(wǎng)絡(luò)參數(shù)數(shù)量，降低神經(jīng)網(wǎng)絡(luò)過(guò)擬合的可能，進(jìn)而能夠有效提高圖像分類準(zhǔn)確性和效率。

附圖說(shuō)明

圖1是本發(fā)明設(shè)計(jì)的一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法的流程圖。

具體實(shí)施方式

下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)的說(shuō)明。

如圖1所示，本發(fā)明所設(shè)計(jì)的一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法，在實(shí)際應(yīng)用過(guò)程當(dāng)中，卷積神經(jīng)網(wǎng)絡(luò)由輸入開(kāi)始依次包括至少一個(gè)隱含層、一個(gè)全連層、一個(gè)分類輸出層，各個(gè)隱含層依次相連，且各個(gè)隱含層中分別還包括位于歸一化層之后的特征過(guò)濾層；應(yīng)用中，所述圖像分類方法包括如下步驟：

步驟001.構(gòu)建訓(xùn)練樣本圖片組，針對(duì)訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片進(jìn)行預(yù)處理，接著由經(jīng)過(guò)預(yù)處理的各張訓(xùn)練樣本圖片針對(duì)卷積神經(jīng)網(wǎng)絡(luò)各個(gè)工作參數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的工作卷積神經(jīng)網(wǎng)絡(luò)，然后初始化n＝1，并進(jìn)入步驟002；其中，n＝{1,…,N}，N為隱含層的個(gè)數(shù)。

其中，上述步驟001具體包括如下步驟：

步驟00101.構(gòu)建訓(xùn)練樣本圖片組，統(tǒng)一訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片的分辨率，然后進(jìn)入步驟00102。

步驟00102.根據(jù)指定像素的屬性值，獲得訓(xùn)練樣本圖片組所有訓(xùn)練樣本圖片的訓(xùn)練樣本均值圖片，其中，若訓(xùn)練樣本圖片組中的訓(xùn)練樣本圖片為灰度圖，則根據(jù)像素灰度值，獲得訓(xùn)練樣本圖片組所有訓(xùn)練樣本圖片的訓(xùn)練樣本均值圖片；若訓(xùn)練樣本圖片組中的訓(xùn)練樣本圖片為彩色圖，則根據(jù)像素RGB值，獲得訓(xùn)練樣本圖片組所有訓(xùn)練樣本圖片的訓(xùn)練樣本均值圖片，然后進(jìn)入步驟00103。

步驟00103.將訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片分別減去訓(xùn)練樣本均值圖片，獲得訓(xùn)練樣本圖片組中各張訓(xùn)練樣本圖片分別所對(duì)應(yīng)的訓(xùn)練樣本差值圖片，然后進(jìn)入步驟00104。

步驟00104.分別針對(duì)各張訓(xùn)練樣本差值圖片，針對(duì)訓(xùn)練樣本差值圖片上各個(gè)像素值進(jìn)行縮放，使不同位置像素值的方差均等于1，然后進(jìn)入步驟00105。

步驟00105.針對(duì)各張訓(xùn)練樣本差值圖片制定輸入順序，使得相鄰訓(xùn)練樣本差值圖片不屬于預(yù)設(shè)分類標(biāo)準(zhǔn)中的同一類，然后將各張訓(xùn)練樣本差值圖片按輸入順序，依次輸入至卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中，針對(duì)卷積神經(jīng)網(wǎng)絡(luò)各個(gè)工作參數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的工作卷積神經(jīng)網(wǎng)絡(luò)。

上述步驟00105中，所述預(yù)設(shè)分類標(biāo)準(zhǔn)可以是基于像素灰度值大小，按預(yù)設(shè)各區(qū)間進(jìn)行劃分；也可以是基于像素亮度值大小，按預(yù)設(shè)各區(qū)間進(jìn)行劃分。

步驟002.針對(duì)至少兩張待分類圖片，統(tǒng)一各張待分類圖片的分辨率，實(shí)現(xiàn)針對(duì)各張待分類圖片預(yù)處理，接著將經(jīng)過(guò)預(yù)處理的各張待分類圖片輸入工作卷積神經(jīng)網(wǎng)絡(luò)中，并進(jìn)入步驟003。

步驟003.各張待分類圖片分別輸入第n個(gè)隱含層，并依次經(jīng)過(guò)卷積層、矯正層、降采樣層、歸一化層，獲得各張待分類圖片分別對(duì)應(yīng)卷積層中M個(gè)濾波器的M張歸一化特征圖像，即獲得K×M張歸一化特征圖像，這里具體按如下步驟00301-00304進(jìn)行操作，實(shí)際應(yīng)用中，卷積層中的濾波器數(shù)量為3，各個(gè)預(yù)設(shè)大小的濾波器分別為1*1、3*3、5*5。

步驟00301.將各張待分類圖片分別輸入第n個(gè)隱含層的卷積層，分別針對(duì)各張待分類圖片，將待分類圖片分別與卷積層中各個(gè)濾波器進(jìn)行卷積操作，獲得該待分類圖片分別對(duì)應(yīng)卷積層中M個(gè)濾波器的M張?zhí)卣鲌D像，進(jìn)而獲得各張待分類圖片分別對(duì)應(yīng)卷積層中M個(gè)濾波器的M張?zhí)卣鲌D像，即獲得K×M張?zhí)卣鲌D像，然后進(jìn)入步驟00302.

步驟00302.將K×M張?zhí)卣鲌D像分別輸入第n個(gè)隱含層的矯正層，分別針對(duì)各張?zhí)卣鲌D像，將小于0的像素值置為0，更新K×M張?zhí)卣鲌D像，然后進(jìn)入步驟00303。

步驟00303.將K×M張?zhí)卣鲌D像分別輸入第n個(gè)隱含層的降采樣層，分別針對(duì)各張?zhí)卣鲌D像進(jìn)行降維處理，更新K×M張?zhí)卣鲌D像，然后進(jìn)入步驟00304。

步驟00304.將K×M張?zhí)卣鲌D像分別輸入第n個(gè)隱含層的歸一化層，分別針對(duì)各張?zhí)卣鲌D像進(jìn)行歸一化處理，獲得K×M張歸一化特征圖像。

然后將K×M張歸一化特征圖像輸入至第n個(gè)隱含層中的特征過(guò)濾層，依次執(zhí)行如下步驟00401至步驟00405，然后進(jìn)入步驟005；其中，M表示卷積層中預(yù)設(shè)濾波器的個(gè)數(shù)，且各個(gè)濾波器的大小預(yù)設(shè)；K表示待分類圖像的張數(shù)。

步驟00401.根據(jù)指定像素的屬性值，獲得第n個(gè)隱含層所接收所有歸一化特征圖像的歸一化特征均值圖像，并進(jìn)入步驟00402。

步驟00402.分別針對(duì)各張歸一化特征圖像，計(jì)算其相對(duì)歸一化特征均值圖像的L2范數(shù)，獲得各張歸一化特征圖像所對(duì)應(yīng)的L2范數(shù)，并針對(duì)各張歸一化特征圖像，按對(duì)應(yīng)的L2范數(shù)，由大至小進(jìn)行排序，然后進(jìn)入步驟00403。

步驟00403.將由最大L2范數(shù)所對(duì)應(yīng)歸一化特征圖像為起始、依序預(yù)設(shè)第一百分比張數(shù)的歸一化特征圖像構(gòu)成待過(guò)濾歸一化特征圖像集合，并將第n個(gè)隱含層所接收所有歸一化特征圖像中剩余各張歸一化特征圖像構(gòu)成第一歸一化特征圖像集合，然后進(jìn)入步驟00404；其中，第一百分比大于0，且小于100％。

步驟00404.針對(duì)待過(guò)濾歸一化特征圖像集合，隨機(jī)刪除其中預(yù)設(shè)第二百分比張數(shù)的歸一化特征圖像，并將待過(guò)濾歸一化特征圖像集合中剩余各張歸一化特征圖像構(gòu)成第二歸一化特征圖像集合，然后進(jìn)入步驟00405；其中，第二百分比大于0，且小于100％。

步驟00405.將第一歸一化特征圖像集合中的各張歸一化特征圖像，與第二歸一化特征圖像集合中的各張歸一化特征圖像，合并或更新為初級(jí)歸一化特征圖像集合。

步驟005.判斷n是否等于N，是則進(jìn)入步驟007；否則將n的值加1，并將結(jié)果賦予n，然后進(jìn)入步驟006。

步驟006.將初級(jí)歸一化特征圖像集合中的各張歸一化特征圖像輸入至第n個(gè)隱含層中的特征過(guò)濾層，依次執(zhí)行如下步驟00401至步驟00405，然后進(jìn)入步驟005。

步驟007.將初級(jí)歸一化特征圖像集合中的各張歸一化特征圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)中的全連層，并經(jīng)過(guò)分類輸出層實(shí)現(xiàn)針對(duì)各張待分類圖片的分類。

上述技術(shù)方案所設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法，針對(duì)卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行改進(jìn)，在隱含層中新增特征過(guò)濾層，通過(guò)對(duì)卷積網(wǎng)絡(luò)提取的大量特征進(jìn)行過(guò)濾，去除部分帶有較多噪聲的特征，提高卷積網(wǎng)絡(luò)訓(xùn)練效率，減少訓(xùn)練時(shí)間，降低內(nèi)存使用需求，并且集合多種訓(xùn)練技巧，使卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂到更好的解，避免訓(xùn)練參數(shù)陷入局部最小區(qū)域，通過(guò)減少網(wǎng)絡(luò)參數(shù)數(shù)量，降低神經(jīng)網(wǎng)絡(luò)過(guò)擬合的可能，進(jìn)而能夠有效提高圖像分類準(zhǔn)確性和效率。

上面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作了詳細(xì)說(shuō)明，但是本發(fā)明并不限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。