本發(fā)明涉及一種圖像識別技術(shù)，尤其涉及的是一種中級視覺毒品圖像識別方法。

背景技術(shù)：

隨著毒品的泛濫，毒品對人們的危害越來越大，輕者身體受到傷害，重者家破人亡?，F(xiàn)在去識別毒品的方法主要靠以下幾種方法：1.靠緝毒犬2.人工緝毒(嗅聞和手捻)3.昆蟲探測毒品(蜜蜂)4.毒品檢測器等。這些方法很好，但也有很多不足。如果販賣毒品人員把毒品圖片放在網(wǎng)上銷售毒品并以其它名字命名，那么以上幾種方法就行不通。還有一種情況就是，比如警察掃黃打黑中不能每次都帶緝毒犬，緝毒人員，和緝毒工具，這樣現(xiàn)場可能就存在毒品，那么就會有毒品沒識別出來，讓它流失到市場危害人群。如果利用計(jì)算機(jī)視覺識別就會方便很多，只需要把一些現(xiàn)場的圖片拿來測試就可知道其試不試毒品，只是需要采集大量的毒品圖片去訓(xùn)練模型。

計(jì)算機(jī)視覺識別的方法有很多種：

1、基于局部特征的方法是一種自底向上的識別方法。這種方法首先在整個(gè)圖像中提取一組毒品圖像的局部紋理、形狀等特征，然后把這些特征送入svm、貝葉斯或單層神經(jīng)網(wǎng)絡(luò)等分類器中訓(xùn)練這些分類器。在識別階段用和訓(xùn)練階段同樣的方法提取特征送入已訓(xùn)練好的分類器判斷結(jié)果。

基于局部特征的識別方法采用何種低級視覺特征、如何選擇分類器都是根據(jù)經(jīng)驗(yàn)的，很難保證最佳識別效果，識別計(jì)算比較耗時(shí)，效率不高。

2、基于視覺詞袋的高級語義模型的毒品圖像識別方法，在訓(xùn)練階段提取sift或者dense-sift、hue-sift等特征通過聚類的方法構(gòu)建視覺詞袋，每一幅訓(xùn)練圖像都利用構(gòu)建的視覺詞袋表示為一個(gè)高維特征向量，使用這些特征向量訓(xùn)練一個(gè)svm分類器。對待檢測的圖像用同樣方法提取特征送入已訓(xùn)練好的分類器即可獲得結(jié)果。

這種方法采用何種特征構(gòu)建視覺詞袋是困難的，視覺詞袋的大小沒有對應(yīng)的評價(jià)標(biāo)準(zhǔn)。

3、基于深度學(xué)習(xí)的毒品圖像識別方法，采集大量的毒品圖片并做好訓(xùn)練的標(biāo)簽，訓(xùn)練分兩種情況：如果訓(xùn)練數(shù)據(jù)比較少，首先通過大數(shù)據(jù)集imagenet訓(xùn)練，用經(jīng)典的網(wǎng)絡(luò)結(jié)構(gòu)(比如vgg和alexnet等)，甚至可以用多達(dá)152層的殘基網(wǎng)絡(luò)以提取圖像的低級、中級和高級語義特征；然后使用采取的數(shù)據(jù)在此基礎(chǔ)上進(jìn)一步提高其特征的有效性：如果訓(xùn)練數(shù)據(jù)量很大，在經(jīng)典的網(wǎng)絡(luò)上訓(xùn)練，提取圖片的低級、中級和高級語義特征。最后通過這些特征用分類器去分類。

這種方法的缺點(diǎn)是：神經(jīng)網(wǎng)絡(luò)易陷入局部極小值和過擬合等現(xiàn)象；計(jì)算量大，耗時(shí)比較長；對數(shù)據(jù)依賴很強(qiáng)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供了一種中級視覺毒品圖像識別方法，能夠利用計(jì)算機(jī)識別毒品。

本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括以下步驟：

(1)通過人工標(biāo)定的方法獲取毒品的圖像與非毒品圖像，對這些圖像進(jìn)行預(yù)處理與增強(qiáng)獲得有效的方形訓(xùn)練圖像；

(2)隨機(jī)從訓(xùn)練集中選圖像，將每一張圖像分割成m個(gè)不同的部分，這m個(gè)部分即為中級視覺圖，將中級視覺圖放入下面公式(1)，(2)中進(jìn)行自主學(xué)習(xí)，經(jīng)過多次迭代，最后分配給每個(gè)中級視覺圖不同的權(quán)重值即概率；

(3)將m個(gè)中層視覺圖及其概率，放入到貝葉斯中分類器中進(jìn)行分類，經(jīng)過多次迭代最后得到模型；

(4)將得到的模型在測試集上進(jìn)行測試，根據(jù)測試結(jié)果調(diào)整訓(xùn)練集數(shù)據(jù)，把識別錯(cuò)誤的物體放入到貝葉斯分類器中繼續(xù)訓(xùn)練，得到最終的模型；

(5)隨機(jī)測試某張圖片在訓(xùn)練好的模型上，輸出結(jié)果判斷是哪一種毒品。

所述步驟(1)中，通過人工標(biāo)定的方法，獲得每種毒品的足夠量的照片，隨機(jī)將每個(gè)種類的毒品照片分別劃分為訓(xùn)練集、測試集。

所述訓(xùn)練集和測試集的圖像通過轉(zhuǎn)置、水平鏡像翻轉(zhuǎn)、高斯模糊、添加隨機(jī)噪聲實(shí)現(xiàn)增強(qiáng)。

所述步驟(2)中，使用二值化歸一梯度，檢測候選框?qū)⒄麖垐D像中可能是物體的部分框出，并根據(jù)框出部分的坐標(biāo)將其分割出來，最終得到m個(gè)不同大小中級視覺圖。

每次放一定數(shù)量的圖片去訓(xùn)練m個(gè)視覺圖的權(quán)重，不斷更新m個(gè)部分的權(quán)重，最后得到最終的權(quán)重，是正樣本的權(quán)重占的比例大些，是負(fù)樣本的權(quán)重占的小些。

所述權(quán)重計(jì)算公式如下：

定義sp和sn分別表示正樣本數(shù)據(jù)和負(fù)樣本數(shù)據(jù)，物體為正樣本，假設(shè)是凸函數(shù)，bm為偏差項(xiàng),q’是q的簡化版本。

中級視覺正樣本數(shù)據(jù)集為負(fù)樣本數(shù)據(jù)集σ＝0.1，fn,fp分別是表示存放負(fù)樣本和正樣本的容器，隨機(jī)初始化(wm,bm),假設(shè)fn,fp都初始化為空，尋找正樣本數(shù)據(jù)集，變量x代表每個(gè)m中級視覺圖，對每一種類的毒品并把x存放到fp中；尋找負(fù)樣本數(shù)據(jù)集，x屬于并把x存到fn中；然后通過梯度下降的方法去求解q(wm,bm)，移除fn中滿足的x；不斷的更新q(wm,bm)，最后得到一組最終的q(wm,bm)表示中級視覺的概率。

一般特征提取采用的都是像素級別的特征去訓(xùn)練模型，比如比較熱門的深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一個(gè)分支，就是采用像素級特征去訓(xùn)練模型的。而本發(fā)明提出中級視覺概率的框架思想去訓(xùn)練模型分類網(wǎng)絡(luò)。所謂中級視覺，其實(shí)就是把圖片分割成很多小部分，如假設(shè)圖片為p，那么p有很多中級視覺圖片，分別記為p1，p2，..pm。以這些中級視覺的概率作為貝葉斯分類器的輸入，是正樣本的權(quán)重比例大，負(fù)樣本的權(quán)重比例小。本發(fā)明旨在提出構(gòu)建中級視覺概率框架的方法，其中中級視覺概率與訓(xùn)練分類器模型集成在統(tǒng)一概率框架中，具有明顯的可區(qū)分性和解釋性，因而部分解決了深度學(xué)習(xí)的黑盒子問題，同時(shí)也有效地提升了模型的識別性能。

本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn)：本發(fā)明把中層視覺和概率很好的結(jié)合在一起，為后面訓(xùn)練優(yōu)化的模型做了鋪墊，構(gòu)建中層視覺和概率結(jié)合的框架，最后可以很好地訓(xùn)練出一個(gè)模型；中層視覺概率框架和訓(xùn)練緊密的鏈接在一起，提高的模型的準(zhǔn)確性。

附圖說明

圖1是本發(fā)明的流程圖；

圖2是圖像增強(qiáng)流程圖。

具體實(shí)施方式

下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

如圖1和圖2所示，本實(shí)施例包括以下步驟：

(1)數(shù)據(jù)預(yù)處理以及增強(qiáng)：

通過人工標(biāo)定的方法獲得4種毒品(大麻、冰毒、海洛因、鴉片)共10000張毒品圖片，其中每種毒品有2500張。將這些圖片分為兩個(gè)圖像集：訓(xùn)練集(8000張)，測試集(2000張)。

為了使訓(xùn)練出的網(wǎng)絡(luò)有更好的魯棒性，更好的學(xué)習(xí)毒品的特征,對訓(xùn)練集和測試集進(jìn)行轉(zhuǎn)置、水平鏡像翻轉(zhuǎn)、高斯模糊、添加隨機(jī)噪聲等操作以此增強(qiáng)數(shù)據(jù)。

(2)分類模型的訓(xùn)練

傳統(tǒng)的分類方法，部件學(xué)習(xí)和分類是二個(gè)不同的階段，而本發(fā)明提出的基于中層視覺概率框架很好的把二者集成在一個(gè)框架下。此方法通俗易懂，打破了傳統(tǒng)的區(qū)域圖像的選擇然后在去做分類模型，其很好把中級視覺概率和訓(xùn)練模型緊密的結(jié)合，區(qū)別于先前的方法，區(qū)域的選擇和訓(xùn)練模型是分離的。以下詳細(xì)介紹應(yīng)用中層視覺概率去分類。描述如下：

(21)使用二值化歸一梯度，能夠有效地檢測候選框?qū)⒄麖垐D像中可能是物體的框出，并根據(jù)這些框的坐標(biāo)把他們分割出來，最終會得到m個(gè)不同大小中級視覺圖。

(22)用(21)的方法去處理訓(xùn)練數(shù)據(jù)集，每張圖片可有m個(gè)部分組成，每個(gè)部分大小不一，然后每次放128張圖片去訓(xùn)練m個(gè)部分的權(quán)重，不斷的更新m個(gè)部分的權(quán)重(即中層視覺的概率)，最后得到一組最終的權(quán)重，是正樣本的權(quán)重(概率)占的比例大些，是負(fù)樣本的權(quán)重(概率)占的小些。

(23)上述概率用以下公式去計(jì)算：

定義sp和sn分別表示正樣本數(shù)據(jù)和負(fù)樣本數(shù)據(jù)，物體為正樣本，假設(shè)是凸函數(shù)，bm為偏差項(xiàng),q’是q的簡化版本。

中級視覺正樣本數(shù)據(jù)集為負(fù)樣本數(shù)據(jù)集σ＝0.1，fn,fp分別是表示存放負(fù)樣本和正樣本的容器，隨機(jī)初始化(wm,bm),假設(shè)fn,fp都初始化為空，尋找正樣本數(shù)據(jù)集，變量x代表每個(gè)m中級視覺圖，對每一種類的毒品并把x存放到fp中；尋找負(fù)樣本數(shù)據(jù)集，x屬于并把x存到到fn中；然后通過梯度下降的方法去求解q(wm,bm)，移除fn中滿足的x；不斷的更新q(wm,bm)，最后得到一組最終的q(wm,bm)表示中級視覺的概率。

(3)將得到一組比較好的中層視覺概率，然后把中層視覺以及他們的概率放到貝葉斯分類中去訓(xùn)練模型；

(4)將得到的模型在測試集上進(jìn)行測試，根據(jù)測試結(jié)果調(diào)整訓(xùn)練集，把一些困難樣本放入到框架中繼續(xù)訓(xùn)練訓(xùn)練集，得到最終的模型；

(5)隨機(jī)測試張圖片在訓(xùn)練好的模型進(jìn)行測試，輸出結(jié)果判斷是哪一種毒品。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。