一种目标类别图片的获取方法及系统技术方案

本发明专利技术公开了一种目标类别图片的获取方法及系统，该方法包括：获取待分类样本图片集，并获取目标类别；根据所述目标类别从样本图片库中查找属于所述目标类别的样本图片；对查找到的样本图片进行稀疏自编码特征提取，以获得所述样本图片的特征基集；将特征基集应用到神经网络中，以获取所述待分类图片集中属于所述目标类别的图片。本发明专利技术通过提取属于目标类别的样本图片的特征基集，作为先验知识，并将特征基集作为滤波器，对图片进行滤波操作，获取待分类图片集中属于所述目标类别的图片，与现有技术中使用随机初始化或者采用Gabor滤波器作为神经网络滤波器的方法相比，具有准确率高、时耗低的优点。

【技术实现步骤摘要】

本专利技术涉及模式识别
，具体涉及一种目标类别图片的获取方法及系统。
技术介绍
近年来，以卷积神经网络为代表的深度学习技术呈现出井喷式发展。在模式识别领域，卷积神经网络在物体分类研究等问题上得到了很广泛的应用，较之前模板匹配、图像纹理分析、浅层神经网络等物体识别的方法无论在识别率还是识别速度上都得到了较大的提升。传统大规模卷积神经网络例如LeNet-5模型通常采用随机初始化方法或者采用Gabor滤波器作为卷积核，导致高准确率往往以高时耗为代价，并经常会出现特征提取过多导致过拟合现象的缺点。
技术实现思路
针对现有技术中的缺陷，本专利技术提出了一种目标类别图片的获取方法及系统，该方法以目标类别所属的样本图片的特征基集作为卷积核对待分类图片集进行分类，具有准确率高、耗时低的优点。本专利技术提出了一种目标类别图片的获取分类方法，包括：获取待分类图片集，并获取目标类别；根据所述目标类别从样本图片库中查找属于所述目标类别的样本图片；对样本图片进行稀疏自编码特征提取，以获得所述样本图片的特征基集；将所述特征基集作为神经网络的滤波器对图片进行滤波处理，以获取所述待分类图片集中属于所述目标类别的图片。可选的，所述对样本图片进行特征提取，包括：对样本图片进行采样，获取图片碎片，并根据所述图片碎片建立特征样本集；采用稀疏自编码对特征样本集进行特征提取。可选的，还包括：采用BP神经网络中的反向传播算法对所述特征基集进行优化。可选的，所述根据所述特征基集，获取所述待分类图片集中属于所述目标类别的图片，包括：采用以所述特征基集为卷积核的卷积神经网络对所述待分类图片集中的每个待分类图片进行卷积滤波，获取每个待分类图片的高维卷积特征；对所述高维卷积特征进行池化处理，并根据池化处理后的卷积特征，获取所述待分类图片集中属于所述目标类别的图片。可选的，所述根据池化处理后的卷积特征，获取所述待分类图片集中属于所述目标类别的图片，包括：采用softamx分类算法，对所述池化处理后的卷积特征进行分类，并根据分类结果，获取属于所述目标类别的图片。本专利技术还提供了一种目标类别图片的获取系统，其特征在于，包括：第一获取模块，用于获取待分类图片集，并获取目标类别；查找模块，用于根据所述目标类别从样本图片库中查找属于所述目标类别的样本图片；特征提取模块，用于对样本图片进行特征提取，以获得所述样本图片的特征基集；第二获取模块，用于将所述特征基集作为神经网络的滤波器对图片进行滤波处理，以获取所述待分类图片集中属于所述目标类别的图片。可选的，所述特征提取模块还用于：对样本图片进行采样，获取图片碎片，并根据所述图片碎片建立特征样本集；采用稀疏自编码对特征样本集进行特征提取。可选的，还包括：优化模块，用于采用BP神经网络中的反向传播算法对所述特征基集进行优化。可选的，所述第二获取模块还用于：采用以所述特征基集为卷积核的卷积神经网络对所述待分类图片集中的每个待分类图片进行卷积滤波，获取每个待分类图片的高维卷积特征；对所述高维卷积特征进行池化处理，并根据池化处理后的卷积特征，获取所述待分类图片集中属于所述目标类别的图片。可选的，所述第二获取模块还用于：采用softamx分类算法，对所述池化处理后的卷积特征进行分类，并根据分类结果，获取属于所述目标类别的图片。由上述技术方案可知，本专利技术通过提取属于目标类别的样本图片的特征基集，作为先验知识，并根据特征基集获取待分类图片集中属于所述目标类别的图片，与现有技术中使用随机初始化方法或者采用Gabor滤波器作为卷积核相比，具有准确率高、耗时低的优点附图说明通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1示出了本专利技术一实施例提供的目标类别图片的获取方法的流程示意图；图2示出了本专利技术另一实施例提供的目标类别图片的获取方法的流程示意图；图3示出了本专利技术一实施例提供的目标类别图片的获取方法中利用自编码器学习得到的100个特征基图片；图4示出了本专利技术一实施例提供的图片目标类别图片的获取中特征提取步骤的网络结构图简图；图5示出了本专利技术一实施例提供的目标类别图片的获取方法的池化流程示意图；图6示出了本专利技术另一实施例提供的目标类别图片的获取方法的流程示意图；图7示出了本专利技术一实施例提供的目标类别图片的获取方法中样本图片集的示例图；图8示出了本专利技术一实施例提供的目标类别图片的获取统的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术一实施例提供的目标类别图片的获取方法的流程示意图，参照图1，该图片分类方法，包括：101、获取待分类图片集，并获取目标类别；可理解的是，目标类别例如：车，人，水果等等102、根据所述目标类别从样本图片库中查找属于所述目标类别的样本图片；可理解的是，样本图片的数量为多个，具体数量可视精度要求而定。103、对样本图片进行特征提取，以获得所述样本图片的特征基集；104、根据所述特征基集作为滤波器对图片进行滤波特征提取，获取待分类图片的高维特征，获取所述待分类图片集中属于所述目标类别的图片。本专利技术提出的图片分类方法通过提取与待分类目标相同属性的样本集的特征基集，并将特征基集作为卷积核对待分类图片集进行分类，与现有技术中使用随机初始化方法或者采用Gabor滤波器作为卷积核相比，具有准确率高、耗时低的优点。图2为本专利技术另一实施例提供的目标类别图片的获取方法的流程示意图，下面参照图2对本专利技术进行详细说明：步骤201、202与上述步骤101、102相对应，在查找到属于目标类别的样本图片后，本专利技术还包括：203、对样本图片进行采样，获取图片碎片，并根据所述图片碎片建立特征样本集；需要说明的是，采集图片碎片集主要是通过本文档来自技高网...

【技术保护点】
一种目标类别图片的获取方法，其特征在于，包括：获取待分类图片集，并获取目标类别；根据所述目标类别从样本图片库中查找属于所述目标类别的样本图片；对样本图片进行特征提取，以获得所述样本图片的特征基集；将所述特征基集作为神经网络的滤波器对图片进行滤波处理，以获取所述待分类图片集中属于所述目标类别的图片。

【技术特征摘要】
1.一种目标类别图片的获取方法，其特征在于，包括：
获取待分类图片集，并获取目标类别；
根据所述目标类别从样本图片库中查找属于所述目标类别的样
本图片；
对样本图片进行特征提取，以获得所述样本图片的特征基集；
将所述特征基集作为神经网络的滤波器对图片进行滤波处理，以
获取所述待分类图片集中属于所述目标类别的图片。
2.根据权利要求1所述的方法，其特征在于，所述对样本图片
进行特征提取，包括：
对样本图片进行采样，获取图片碎片，并根据所述图片碎片建立
特征样本集；
采用稀疏自编码对特征样本集进行特征提取。
3.根据权利要求1或2所述的方法，其特征在于，还包括：
采用BP神经网络的反向传播算法对所述特征基集进行优化。
4.根据权利要求1所述的方法，其特征在于，所述根据所述特
征基集，获取所述待分类图片集中属于所述目标类别的图片，包括：
采用以所述特征基集为卷积核的卷积神经网络对所述待分类图
片集中的每个待分类图片进行卷积滤波，获取每个待分类图片的高维
卷积特征；
对所述高维卷积特征进行池化处理，并根据池化处理后的卷积特
征，获取所述待分类图片集中属于所述目标类别的图片。
5.根据权利要求4所述的方法，其特征在于，所述根据池化处
理后的卷积特征，获取所述待分类图片集中属于所述目标类别的图
片，包括：
采用softamx分类算法，对所述池化处理后的卷积特征进行分类，
并根据分类结果，获取属于所述目标类别的图片。<...

【专利技术属性】
技术研发人员：刘琼，李宗贤，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京;11