【技术实现步骤摘要】
图片的识别方法、设备、存储介质及装置
本专利技术涉及图片识别分类
，尤其涉及一种图片的识别方法、设备、存储介质及装置。
技术介绍
卷积网络(CNN)是一类尤其适合计算机视觉应用的神经网络，因为它们能使用局部操作对表征进行分层抽象。有两大关键的设计思想推动了卷积架构在计算机视觉领域的成功。第一，CNN利用了图像的2D结构，并且相邻区域内的像素通常是高度相关的。因此，CNN就无需使用所有像素单元之间的一对一连接(大多数神经网络都会这么做)，而可以使用分组的局部连接。第二，CNN架构依赖于特征共享，因此，每个通道(即输出特征图)是在所有位置使用同一个过滤器进行卷积而生成的。传统的CNN具有一定平移不变性，这是卷积和最大池化共同导致的。卷积操作可以理解为：在神经网络中，卷积被定义为不同位置的特征检测器，也就意味着，无论目标出现在图像中的哪个位置，它都会检测到同样的这些特征，输出同样的响应。最大池化可以理解为：最大池化返回的是感受野中的最大值，如果最大值被移动了，但是仍然在这个感受野中，那么池化层也仍然会输出相同的最大值。所以这两种操作共同提供了一些平移不变性，即使图...
【技术保护点】
1.一种图片的识别方法，其特征在于，所述方法包括以下步骤：对待识别图片进行特征提取，获得所述待识别图片中各像素点的特征值；通过第一二维矩阵对所述待识别图片中各像素点的特征值进行表征，所述第一二维矩阵是基于笛卡尔坐标建立的；通过所述待识别图片中各像素点在所述第一二维矩阵中的笛卡尔坐标，确定所述待识别图片中各像素点的极坐标；基于所述待识别图片中各像素点的极坐标建立第二二维矩阵，并将所述第一二维矩阵中各像素点的特征值赋予到所述第二二维矩阵中相应的点上；通过预设图卷积神经网络模型对所述第二二维矩阵进行分析，以实现对所述待识别图片的识别。
【技术特征摘要】
1.一种图片的识别方法，其特征在于，所述方法包括以下步骤：对待识别图片进行特征提取，获得所述待识别图片中各像素点的特征值；通过第一二维矩阵对所述待识别图片中各像素点的特征值进行表征，所述第一二维矩阵是基于笛卡尔坐标建立的；通过所述待识别图片中各像素点在所述第一二维矩阵中的笛卡尔坐标，确定所述待识别图片中各像素点的极坐标；基于所述待识别图片中各像素点的极坐标建立第二二维矩阵，并将所述第一二维矩阵中各像素点的特征值赋予到所述第二二维矩阵中相应的点上；通过预设图卷积神经网络模型对所述第二二维矩阵进行分析，以实现对所述待识别图片的识别。2.如权利要求1所述的方法，其特征在于，所述通过预设图卷积神经网络模型对所述第二二维矩阵进行分析，以实现对所述待识别图片的识别之前，所述方法还包括：获得若干样本图片，对各样本图片进行处理，获得各样本图片的极坐标二维矩阵特征图；获得各样本图片的识别结果，基于所述样本图片的极坐标二维矩阵特征图和所述识别结果建立所述预设图卷积神经网络模型。3.如权利要求2所述的方法，其特征在于，所述获得各样本图片的识别结果，基于所述样本图片的极坐标二维矩阵特征图和所述识别结果建立所述预设图卷积神经网络模型，具体包括：获得各样本图片的识别结果，并获得初始图卷积神经网络模型；通过所述样本图片的极坐标二维矩阵特征图和所述识别结果对所述初始图卷积神经网络模型进行训练；将训练后的初始图卷积神经网络模型作为所述预设图卷积神经网络模型。4.如权利要求3所述的方法，其特征在于，所述通过所述样本图片的极坐标二维矩阵特征图和所述识别结果对所述初始图卷积神经网络模型进行训练，具体包括：对所述初始图卷积神经网络模型进行改进，以确定所述样本图片的极坐标二维矩阵特征图的第一区域，并将所述第一区域平移至预设位置，获得所述样本图片的当前极坐标二维矩阵特征图；通过所述样本图片的当前极坐标二维矩阵特征图和所述识别结果对所述改进后的初始图卷积神经网络模型进行训练。5.如权利要求4所述的方法，其特征在于，所述对所述初始图卷积神经网络模型进行改进，以确定所述样本图片的极坐标二维矩阵特征图的第一区域，并将所述第一区域平移至预设位置，获得所述样本图片的当前极坐标二维矩阵特征图，具体包括：对所述初始图卷积神经网络模型进行改进，以确定所述样本图片的极坐标二维矩...
【专利技术属性】
技术研发人员：袁操，张晨聪，李雅琴，王旋，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。