一种基于特征融合的图像识别方法技术

本发明专利技术特别涉及一种基于特征融合的图像识别方法。该基于特征融合的图像识别方法，将深度特征提取提取到的特征和人工设计特征提取到的特征进行特征融合，兼顾高层次的结构化信息以及底层细节信息，从而使特征语义性更高，分类能力更强。该基于特征融合的图像识别方法，基于小规模数据集在直接利用深度学习进行分类时训练不足的问题，利用深度学习自主学习训练的优势，提取网络中间层特征对图像进行表示，同时数据较少的前提下选取深层次网络造成的信息丢失问题，融合底层人工设计网络进行信息弥补，完善了图像的特征表达，有效提高了传统分类方法中特征的表达能力和小规模数据集的识别分类能力。

An image recognition method based on Feature Fusion

【技术实现步骤摘要】
一种基于特征融合的图像识别方法
本专利技术涉及图像识别
，特别涉及一种基于特征融合的图像识别方法。
技术介绍
图像识别是机器学习领域的热点问题。基于传统的机器学习方法的图像识别技术多利用人工设计特征对图像信息进行表示，这种特征的特点是特征针对性强，特征分辨率高，包含更多的位置和细节等信息，但是信息表达不够全面，语义性低，泛化性弱，如何设计更为有效的特征一直是传统图像识别问题中急需解决的问题。深度学习的出现改变了传统机器学习中需要人工设计特征的弊端。深度学习网络通过训练过程自主学习图像特征，包含更为丰富的语义信息。但深度学习并非没有缺点。深度网络的表现多与网络层次的深度以及数据集的规模成正比，数据越多，层次越深，得到的效果越好，这导致深度学习在小规模数据集中表现并不理想。为了有效利用深度学习自主学习特征的优势，本专利技术提出了一种基于特征融合的图像识别方法。利用特征融合方法，将深度学习与传统机器学习两种不同的特征进行有效结合，对图像进行表示，证明其可以有效提高特征的表达能力及分类能力。r>
技术实现思路
...

【技术保护点】
1.一种基于特征融合的图像识别方法，其特征在于，包括以下步骤：/n第一步，深度特征提取/n合理划分数据集，利用训练集训练深度网络，优化网络参数，利用验证集防止训练模型过拟合，得到训练后的深度特征提取模型；利用深度学习的优势，在小规模数据集中提取网络中间层特征对图像进行表示；/n第二步，人工设计特征提取/n为避免选取深层次网络造成的信息丢失问题，利用深度网络模型提取的图像深度特征，提取图像的人工设计特征，即颜色和边缘方向特征描述符CEDD特征；/n第三步，特征融合/n将深度特征提取提取到的特征和人工设计特征提取到的特征进行特征融合，兼顾高层次的结构化信息以及底层细节信息，从而使特征语义性更高，分...

【技术特征摘要】
1.一种基于特征融合的图像识别方法，其特征在于，包括以下步骤：
第一步，深度特征提取
合理划分数据集，利用训练集训练深度网络，优化网络参数，利用验证集防止训练模型过拟合，得到训练后的深度特征提取模型；利用深度学习的优势，在小规模数据集中提取网络中间层特征对图像进行表示；
第二步，人工设计特征提取
为避免选取深层次网络造成的信息丢失问题，利用深度网络模型提取的图像深度特征，提取图像的人工设计特征，即颜色和边缘方向特征描述符CEDD特征；
第三步，特征融合
将深度特征提取提取到的特征和人工设计特征提取到的特征进行特征融合，兼顾高层次的结构化信息以及底层细节信息，从而使特征语义性更高，分类能力更强。
第四步，完成预测分类工作。


2.根据权利要求1所述的基于特征融合的图像识别方法，其特征在于：所述第一步中，深度学习通过大量，数据训练将相对不独立的特征经过多层学习后形成更加结构化的特征，包括像素pixels，边缘edges和对象objects。


3.根据权利要求2所述的基于特征融合的图像识别方法，其特征在于：所述深度特征提取中，CNN编码过程包括以下步骤：
(1)输入图像x，将图像x分割成多个卷积层；
(2)分别提取各个卷积层图像的宽度w，高度h和通道的个数c；
(3)对卷积层图像进行全连接层处理，得到神经网络分类特征；
(4)对卷积层图像进行最大池化处理，得到机器学习分类特征；
(5)将原始深度神经网络的全连接层替换为池化层输出特征信息，作为图像的深度特征表达用于分类。


4.根据权利要求3所述的基于特征融合的图像识别方法，其特征在于：
所述步骤(1)中，采用sparseautoencoder，即自动稀疏编码的方式，自动提取图像特征，将输入图像的激活度用隐层激活度表示，在输出层还原，得到压缩后的特征，且信息熵减小，适用于图像分类。


5.根据权利要求1所述的基于特...

【专利技术属性】
技术研发人员：李雪，李锐，于治楼，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东;37