图像识别方法及系统技术方案

本发明专利技术公开了一种图像识别方法，其利用卷积神经对图像信息进行识别，包括以下步骤：S1.将图像信息通过输入模块输入图像预处理模块中；S2.所述图像预处理模块，对所述图像进行处理；S3.将经过所述图像预处理模块处理后的所述图像数据输入所述卷积模块中；以及S4.所述卷积模块通过公式1对所述图像数据进行卷积运算；所述公式1具体为：

【技术实现步骤摘要】
图像识别方法及系统
本专利技术涉及计算机视觉领域，具体地涉及一种图像识别方法及系统。
技术介绍
计算机视觉是使用计算机以及其他的相关设备对生物视觉的一种模拟，是人工智能领域的一个重要部分。计算机视觉技术本质上是在研究机器视觉感知的问题，使得计算机拥有对目标进行分割、分类、识别、跟踪、判别以及决策的功能。图像识别作为计算机视觉中的重要分支，其是以图像的主要特征为基础，对不同模式的目标进行读取处理。图像识别技术中主要利用卷积神经网络参与计算，卷积神经网络是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。而现有的卷积神经网络结构复杂、运算量大，难以移植到嵌入式设备中。这一现状对图像识别领域中采用的网络结构提出了轻量化设计的需求。为了解决上述问题，现有的对卷积神经进行轻量化涉及的方法主要为网络剪枝和低秩近似。其中，网络剪枝通过识别网络结构中的各个网络通道中的冗余连接并移除冗余结构中的冗余信息来降低网络结构的计算量，但是网络剪枝在移除网络结构中的冗余信息的同时也向网络结构提出了额外的功能需求，网络结构需要经过一定量的训练之后才能够实现网络剪枝的工作，网络剪枝的过程消耗的资源量大。低秩近似方法是运用线性代数中矩阵的低秩分解的原理对输入卷积神经网络中的图像数据进行分解运算进而降低神经卷积网络的整体计算量来达到轻量化的目的，但是低秩近似的方法目前仍处于理论研究阶段，并不能够达到工业生产的需求。因此，现有的方法无法有效地实现图像识别中的轻量化，无法克服将图像识别中的卷积神经网络结构部署在移动端所存在的问题。
技术实现思路
本专利技术的目的是提供一种图像识别方法，其能够解决现有的图像识别应用中的缺陷，具体地，一种图像识别方法，其利用卷积神经对图像信息进行识别，其特征在于，包括以下步骤：S1.将图像信息通过输入模块输入图像预处理模块中；S2.所述图像预处理模块对所述图像进行处理；S3.将经过所述图像预处理模块处理后的所述图像数据输入所述卷积模块中；以及S4.所述卷积模块通过公式1对所述图像数据进行卷积运算；所述公式1具体为：根据本专利技术的实施例，所述S2步骤具体为：S201.所述图像预处理模块使用预处理函数对所述所述图像信息进行特征值提取；以及S202.所述图像预处理模块将所述特征值转换为所述卷积模块能够识别的数据格式。根据本专利技术的实施例，所述卷积模块包括多层卷积计算单元；所述S4步骤具体为：S401.所述卷积计算单元对所述图像数据使用所述公式1进行计算并将输出结果传递至下一层所述卷积计算单元中；S402.下一层所述卷积计算单元将所述卷积模块的输出结果作为输入带入所述公式1中进行计算；以及S403.所有所述卷积计算单元依次进行计算后输出最终结果。根据本专利技术的实施例，所述卷积计算单元对所述图像数据赋予权重系数以及偏差系数。根据本专利技术的实施例，S5.所述输出模块输出所述最终结果。本专利技术还公开了一种图像识别系统，其利用卷积神经对图像信息进行识别，包括：输入模块，所述输入模块用于输入所述图像信息；图像预处理模块，所述图像预处理模块对所述图像信息进行预处理；以及卷积模块，所述卷积模块对经过预处理的所述图像信息进行计算；所述卷积模块的计算公式为：根据本专利技术的实施例，所述图像预处理模块包括：提取单元，所述提取单元提取所述图像信息中的特征值；以及转换单元，所述转换单元对所述提取单元提取的所述特征值进行数据格式转换。根据本专利技术的实施例，所述卷积模块包括多个卷积计算单元，所述多个卷积计算单元使用所述公式1进行迭代运算，所述图像数据经过所述多个卷积计算单元的计算后输出最终结果。根据本专利技术的实施例，所述卷积计算单元对所述图像数据赋予权重系数以及偏差系数。根据本专利技术的实施例，输出模块，所述输出模块接收所述卷积模块的计算出的所述最终结果并将所述最终结果输出。通过采用上述技术方案，本专利技术主要有如下几点技术效果：1.本专利技术通过基于int8量化的方法，实现了图像识别中的轻量化的设计，有利于图像识别在移动端的应用。2.本专利技术中通过将ReLU函数改进为ReLU8函数,ReLU8函数的取值范围涵盖了(-128,127)的整数区间，提高了图像识别方法以及系统的运行精度。3.本专利技术通过在卷积模块采用权值共享，减少了系统的参数量，提高了图像识别系统的运行效率。附图说明图1为根据本专利技术的实施例的图像识别方法的示意图；图2为根据本专利技术的实施例的图像识别系统的示意图。具体实施方式下面结合说明书附图来说明本专利技术的具体实施方式。本专利技术的实施例公开了一种图像识别方法，从而提高了计算机视觉应用中的图像识别过程的处理精度和运行速度。本专利技术公开的图像识别方法主要包括以下五个步骤：S1.将图像信息通过输入模块输入图像预处理模块中；S2.图像预处理模块对所述图像进行处理；S3.将经过图像预处理模块处理后的所述图像数据输入卷积模块中；以及S4.卷积模块通过公式1对图像数据进行卷积运算；所述公式1具体为：S5.所述输出模块输出所述最终结果。本实施例中的S1步骤中公开的图像信息可以为不包含深度信息的彩色图像信息，当然，本实施例中的S1步骤中公开的图像信息也可以为包含深度信息的彩色图像信息，彩色图像信息包括了图像的二维像素点和像素点的RGB通道值。具体地，上述S2步骤包括：S201.图像预处理模块使用预处理函数对图像信息进行特征值提取；以及S202.图像预处理模块将特征值转换为卷积模块能够识别的数据格式。其中，在S201中，为了使输入模块输入的图像数据标准化，从而提升卷积模块的学习效率和表现，本实施例中设置了图像预处理模块。在图像预处理模块中，将提取到的特征值标准化，并使用线性参数将标准化的特征值进行放大处理，再作为新的输入数据传递给卷积模块进行卷积运算。具体地，在将输入数据输入卷积模块前，需要在通道或时间维上对输入的图像信息进行归一化，若输入数据为像素，也可将分布于[0，255]的原始像素值归一化值[0,1]区间。具体地，上述S4步骤包括：S401.所述卷积计算单元对所述图像数据使用所述公式1进行计算并将输出结果传递至下一个所述卷积计算单元中；S402.下一个所述卷积计算单元将所述卷积模块的输出结果作为输入带入所述公式1中进行计算；以及S403.所有所述卷积计算单元依次进行计算后输出最终结果。本实施例中的S4步骤中，为了提高图像识别中复杂分类问题的处理效率，为了进一步有效解决图像识别过程中线性不可分的问题，本实施例中经过图像预处理模块后的数据首先需要经过特定函数处理，将经过特定函数处理后的函数输出值输入到卷积计算单元中的下一模块中。为了使得特定函数有效解决图像线性不可分的问题，提高整个模块的信息处理能力和表现能力，本实施例中可采用ReLU函数，tanh函数，sigmoid函数。为本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其利用卷积神经对图像信息进行识别，其特征在于，包括以下步骤：/nS1.将图像信息通过输入模块输入图像预处理模块中；/nS2.所述图像预处理模块对所述图像进行处理；/nS3.将经过所述图像预处理模块处理后的所述图像数据输入所述卷积模块中；以及/nS4.所述卷积模块通过公式1对所述图像数据进行卷积运算；/n所述公式1具体为：

【技术特征摘要】
1.一种图像识别方法，其利用卷积神经对图像信息进行识别，其特征在于，包括以下步骤：
S1.将图像信息通过输入模块输入图像预处理模块中；
S2.所述图像预处理模块对所述图像进行处理；
S3.将经过所述图像预处理模块处理后的所述图像数据输入所述卷积模块中；以及
S4.所述卷积模块通过公式1对所述图像数据进行卷积运算；
所述公式1具体为：


2.根据权利要求1所述的识别方法，其特征在于：
所述S2步骤具体为：
S201.所述图像预处理模块使用预处理函数对所述所述图像信息进行特征值提取；以及
S202.所述图像预处理模块将所述特征值转换为所述卷积模块能够识别的数据格式。


3.根据权利要求1所述的识别方法，其特征在于：
所述卷积模块包括多层卷积计算单元；
所述S4步骤具体为：
S401.所述卷积计算单元对所述图像数据使用所述公式1进行计算并将输出结果传递至下一层所述卷积计算单元中；
S402.下一层所述卷积计算单元将所述卷积模块的输出结果作为输入带入所述公式1中进行计算；以及
S403.所有所述卷积计算单元依次进行计算后输出最终结果。


4.根据权利要求3所述的识别方法，其特征在于：
所述卷积计算单元对所述图像数据赋予权重系数以及偏差系数。
...

【专利技术属性】
技术研发人员：李学生，龚迪琛，牟春，
申请(专利权)人：德鲁动力科技海南有限公司，
类型：发明
国别省市：海南;46