一种基于卷积的极限学习机的图像识别方法技术

本发明专利技术公开了一种基于卷积的极限学习机的图像识别方法，通过采用随机卷积运算提取图像的图像特征向量完成对图像的预处理，采用图像特征向量及标签构建的训练样本集训练极限学习机图像识别模型，由于随机卷积运算中卷积核为随机生成且无需调整，能够很大程度上解决计算负担过重的问题，有效提高了计算效率，在一定程度上能够满足图像识别的需要，同时为更准确地进行图像识别提供了新思路和新途径。准确地进行图像识别提供了新思路和新途径。

【技术实现步骤摘要】
一种基于卷积的极限学习机的图像识别方法


[0001]本专利技术涉及基于深度学习的图像识别
，具体涉及一种基于卷积的极限学习机的图像识别方法。

技术介绍

[0002]图像识别是信息时代的关键技术之一，利用图像识别技术能够完成传统传感器技术无法实现的任务，同时借助图像识别与多源信息的融合，能够让监测效果更佳精确。随着计算机技术的不断发展，计算机计算能力进一步提升，对信息的处理能力获得了极大的改善。依托于智能图像识别算法，可以获得识别准确率的提升，也能够降低识别所需的时间，在未来人工智能领域将发挥重要的作用。在过去几年中，卷积神经网络已成为图像识别领域中用于各种任务的主流机器学习方法。然而，传统的卷积神经网络采用基于梯度下降的反向传播方法进行训练，伴随卷积神经网络参数数目的增大，网络训练时间变长。因此，如何在保证图像识别准确率的情况下缩短神经网络的训练时间具有十分重要的意义。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种基于卷积的极限学习机的图像识别方法，利用卷积运算随机提取图像特征，构建基于卷积的极限学习机的图像识别模型，在此基础上利用基于自适应衰减率的梯度下降算法求取隐含层节点的输出权值矩阵，实现对极限学习机模型的训练，从而缩短神经网络的训练时间，提高计算效率和图像识别准确率。
[0004]本专利技术提供的一种基于卷积的极限学习机的图像识别方法，包括以下步骤：
[0005]步骤1、采集图像形成图像数据集，对所述图像进行基于卷积运算的预处理得到图像特征向量，由所述图像特征向量与所述图像特征向量相应的标记形成训练样本；由所有所述图像对应的所述训练样本形成训练样本集；
[0006]步骤2、采用极限学习机理论，建立基于卷积的极限学习机图像识别模型，如公式(1)所示：
[0007]U1×
N
＝β1×
k
·
J
k
×
N
ꢀꢀ
(1)
[0008][0009]其中，U1×
N
∈R1×
N
表示图像识别模型的输出矩阵，N表示样本个数，k表示隐含层节点的个数，J
k
×
N
表示隐含层节点输出矩阵，S
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
×
N
∈R
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
×
N
表示极限学习机模型的输入数据，(p
‑
n
‑
m+1+q
‑
b
‑
s+1)表示每个输入样本向量的特征维数，α
k
×
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
表示输入到隐含层节点之间的输入权值矩阵，λ
k
×
N
表示隐含层节点的偏置矩阵；为可选择的非线性激活函数；α
k
×
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
和λ
k
×
N
均为随机生成，且生成后保持不变；
[0010]步骤3、采用所述步骤1形成的所述训练样本集，完成所述基于卷积的极限学习机图像识别模型的训练；
[0011]步骤4、采用所述步骤1中的所述基于卷积运算的预处理提取待识别图像的待识别图像特征向量，将所述待识别图像特征向量输入训练得到所述基于卷积的极限学习机图像识别模型，得到所述待识别图像的类型。
[0012]进一步地，所述步骤1中的对所述图像进行基于卷积运算的预处理得到图像特征向量的过程为：随机生成卷积核，且所述卷积核不变，采用所述卷积核与所述图像进行卷积运算得到所述图像特征向量。
[0013]进一步地，所述步骤1中的所述图像数据集为{X
i
,X
i
∈R
p
×
q
×3,i＝1,2,...,N}，其中，X
i
为所述图像，p为所述图像的高度，q为所述图像的宽度，3为所述图像的RGB三个颜色通道，N为所述图像的总数，i为所述图像的编号；所述图像X
i
为三元数组，表示为：X
i
＝[X
1i
,X
2i
,X
3i
]，X
1i
表示图像X
i
的R通道的分量，X
2i
表示图像X
i
的G通道的分量，X
3i
表示图像X
i
的B通道的分量。
[0014]进一步地，所述步骤1中对所述图像数据进行基于卷积运算的预处理得到图像特征向量，包括以下步骤：
[0015]步骤4.1、采用公式(2)计算所述图像X
i
的平均像素图像
[0016][0017]其中，所述平均像素图像满足
[0018]步骤4.2、采用公式(3)对所述平均像素图像进行卷积运算：
[0019][0020]其中，F
i(p
‑
n+1)
×
(q
‑
b+1)
∈R
(p
‑
n+1)
×
(q
‑
b+1)
为卷积层的输出矩阵，W
n
×
b
为二维卷积核，n、b分别为W
n
×
b
的尺寸，*表示卷积运算；W
n
×
b
为随机生成，且生成后保持不变；
[0021]采用公式(4)对所述卷积层的输出矩阵进行非线性映射：
[0022]H
i(p
‑
n+1)
×
(q
‑
b+1)
＝φ(F
i(p
‑
n+1)
×
(q
‑
b+1)
)
ꢀꢀ
(4)；
[0023]其中，H
i(p
‑
n+1)
×
(q
‑
b+1)
为输出特征映射矩阵，φ为非线性激活函数；
[0024]采用公式(5)对所述输出特征映射矩阵进行池化操作：
[0025][0026]其中，为池化层输出矩阵，P
m
×
s
为二维卷积核，m、s分别为P
m
×
s
的尺寸；P
m
×
s
中所有元素均为1，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积的极限学习机的图像识别方法，其特征在于，包括以下步骤：步骤1、采集图像形成图像数据集，对所述图像进行基于卷积运算的预处理得到图像特征向量，由所述图像特征向量与所述图像特征向量相应的标记形成训练样本；由所有所述图像对应的所述训练样本形成训练样本集；步骤2、采用极限学习机理论，建立基于卷积的极限学习机图像识别模型，如公式(1)所示：U1×
N
＝β1×
k
·
J
k
×
N
ꢀꢀꢀꢀ
(1)其中，U1×
N
∈R1×
N
表示图像识别模型的输出矩阵，N表示样本个数，k表示隐含层节点的个数，J
k
×
N
表示隐含层节点输出矩阵，S
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
×
N
∈R
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
×
N
表示极限学习机模型的输入数据，(p
‑
n
‑
m+1+q
‑
b
‑
s+1)表示每个输入样本向量的特征维数，α
k
×
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
表示输入到隐含层节点之间的输入权值矩阵，λ
k
×
N
表示隐含层节点的偏置矩阵；为可选择的非线性激活函数；α
k
×
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
和λ
k
×
N
均为随机生成，且生成后保持不变；步骤3、采用所述步骤1形成的所述训练样本集，完成所述基于卷积的极限学习机图像识别模型的训练；步骤4、采用所述步骤1中的所述基于卷积运算的预处理提取待识别图像的待识别图像特征向量，将所述待识别图像特征向量输入训练得到所述基于卷积的极限学习机图像识别模型，得到所述待识别图像的类型。2.根据权利要求1所述的图像识别方法，其特征在于，所述步骤1中的对所述图像进行基于卷积运算的预处理得到图像特征向量的过程为：随机生成卷积核，且所述卷积核不变，采用所述卷积核与所述图像进行卷积运算得到所述图像特征向量。3.根据权利要求1所述的图像识别方法，其特征在于，所述步骤1中的所述图像数据集为{X
i
,X
i
∈R
p
×
q
×3,i＝1,2,...,N}，其中，X
i
为所述图像，p为所述图像的高度，q为所述图像的宽度，3为所述图像的RGB三个颜色通道，N为所述图像的总数，i为所述图像的编号；所述图像X
i
为三元数组，表示为：X
i
＝[X
1i
,X
2i
,X
3i
]，X
1i
表示图像X
i<...

【专利技术属性】
技术研发人员：邹伟东，夏元清，李慧芳，张金会，翟弟华，戴荔，刘坤，闫莉萍，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：