一种基于深度学习的图像识别自适应学习方法及系统技术方案

本发明专利技术涉及图像识别领域，特别是一种基于深度学习的图像识别自适应学习方法及系统。针对多场景、多标签的图像可以实现图像的自适应识别且识别结果准确。通过获取数据库中的图像数据集，利用OpenCV图像处理模型对图像数据集进行图像预处理，得到待训练图像数据集和待测试图像数据集；基于LMS自适应识别算法建立初始AGCN图像处理识别模型，基于多核变换显式计算第一AGCN图像处理识别模型和第二AGCN图像处理识别模型的图像处理识别域的均值差异，得到目标AGCN图像处理识别模型；将实时图像数据集输入目标AGCN图像处理识别模型进行图像自适应识别；判断图像自适应识别的结果是否正确，若否，则将实时图像数据集输入第一AGCN图像处理识别模型重新训练。像处理识别模型重新训练。像处理识别模型重新训练。

【技术实现步骤摘要】
一种基于深度学习的图像识别自适应学习方法及系统


[0001]本专利技术涉及图像识别领域，特别是一种基于深度学习的图像识别自适应学习方法及系统。

技术介绍

[0002]伴随多媒体技术和集成电路的发展，促进了图像技术的进步，人们利用相机得到丰富的图像数据。图片及视频图像改变了人们的生活，带给人们视觉效果的同时，人们也挖掘图像信息服务自己。图像包含丰富的数据信息，计算机视觉就是在复杂的信息中，挖掘出对人们有用的数据。计算机视觉研究课题众多，图像序列中的运动目标检测是热门研究领域。自适应识别图像中或者实时采集的图像在进行采集和自适应识别时通常会有一定的识别误差。在面对多场景、多标签的图像时难实现图像的自适应识别；在现有的图像识别技术中存在过度拟合的问题，且容易收到图像噪声的干扰。

技术实现思路

[0003]本专利技术的目的是为了解决上述问题，设计了一种基于深度学习的图像识别自适应学习方法及系统。
[0004]实现上述目的本专利技术的技术方案为，进一步，在上述一种基于深度学习的图像识别自适应学习方法中，所述所述图像识别自适应学习方法包括以下步骤：获取数据库中的图像数据集，利用OpenCV图像处理模型对所述图像数据集进行图像预处理，得到待训练图像数据集和待测试图像数据集；基于LMS自适应识别算法建立初始AGCN图像处理识别模型，所述初始AGCN图像处理识别模型包括自适应层、卷积层、池化层、全连接层和输出层；将所述待训练图像数据集输入所述初始AGCN图像处理识别模型进行训练，得到第一AGCN图像处理识别模型；获取所述待测试图像数据集，利用所述待测试图像数据集对所述第一AGCN图像处理识别模型进行测试，得到第二AGCN图像处理识别模型；基于多核变换显式计算所述第一AGCN图像处理识别模型和所述第二AGCN图像处理识别模型的图像处理识别域的均值差异，得到目标图像分类器；利用无标签图像数据优化所述目标图像分类器，得到目标AGCN图像处理识别模型；获取实时图像数据集，将所述实时图像数据集输入所述目标AGCN图像处理识别模型进行图像自适应识别；判断所述图像自适应识别的结果是否正确，若否，则将所述实时图像数据集输入所述第一AGCN图像处理识别模型重新训练。
[0005]进一步，在上述图像识别自适应学习方法中，所述获取数据库中的图像数据集，利用OpenCV图像处理模型对所述图像数据集进行图像预处理，得到待训练图像数据集和待测试图像数据集，包括：
获取数据库中的图像数据集，所述图像数据集为不同类别的图像数据，所述图像数据集至少包含2000张图片；基于OpenCV图像处理模型对所述图像数据集进行缩放、裁剪、归一化处理；得到初始图像数据集；对所述初始图像数据集进行分类，得到待训练图像数据集和待测试图像数据集。
[0006]进一步，在上述图像识别自适应学习方法中，所述基于LMS自适应识别算法建立初始AGCN图像处理识别模型，所述初始AGCN图像处理识别模型包括自适应层、卷积层、池化层、全连接层和输出层，包括：利用LMS自适应识别算法构建类别图像数据；利用多尺度图卷积网络对所述类别图像数据相关性进行建模,得到卷积图像处理识别模型；对所述卷积图像处理识别模型中的邻接矩阵赋予节点权重,得到连续图像处理识别模型;将所述类别图像数据的分类器输入至所述连续图像处理识别模型中,得到初始AGCN图像处理识别模型；所述初始AGCN图像处理识别模型包括自适应层、卷积层、池化层、全连接层和输出层。
[0007]进一步，在上述图像识别自适应学习方法中，所述将所述待训练图像数据集输入所述初始AGCN图像处理识别模型进行训练，得到第一AGCN图像处理识别模型，包括：所述待训练图像数据集至少包括一组用于训练所述初始AGCN图像处理识别模型的训练图像；所述训练图像至少包括尺寸图像信息、角度图像信息、环境图像信息、人物图像信息、动物图像信息；所述待训练图像数据集至少包含1000份训练图像；获取所述初始AGCN图像处理识别模型中的第一超参数；所述超参数包括损失函数参数、优化器参数、学习率参数；将所述待训练图像数据集和所述第一超参数输入所述初始AGCN图像处理识别模型进行训练；根据训练结果调整所述第一超参数，得到第二超参数，并基于所述第二超参数对所述初始AGCN图像处理识别模型中进行调整，得到第一AGCN图像处理识别模型。
[0008]进一步，在上述图像识别自适应学习方法中，所述获取所述待测试图像数据集，利用所述待测试图像数据集对所述第一AGCN图像处理识别模型进行测试，得到第二AGCN图像处理识别模型，包括：所述待测试图像数据集至少包括一组用于测试所述第一AGCN图像处理识别模型的图像测试信息；所述图像测试信息包括类别标签图像信息、置信度图像信息、边框图像信息；将所述待测试图像数据集输入所述第一AGCN图像处理识别模型进行测试；所述第一AGCN图像处理识别模型在测试时必须检测出所述图像测试信息中的每一个已训练的目标物，若漏检或重复检测，则进行重新训练；根据训练结果对所述第一AGCN图像处理识别模型中进行调整，得到第二AGCN图像处理识别模型。
[0009]进一步，在上述图像识别自适应学习方法中，所述基于多核变换显式计算所述第一AGCN图像处理识别模型和所述第二AGCN图像处理识别模型的图像处理识别域的均值差异，得到目标图像分类器；利用无标签图像数据优化所述目标图像分类器，得到目标AGCN图像处理识别模型，包括：获取所述第一AGCN图像处理识别模型和所述第二AGCN图像处理识别模型；利用预训练的ResNet网络作为基础网络，对所述第一AGCN图像处理识别模型进行自适应训练，得到第一图像处理识别域；利用预训练的ResNet网络作为基础网络，对所述第二AGCN图像处理识别模型进行自适应训练，得到第二图像处理识别域；基于再生核希尔伯特空间，利用多核变换显式计算所述第一图像处理识别域和所述第二图像处理识别域的均值差异，得到目标图像分类器；利用无标签图像数据优化所述目标图像分类器，得到目标AGCN图像处理识别模型。
[0010]进一步，在上述图像识别自适应学习方法中，所述获取实时图像数据集，将所述实时图像数据集输入所述目标AGCN图像处理识别模型进行图像自适应识别，包括：获取实时图像数据集，所述实时图像数据集至少包括一组待识别图像信息；所述待识别图像信息包括图像采集装置实时采集的环境图像信息、动植物图像信息、建筑物图像信息、人脸图像信息、日用品图像信息；将所述实时图像数据集输入所述目标AGCN图像处理识别模型进行一次或者多次图像自适应识别。
[0011]进一步，在上述图像识别自适应学习方法中，所述判断所述图像自适应识别的结果是否正确，若否，则将所述实时图像数据集输入所述第一AGCN图像处理识别模型重新训练，包括：判断所述图像自适应识别的结果是否正确；若否，则将所述实时图像数据集输入所述第一AGCN图像处理识别模型重新训练；若是，则向服务器或显示终端输出所述图像自适应识别的结果，并将所述图像自适应识别的结果输入至数据库中进行存储。
[0012]实现上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像识别自适应学习方法，其特征在于，所述图像识别自适应学习方法包括以下步骤：获取数据库中的图像数据集，利用OpenCV图像处理模型对所述图像数据集进行图像预处理，得到待训练图像数据集和待测试图像数据集；基于LMS自适应识别算法建立初始AGCN图像处理识别模型，所述初始AGCN图像处理识别模型包括自适应层、卷积层、池化层、全连接层和输出层；将所述待训练图像数据集输入所述初始AGCN图像处理识别模型进行训练，得到第一AGCN图像处理识别模型；获取所述待测试图像数据集，利用所述待测试图像数据集对所述第一AGCN图像处理识别模型进行测试，得到第二AGCN图像处理识别模型；基于多核变换显式计算所述第一AGCN图像处理识别模型和所述第二AGCN图像处理识别模型的图像处理识别域的均值差异，得到目标图像分类器；利用无标签图像数据优化所述目标图像分类器，得到目标AGCN图像处理识别模型；获取实时图像数据集，将所述实时图像数据集输入所述目标AGCN图像处理识别模型进行图像自适应识别；判断所述图像自适应识别的结果是否正确，若否，则将所述实时图像数据集输入所述第一AGCN图像处理识别模型重新训练。2.如权利要求1所述的一种基于深度学习的图像识别自适应学习方法，其特征在于，所述获取数据库中的图像数据集，利用OpenCV图像处理模型对所述图像数据集进行图像预处理，得到待训练图像数据集和待测试图像数据集，包括：获取数据库中的图像数据集，所述图像数据集为不同类别的图像数据，所述图像数据集至少包含2000张图片；基于OpenCV图像处理模型对所述图像数据集进行缩放、裁剪、归一化处理；得到初始图像数据集；对所述初始图像数据集进行分类，得到待训练图像数据集和待测试图像数据集。3.如权利要求1所述的一种基于深度学习的图像识别自适应学习方法，其特征在于，所述基于LMS自适应识别算法建立初始AGCN图像处理识别模型，所述初始AGCN图像处理识别模型包括自适应层、卷积层、池化层、全连接层和输出层，包括：利用LMS自适应识别算法构建类别图像数据；利用多尺度图卷积网络对所述类别图像数据相关性进行建模,得到卷积图像处理识别模型；对所述卷积图像处理识别模型中的邻接矩阵赋予节点权重,得到连续图像处理识别模型;将所述类别图像数据的分类器输入至所述连续图像处理识别模型中,得到初始AGCN图像处理识别模型；所述初始AGCN图像处理识别模型包括自适应层、卷积层、池化层、全连接层和输出层。4.如权利要求1所述的一种基于深度学习的图像识别自适应学习方法，其特征在于，所述将所述待训练图像数据集输入所述初始AGCN图像处理识别模型进行训练，得到第一AGCN图像处理识别模型，包括：
所述待训练图像数据集至少包括一组用于训练所述初始AGCN图像处理识别模型的训练图像；所述训练图像至少包括尺寸图像信息、角度图像信息、环境图像信息、人物图像信息、动物图像信息；所述待训练图像数据集至少包含1000份训练图像；获取所述初始AGCN图像处理识别模型中的第一超参数；所述超参数包括损失函数参数、优化器参数、学习率参数；将所述待训练图像数据集和所述第一超参数输入所述初始AGCN图像处理识别模型进行训练；根据训练结果调整所述第一超参数，得到第二超参数，并基于所述第二超参数对所述初始AGCN图像处理识别模型中进行调整，得到第一AGCN图像处理识别模型。5.如权利要求1所述的一种基于深度学习的图像识别自适应学习方法，其特征在于，所述获取所述待测试图像数据集，利用所述待测试图像数据集对所述第一AGCN图像处理识别模型进行测试，得到第二AGCN图像处理识别模型，包括：所述待测试图像数据集至少包括一组用于测试所述第一AGCN图像处理识别模型的图像测试信息；所述图像测试信息包括类别标签图像信息、置信度图像信息、边框图像信息；将所述待测试图像数据集输入所述第一AGCN图像处理识别模型进行测试；所述第一AGCN图像处理识别模型在测试时必须检测出所述图像测试信息中的每一个已训练的目标物，若漏检或重复检测，则进行重新训练；根据训练结果对所述第一AGCN...

【专利技术属性】
技术研发人员：何粮菊，
申请(专利权)人：深圳市诚识科技有限公司，
类型：发明
国别省市：