一种基于机器学习的图像识别系统技术方案

本发明专利技术公开了一种基于机器学习的图像识别系统，包括数据采集模块，用于获取需要识别的图像及作为样本数据集的图像信息，并对样本数据集图像进行数据标记；数据处理模块，用于对需要识别的图像进行数据预处理；特征提取模块，用于对图像进行特征提取；权重分析模块，对提取的特征进行权重分析，图像中出现多个特征时，根据特征权重进行区分；图像识别模块，用于对特征进行匹配识别，从而对图像进行识别；深度学习模块，用于建立识别模型涂勇图像识别模块中使用

【技术实现步骤摘要】
一种基于机器学习的图像识别系统


[0001]本专利技术涉及图像识别
，尤其涉及一种基于机器学习的图像识别系统
。

技术介绍

[0002]图像识别，是指利用计算机对图像进行处理
、
分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用
。
现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查
、
身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架
、
智能零售柜等无人零售领域
。
[0003]深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字
、
图像和声音等数据的解释有很大的帮助
。
它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字
、
图像和声音等数据
。
深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术
。
[0004]现有的图像识别系统在识别图像时，由于图像中出现多个特征从而对识别结果产生影响，且识别的准确率有待提高，因此，提出的一种基于机器学习的图像识别系统
。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中存在当图像中出现多个特征时而出现识别错误的情况且识别的准确率有待提高的缺点，而提出的一种基于机器学习的图像识别系统
。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于机器学习的图像识别系统，包括数据采集模块，用于获取需要识别的图像及作为样本数据集的图像信息，并对样本数据集图像进行数据标记，作为对识别效果进行判断的依据；数据处理模块，用于对需要识别的图像进行数据预处理，消除图像中无关的信息恢复有用的真实信息增强有关信息的可检测性和最大限度地简化数据从而改进特征抽取
、
图像分割
、
匹配和识别的可靠性；特征提取模块，用于对图像进行特征提取，提取的特征均为有效特征，无效特征将进行剔除；权重分析模块，对提取的特征进行权重分析，图像中出现多个特征时，根据特征权重进行区分；图像识别模块，用于对特征进行匹配识别，从而对图像进行识别；深度学习模块，用于建立识别模型涂勇图像识别模块中使用，模型需要在卷积神经网络中经过训练得到优化；所述数据采集模块将数据传输到数据处理模块，所述数据处理模块将处理好数据传输到特征提取模块，所述特征提取模块将数据传输到权重分析模块，所述权重分析模块根据分析结果将数据传输到图像分类模块，所述图像分类模块将分类好的图像数据传输到图像识别模块进行图像识别，所述图像识别模块与深度学习模块之间连接
。
[0008]本专利技术的技术方案中，所述特征提取模块为多个特征提取单元构成，所述特征提取单元提取的特征种类各不相同
。
[0009]上述技术方案进一步包括：
[0010]所述数据预处理包括以下步骤：数字化，在
M
×
N
点阵上对照片灰度采样并加以量化，可以得到计算机能够处理的数字图像；几何变换，用于改正图像采集系统的系统误差和仪器位置的随机误差；归一化，使图像的某些特征在给定变换下具有不变性质；平滑，消除图像中随机噪声；复原，校正各种原因所造成的图像退化，使重建或估计得到的图像尽可能逼近于理想无退化的像场；图像增强，对图像中的信息有选择地加强和抑制，以改善图像的视觉效果，便于图像进行识别
。
[0011]所述数据处理模块将数据传输到并行控制模块，所述并行控制模块将数据传输到特征提取模块，所述并行控制模块用于对特征提取模块进行控制，当进行特征提取时对所有特征进行同时提取，各提取之间互不干扰
。
[0012]所述特征提取模块将数据传输到特征分类模块，所述特征分类模块将数据传输到权重分析模块，所述特征分类模块用于将提取的特征进行分类，将同类特征聚合到一起
。
[0013]所述特征提取模块应用有主成分分析特征提取的方法，将预处理后的数据设置为
M
个样本
{X1,X2,...,X
M
,},
每个样本有
N
维特征每一个特征
X
j
都有各自的特征值；
[0014]首先对所有特征进行去中心化，即去均值，求出每个特征的平均值，然后对于所有的样本，每一个特征都减去自身的均值，其中各均值分别为在去中心化后再求协方差矩阵其中对角线上分别是特征
X1和
X2的方差，非对角线上是协方差，
cov(X1,X1)
的计算公式为由此得出
M
个样本在这
N
维特征下的协方差矩阵
C
；
[0015]得到协方差矩阵后，根据特征方程
C
μ
＝
λμ
求出其特征值及其对应的特征向量，其中
λ
为特征值，
μ
为其对应的特征向量，选择最大的前
k
个特征值和相对应的特征向量进行投影，投影即为降维的过程，将原始特征从高维度降低到低维度，对图像特征进行提取
。
[0016]所述数字化，使数字图像能重建原来的图像
,
对
M、N
和
b
值的大小进行了一定的要求；在接收装置的空间和灰度分辨能力范围内
,M、N
和
b
的数值越大
,
重建图像的质量就越好，当取样周期等于或小于原始图像中最小细节周期的一半时，重建图像的频谱等于原始图像的频谱，重建图像与原始图像可以完全相同；
M、N
和
b
三者的乘积决定一幅图像在计算机中的存储量，在存储量一定的条件下根据图像的不同性质选择合适的
M、N
和
b
值，以获取最好的处理效果
。
[0017]所述权重分析模块对同种特征进行权重分析，在图像特征很多的时候，权重更大的为识别主体，将其他权重小的特征进行舍弃，将其传输到图像分类模块
。
[0018]所述深度学习模块首先建立识别模型，识别模型根据需要识别的物体进行设计，并对卷积神经网络层数进行设计，模型获取的数据集分为训练数据集和测试数据集，所述训练数据集用于对模型进行训练，增强对图像识别的准确性，所述测试数据集用于对训练
完成的模型进行测试，判断训练效果，选择训练效果最好的模型投入图像识别模块中进行使用
。
[0019]本专利技术的技术方案中，所述数据处理模块除了以上操作还包括图像裁剪，将图像裁剪为一个个小的部分，对特征提取更加方便
。
[0020]本专利技术具备以下有益效果：
[0021]1、
本专利技术中，对特征权重进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的图像识别系统，包括数据采集模块，用于获取需要识别的图像及作为样本数据集的图像信息，并对样本数据集图像进行数据标记，作为对识别效果进行判断的依据；数据处理模块，用于对需要识别的图像进行数据预处理，消除图像中无关的信息恢复有用的真实信息增强有关信息的可检测性和最大限度地简化数据从而改进特征抽取
、
图像分割
、
匹配和识别的可靠性；特征提取模块，用于对图像进行特征提取，提取的特征均为有效特征，无效特征将进行剔除；权重分析模块，对提取的特征进行权重分析，图像中出现多个特征时，根据特征权重进行区分；图像识别模块，用于对特征进行匹配识别，从而对图像进行识别；深度学习模块，用于建立识别模型涂勇图像识别模块中使用，模型需要在卷积神经网络中经过训练得到优化；其特征在于，所述数据采集模块将数据传输到数据处理模块，所述数据处理模块将处理好数据传输到特征提取模块，所述特征提取模块将数据传输到权重分析模块，所述权重分析模块根据分析结果将数据传输到图像分类模块，所述图像分类模块将分类好的图像数据传输到图像识别模块进行图像识别，所述图像识别模块与深度学习模块之间连接
。2.
根据权利要求1所述的一种基于机器学习的图像识别系统，其特征在于，所述数据预处理包括以下步骤：数字化，在
M
×
N
点阵上对照片灰度采样并加以量化，可以得到计算机能够处理的数字图像；几何变换，用于改正图像采集系统的系统误差和仪器位置的随机误差；归一化，使图像的某些特征在给定变换下具有不变性质；平滑，消除图像中随机噪声；复原，校正各种原因所造成的图像退化，使重建或估计得到的图像尽可能逼近于理想无退化的像场；图像增强，对图像中的信息有选择地加强和抑制，以改善图像的视觉效果，便于图像进行识别
。3.
根据权利要求1所述的一种基于机器学习的图像识别系统，其特征在于，所述数据处理模块将数据传输到并行控制模块，所述并行控制模块将数据传输到特征提取模块，所述并行控制模块用于对特征提取模块进行控制，当进行特征提取时对所有特征进行同时提取，各提取之间互不干扰
。4.
根据权利要求3所述的一种基于机器学习的图像识别系统，其特征在于，所述特征提取模块将数据传输到特征分类模块，所述特征分类模块将数据传输到权重分析模块，所述特征分类模块用于将提取的特征进行分类，将同类特征聚合到一起
。5.
根据权利要求1所述的一种基于机器学习的图像识别系统，其特征在于，所述特征提取模块应用有主成分分析特征提取的方法，将预处理后的数据设置为
M
个样本
{X1,X2,...,X
M
,},<...

【专利技术属性】
技术研发人员：张恒基，杨阳，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：