基于卷積神經網絡的圖像識別研究

謝慧芳 劉藝航 王梓 王迎港

摘 要：為降低圖像識別誤識率，文章采用卷積神經網絡結構對圖像進行識別研究。首先，對輸入圖像進行初始化；然后，初始化后的圖像經卷積層與該層中卷積核進行卷積，對圖像進行特征提取，提取的圖像特征經過池化層進行特征壓縮，得到圖像最主要、最具代表性的點；最后，通過全連接層對特征進行綜合，多次迭代，層層壓縮，進而對圖像進行識別，輸出所識別圖像。與原始算法相比，該網絡構造可以提高圖像識別準確性，大大降低誤識率。實驗結果表明，利用該網絡模型識別圖像誤識率低至16.19%。

關鍵詞：卷積神經網絡；卷積核；特征提取；特征壓縮

1 算法原理

卷積神經網絡的卷積層最重要部分為卷積核[1-2]。卷積核不僅能夠使各神經元間連接變少，還可以降低過擬合誤差[3]。子采樣過程就是池化過程。進行卷積過程是將卷積核與預測試圖像進行卷積，子采樣能夠簡化網絡模型，降低網絡模型復雜程度，從而縮減參數。

在圖像識別時，首先需要對輸入圖像初始化，然后將初始化后圖像進行卷積和采樣，前向反饋到全連接層，通過變換、即可計算進入輸出層面，最終通過特征增強效果和邏輯之間的線性回歸判斷是否符合圖像識別期望效果，往復循環，每循環一次就迭代一次，進而對圖像進行識別。流程如圖1所示。

2 卷積神經網絡

卷積神經網絡主要包括3個層次[4]，它由輸入層、隱藏層、輸出層共同建立卷積神經網絡模型結構。

2.1 卷積層

卷積層的作用是提取特征[2]。卷積層的神經元之間進行局部連接，為不完全連接[5]。卷積層計算方法公式如下。

其中λ為激活函數，array是灰度圖像矩陣，M表示卷積核，表示卷積，a表示偏置值大小。Gx方向和Gy方向卷積核。

本文卷積神經網絡模型中設定的卷積核分為水平方向和豎直方向。卷積層中卷積核通過卷積可降低圖像邊緣模糊程度，使其更為清晰，效果更好、更為顯著。經過S型函數激活處理之后，進行歸一化后圖像灰度值具有層次感，易于突出目標區域，便于進一步處理。

2.2 全連接層

該層主要對信息進行整理與合并，全連接層的輸入是卷積層和池化層的輸出。在視覺特征中，距離最近點顏色等特征最為相似，像素同理。全連接如圖2所示。

3 實驗結果與分析

本文采用數據集庫是MSRA數據集，該數據集共包含1 000張圖片。實驗環境為Matlab2015a實驗環境，Windows 7以上系統和無線局域網絡。本文從MSRA數據集中選取其中一張進行效果分析。卷積神經網絡模型識別效果如圖3所示。

誤識率是描述圖像識別過程中對整個樣本中所有圖像識別錯誤概率。該網絡模型算法和原始算法誤識率對比，如表1所示。

由表1可知，隨著迭代次數逐漸增加時，兩種算法誤識率都有較大程度降低，但本文算法誤識率明顯比原始算法低。經100次迭代與更新后，原始算法誤識率降至20.00%，卷積神經網絡模型即本文算法誤識率降至16.19%。

4 結語

本文首先輸入原始圖像，然后對輸入圖像進行初始化，卷積層的卷積核對初始化的圖像進行卷積，提取圖像中最具代表性特征點；接著提取圖像特征進入池化層后池化層會對圖像特征點進行歸類壓縮，提取最具代表性的圖像特征，從而對圖像進行識別，最后輸出識別圖像。實驗結果顯示，本文算法即利用卷積神經網絡結構對圖像進行識別能大大降低圖像誤識率，且本文算法誤識率低至16.19%。圖像識別在生活中應用非常廣泛，應用領域也很廣。相信在未來幾年或幾十年，圖像識別將會引領時代主流，成為人工智能的重要研究方向。

[參考文獻]

[1]DAMIEN V，BERNARD H，DAVID B.Iterative reconstruction for transmission tomography on GPU using Nvidia CUDA [J].Journal of University Tsinghua （Science and Technology），2010（1）：11-16.

[2]SEO J J，KIM H I，RO Y M.Pose-robust and discriminative feature representation by multi-task deep learning for multi-view face recognition[C].Miami：IEEE International Symposium on Multimedia，2015：166-171.

[3]DEHAO C，WENGUANG C，ZHENG，et al.CUDA-Zero：a framework for porting shared memory GPU applications to multi-GPUs[J]. Science China（Information Sciences），2012（3）：663-676.

[4]劉尚旺，段德全，崔艷萌，等.二次定位車牌分割及識別方法[J].河南師范大學學報（自然科學版），2016（4）：151-156.

[5]姜輝，張博，連曉新，等.基于ANN的模擬空氣擊穿電壓預測方法研究[J].電網與清潔能源，2014（9）：5-11.