面向嵌入式的卷積神經網絡圖像分類算法

莫建麟，王玉晶

(阿壩師范學院 電子信息與自動化學院，四川 汶川 623002)

嵌入式以其內核以及效率高的特點，在嵌入式操作系統(tǒng)軟件中以絕對的優(yōu)勢被廣泛應用。嵌入式軟件性能穩(wěn)定，不易受外界因素干擾。卷積神經網絡在本質上是一種通過機器進行學習、訓練的技術，是人工神經網絡范疇中的一項重要內容，由Hinton等人于2006年首次提出。卷積神經網絡內包含多層感知器，能夠通過組合低層特征抽象成高層分布式特征表示[1]。卷積神經網絡作為一種前饋BP算法，可以通過卷積層以及池化層的人工神經元響應在覆蓋范圍內的所有單元。卷積神經網絡以其對數據、圖像出色的處理能力，能夠廣泛應用于各個行業(yè)中，并取得良好的應用效果[2]。卷積神經網絡圖像分類算法指的就是將圖像通過卷積神經網絡劃分為多個獨立的區(qū)域，并通過區(qū)域的人工特征對區(qū)域進行分類[2]。卷積神經網絡圖像分類算法在本質上來講是一種聚類問題，通過對多個獨立的區(qū)域貼上標簽，使區(qū)域內的圖像特征一致以此實現空間相連。在我國，針對卷積神經網絡圖像分類算法的研究十分常見，雖然取得了一定的研究成果，但普遍停留在對圖像層次化的抽象階段，存在很大程度上的局限性。而針對面向嵌入式的卷積神經網絡圖像分類算法的研究領域尚屬空白，因此，本文提出面向嵌入式的卷積神經網絡圖像分類算法，在填補此處空白的同時，縮短卷積神經網絡圖像分類算法的執(zhí)行時間。

1 面向嵌入式的卷積神經網絡圖像分類算法

本文設計的面向嵌入式的卷積神經網絡圖像分類算法，共分為三個步驟逐一進行實現。面向嵌入式的卷積神經網絡圖像分類算法流程圖，如圖1所示。

圖1 面向嵌入式的卷積神經網絡圖像分類算法流程圖

結合圖1所示，使用此種技術進行圖像分類主要分為三個步驟，針對這三個步驟的具體研究內容，如下文所示。

1.1 確定卷積神經網絡圖像分類特征

在此進行假設性分析，如果Ueruben圖像庫有幅圖像，可以將這些圖像看做一個數據集合，為確定數據集的卷積神經網絡圖像分類特征，將數據集設為x，可得的計算公式x，如公式(1)所示。

x∈rdB

(1)

在公式(1)中，r指的是數據集中圖像分類的區(qū)域特征；d指的是圖像分類的區(qū)域特征維數；B指的是圖像分類的邏輯矢量。在上述圖像數據集合中，假設現有的圖像分類標簽數量為c，每一個圖像分類的子區(qū)域都應與每一個圖像分類標簽是一一對應關系，其公式如公式(2)所示。

(2)

在公式(2)中，g指的是圖像分類子區(qū)域的標簽向量；n指的是圖像分類子區(qū)域的標簽特征維數；u指的是圖像分類標簽參數。在確定圖像分類標簽的基礎上，確定圖像分類特征[3]。設圖像分類特征為q，則q的計算公式，如公式(3)所示。

在公式(3)中，y為參數，表示圖像分類權重，以計算求得的圖像分類權重為基礎，結合圖像特征維數，將圖像進行分類，得到多個獨立的區(qū)域圖像。

1.2 建立拉普拉斯卷積神經網絡圖像分類矩陣

在確定卷積神經網絡圖像分類特征的基礎上，面向嵌入式GUI開發(fā)環(huán)境，使得各個區(qū)域圖像更容易傳遞，建立拉普拉斯卷積神經網絡圖像分類矩陣。在卷積神經網絡圖像分類算法中，建立矩陣的基礎是求得多個獨立的區(qū)域圖像之間的相似度[4]。設多個獨立的區(qū)域圖像之間的相似度為s，則運用近鄰傳播聚類算法，得出的s的計算公式，如公式(4)所示。

(4)

在公式(4)中，a指的是標注的圖像分類空間平滑系數；f指的是標注的圖像分類空間摩擦系數。得出多個獨立的區(qū)域圖像之間的相似度后，對拉普拉斯卷積神經網絡圖像分類矩陣進行求解。設拉普拉斯卷積神經網絡圖像分類矩陣為r，則r的計算公式，如公式(5)所示。

(5)

在公式(5)中，s表示圖像分類標簽與對應區(qū)域的約束條件；T表示圖像分類中的運算矩陣積;v指的是圖像分類標簽與圖像分類子區(qū)域標簽的對應函數關系[5]。建立拉普拉斯卷積神經網絡圖像分類矩陣，通過特征融合，將同類圖像進行聚類，使圖像分類特征傳播進度加快，便于圖像分類。

1.3 面向嵌入式執(zhí)行卷積神經網絡圖像分類

在得到拉普拉斯卷積神經網絡圖像分類矩陣的基礎上，面向嵌入式系統(tǒng)對圖像數據訪問速度進行優(yōu)化。考慮到在卷積神經網絡圖像分類算法中，卷積神經網絡圖像分類的讀寫速度過慢，在對圖像像素點進行處理時，必然需要大量的等待時間。本文面向嵌入式系統(tǒng)采用Mat數據結構的方式對圖像分類特征進行存儲，存儲具體規(guī)則按照從上到下執(zhí)行。通過將卷積神經網絡圖像分類結果以一串地址連續(xù)數據的方式進行指針操作，從根本上避免了傳統(tǒng)圖像分類數據存儲中繁瑣的尋址過程[6-8]。通過嵌入式系統(tǒng)接訪問卷積神經網絡圖像分類結果，減少每一次尋找圖像像素點內存的尋址時間。在此基礎上，利用嵌入式系統(tǒng)中用于圖像分類處理的庫函數，將OpenCV移植到NanoPC-T3中，實現面向嵌入式的卷積神經網絡圖像分類算法執(zhí)行功能。面向嵌入式的NanoPC-T3執(zhí)行結構，如圖2所示。

圖2 面向嵌入式的NanoPC-T3執(zhí)行結構

結合圖2所示，由于Qt在嵌入式系統(tǒng)內具有大量的使用量，而Qt本身具有復雜性。因此，在面向嵌入式執(zhí)行卷積神經網絡圖像分類算法時，需要通過數學近似公式，在保證卷積神經網絡圖像分類精度的同時，將卷積神經網絡圖像分類算法進行面向嵌入式的簡化。設數學近似簡化函數為arctan(c)，則其計算如公式(6)所示。

(6)

在公式(6)中，p表示逼近值。上述公式可以實現圖像分類算法的化簡。本文方法的核心思想，就是將的圖像特征標簽看成一個近鄰傳播聚類的中心，再將這些標簽(中心)化作圖像分類中的節(jié)點，將所有區(qū)域圖像的相似程度進行聚類，并以相似程度為傳遞方向，傳遞出去。另外，需要注意的是，聚類中心應從屬于實際數據集合中，即聚類中心應在數據集合中可查[9]。在聚類中心點中選取出最佳分類點的數據集合，稱之為exemplar類代表點，保證每個數據點到最近的類代表點的相似度之和最大。至此，結束面向嵌入式的卷積神經網絡圖像分類。

2 對比實驗

2.1 實驗準備

上述研究從理論上說明了方法運用，下面以仿真實驗的方式驗證圖像分類中實際執(zhí)行時間是否合格。此次實驗以Ueruben圖像庫作為素材數據庫，從中選擇6種不同圖像進行仿真實驗，包括大樹、火車、房子、人像、花以及飛機。本次對比實驗選取的圖像具體參數信息，如表1所示。

表1 圖像具體參數信息

結合表1信息，將六幅圖像的偏向參數設置為初始值，阻尼系數設置為 0.65，圖像分類區(qū)域合并的面積閾值為150。運用傳統(tǒng)分類方法與本文設計方法進行對比實驗，設本文方法為實驗組，傳統(tǒng)圖像分類方法為對照組。仿真驗證環(huán)境為：Weapectl7.7.0仿真實驗軟件，主要用于對圖像分類的仿真模擬。對比實驗中，將本文方法與傳統(tǒng)方法分別對圖像進行分類，對比其執(zhí)行時間，驗證本文設計方法的有效性。運用Weapectl7.7.0仿真實驗軟件，測得不同方法下的執(zhí)行時間，以此為依據，對比兩種方法下的圖像分類執(zhí)行能力。

2.2 實驗結果分析與結論

為更直觀地表現出兩種圖像分類算法在圖像分類執(zhí)行時間之間的差異性，特將圖像分類執(zhí)行時間對比結果以表格的形式進行對比，如表2所示。

表2 圖像分類執(zhí)行時間對比

由表2對比數據可以看出：面向嵌入式的卷積神經網絡圖像分類算法在進行圖像分類時執(zhí)行時間較短，相較于傳統(tǒng)方法執(zhí)行時間縮短了兩倍，說明本文方法的圖像分類更有效率，可以實現快速卷積神經網絡圖像分類。經過上述對比實驗驗證，充分證明了面向嵌入式的卷積神經網絡圖像分類算法的有效性，可以廣泛應用于卷積神經網絡圖像分類方面。

結語

通過對比實驗證明，面向嵌入式的卷積神經網絡圖像分類算法在卷積神經網絡圖像分類中的具體優(yōu)勢已經顯現出來。執(zhí)行時間是衡量圖像分類效率的重要指標，而針對卷積神經網絡圖像分類算法進行面向嵌入式的優(yōu)化設計可以大幅度提高圖像分類的執(zhí)行速度。圖像分類算法分類效率更高，可以實現快速卷積神經網絡圖像分類，相較于傳統(tǒng)方法存在一定優(yōu)勢，可為圖像分類領域研究提供參考。本文不足之處在于沒有對面向嵌入式的弱監(jiān)督圖像分類算法進行深入分析，未來將對這一問題進行補充性研究。