基于卷積神經網絡的圖像識別算法的探究

王巖 姬一波

【摘要】? ? 近年來，社會經濟快速發展的同時，計算機信息技術更新的速度不斷加快，逐漸滲透到各個領域當中，為人們帶了極大的便捷。互聯網的普及也使得信息量呈爆炸式增長，卷神經網絡能夠大幅度提升圖像的識別率，從而更加高效的挖掘圖片信息數據，人工智能技術越來越成熟，深度學習也備受人們的高度關注。傳統圖像識別技術相對落后，且識別率低，面對海量的圖像信息數據，傳統識別方式顯然已經無法滿足當前的實際需求。

【關鍵詞】? ? 卷積神經網絡? ? 圖像識別? ? 算法? ? 邏輯回歸

引言：

卷積神經網絡是一種基于人工神經網絡，并將深度學習理論融入其中，從而探索出的一種新型識別算法，這也是目前圖像識別領域發展過程中的重點研究方向。自上世紀九十年代末以來，CNN識別技術便步入了高速發展階段，且逐漸趨于穩定，但是該網絡技術結構存在一定局限性，在對自然圖像進行識別過程中，整體效率與速度依然存在不足之處，無法達到理想化的程度。為了有效改進與優化CNN在自然圖像識別過程中的整體效果，文章通過對當前CNN網絡結構進行了深入分析，并進一步提出了自然圖像識別的卷神經網絡算法，從而逐步實現CNN識別算法可在短期時間之內進行快速收斂，從而達到理想的識別效果。

一、圖像識別與卷神經網絡簡述

1.1圖像識別算法

1.1.1貝葉斯分類法

該方法是統計學中的一種，以統計學為基礎，并采用葉貝斯定理對其進一步分類，這樣的分類方法可以將分類問題逐漸轉化為概率的形式進行表達，并且概率為已知，對圖像特征進行提取分類，通過貝葉斯定理公式計算驗證，之后將圖像進行分類，公式如下：

從以上公式當中我們能夠看到，P（B）能夠表明B條件下的概率，P（AB）指的是相同條件下實現概率，P（A/B）指的是B條件發生后，A件的發生概率。該方法有一定的缺點，并非每個圖像都可有效提取具有一定代表性的特點，當出現該情況時，采用該方法進行圖像分類，會造成圖像分類出現非常大的誤差[1]。

1.1.2模板匹配法

從名字當中便能夠看的出來，其是由根據模板在目標圖像當中對其進行匹配，這樣的方法也被廣泛應用于圖像處理過程中。具體的過程為，先制定模板，之后再針對目標圖像以及對應模式，匹配和模板大致相似的圖像，比較相似的部分還包含圖像的方向與大小，再經過匹配之后，便能夠確定圖像的具體位置。這樣的方法也存在缺點和不足，需要結合圖像設計類似的模板，因此對設計者的研究經驗要求較高[2]。

1.2卷積神經網絡

卷積神經網絡結構屬于人工神經網絡，對映射特征圖和卷積神經網絡當中的卷積核進行計算，并采用函數計算，一般經常使用的是雙曲正切函數。卷積層獲取圖像特征，從不同局域獲取單元節點數據，需要覆蓋整個數據集，如果是相同的圖像，使用卷積核時是不同的，輸入圖像不同，應當采用相同卷積核，這便是權值共享。在池化層當中，為降低平面圖大小，可取映射平面圖中的矩形區域最大值，這樣可有效降低平面圖大小，并且維持空間不發生變形，避免發生過度擬合的情況。如映射層面特征圖大小為8**，在經過池化后，便會得到4*4大小的特征圖[3]。

二、基于卷積神經網絡的圖像識別算法設計

2.1 Mapreduce編程結構模型

Mapreduce是一種并行編程模型，主要應用于大型計算機集群工作中，可對TB、PB數據集進行有效處理，編程模型具有包容性強、操作簡單以及整體擴展能力強等諸多優勢和特征，被廣泛應用于計算機科學領域當中，Mapreduce編程結構是一種樹狀圖結構，采用主節點對大數據集操作模塊進行管理，主節點之后再將任務分發到不同分界點，由分節點對數據進行處理后匯總到主節點。Mapreduce整個處理過程中主要是由Map函數與Reduce函數兩個部分共同組成，兩個函數的具體處理任務也有很大不同，Map函數是對需要進行處理的任務進行分解為多個模塊，Ruduce函數是對完成處理之后的模塊匯總。流程如下圖1所示。

2.2基于Mapreduce的CNN算法設計

該算法是對所訓練數據進行分類，分為大致相同的小部分，和Hadoop平臺中的節點對應，并且通過平均分布的方式進行有效存儲，通過不同節點儲存CNN網絡數據，進行網絡訓練過程，Mapper任務接受數據，可作用在不同節點，并利用正向和方向傳播，計算權值和偏置的變化量，并形成中間鍵數值，完成樣本計算后，對本地文件進行處理，本地文件進行匯總處理之后，各次訓練獲取到的數據再寫進全局文件當中[4]。

2.3 CUDA技術及平臺分析

CUDA編程模型屬于一種能夠支持GPU處理計算的數據開發利用環境，其由NVIDIA公司提出，GPU是一種圖像處理器，GPU的發展及應用大幅度提升了計算機圖形的處理效率與質量，且對計算機圖像仿真、虛擬現實環境以及圖像處理技術等領域的發展具有重要的促進作用。CUDA和GPU之間的有效結合，使得編程人員在CUDA平臺上可采用一般通用化的匯編語言C語言進行匯編，之后再采用GPU完成匯編程序整個運行過程，這樣便不需要單獨的去學習圖像知識，從而有效降低GPU數據計算的難度，使其更加簡化，從而大幅度提升了系統的整體穩定性。CUDA平臺下的數據處理結構由CPU與GPU兩者共同組成，GPU+CPU結構可有效提升計算機性能，同時也能夠節約能源。[5]

2.4多區域邏輯回歸計算的網絡具體改進方法

圖像識別過程中，為了不斷提升實際訓練過程及速度，是需要針對圖像實際情況，對其進行預處理的，這樣也能夠有效去除圖像當中過多的干擾信息數據，之后再對處理之后的圖像進行劃分以及識別，文章將其主要劃分為5個區域，即四個角區域與中心區域，在測試識別過程中，只對中間區域進行測試。

三、圖像識別結果分析

3.1結果

通過系統的篩選以及訓練整個過程，輸入系統當中的數據集主要分為兩類結果：系統預測分類和期望值符合情況下，系統會顯示分類正確，系統預測分類各期望值不相符情況下，系統會顯示分類錯誤的情況，采用通用數據集輸入接口方式，這樣可對數據集進行合理有效分類。

3.2不同區域測試對識別結果產生的影響

這里主要采用的是COFAR10數據集測試，系統會針對每個具體測試結果以及錯誤率進行合理保存，并采用Python腳本查看錯誤率的整個變化狀況，每個epoch為128個樣本。對參數與網絡結構參數進行調整，在未采用邏輯回歸計算時，系統分類錯誤率為18%，采用邏輯回歸后，系統分類錯誤率為13.4%，準確率大幅度提升。原始圖像處理過程中，圖像未經裁剪，但在MR-CNN-G使用過程中，圖像是經過裁剪的，訓練過程中，前者所用時間更少，在測試環節當中，時間明顯增加了。

四、結束語

近年來，隨著互聯網計算機技術的快速發展與普及，已經逐漸滲透進人們生活中的方方面面，為人們帶來了極大的便捷，圖像識別算法作為一項新型的技術，經過長期的發展，CNN算法也取得了顯著的成果，通過對其進行優化改進之后，運用到圖像識別過程中，這樣也極大的提升了圖像識別的實際準確率，并且在整個提升過程當中，數據處理效果明顯增加，但是就目前現狀來看，依然存在諸多問題，如圖像處理過程復雜化，預處理時間也比較長，在對GPU引入過程中，因為數據接口不通用，因此，需要選擇及輸入相關數據集。

參? 考? 文? 獻

[1]張榮磊， 田愛奎， 譚浩，等. 基于卷積神經網絡的圖像識別算法研究[J]. 山東理工大學學報（自然科學版）， 2018， 032（001）：48-50.

[2]田壯壯， 占榮輝， 胡杰民，等. 基于卷積神經網絡的SAR圖像目標識別研究[J]. 雷達學報， 2016， 5（3）33-34

[3]杜蘭， 劉彬， 王燕，等. 基于卷積神經網絡的SAR圖像目標檢測算法[J]. 電子與信息學報， 2016（12）.22-23

[4]許振雷， 楊瑞， 王鑫春，等. 基于卷積神經網絡的樹葉識別的算法的研究[J]. 電腦知識與技術， 2016， 12（010）：194-196.

[5]李志明. 基于卷積神經網絡的虹膜活體檢測算法研究[J]. 計算機工程， 2016， 42（005）：239-243，248.