由全局向局部传递的图像特征提取方法及装置制造方法及图纸

本发明专利技术公开的由全局向局部传递的图像特征提取方法及装置，应用网络结构的每一层网络中，该方法包括：将所有输入样本的所有像素特征值排列成一个特征矩阵，对该特征矩阵进行PCA计算，获得预设数量个PCA卷积核；根据每一层网络的预设局部卷积核尺寸，在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域，将对应的两个区域进行卷积计算，直至遍历所有的输入样本和所有PCA卷积核，生成新的特征样本；将新的特征样本作为输入样本输入下一网络层，直至最后一层网络生成最终特征。本发明专利技术的方法及装置提取的图像特征兼顾了全局与局部特性，同时，降低了对样本数量和计算模块性能的要求。

【技术实现步骤摘要】

本专利技术属于智能信息处理领域，具体涉及一种由全局向局部传递的图像特征提取方法及装置。
技术介绍
深度学习是通过训练含有多层非线性结构的网络模型来实现特征学习的一类机器学习方法。当前，深度学习技术在各个领域都有着广泛的运用与发展，随着深度学习技术的研究进展，利用深度学习技术从图像数据中自动学习特征在识别与分类等问题中有着重要的应用。CNN(ConvolutionalNeuralNetwork，卷积神经网络)作为最典型的深度学习网络，在图像处理领域有着出色的表现，尤其对于大型图像处理。CNN完成网络参数学习的训练工作需要两个前提，首先是丰富的样本，其次是高速计算模块。然而，当样本数量未达到海量要求，或者计算机性能一般，未达到高速计算模块的高速并行计算能力时，怎样完成网络参数的学习，这是一个亟待解决的问题。PCA(PrincipalComponentAnalysis，主成分分析)主要用于数据降维，是一种掌握事物主要矛盾的统计分析方法，其可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。现有技术中，提取图像特征的方法是利用k1*k2大小的窗口来将每个样本生成很多块，其中，k1为窗口的宽，k2为窗口的高。比如n个样本，每个样本生成m个块，则数量为n*m个块，进行PCA计算时，计算量和耗时巨大。并且每个卷积核都是通过小块训练PCA获得，只考虑到了全局特性，未考虑到全局性。专利
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种由全局向局部传递的图像特征提取方法及装置，提取的图像特征兼顾了全局和局部的特性，且降低了传统CNN网络训练对于样本数据量以及计算模块的性能要求。本专利技术的目的是这样实现的：一种由全局向局部传递的图像特征提取方法，应用于CNN网络结构的每一层网络中，包括：将所有输入样本的所有像素特征值排列成一个特征矩阵，对该特征矩阵进行PCA计算，获得预设数量个PCA卷积核；根据每一层网络的预设局部卷积核尺寸，在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域，将对应的两个区域进行卷积计算，直至遍历所有的输入样本和所有PCA卷积核，生成新的特征样本；将新的特征样本作为输入样本输入下一网络层，直至最后一层网络生成最终特征。进一步地，所述PCA卷积核的计算过程为：构建特征矩阵，特征矩阵的每一行为当前层网络中一个输入样本的所有像素特征值的排列，形成一个n行，w*h列的矩阵，其中，w为输入样本的高，h为输入样本的宽，n为当前层网络输入样本的数量；对特征矩阵做PCA计算，获取预设数量个特征向量；将每个特征向量重排列为w行h列，作为PCA卷积核。进一步地，所述特征向量是按照元素顺序重排列的。进一步地，所述PCA计算步骤为：将特征矩阵归一化处理后，计算协方差矩阵，对协方差矩阵进行特征分解，获得特征值和特征向量，所述特征向量按照特征值的大小排列，根据预设特征值的范围，提取预设数量个特征向量。进一步地，还包括：在输入样本输入第一层网络前，归一化输入样本的尺度。利用本专利技术的方法，本专利技术另外提供了一种由全局向局部传递的图像特征提取装置。一种由全局向局部传递的图像特征提取装置，应用于CNN网络结构的每一层网络中，包括：卷积核生成模块，将所有输入样本的所有像素特征值排列成一个特征矩阵，对该特征矩阵进行PCA计算，获得预设数量个PCA卷积核；新样本生成模块，根据每一层网络预设的预设局部卷积核尺寸，在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域，将对应的两个区域进行卷积计算，直至遍历所有的输入样本和所有PCA卷积核，生成新的特征样本；特征样本输出模块，将新的特征样本作为输入样本输入下一网络层，直至最后一层网络生成最终特征。进一步地，所述卷积核生成模块包括：特征矩阵生成单元，构建特征矩阵，特征矩阵的每一行为当前层网络中一个输入样本的所有像素特征值的排列，形成一个n行，w*h列的矩阵，其中，w为输入样本的高，h为输入样本的宽，n为当前层网络输入样本的数量；特征向量生成单元，对特征矩阵做PCA计算，获取预设数量个特征向量；滤波矩阵生成单元，将每个特征向量重排列为w行h列，作为PCA卷积核。进一步地，所述滤波矩阵生成模块是将每个特征向量按照元素顺序重排列的。进一步地，所述特征向量生成单元包括：矩阵特征分解子单元，将特征矩阵归一化处理后，计算协方差矩阵，对协方差矩阵进行特征分解，获得特征值和特征向量；特征向量提取子单元，将所述特征向量按照特征值的大小排列，根据预设特征值的范围，提取预设数量个特征向量。进一步地，还包括：样本处理模块，在输入样本输入第一层网络前，归一化输入样本的尺度。本专利技术的有益效果：本专利技术通过对相应网络层所有输入样进行PCA计算，获得该层网络的全局卷积核(即预设数量个PCA卷积核)后，将该具备全局特性的全局卷积核传递到CNN网络结构中相应的网络层，再根据预设局部卷积核尺寸和预设数量，将该层网络的所有输入样本分别与相应预设数量个PCA卷积核进行局部的卷积操作，获得新的特征样本，提取的图像特征兼顾了全局和局部的特点。同时，本专利技术不仅能够降低传统CNN网络对于样本数量的要求，还降低了对计算模块的性能要求，不需要高速并行处理计算模块进行长时间的离线训练，即可完成网络参数学习，效果近似于大规模训练的结果，可快速实战或者在线学习。在PCA计算时，将输入样本的所有像素特征值直接作为处理的数据对象，不需要对输入样本进行分块，提取局部特征作为处理的数据对象，减小了PCA计算的数据量，加快处理速度。另外，本专利技术在对输入样本和PCA卷积核进行局部的卷积操作时，根据预设局部卷积核尺寸，分别在输入样本和PCA卷积核的相应位置滑动，获取输入样本局部区域和卷积核局部区域进行卷积，权值是非共享的。附图说明图1为本专利技术实施例的方法流程图；图2为本专利技术实施例PCA卷积核的计算流程图；图3为本专利技术实施例卷积计算流程图；图4为本专利技术实施例输入样本与PCA卷积核局部卷积计算过程图；图5为本专利技术一个具体实施例的特征提取效果图。具体实施例下面结合附图并通过具体实施例对本专利技术作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本专利技术的保护范围。本实施例的由全局向局部传递的本文档来自技高网...

【技术保护点】
一种由全局向局部传递的图像特征提取方法，应用于CNN网络结构的每一层网络中，其特征在于，包括：将所有输入样本的所有像素特征值排列成一个特征矩阵，对该特征矩阵进行PCA计算，获得预设数量个PCA卷积核；根据每一层网络的预设局部卷积核尺寸，在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域，将对应的两个区域进行卷积计算，直至遍历所有的输入样本和所有PCA卷积核，生成新的特征样本；将新的特征样本作为输入样本输入下一网络层，直至最后一层网络生成最终特征。

【技术特征摘要】
1.一种由全局向局部传递的图像特征提取方法，应用于CNN网络结构
的每一层网络中，其特征在于，包括：
将所有输入样本的所有像素特征值排列成一个特征矩阵，对该特征矩
阵进行PCA计算，获得预设数量个PCA卷积核；
根据每一层网络的预设局部卷积核尺寸，在输入样本和每个PCA卷积
核的对应位置分别选取预设局部卷积核尺寸的区域，将对应的两个区域进
行卷积计算，直至遍历所有的输入样本和所有PCA卷积核，生成新的特征
样本；
将新的特征样本作为输入样本输入下一网络层，直至最后一层网络生
成最终特征。
2.如权利要求1所述的由全局向局部传递的图像特征提取方法，其特征
在于，所述PCA卷积核的计算过程为：
构建特征矩阵，特征矩阵的每一行为当前层网络中一个输入样本的所
有像素特征值的排列，形成一个n行，w*h列的矩阵，其中，w为输入样本
的高，h为输入样本的宽，n为当前层网络输入样本的数量；
对特征矩阵做PCA计算，获取预设数量个特征向量；
将每个特征向量重排列为w行h列，作为PCA卷积核。
3.如权利要求2所述的由全局向局部传递的图像特征提取方法，其特征
在于，所述特征向量是按照元素顺序重排列的。
4.如权利要求2所述的由全局向局部传递的图像特征提取方法，其特征
在于，所述PCA计算步骤为：
将特征矩阵归一化处理后，计算协方差矩阵，对协方差矩阵进行特征
分解，获得特征值和特征向量，所述特征向量按照特征值的大小排列，根
据预设特征值的范围，提取预设数量个特征向量。
5.如权利要求1所述的由全局向局部传递的图像特征提取方法，其特征
在于，还包括：在输入样本输入第一层网络前，归一化输入样本的尺度。
6.一种由全局向局部传递的图像特征提取装置，应用于CNN网络结构

\t的每一层网络中，其特征在于，包括：

【专利技术属性】
技术研发人员：王耀农，
申请(专利权)人：浙江宇视科技有限公司，
类型：发明
国别省市：浙江;33