技术摘要：
本申请公开了一种基于卷积神经网络的图像识别方法，所述方法包括获取原始图像；对所述原始图像进行预处理；将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特  全部
背景技术：
随着科学技术的发展,图像识别技术已经逐渐应用于越来越多的领域，与此同时， 图像识别的准确性、可靠性和实时要求也越来越严格。卷积神经网(CNN)可以很好地用于处 理图像处理和理解任务，但该模型中的BP神经网络过于简单，需要大量的训练进行多次迭 代。且BP采用下行梯度训练法，使模型收敛缓慢，容易达到局部优化，影响最终识别精度。 Fu.M.Y等提出了利用Hu不变矩进行特征值提取和交通标志检测的交通标志检测 方法,该方法快速可靠识别率高。但它提取的表示是低维特征和无层次信息,仅限于简单的 检测和识别工作，不需要更多的图像信息。Shen  X等人采用灰度共生(GLCM)来提取图像的 纹理信息，并使用已学习的表示来进行识别，该方法只能将低维特征手工提取为Hu不变矩， 结合其他方法进行改进。牛晓晓等提出了CNN-svm模型来识别手写数字，该方法使用SVM来 提高CNN的识别精度，但它只在简单的手写数字上进行实验。现有的图像识别方案，还存在 以下缺点 1.BP神经网络采用下行梯度训练法，使模型收敛缓慢，容易达到局部优化，影响最 终识别精度； 2.现有的卷积神经网络(CNN)在多个图像识别中识别精度不高。
技术实现要素：
为了解决现有技术中存在的缺点和不足，本发明提供了用于提高识别精度的图像 分类方法，能够很好的提取图像的特征。 为了实现上述目的，本发明是通过如下的技术方案来实现： 本发明的一种基于卷积神经网络的图像识别方法，其特征在于，包括以下几个步 骤： 获取原始图像； 对所述原始图像进行预处理； 将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化 后的特征图； 将池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征 张量； 将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得 到图像属于各个类别的概率； 根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果。 优选的，所述对所述原始图像进行预处理，包括如下步骤： 4 CN 111553438 A 说　明　书 2/6 页 步骤A1，构建原始图像的像素值： 其中，x代表原始图像的像素值，a11代表横纵坐标为1的点的像素值，n,k代表不同 相机拍出的像素值大小，图片尺寸是不同的； 步骤A2，根据以下公式得到预处理后的图像： 其中，xi代表第i个原始图像的像素值， 代表预处理后第i个原始图像的像素值，ε 代表非0常数，m代表所述原始图像的数目。 优选的，所述卷积神经网络的每个卷积层后均连接一个与所述卷积层对应的ReLU 激活层，ReLU激活函数的表达式是ReLU(q)＝max(0,q)，其中q表示激活层的输出。 优选的，所述卷积层采用3×3的卷积核，步长为1，卷积层提取出的特征映射的大 小为((W-F)/S) 1，其中，W是输入的大小，F是卷积核的大小，S是步长。 优选的，所述池化层的滑动窗口大小为2×2，步长为2，越界时，以0填充，采用平均 池化方式进行池化。 优选的，所述卷积层为了与ReLU层的激活函数对应，所述每个激活层的节点与前 一层卷积层的节点之间对应有一个权重参数。 优选的，所述卷积层都有其对应的权重矩阵参数，所述权值矩阵的初始化采用预 训练初始化。 优选的，所述全连接层将池化后特征图转换成tensor张量值，全连接层每个神经 元的激活函数采用ReLU函数。 所述根据以下公式得到图像属于各个类别的概率： 其中，z代表全连接层的输出值，Softmax的输入，C代表一共几种类别，yt代表预测 对象属于第几类的概率，e代表无理数，其值是2.71828...。 优选的，所述根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分 类结果，包括如下步骤： 步骤A1，根据以下公式获取图像分类概率最大值： y＝max(yt) 其中，yt代表预测对象属于第几类的概率，y代表图像分类概率最大的值； 5 CN 111553438 A 说　明　书 3/6 页 步骤A2，根据y图像分类概率最大的值对应的类别确定图像分类结果，最终输出图 像分类结果。 本申请公开了一种基于卷积神经网络的图像识别方法，所述方法包括获取原始图 像；对所述原始图像进行预处理；将预处理后的图像输入到卷积神经网络中交替分布的卷 积层和池化层，获取池化后的特征图；池化后的特征图输入到卷积神经网络中的全连接层， 获取全连接层的图像特征张量；将全连接层的图像特征张量输入到卷积神经网络中的最后 一层，即Softmax层，得到图像属于各个类别的概率；根据图像属于各个类别的概率，得出图 像分类结果，最后输出图像分类结果，本发明通过采用卷积神经网络，并且采用预训练模式 初始化权重值，具有较深网络层，能够高效的提取图像的特征，达到图像更精准的分类。 附图说明 图1是本发明的基于卷积神经网络的图像识别方法工作流程图；