本技术公开了一种图像识别方法及系统，包括获取目标图像；对输入的目标图像进行预处理；在预设的卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，并将特征放大，将放大后的特征进行融合，获取特征融合后的特征表达；采用分类器对融合后的特征进行图像分类；对分类后的图像特征进行卷积操作学习辨认，得到卷积神经网络的输出。通过添加特征提取层，将图像特征放大并融合，有利于某些特征不明显的图像的提取，从而能够有效的提升图像识别率。
技术要求
1.一种图像识别方法，其特征在于，包括如下步骤：
步骤1，获取目标图像，所述目标图像为待识别的图像；步骤2，对输入的目标图像进行预处理；
步骤3，在预设的卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，并将特征放大；
步骤4，将放大后的特征进行融合，获取特征融合后的特征表达；步骤5，采用分类器对融合后的特征进行图像分类；
步骤6，对分类后的图像特征进行卷积操作学习辨认，得到卷积神经网络的输出。
2.根据权利要求1所述的图像识别方法，其特征在于，所述对目标图像进行预处理包括将
目标图像转化为灰度图像，采取图像调整和直方图均衡化操作来增强图像对比度。
3.根据权利要求1所述的图像识别方法，其特征在于，所述步骤3的特征放大采用将特征点
在RGB空间变换到HLS色彩空间，变换公式如下：
Vmax＝max(R，G，B)Vmin＝min(R，G，B)
L = V m a x + Vmin 2
S = V max - V min V max + V min L < 0.5 V max - V min 2 - ( V max + V min ) L ≥ 0.5
H = 60 ( G - B ) / S V max = R 120 + 60 (B - R ) / S V max =G 240 +60 ( B - R ) / S Vmax = B .
4.根据权利要求1所述的图像识别方法，其特征在于，所述分类器采用支持向量机。5.一种基于权利要求1所述的图像识别方法的图像识别系统，其特征在于，包括图像获取
模块、特征提取模块和结果输出模块，其中：
所述图像获取模块，用于获取目标图像，所述目标图像为待识别的图像，并对输入的目标图像进行预处理；
所述特征提取模块，用于通过在预设的卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，将特征放大，并将放大后的特征进行融合，获取特征融合后的特征表达，采用分类器对融合后的特征进行图像分类；
所述结果输出模块，用于将对分类后的图像特征进行卷积操作学习辨认，得到卷积神经网络的输出。
6.根据权利要求5所述的图像识别系统，其特征在于，所述图像获取模块可以为手机或平
板电脑。
技术说明书
一种图像识别方法及系统技术领域
本技术属于图像识别技术领域，具体涉及一种图像识别方法及系统。背景技术
图像识别就是用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。识别过程包括图像预处理、图像分割、特征提取和判断匹配。简单来说，图像识别就是计算机如何像人一样读懂图片的内容。借助图像识别技术，我们可以通过图片搜索更快的获取信息。
常规的图像识别技术主要是利用图像分类模型识别出图像中的物体，进而按照该物体的类别对该图片进行描述，具体的说就是从图像中提取出特征点，然后利用该特征来对图像进行识别。目前，被用于图像识别的主要方法有小波分析，支持向量机(SVM)，遗传算法，神经网络算法等。
卷积神经网络(Constitutional Neural Networks,CNN)是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。卷积神经网络使用了针对图像识别的特殊结构，可以快速训练。但传统的卷积神经网络是把图像逐层映射，映射到最后一层提取特征结果，导致识别图像的效率和正确率不够。技术内容
1、本技术的目的。
本技术提供了一种图像识别方法及系统，通过在卷积神经网络中加入特征提取层，将图像特征放大并融合，增强其特征提取能力，有利于某些特征不明显的图像的提取，从而能够有效的提升图像识别率。
2、本技术所采用的技术方案。
一种图像识别方法，包括如下步骤：
步骤1，获取目标图像，所述目标图像为待识别的图像；
步骤2，对输入的目标图像进行预处理；
步骤3，在预设的卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，并将特征放大；
步骤4，将放大后的特征进行融合，获取特征融合后的特征表达；步骤5，采用分类器对融合后的特征进行图像分类；
步骤6，对分类后的图像特征进行卷积操作学习辨认，得到卷积神经网络的输出。进一步地，所述对目标图像进行预处理包括将目标图像转化为灰度图像，采取图像调整和直方图均衡化操作来增强图像对比度。进一步地，所述分类器采用支持向量机；
基于以上图像识别方法的图像识别系统，包括图像获取模块、特征提取模块和结果输出模块。
所述图像获取模块，用于获取目标图像，所述目标图像为待识别的图像，并对输入的目标图像进行预处理。
所述特征提取模块，用于通过在预设的卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，将特征放大，并将放大后的特征进行融合，获取特征融合后的特征表达，采用分类器对融合后的特征进行图像分类。
所述结果输出模块，用于将对分类后的图像特征进行卷积操作学习辨认，得到卷积神经网络的输出。
进一步地，所述图像获取模块可以为手机或平板电脑。
3、本技术的有益效果。
本技术与现有技术相比，其显著优点：
1)通过增加特征提取层，能够对于卷积神经网络的特征提取过程进行指导，增强了特征提
取能力，提高识别效率；
2)对于输入的图像不需要过多的人工预处理。
附图说明
图1是图像识别方法的流程图；图2是图像识别系统的框图。具体实施方式实施例
下面结合附图，对本技术的具体实施方式进行描述，图1为图像识别方法的流程图，包括以下步骤：
在步骤101中，获取目标图像，所述目标图像为待识别的图像。
在步骤102中，对输入的目标图像数据进行预处理，所述对目标图像进行预处理包括将目标图像转化为灰度图像，采取图像调整和直方图均衡化操作来增强图像对比度。在步骤103中，在预设的卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，并将特征放大；在本实施例中，特征点在RGB空间内不是特别的明显，通过变换色彩空间的方法对其特征进行放大，将原来的RGB数据变换到HLS色彩空间；
变换公式如下所示:
Vmax＝max(R，G，B)Vmin＝min(R，G，B)
在步骤104中，将放大后的特征进行融合，获取特征融合后的特征表达。
在步骤105中，采用分类器对融合后的特征进行图像分类，该分类器采用支持向量机。
在步骤106中，对分类后的图像特征进行卷积操作学习辨认，得到卷积神经网络的输出。基于以上识别方法的图像识别系统，如图2所示，包括图像获取模块201、特征提取模块
202和结果输出模块203。
图像获取模块201，用于获取目标图像，所述目标图像为待识别的图像，并对输入的目标图像进行预处理。
特征提取模块202，用于通过在预设的卷积神经网络结构中加入特征提取层增强卷积神经网络对于图像特征的提取能力，将特征放大，并将放大后的特征进行融合，获取特征融合后的特征表达，采用分类器对融合后的特征进行图像分类。
结果输出模块203，用于将对分类后的图像特征进行卷积操作学习辨认，得到卷积神经网络的输出。
所述图像获取模块可以为手机或平板电脑。
上述实施例不以任何方式本技术，凡是采用等同替换或等效变换的方式获得的技术方案均落在本技术的保护范围内。
