技术领域

本发明涉及一种图像识别技术，尤其涉及的是一种中级视觉毒品图像识别方法。

背景技术

随着毒品的泛滥，毒品对人们的危害越来越大，轻者身体受到伤害，重者家破人亡。现在去识别毒品的方法主要靠以下几种方法：1.靠缉毒犬 2.人工缉毒（嗅闻和手捻）3.昆虫探测毒品（蜜蜂）4.毒品检测器等。这些方法很好，但也有很多不足。如果贩卖毒品人员把毒品图片放在网上销售毒品并以其它名字命名，那么以上几种方法就行不通。还有一种情况就是，比如警察扫黄打黑中不能每次都带缉毒犬，缉毒人员，和缉毒工具，这样现场可能就存在毒品，那么就会有毒品没识别出来，让它流失到市场危害人群。如果利用计算机视觉识别就会方便很多，只需要把一些现场的图片拿来测试就可知道其试不试毒品，只是需要采集大量的毒品图片去训练模型。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种中级视觉毒品图像识别方法，能够利用计算机识别毒品。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

（1）通过人工标定的方法获取毒品的图像与非毒品图像，对这些图像进行预处理与增强获得有效的方形训练图像；

（2）随机从训练集中选图像，将每一张图像分割成m个不同的部分，这m个部分即为中级视觉图，将中级视觉图放入到网络层【这个网络层是什么？】中进行自主学习，经过多次迭代，最后分配给每个中级视觉图不同的权重值即概率；

（3）将 m个中层视觉图及其概率，放入到贝叶斯中分类器中进行分类，经过多次迭代最后得到模型；

（4）将得到的模型在测试集上进行测试，根据测试结果调整训练集数据，把识别错误的物体放入到贝叶斯分类器中继续训练，得到最终的模型；

（5）随机测试某张图片在训练好的模型上，输出结果判断是哪一种毒品。

所述步骤（1）中，通过人工标定的方法，获得每种毒品的足够量的照片，随机将每个种类的毒品照片分别划分为训练集、测试集。

所述训练集和测试集的图像通过转置、水平镜像翻转、高斯模糊、添加随机噪声实现增强。

所述步骤（2）中，中级视觉图的获得方法是将整张图像中可能是物体的部分框出，并根据框出部分的坐标将其分割出来，最终得到m个不同大小中级视觉图。

每次放一定数量的图片去训练m个视觉图的权重，不断更新m个部分的权重，最后得到最终的权重，是正样本的权重占的比例大些，是负样本的权重占的小些。

一般特征提取采用的都是像素级别的特征去训练模型，比如比较热门的深度学习属于机器学习的一个分支，就是采用像素级特征去训练模型的。而本发明提出中级视觉概率的框架思想去训练模型分类网络。所谓中级视觉，其实就是把图片分割成很多小部分，如假设图片为P，那么P有很多中级视觉图片，分别记为P1，P2，..Pm。以这些中级视觉的概率作为贝叶斯分类器的输入，是正样本的权重比例大，负样本的权重比例小。本发明旨在提出构建中级视觉概率框架的方法，其中中级视觉概率与训练分类器模型集成在统一概率框架中，具有明显的可区分性和解释性，因而部分解决了深度学习的黑盒子问题，同时也有效地提升了模型的识别性能。

本发明相比现有技术具有以下优点：本发明把中层视觉和概率很好的结合在一起，为后面训练优化的模型做了铺垫，构建中层视觉和概率结合的框架，最后可以很好地训练出一个模型；中层视觉概率框架和训练紧密的链接在一起，提高的模型的准确性。