莫建麟,王玉晶
(阿壩師范學(xué)院 電子信息與自動(dòng)化學(xué)院,四川 汶川 623002)
嵌入式以其內(nèi)核以及效率高的特點(diǎn),在嵌入式操作系統(tǒng)軟件中以絕對的優(yōu)勢被廣泛應(yīng)用。嵌入式軟件性能穩(wěn)定,不易受外界因素干擾。卷積神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是一種通過機(jī)器進(jìn)行學(xué)習(xí)、訓(xùn)練的技術(shù),是人工神經(jīng)網(wǎng)絡(luò)范疇中的一項(xiàng)重要內(nèi)容,由Hinton等人于2006年首次提出。卷積神經(jīng)網(wǎng)絡(luò)內(nèi)包含多層感知器,能夠通過組合低層特征抽象成高層分布式特征表示[1]。卷積神經(jīng)網(wǎng)絡(luò)作為一種前饋BP算法,可以通過卷積層以及池化層的人工神經(jīng)元響應(yīng)在覆蓋范圍內(nèi)的所有單元。卷積神經(jīng)網(wǎng)絡(luò)以其對數(shù)據(jù)、圖像出色的處理能力,能夠廣泛應(yīng)用于各個(gè)行業(yè)中,并取得良好的應(yīng)用效果[2]。卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法指的就是將圖像通過卷積神經(jīng)網(wǎng)絡(luò)劃分為多個(gè)獨(dú)立的區(qū)域,并通過區(qū)域的人工特征對區(qū)域進(jìn)行分類[2]。卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法在本質(zhì)上來講是一種聚類問題,通過對多個(gè)獨(dú)立的區(qū)域貼上標(biāo)簽,使區(qū)域內(nèi)的圖像特征一致以此實(shí)現(xiàn)空間相連。在我國,針對卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法的研究十分常見,雖然取得了一定的研究成果,但普遍停留在對圖像層次化的抽象階段,存在很大程度上的局限性。而針對面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法的研究領(lǐng)域尚屬空白,因此,本文提出面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法,在填補(bǔ)此處空白的同時(shí),縮短卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法的執(zhí)行時(shí)間。
本文設(shè)計(jì)的面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法,共分為三個(gè)步驟逐一進(jìn)行實(shí)現(xiàn)。面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法流程圖,如圖1所示。
圖1 面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法流程圖
結(jié)合圖1所示,使用此種技術(shù)進(jìn)行圖像分類主要分為三個(gè)步驟,針對這三個(gè)步驟的具體研究內(nèi)容,如下文所示。
在此進(jìn)行假設(shè)性分析,如果Ueruben圖像庫有幅圖像,可以將這些圖像看做一個(gè)數(shù)據(jù)集合,為確定數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)圖像分類特征,將數(shù)據(jù)集設(shè)為x,可得的計(jì)算公式x,如公式(1)所示。
x∈rdB
(1)
在公式(1)中,r指的是數(shù)據(jù)集中圖像分類的區(qū)域特征;d指的是圖像分類的區(qū)域特征維數(shù);B指的是圖像分類的邏輯矢量。在上述圖像數(shù)據(jù)集合中,假設(shè)現(xiàn)有的圖像分類標(biāo)簽數(shù)量為c,每一個(gè)圖像分類的子區(qū)域都應(yīng)與每一個(gè)圖像分類標(biāo)簽是一一對應(yīng)關(guān)系,其公式如公式(2)所示。
(2)
在公式(2)中,g指的是圖像分類子區(qū)域的標(biāo)簽向量;n指的是圖像分類子區(qū)域的標(biāo)簽特征維數(shù);u指的是圖像分類標(biāo)簽參數(shù)。在確定圖像分類標(biāo)簽的基礎(chǔ)上,確定圖像分類特征[3]。設(shè)圖像分類特征為q,則q的計(jì)算公式,如公式(3)所示。
在公式(3)中,y為參數(shù),表示圖像分類權(quán)重,以計(jì)算求得的圖像分類權(quán)重為基礎(chǔ),結(jié)合圖像特征維數(shù),將圖像進(jìn)行分類,得到多個(gè)獨(dú)立的區(qū)域圖像。
在確定卷積神經(jīng)網(wǎng)絡(luò)圖像分類特征的基礎(chǔ)上,面向嵌入式GUI開發(fā)環(huán)境,使得各個(gè)區(qū)域圖像更容易傳遞,建立拉普拉斯卷積神經(jīng)網(wǎng)絡(luò)圖像分類矩陣。在卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法中,建立矩陣的基礎(chǔ)是求得多個(gè)獨(dú)立的區(qū)域圖像之間的相似度[4]。設(shè)多個(gè)獨(dú)立的區(qū)域圖像之間的相似度為s,則運(yùn)用近鄰傳播聚類算法,得出的s的計(jì)算公式,如公式(4)所示。
(4)
在公式(4)中,a指的是標(biāo)注的圖像分類空間平滑系數(shù);f指的是標(biāo)注的圖像分類空間摩擦系數(shù)。得出多個(gè)獨(dú)立的區(qū)域圖像之間的相似度后,對拉普拉斯卷積神經(jīng)網(wǎng)絡(luò)圖像分類矩陣進(jìn)行求解。設(shè)拉普拉斯卷積神經(jīng)網(wǎng)絡(luò)圖像分類矩陣為r,則r的計(jì)算公式,如公式(5)所示。
(5)
在公式(5)中,s表示圖像分類標(biāo)簽與對應(yīng)區(qū)域的約束條件;T表示圖像分類中的運(yùn)算矩陣積;v指的是圖像分類標(biāo)簽與圖像分類子區(qū)域標(biāo)簽的對應(yīng)函數(shù)關(guān)系[5]。建立拉普拉斯卷積神經(jīng)網(wǎng)絡(luò)圖像分類矩陣,通過特征融合,將同類圖像進(jìn)行聚類,使圖像分類特征傳播進(jìn)度加快,便于圖像分類。
在得到拉普拉斯卷積神經(jīng)網(wǎng)絡(luò)圖像分類矩陣的基礎(chǔ)上,面向嵌入式系統(tǒng)對圖像數(shù)據(jù)訪問速度進(jìn)行優(yōu)化??紤]到在卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法中,卷積神經(jīng)網(wǎng)絡(luò)圖像分類的讀寫速度過慢,在對圖像像素點(diǎn)進(jìn)行處理時(shí),必然需要大量的等待時(shí)間。本文面向嵌入式系統(tǒng)采用Mat數(shù)據(jù)結(jié)構(gòu)的方式對圖像分類特征進(jìn)行存儲(chǔ),存儲(chǔ)具體規(guī)則按照從上到下執(zhí)行。通過將卷積神經(jīng)網(wǎng)絡(luò)圖像分類結(jié)果以一串地址連續(xù)數(shù)據(jù)的方式進(jìn)行指針操作,從根本上避免了傳統(tǒng)圖像分類數(shù)據(jù)存儲(chǔ)中繁瑣的尋址過程[6-8]。通過嵌入式系統(tǒng)接訪問卷積神經(jīng)網(wǎng)絡(luò)圖像分類結(jié)果,減少每一次尋找圖像像素點(diǎn)內(nèi)存的尋址時(shí)間。在此基礎(chǔ)上,利用嵌入式系統(tǒng)中用于圖像分類處理的庫函數(shù),將OpenCV移植到NanoPC-T3中,實(shí)現(xiàn)面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法執(zhí)行功能。面向嵌入式的NanoPC-T3執(zhí)行結(jié)構(gòu),如圖2所示。
圖2 面向嵌入式的NanoPC-T3執(zhí)行結(jié)構(gòu)
結(jié)合圖2所示,由于Qt在嵌入式系統(tǒng)內(nèi)具有大量的使用量,而Qt本身具有復(fù)雜性。因此,在面向嵌入式執(zhí)行卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法時(shí),需要通過數(shù)學(xué)近似公式,在保證卷積神經(jīng)網(wǎng)絡(luò)圖像分類精度的同時(shí),將卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法進(jìn)行面向嵌入式的簡化。設(shè)數(shù)學(xué)近似簡化函數(shù)為arctan(c),則其計(jì)算如公式(6)所示。
(6)
在公式(6)中,p表示逼近值。上述公式可以實(shí)現(xiàn)圖像分類算法的化簡。本文方法的核心思想,就是將的圖像特征標(biāo)簽看成一個(gè)近鄰傳播聚類的中心,再將這些標(biāo)簽(中心)化作圖像分類中的節(jié)點(diǎn),將所有區(qū)域圖像的相似程度進(jìn)行聚類,并以相似程度為傳遞方向,傳遞出去。另外,需要注意的是,聚類中心應(yīng)從屬于實(shí)際數(shù)據(jù)集合中,即聚類中心應(yīng)在數(shù)據(jù)集合中可查[9]。在聚類中心點(diǎn)中選取出最佳分類點(diǎn)的數(shù)據(jù)集合,稱之為exemplar類代表點(diǎn),保證每個(gè)數(shù)據(jù)點(diǎn)到最近的類代表點(diǎn)的相似度之和最大。至此,結(jié)束面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類。
上述研究從理論上說明了方法運(yùn)用,下面以仿真實(shí)驗(yàn)的方式驗(yàn)證圖像分類中實(shí)際執(zhí)行時(shí)間是否合格。此次實(shí)驗(yàn)以Ueruben圖像庫作為素材數(shù)據(jù)庫,從中選擇6種不同圖像進(jìn)行仿真實(shí)驗(yàn),包括大樹、火車、房子、人像、花以及飛機(jī)。本次對比實(shí)驗(yàn)選取的圖像具體參數(shù)信息,如表1所示。
表1 圖像具體參數(shù)信息
結(jié)合表1信息,將六幅圖像的偏向參數(shù)設(shè)置為初始值,阻尼系數(shù)設(shè)置為 0.65,圖像分類區(qū)域合并的面積閾值為150。運(yùn)用傳統(tǒng)分類方法與本文設(shè)計(jì)方法進(jìn)行對比實(shí)驗(yàn),設(shè)本文方法為實(shí)驗(yàn)組,傳統(tǒng)圖像分類方法為對照組。仿真驗(yàn)證環(huán)境為:Weapectl7.7.0仿真實(shí)驗(yàn)軟件,主要用于對圖像分類的仿真模擬。對比實(shí)驗(yàn)中,將本文方法與傳統(tǒng)方法分別對圖像進(jìn)行分類,對比其執(zhí)行時(shí)間,驗(yàn)證本文設(shè)計(jì)方法的有效性。運(yùn)用Weapectl7.7.0仿真實(shí)驗(yàn)軟件,測得不同方法下的執(zhí)行時(shí)間,以此為依據(jù),對比兩種方法下的圖像分類執(zhí)行能力。
為更直觀地表現(xiàn)出兩種圖像分類算法在圖像分類執(zhí)行時(shí)間之間的差異性,特將圖像分類執(zhí)行時(shí)間對比結(jié)果以表格的形式進(jìn)行對比,如表2所示。
表2 圖像分類執(zhí)行時(shí)間對比
由表2對比數(shù)據(jù)可以看出:面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法在進(jìn)行圖像分類時(shí)執(zhí)行時(shí)間較短,相較于傳統(tǒng)方法執(zhí)行時(shí)間縮短了兩倍,說明本文方法的圖像分類更有效率,可以實(shí)現(xiàn)快速卷積神經(jīng)網(wǎng)絡(luò)圖像分類。經(jīng)過上述對比實(shí)驗(yàn)驗(yàn)證,充分證明了面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法的有效性,可以廣泛應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)圖像分類方面。
通過對比實(shí)驗(yàn)證明,面向嵌入式的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法在卷積神經(jīng)網(wǎng)絡(luò)圖像分類中的具體優(yōu)勢已經(jīng)顯現(xiàn)出來。執(zhí)行時(shí)間是衡量圖像分類效率的重要指標(biāo),而針對卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法進(jìn)行面向嵌入式的優(yōu)化設(shè)計(jì)可以大幅度提高圖像分類的執(zhí)行速度。圖像分類算法分類效率更高,可以實(shí)現(xiàn)快速卷積神經(jīng)網(wǎng)絡(luò)圖像分類,相較于傳統(tǒng)方法存在一定優(yōu)勢,可為圖像分類領(lǐng)域研究提供參考。本文不足之處在于沒有對面向嵌入式的弱監(jiān)督圖像分類算法進(jìn)行深入分析,未來將對這一問題進(jìn)行補(bǔ)充性研究。
黑龍江工業(yè)學(xué)院學(xué)報(bào)(綜合版)2020年10期