基于深度學習的人民幣水印識別
發(fā)布時間：2021-08-13 18:17
21世紀以來,圖像識別技術的應用越來越廣泛,而深度學習的興起讓圖像識別有了新的跨越式的發(fā)展。傳統(tǒng)的目標識別方法具有相當大的局限性,應對獲得的數(shù)據(jù)集時,需要對圖像進行復雜的預處理,處理圖像特征時,在提取圖像特征之時,需要結合圖像具體的特征來設計相應的方法。傳統(tǒng)的一些提取方法所構建的分類器,有著較低的識別精度,并且往往只能適用于特定的對象。在本次研究中,首先對傳統(tǒng)方法的一些局限性進行闡述,然后以深度學習為基礎,開發(fā)了新型的圖像識別技術,其中使用了兩種卷積神經(jīng)網(wǎng)絡。這種網(wǎng)絡的特征學習功能較為強大,能夠提取圖像信息,提高了檢測性能。本文的研究對象是人民幣水印,通過構建人民幣圖像數(shù)據(jù)集,驗證經(jīng)典目標檢測網(wǎng)絡的試驗效果,對深度學習模型進行開發(fā)與優(yōu)化,從而精準辨識出人民幣水印。在研究過程中,以尺度不變網(wǎng)絡、目標檢測算法Refine Det為對象,對其展開優(yōu)化,并基于實驗,證實這兩種算法在該領域水印辨識領域的性能,并比較其與經(jīng)典目標檢測網(wǎng)絡的應用效果。本次研究的主要工作包括:對人民幣圖像信息進行擴展。針對目前缺乏一套合適的開放式人民幣圖像數(shù)據(jù)集的問題,對現(xiàn)實自然環(huán)境中的多種人民幣圖像進行了人工采集和標...
【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校
【文章頁數(shù)】：56 頁
【學位級別】：碩士
【部分圖文】：
BP神經(jīng)元的組成
CNN主要結構演示圖
哈爾濱工業(yè)大學工程碩士學位論文-9-圖2-3LetNet-5卷積網(wǎng)絡結構卷積神經(jīng)網(wǎng)絡主要組成結構包括圖2-2里面的三部分。其中第一部分指的是數(shù)據(jù)輸入層；其次則為N個卷積計算層、激勵層和池化層；最后則為全連接層，主要包括分類器以及全連接多層感知層。層具體結構情況可見下文：（1）輸入層為了讓復雜度有所下降，數(shù)據(jù)輸入層通常選擇的為灰度圖像。輸入圖像一般在分布上要做到相同規(guī)格化，保持在-1和1中間。去均值：對全部樣本均值進行計算，然后將均值進行相減。（2）卷積層卷積層主要對輸入信號相關特征進行提取，在提取的過程中主要卷積圖像。在卷積層里面存在大量卷積核，主要作用為卷積以及計算。在單個卷積核中，存在多個表示權值和一個偏差項的元素，這與BP神經(jīng)網(wǎng)絡里面神經(jīng)元的結構十分類似，卷積運算具體過程如下所示其中l(wèi)ijw代表著第L層第i個以及第L-1層第j個神經(jīng)元兩者中間對應的權重值，L1jA代表著第L-1層第j個神經(jīng)元對應的輸出，而Ljb則代表著第L層卷積核對應的偏置項，f)(則代表著卷積核對應的激活函數(shù)，那么該神經(jīng)元對應的輸出jS數(shù)值為：)*(11LjLjnjlijjSwbAf(2-6)輸入數(shù)據(jù)里面擁有很多數(shù)據(jù)特征信息，這些信息擁有相關以及不相關性，利用卷積運算就能獲得這些數(shù)據(jù)自身擁有的有效特征，可以更好的縮減數(shù)據(jù)噪聲。（3）激勵層激勵層也可以稱作激勵函數(shù)，卷積神經(jīng)網(wǎng)絡歸根結底為對輸入圖像數(shù)據(jù)展開卷積、修正線性單元、池化以及全連接處理，然后對多維向量專門進行輸出，最后與分類器之間進行連接并對圖像實施分類。激勵函數(shù)的位置一般在神經(jīng)元內部，有助于對神經(jīng)網(wǎng)絡的表達以及非線性等能力進行增強。一般來說，激勵函數(shù)是非線性的。卷積神經(jīng)網(wǎng)絡里面最常見的激勵函數(shù)主要包括Sigmoid、Tanh、ReLu[23]等?
【參考文獻】：
期刊論文
[1]基于深度學習SSD模型的視頻室內人數(shù)統(tǒng)計[J]. 鄭國書,朱秋煜,王輝. 工業(yè)控制計算機. 2017(11)
[2]基于卷積神經(jīng)網(wǎng)絡的運輸船舶分類識別方法[J]. 戚超,王曉峰. 微型機與應用. 2017(17)
[3]深度學習發(fā)展綜述[J]. 侯宇青陽,全吉成,王宏偉. 艦船電子工程. 2017(04)
[4]深度學習研究概述[J]. 劉鈺鵬. 信息與電腦(理論版). 2016(03)
[5]結合模式對應與機器學習的HEVC降分辨率轉碼[J]. 李雪晴,何小海,吳小強,林宏偉. 電視技術. 2016(01)
[6]基于局部自相似性和奇異值分解的超采樣圖像細節(jié)增強[J]. 肖進勝,高威,彭紅,唐路敏,易本順. 計算機學報. 2016(07)
[7]基于學習的圖像智能適配顯示技術[J]. 李可,楊奕臻,顏波. 北京航空航天大學學報. 2015(06)
[8]深度學習研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學學報. 2015(01)
[9]基于改進稀疏編碼的圖像超分辨率算法[J]. 盛帥,曹麗萍,黃增喜,吳鵬飛. 計算機應用. 2014(02)
碩士論文
[1]基于深度學習的圖像態(tài)勢感知應用研究[D]. 楊文慧.哈爾濱工業(yè)大學 2016
本文編號：3340911
【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校
【文章頁數(shù)】：56 頁
【學位級別】：碩士
【部分圖文】：
BP神經(jīng)元的組成
CNN主要結構演示圖
哈爾濱工業(yè)大學工程碩士學位論文-9-圖2-3LetNet-5卷積網(wǎng)絡結構卷積神經(jīng)網(wǎng)絡主要組成結構包括圖2-2里面的三部分。其中第一部分指的是數(shù)據(jù)輸入層；其次則為N個卷積計算層、激勵層和池化層；最后則為全連接層，主要包括分類器以及全連接多層感知層。層具體結構情況可見下文：（1）輸入層為了讓復雜度有所下降，數(shù)據(jù)輸入層通常選擇的為灰度圖像。輸入圖像一般在分布上要做到相同規(guī)格化，保持在-1和1中間。去均值：對全部樣本均值進行計算，然后將均值進行相減。（2）卷積層卷積層主要對輸入信號相關特征進行提取，在提取的過程中主要卷積圖像。在卷積層里面存在大量卷積核，主要作用為卷積以及計算。在單個卷積核中，存在多個表示權值和一個偏差項的元素，這與BP神經(jīng)網(wǎng)絡里面神經(jīng)元的結構十分類似，卷積運算具體過程如下所示其中l(wèi)ijw代表著第L層第i個以及第L-1層第j個神經(jīng)元兩者中間對應的權重值，L1jA代表著第L-1層第j個神經(jīng)元對應的輸出，而Ljb則代表著第L層卷積核對應的偏置項，f)(則代表著卷積核對應的激活函數(shù)，那么該神經(jīng)元對應的輸出jS數(shù)值為：)*(11LjLjnjlijjSwbAf(2-6)輸入數(shù)據(jù)里面擁有很多數(shù)據(jù)特征信息，這些信息擁有相關以及不相關性，利用卷積運算就能獲得這些數(shù)據(jù)自身擁有的有效特征，可以更好的縮減數(shù)據(jù)噪聲。（3）激勵層激勵層也可以稱作激勵函數(shù)，卷積神經(jīng)網(wǎng)絡歸根結底為對輸入圖像數(shù)據(jù)展開卷積、修正線性單元、池化以及全連接處理，然后對多維向量專門進行輸出，最后與分類器之間進行連接并對圖像實施分類。激勵函數(shù)的位置一般在神經(jīng)元內部，有助于對神經(jīng)網(wǎng)絡的表達以及非線性等能力進行增強。一般來說，激勵函數(shù)是非線性的。卷積神經(jīng)網(wǎng)絡里面最常見的激勵函數(shù)主要包括Sigmoid、Tanh、ReLu[23]等?
【參考文獻】：
期刊論文
[1]基于深度學習SSD模型的視頻室內人數(shù)統(tǒng)計[J]. 鄭國書,朱秋煜,王輝. 工業(yè)控制計算機. 2017(11)
[2]基于卷積神經(jīng)網(wǎng)絡的運輸船舶分類識別方法[J]. 戚超,王曉峰. 微型機與應用. 2017(17)
[3]深度學習發(fā)展綜述[J]. 侯宇青陽,全吉成,王宏偉. 艦船電子工程. 2017(04)
[4]深度學習研究概述[J]. 劉鈺鵬. 信息與電腦(理論版). 2016(03)
[5]結合模式對應與機器學習的HEVC降分辨率轉碼[J]. 李雪晴,何小海,吳小強,林宏偉. 電視技術. 2016(01)
[6]基于局部自相似性和奇異值分解的超采樣圖像細節(jié)增強[J]. 肖進勝,高威,彭紅,唐路敏,易本順. 計算機學報. 2016(07)
[7]基于學習的圖像智能適配顯示技術[J]. 李可,楊奕臻,顏波. 北京航空航天大學學報. 2015(06)
[8]深度學習研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學學報. 2015(01)
[9]基于改進稀疏編碼的圖像超分辨率算法[J]. 盛帥,曹麗萍,黃增喜,吳鵬飛. 計算機應用. 2014(02)
碩士論文
[1]基于深度學習的圖像態(tài)勢感知應用研究[D]. 楊文慧.哈爾濱工業(yè)大學 2016
本文編號：3340911
本文鏈接：http://www.sikaile.net/guanlilunwen/bankxd/3340911.html
教材專著
