基于深度学习的人民币水印识别

发布时间：2021-08-13 18:17

　　21世纪以来,图像识别技术的应用越来越广泛,而深度学习的兴起让图像识别有了新的跨越式的发展。传统的目标识别方法具有相当大的局限性,应对获得的数据集时,需要对图像进行复杂的预处理,处理图像特征时,在提取图像特征之时,需要结合图像具体的特征来设计相应的方法。传统的一些提取方法所构建的分类器,有着较低的识别精度,并且往往只能适用于特定的对象。在本次研究中,首先对传统方法的一些局限性进行阐述,然后以深度学习为基础,开发了新型的图像识别技术,其中使用了两种卷积神经网络。这种网络的特征学习功能较为强大,能够提取图像信息,提高了检测性能。本文的研究对象是人民币水印,通过构建人民币图像数据集,验证经典目标检测网络的试验效果,对深度学习模型进行开发与优化,从而精准辨识出人民币水印。在研究过程中,以尺度不变网络、目标检测算法Refine Det为对象,对其展开优化,并基于实验,证实这两种算法在该领域水印辨识领域的性能,并比较其与经典目标检测网络的应用效果。本次研究的主要工作包括:对人民币图像信息进行扩展。针对目前缺乏一套合适的开放式人民币图像数据集的问题,对现实自然环境中的多种人民币图像进行了人工采集和标... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

BP神经元的组成

CNN主要结构演示图

哈尔滨工业大学工程硕士学位论文-9-图2-3LetNet-5卷积网络结构卷积神经网络主要组成结构包括图2-2里面的三部分。其中第一部分指的是数据输入层；其次则为N个卷积计算层、激励层和池化层；最后则为全连接层，主要包括分类器以及全连接多层感知层。层具体结构情况可见下文：（1）输入层为了让复杂度有所下降，数据输入层通常选择的为灰度图像。输入图像一般在分布上要做到相同规格化，保持在-1和1中间。去均值：对全部样本均值进行计算，然后将均值进行相减。（2）卷积层卷积层主要对输入信号相关特征进行提取，在提取的过程中主要卷积图像。在卷积层里面存在大量卷积核，主要作用为卷积以及计算。在单个卷积核中，存在多个表示权值和一个偏差项的元素，这与BP神经网络里面神经元的结构十分类似，卷积运算具体过程如下所示其中lijw代表着第L层第i个以及第L-1层第j个神经元两者中间对应的权重值，L1jA代表着第L-1层第j个神经元对应的输出，而Ljb则代表着第L层卷积核对应的偏置项，f)(则代表着卷积核对应的激活函数，那么该神经元对应的输出jS数值为：)*(11LjLjnjlijjSwbAf(2-6)输入数据里面拥有很多数据特征信息，这些信息拥有相关以及不相关性，利用卷积运算就能获得这些数据自身拥有的有效特征，可以更好的缩减数据噪声。（3）激励层激励层也可以称作激励函数，卷积神经网络归根结底为对输入图像数据展开卷积、修正线性单元、池化以及全连接处理，然后对多维向量专门进行输出，最后与分类器之间进行连接并对图像实施分类。激励函数的位置一般在神经元内部，有助于对神经网络的表达以及非线性等能力进行增强。一般来说，激励函数是非线性的。卷积神经网络里面最常见的激励函数主要包括Sigmoid、Tanh、ReLu[23]等?

【参考文献】：
期刊论文
[1]基于深度学习SSD模型的视频室内人数统计[J]. 郑国书,朱秋煜,王辉.  工业控制计算机. 2017(11)
[2]基于卷积神经网络的运输船舶分类识别方法[J]. 戚超,王晓峰.  微型机与应用. 2017(17)
[3]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟.  舰船电子工程. 2017(04)
[4]深度学习研究概述[J]. 刘钰鹏.  信息与电脑(理论版). 2016(03)
[5]结合模式对应与机器学习的HEVC降分辨率转码[J]. 李雪晴,何小海,吴小强,林宏伟.  电视技术. 2016(01)
[6]基于局部自相似性和奇异值分解的超采样图像细节增强[J]. 肖进胜,高威,彭红,唐路敏,易本顺.  计算机学报. 2016(07)
[7]基于学习的图像智能适配显示技术[J]. 李可,杨奕臻,颜波.  北京航空航天大学学报. 2015(06)
[8]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[9]基于改进稀疏编码的图像超分辨率算法[J]. 盛帅,曹丽萍,黄增喜,吴鹏飞.  计算机应用. 2014(02)

硕士论文
[1]基于深度学习的图像态势感知应用研究[D]. 杨文慧.哈尔滨工业大学 2016



本文编号：3340911