基于卷积神经网络的图像识别研究开题报告

1. 研究目的与意义（文献综述）

图像识别是模式识别中重要的领域，涉及手写数字识别、人脸识别、物体识别等。图像识别是指利用数字图像处理技术和人工智能技术，使计算机能够自动提取图像特征并作出识别。图像识别之所以被广泛研究，发展迅速，是因为其中有重要的商业应用价值，例如信封上邮编数字识别、车牌识别、门禁中人脸识别等。目前，图像识别技术日趋成熟，广泛应用于生活中的各个方面，给人类的生活带来了极大的便利。研究图像识别技术具有重要的意义。

深度学习是人工智能领域的一个重要研究方向，它能够模拟人类大脑的思维方式处理现实生活中的问题。实际上，深度学习是利用计算机技术通过机器学习算法，从大量数据中学习数据潜在的规律和特征，然后对新样本进行分类或识别。卷积神经网络是深度学习的一个重要分支领域，是模式识别和人工智能领域不可或缺的机器学习算法，得到广大科研人员和学者的追捧，相应的科研论文与报告不断大量地出现。为了解决神经网络的训练难题，hinton于1986年提出了反向传播算法同（back propagation，bp）。反向传播算法可以在网络训练中自动修正网络参数，使得网络模型参数可以最大程度拟合数据信息，进而通过训练大量的样本学习数据的内在统计规律。bp算法极大推进了深度学习的发展，促使了人工智能技术的提升。1989年lecun将其用到多层神经网络中来识别手写数字，这是卷积神经网络这一概念的最早提出。直到1998年lecun提出lenet-5模型，神经网络的维形完成。这是第一个正式的卷积神经网络模型。但是，进入90年代，各种浅层机器学习模型相继问世，比如逻辑回归6问（logistic regression，lr）、支持向量机]（support vector machine，svm）等。这些浅层模型不仅在理论上有强大的数学证明，而且在实际生活和工业应用中也取得显著效果。

在后来一段时间里，刚提出的卷积神经网络的相关研究慢慢地不被研究人员重视。其中的原因有两点：首先，多层复杂的神经网络在使用反向传播算法计算各层参数的梯度时，计算量相当大，而当时的计算计算能力还比较弱，无法满足网络参数计算的要求。其次，一些浅层机器学习算法，例如支持向量机，在理论和实际应用中都取得非常不错的效果。然而，随着互联网的发展，产生了大量复杂的数据，仅仅使用浅层机器学习算法很难达到理想的效果。因此，进入21世纪后，深度学习被提出。2006年，hinton在《科学》上发表的一篇论文]引发了深度学习的发展浪潮。这篇论文中提出了两个重要观点：

2. 研究的基本内容与方案

本次设计是建立在卷积神经网络基础上的图像识别研究，是深度学习在图像识别领域的重要应用，多用于手写数字识别、人脸识别、物理识别等最新ai智能领域。

本论文重点研究利用matlab仿真对图像进行识别，为降低图像识别误识率，采用卷积神经网络结构对图像进行识别研究。首先，对输入图像进行初始化；然后，初始化后的图像经卷积层与该层中卷积核进行卷积，然后对图像进行特征提取，提取的图像特征经过池化层进行特征压缩，得到图像最主要、最具代表性的点；最后，通过全连接层对特征进行综合，多次迭代，层层压缩，进而对图像进行识别，输出所识别图像。与原始算法相比，该网络构造可以提高图像识别准确性，大大降低误识率。实验结果表明，利用该网络模型识别图像误识率低至16.19%。

3. 研究计划与安排

1-3周：查阅相关文献资料，熟悉题目含义及基本研究内容，撰写开题报告。

4-5周：完成相关理论知识的学习与研究，对图像识别关键技术进行学习。

6-12周：复习matlab相关知识，对基于卷积神经网络的图像识别进行仿真实现。

4. 参考文献（12篇以上）

[1]秦川.基于卷积神经网络的图像识别[j].电子技术与软件工程,2020(01):98-99.

[2]周本君. 基于卷积神经网络的人脸表情识别研究[d].南京邮电大学,2019.

[3]刘忠伟,戚大伟.基于卷积神经网络的树种识别研究[j].森林工程,2020,36(01):33-38.