基于OpenCV与深度学习框架的物体图像识别【实用文档】doc文档可直接使用可编辑，欢迎下载基于OpenCV与深度学习框架Caffe的物体图像识别摘要：本文主要介绍深度神经网络中的卷积神经的相关理论与技术。研究采用OｐeｎCＶ深度学习模块DNN与深度学习框架Caffe进行物体识别.采用OpeｎＣV中的DNN模块加载深度学习框架Caffe模型文件，对物体图像进行识别。实验结果表明，卷积神经网络在物体的识别方面具有较高的准确率.一.概述1.1OpenＣV简介ＯｐeｎCV于１99９年由Ｉｎｔel建立，如今由WilｌｏwGarage提供支持.ＯpenＣV是一个基于BＳＤ许可（开源)发行的跨平台计算机视觉库,可以运行在Linux、Wｉｎdows和MacOS操作系统上。它轻量级而且高效——由一系列Ｃ函数和少量C＋+类构成，同时提供了Ｐyｔhoｎ、Ｒuby、MATＬAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。其最新版本是3.2,于２016年12月２3日发布。OpenＣＶ致力于真实世界的实时应用,通过优化的C代码的编写对其执行速度带来了可观的提升,并且可以通过购买Inteｌ的ＩＰP高性能多媒体函数库（IｎteｇrａｔｅdＰerｆorｍanｃePrimiｔives）得到更快的处理速度。在其最新版3.2版本中，已经添加了深度神经网络模块，并支持深度学习框架Cａffe模型(Caｆfｅframewoｒｋmoｄels).1.2深度学习框架Cａffｅ简介Caffe（CｏnvoluｔionalArｃhitectｕｒeforFastＦeatｕｒｅEmbedding）是一个清晰而高效的深度学习框架,其作者是博士毕业于UＣBeｒｋeley的贾扬清，曾在Ｇｏogｌe工作，现任Fａceｂook研究科学家。Ｃafｆe是纯粹的C++/ＣUDA架构,支持命令行、Pytｈon和MATLAB接口;可以在CPU和GPU直接无缝切换。Ｃａｆfe的优势是上手快：模型与相应优化都是以文本形式而非代码形式给出。Cafｆｅ给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。速度快:能够运行最棒的模型与海量的数据。Cafｆｅ与cuＤNN结合使用，测试AlｅxＮet模型，在K4０上处理每张图片只需要1。17ｍs。模块化：方便扩展到新的任务和设置上。可以使用Caｆfe提供的各层类型来定义自己的模型。开放性：公开的代码和参考模型用于再现。二。人工神经网络理论简介2.1概述人工神经网络（ＡｒtifｉcialNｅｕralNetwork,ＡNN)简称神经网络(NN），是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础,模拟人脑的神经系统对复杂信息的处理机制的一种数学模型.该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。它实际上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。神经网络是一种运算模型,由大量的节点（或称神经元)之间相互联接构成.每个节点代表一种特定的输出函数，称为激活函数（aｃｔivatioｎfunctiｏｎ)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(weight），神经网络就是通过这种方式来模拟人类的记忆.网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。神经网络的构筑理念是受到生物的神经网络运作启发而产生的.人工神经网络则是把对生物神经网络的认识与数学统计模型相结合,借助数学统计工具来实现。另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力,这种方法是对传统逻辑学演算的进一步延伸。图2.1基本神经元模型而深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构.深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。图2.２深度学习本基本架构示意图从一个输入中产生一个输出所涉及的计算可以通过一个流向图（floｗgraph）来表示:流向图是一种能够表示计算的图,在这种图中每一个节点表示一个基本的计算以及一个计算的值,计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合,它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族.输入节点没有父节点，输出节点没有子节点.这种流向图的一个特别属性是深度（depth):从一个输入到一个输出的最长路径的长度。