1.一种基于深度学习的纹身图像分类方法，其特征在于：所述分类方法包括以下步骤：

1)样本变换

1.1)仿射变换；

1.2)弹性变换：对样本进行曲面模拟，过程如下：对n*m的图像进行变换，得到n*m个向量构成坐标矩阵X；

其中Y＝[y1,y2,…,ym], 1≤i≤n，列向量 表示图中横坐标第i位置，纵坐标第j位置，1≤j≤m，将其输入到输入维度为2，输出维度为1的神经网络中，采用3层神经网络，变换函数为：P＝g(W2g(W1(X+b1))+b2)           (2)其中：

P＝[p1,1,p1,2,…,p1,m,p2,1,p2,2,…,p2,m,…,pn,1,pn,2,…,pn,m]pi,j为向量 对应的输出值；

g为神经网络的激活函数，选用sigmoid函数即 x为函数的输入值；

W1,W2,b1,b2是(-r,r)均匀分布的随机数；

对于神经网络随机初始化的范围为(-r,r)即构成所需要的曲面模型，满足光滑，并且由参数控制形变复杂度的特性；

得到曲面后，对曲面上毎一点求导得到偏移矩阵G，得到每个像素点最后的偏移坐标：Xo＝X+G       (3)最后把新图像中点X的像素值取原图像Xo经过线性插值后的像素值；

1.3)遮挡模拟：在每幅输入训练机的图像随机把某一区域的像素值置0；

1.4)白化；

2)自编码预训练：使用CUDA优化后的自编码训练机对大量彩色纹身图像进行训练，得到纹身图像的一些共同地边缘信息，同时对这些图像做些挑选后用于卷积网络的第一层；

3)卷积网络训练：使用CUDA优化后的卷积网络对有标定的纹身图像进行训练得到最终分类结果。

2.如权利要求1所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述分类方法还包括以下步骤：

4)对卷积网络优化：使用了随机池化和对于随机池化的BP算法，使用CUDA对整体流程进行优化。

3.如权利要求2所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述分类方法还包括以下步骤：

5)使用holdout验证控制样本变换程度。

4.如权利要求1～3之一所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述步骤1.1)中，仿射变换原理如下：

其中 为变换图像的坐标位置，θ为旋转角， 为平移向量，tx为x轴平移距离，ty为y轴平移距离； 为原始图像的坐标位置。

5.如权利要求1～3之一所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述步骤1.4)中，白化过程：若有矩阵Xo＝{x(1),x(2),…,x(m)}，其中x(i)∈Rn×1，R为实数；

首先算出样本的协方差矩阵C：

其中(x(i))T为向量x(i)的转置；

那么对C分解得到矩阵U:

U＝[u1,u2,…,un]             (5)其中u1,u2,…,un是C的特征向量，且为列向量，另记λ1,λ2,…,λn为对应的特征值并且按特征值由大到小的顺序排列；把数据转换到由矩阵U构成的基上：Xrot＝UTXo                (6)进行白化：

xrot,i是矩阵Xrot的第i个列向量；

同理xrotwhite,i是矩阵Xrotwhite的第i个列向量；

其中ε取一个极小值；

把白化结果转换回去，即白化的最终结果为：Xwhite＝UXrotwhite              (8)。

6.如权利要求1～3之一所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述步骤2)中，先把纹身样本随机采集n万张a×a的图像，这些图像包含纹身图像的各种区域信息，输入到隐藏层为b的自编码训练机中，具体方法为：假设Xpatch＝{x(1),x(2),…,x(m)}是n维度构成n*m的矩阵,x(i)为图像数据向量，那么得到自编码输出hW,b(x)：hW,b(Xpatch)＝f(W(2)f(W(1)Xpatch+b(1))+b(2))       (9)其中 x为函数f(x)的输入值；

l代表层数，在这里l∈{1,2}W(l)为第l层权重参数；

b(l)为第l层偏置参数；

那么误差E：

其中，

nl表示神经网络的层数，在这里nl＝3；

sl表示第l层的神经元个数；

β表示稀疏输出的惩罚系数；

λ为权重衰减参数；

表示实际第二层的平均激活度，ρ表示第二层的平均激活度的控制参数；

接下来对该网络使用回馈优化：顶层残差δ(2)和梯度 分别为： δ(2)＝(a(2)-Xpatch)·f′(z(2))            (13)

第1层残差δ(1)和梯度

(l)

其中，δ 代表第l层残差；

z(1)＝W(1)Xpatch；

z(2)＝W(2)f(W(1)Xpatch+b(1))+b(2)。

7.如权利要求1～3之一所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述步骤3)中，输入层选用64×64×3的维度，第一层卷积层选用64个维度为11×11×3由自编码学习得到的卷积层得到54×54×64的输出，第二层对于图像中3×3的空间进行随机池化得到18×18×64的输出，第三层128个维度为7×7由自编码学习得到的卷积层，得到12×12×128的输出，第四层池化层采用3×3的池化区域得到4×4的输出，第5层采用512个4×4的随机初始化的卷积层得到512个输出，第六层采用400个全连接的神经网络，最后第七层采用输出为6的SoftMax函数，分别代表为动物，图腾，植物花草，人物肖像，骷髅鬼怪，和其他。

8.如权利要求2或3所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述步骤4)中，优化过程如下：

4.1)随机池化

从池化的区域中按概率随机选取池化层的输入值，概率的计算方式如下：

其中：pi为在池化区域Rj中位置i被选取的概率；

Rj为池化区域j；

ai为该位置的输入值；

对模型平均化，方式如下

其中：sj为池化区域Rj的输出；

Rj为池化区域j；

ai为该位置的输入值；

pi为该位置被选取的概率；

4.2)CUDA：使用CUDA对卷积网络进行优化。