1.一種圖像中文字幕生成方法，其特征在于，包括以下步驟：

步驟一，構建訓練集：收集圖像并通過人工對所述圖像加上意思相近的中文描述；所述步驟一選用Flickr8k圖像字幕數據集，原數據集中每幅圖像對應的標注為5句英文，給每幅圖像添加了5句簡單中文字幕的描述；

步驟二，訓練卷積神經網絡進行圖像特征提取，在對上述數據集進行特征提取之前，需要在一個更大的數據集上來預訓練該網絡；使用ImageNet數據庫來訓練16層神經網絡，其中前13層是卷積層，最后3層為全連接層，其中每個卷積層又包括卷積、激活、池化操作；每三層的卷積核數目分別是16、32、64、128、256，其初始化權值采用均值為0、方差為的高斯分布初始化，其中input_size代表該層輸入數據的維度；網絡的最后一層是SOFTMAX分類器，用來計算每幅訓練圖像對應每個類別的概率；每一層的激活函數均選用Relu函數，并且在最后三層后加上Dropout層；訓練該卷積神經網絡的數據集采用ImageNet數據集，該數據集包括1000類別，每個類別包括數千張圖像；訓練方法采用Adadelta梯度下降算法，按以下公式進行網絡參數的更新：

w_t+1＝w_t+Δw_t (3)

其中，w_t代表第t次迭代的參數值，g代表它的梯度，E[g²]代表梯度g平方的移動平均數，E[g²]_t代表第t次迭代梯度g平方的移動平均數，α為計算該移動平均數的系數，取0.99，Δw_t代表第t次迭代的參數變化值，η為學習速率取0.0001，ε在這里是一個很小的數防止分母為0；g_t為調制結構，代表第t次迭代的梯度，訓練時，待模型的損失函數變化不大時停止訓練，并且在以后步驟中模型參數保持不變；最后利用模型的第二個全連接層的4096維輸出當經過卷積神經網絡提取的特征，用于后續字幕生成；

訓練完成所述卷積神經網絡后，對所述步驟一收集的所述圖像進行正向傳播運算，得到所述圖像的語義特征；

步驟三，對每一句所述中文描述按語義進行分詞，并構造中文字典；對所有中文描述分詞后，統計所有出現過的詞匯，并按照詞匯出現的頻率進行排序，取前2000個詞匯以及未知詞匯標記符UNK作為字典；

步驟四，訓練循環神經網絡進行中文字幕生成；在傳統的LSTM網絡上，加入了Dropout層，該層與傳統的不同的是它在每一個時序周期是不變的，在不同的時序周期采用與傳統方式一樣隨機置0的方法，從而提升模型的泛化能力；LSTM的單元結構有一個細胞狀態在時序之間傳遞，以及幾種不同的門Gates結構去控制輸入，輸出以及細胞狀態；這些門結構包括：輸入門i_t、輸出門o_t、忘記門f_t，以及輸入調制結構g_t，在第t次迭代，LSTM網絡的細胞狀態c_t以及隱層輸出h_t通過下列式子求出：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (4)

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (5)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (6)

g_t＝tanh(W_gxx_t+W_ghh_t-1+b_g) (7)

c_t＝f_t⊙c_t-1+i_t⊙g_t (8)

h_t＝o_t⊙tanh(c_t) (9)

其中，x_t為第t次迭代的輸入，h_t-1為t-1次迭代隱層單元的輸出，σ(x)＝1/(1+e^-x)是sigmoid函數，tanh(x)＝(e^x-e^(-x))/(e^x+e^(-x))是雙曲正切函數，W_ix、W_fx、W_ox、W_gx、W_ih、W_fh、W_oh、W_gh與b_i、b_f、b_o、b_g為該模型待學習的參數，它們不隨迭代次數t的變化而變化，符號⊙代表矩陣對應元素相乘；接著，在每個隱層后加上一個Dropout層，構建出一個Drop-LSTM網絡，即每一次迭代t將隱層輸出h_t乘以同一個與其形狀相同的0-1隨機矩陣：

h_t＝h_t⊙m_h

其中m_h代表隨機矩陣，該矩陣的產生方法通過讓其每個元素服從概率為p的0-1二元分布產生，p取0.5，m_h不會隨著迭代次數t變化而變化，在同一個時序中它是一個定值；最后，利用卷積神經網絡提取的特征和對應的中文描述序號矩陣當作輸入，并按照上述訓練卷積神經網絡的方法，訓練該網絡，使其學會如何自動生成字幕；

步驟五，進行圖像字幕生成，在測試或使用階段，將待生成字幕的圖像依次通過所述卷積神經網絡、所述循環神經網絡完成其圖像字幕生成任務。