[發明專利]一種基于局部約束稀疏表征的花卉類別辨識方法

有效

• 申請號: 201310250693.5
• 申請日: 2013-06-21
• 公開（公告）號: CN103336974A
• 公開（公告）日: 2013-10-02
• 發明（設計）人: 郭禮華
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 陳文姬

1.一種基于局部約束稀疏表征的花卉類別辨識方法，其特征在于，包括以下步驟：

（1）收集花卉圖像數據庫和建立花卉科普知識庫：利用現有的植物花卉維基百科定義S個常用的花卉類別的名稱，利用網絡搜索引擎搜索各個花卉類別對應的花卉文字介紹和圖片，將圖片組成花卉圖像數據庫；將文字說明歸入花卉科普知識庫；

（2）對步驟（1）得到的花卉圖像數據庫中的所有圖片進行特征提取，每張圖片提取的特征為m個；

（3）花卉類別辨識學習過程：

（3-1）從花卉圖像數據庫中挑選p張圖片，將其特征作為測試數據集Y={y^k}，其中k=1...m分別代表每張圖片提取的m個特征，p＜N,N為花卉圖像數據庫中的圖片數；花卉圖像數據庫中其余的N-p張圖片的特征作為訓練數據集其中j=1,2…S，表示花卉的類別；

（3-2）將測試數據特征y^k用訓練數據特征線性表示為：其中是訓練數據集表征測試數據集的權重系數，其值大于0；

（3-3）為了訓練數據集和測試數據集線性表示誤差最小，同時增加測試數據特征和訓練數據特征的局部性特征相似性結構的權重約束，建立下面的最優化學習準則：

minWjk12Σk=1m||yk-Σj=1SXjkwjk||22+λΣj=1S||DjkΘwjk||2---(1)]]>

其中Θ表示向量點乘；λ是約束項權重，是用來平衡線性表示誤差與權重系數之間的常數變量；為測試數據特征y^k與訓練數據特征的歐式距離；

（3-4）采用統計梯度下降法對進行迭代更新，更新方程為：

wjk,t+1=wjk,t-η▿w▿w=-Xjkyk+XjkXjkwjt+λ||yk-Xjk||22·wjk,t---(2)]]>

其中，t是SGD迭代過程的迭代次數，η是統計梯度下降迭代過程的學習率；

（3-5）利用非線性函數φ將訓練和測試數據的特征進行非線性映射到高維的再生核希爾伯特空間，即φ(x_i)^Tφ(x_j)=g(x_i,x_j)，其中g(x_i,x_j)為χ²核函數，x_i和x_j是數據特征；公式（2）變換成：

wjk,t+1=wjk,t-η▿w▿w=-hk+Gkwjk,t+λ(Pk-2hh+Gk)·wjk,t---(3)]]>

其中是訓練數據特征與測試數據特征y^k的點乘核函數,是訓練數據特征與自身的點乘核函數，P^k=φ(y^k)φ(y^k)是測試數據特征y^k與自身的點乘核函數；經過公式（3）的多次迭代，得到最優的表征權重系數

（4）辨識花卉：用戶拍攝待辨識花卉的圖像，對待識別的花卉圖像提取特征Z^k，其中k=1...m分別代表每張圖片提取的m個特征；

根據Z^k，由花卉類別判決公式辨識花卉類別，并從花卉科普知識庫中調出該花卉類別對應的文字說明；

其中花卉類別判決公式為：

其中j^*表示利用某個j類別的訓練數據的線性表示與測試數據的最小誤差值，通過最小選擇，j即為識別得到的花卉類別。