[發明專利]植物自動識別方法和系統

有效

• 申請號: 201310603406.4
• 申請日: 2013-11-25
• 公開（公告）號: CN103617417B
• 公開（公告）日: 2017-02-01
• 發明（設計）人: 程章林;黃惠;丹尼爾·科恩
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙)44316
• 代理人: 沈祖鋒,郝明琴

技術領域

本發明涉及植物分類技術，尤其涉及一種植物自動識別方法和系統。

背景技術

據估計，地球上大約有22萬到42萬種不同類別的植物。對于植物的分類識別是一項龐大復雜的工作，傳統的植物識別方法主要依靠相應的植物學家，利用他們自身的專業知識，對植物外形、表皮、葉子等進行研究分析，確認植物類別，但是，這種人工分類方式效率低下，需要耗費大量的人力、物力和財力，而且極度依賴植物學家的專業知識。

目前也有少量基于植物葉片圖像采用自動分類方法對植物進行識別。在國外，Guyer等在1993年提取了17種用于描述葉片形狀的特征對植物進行分類研究；Abbasi等人使用多重尺度曲率空間來描述葉子的邊界和形狀及其它特征來對菊花進行分類研究；Saitoh和Kaneko通過提取形狀和顏色等特征，使用神經網絡來識別野花，對16種不同類別的野花進行分類識別實驗，其準確率超過了95%；Rui等人利用改進的傅立葉描述子對植物葉片進行了分類研究。在國內，傅星、盧漢清在1994年進行了使用計算機技術進行植物自動分類的初步探討和研究；祁亨年等通過提取基于葉片大小、葉形、圓形度參數及葉緣等葉片外觀形狀特征，建立植物分類識別模型對植物分類進行研究；傅弘等提出使用邊緣梯度、局部對比度和領域統計特征等10個參數來描述像素的鄰域特征，結合神經網絡方法提取葉脈圖像，用于葉片識別。

雖然，上述的這些方法都需要采集植物葉片，相對于人工識別提高了效率，但是，其采集數據的工作量任然較大、效率較低。

發明內容

基于此，有必要針對上述植物自動識別方法存在工作量大、效率低的缺陷，提供一種高效的植物自動識別方法。

一種植物自動識別方法，包括下述步驟：

獲取不同類別和個體的植物點云數據；

構建植物識別的訓練集；

計算植物訓練集植物的形狀特征向量；

基于所述形狀特征向量計算植物識別算法的參數；及

基于所述識別算法及參數計算待識別植物個體屬于各植物類別的可能性大小，選取可能性最大的類別作為該植物的類別。

在本實施例中，其中，獲取不同類別和個體的植物云數據，具體為采用車載移動數據采集平臺，獲取不同類別和個體的植物云數據，所述數據采集平臺為StreetMapper系統或Lynx系統。

在本實施例中，同一類別的植物個體數目至少為10個。

在本實施例中，其中，計算植物訓練集植物的形狀特征向量，包括下述步驟：

對所述植物點云數據的任一點p，查找其最近的k個點N（p，k），其中，k分別選取為10，20，30，40，50；

利用主成分分析方法計算所述點p及所述點N（p，k）的特征值和所述特征值對應的特征向量，所述特征值為（l_1k，l_2k，_3k），所述特征向量為（v_1k，v_2k，v_k3），其中l_1k<l_2k<l_3k；

計算每個特征向量與Z軸的夾角，并選取最小的夾角，記為a_ik，其中，i=1，2，3；k=10，20，30，40，50；

計算每個特征向量在XOY平面投影與X軸的夾角，并選取最小的夾角，記為b_ik，其中，i=1，2，3；k=10，20，30，40，50；

基于所述a_ik及所述b_ik，構建所述點P的形狀特征，記為F（p），其中，F（p）=(l_ik，l_ik/sqrt（k），l_ik/（l_1k+l_2k+l_3k），（l_ik+l_jk）/（l_1k+l_2k+l_3k），l_ik/l_jk，l_1k/l_2k+l_1k/l_3k，l_1k/l_2k+l_2k/l_3k，l_1k/l_3k+l_2k/l_3k，a_ik，b_ik)其中，i，j=1，2，3；1<=i<j<=3；k=10，20，30，40，50；

采用上述同樣的方法得到所述植物點云數據中每一點對應的形狀特征，并記為F；

將所述F每一維構造均勻分成若干直方圖，得到所述植物個體的形狀特征向量，所述形狀特征向量表征了所述植物個體的形狀信息及類別信息。

在本實施例中，所述形狀特征F（p）為一個120維的形狀特征向量。

在本實施例中，所述F每一維構造均勻分成10個直方圖，所述植物個體的形狀特征向量為1200維的形狀特征向量。

在本實施例中，基于所述形狀特征向量計算植物識別算法的的參數，具體為：

將所述特征向量及所述特征向量對應的類別信息輸入Joint?Boost算法進行訓練得到算法參數。