[發明專利]一種異構特征融合的云花卉識別方法

有效

• 申請號: 201410582671.3
• 申請日: 2014-10-27
• 公開（公告）號: CN104346630A
• 公開（公告）日: 2015-02-11
• 發明（設計）人: 郭禮華;林俊斌
• 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

技術領域

本發明涉及計算機視覺及模式識別技術領域，特別涉及一種異構特征融合的云花卉識別方法。

背景技術

植物分類有著悠久的歷史，其作為一門獨立的學科大約始于17世紀。但對于不具備植物分類的相關知識及經驗的普通人來說，確定某個花卉的種類還是具有一定的困難。在當今社會，移動智能終端廣泛普及，利用其攝像頭可以方便地得到花卉的數字圖像，配合云服務器的強大處理能力，可實現對花卉的即時分類。由此可見，研究對圖片中的花卉進行快速、自動分類具有廣闊的應用前景。

目前已有一些圖像分類相關的技術和專利，如專利201310698110.5提供了一種基于圖像特征稀疏重構的圖像分類方法。這種方法采用Forester算子對每類樣本圖像提取特征向量并構成初始字典，訓練得到每類樣本圖像的字典，測試時采用稀疏表示系數矩陣重構圖像并比較重構圖像與測試圖像的誤差，根據誤差最小原則判定測試圖像所屬類別。專利201310632737.0提出了一種基于局部邊緣模式的紋理圖像分類方法。這種方法計算原始紋理圖像和不同尺度紋理基元下的局部邊緣模式紋理譜特征，然后串聯得到待分類圖像的總體融合局部邊緣模式紋理譜特征，將待分類圖像歸為Canberra距離最小的訓練圖像所屬的類別。但這些方法通常只提取了圖像的一種特征，沒有充分利用圖像的多種特征，并且沒有考慮在大量請求下的圖像分類性能。

發明內容

為了克服現有技術的上述缺點與不足，本發明的目的在于提供一種異構特征融合的云花卉識別方法，不僅識別性能高，而且還可以利用后臺強大的云計算平臺提供多并發的花卉識別處理。

本發明的目的通過以下技術方案實現：

一種異構特征融合的云花卉識別方法，包括以下步驟：

S1離線訓練過程：

S1.1對訓練樣本圖像進行BOW(Bag?of?Word,詞包)特征提取，具體為：

S1.1.1將訓練樣本圖像從RGB(Red?Green?Blue，紅綠藍)彩空間轉換成灰度空間；

S1.1.2對經步驟S1.1.1處理后的訓練樣本圖像提取密集SIFT(Scale-invariant?feature?transform,旋轉尺度不變特征)特征，對所得SIFT特征使用k均值聚類得到SIFT特征字典，利用SIFT特征字典量化每個訓練樣本圖像的SIFT特征，從而得到訓練樣本圖片的SIFT特征直方圖；

S1.1.3計算各訓練樣本圖像的SIFT特征直方圖之間的交叉核函數，得到訓練樣本圖像的BOW特征；

S1.2對所有訓練樣本圖像進行稀疏特征提取，具體為：

S1.2.1對訓練樣本圖像進行預處理，即將每張訓練樣本圖像分割成多個圖塊，并且每個圖塊去除圖塊的像素平均值；

S1.2.2對經步驟S1.1.1處理后的所有圖塊，使用K-SVD(k-means—Singular?Value?Decomposition，k均值-奇異值分解)算法，得到稀疏特征的字典；利用稀疏特征字典，使用OMP(Orthogonal?Matching?Pursuit，正交匹配追尋)算法對步驟S1.2.1得到的圖塊進行稀疏編碼，將訓練樣本圖像利用層次化結構分成N區域，在每個區域內使用最大值抽取(max-pooling)，并進行級聯后得到訓練樣本圖像的稀疏編碼結果；N為正整數；

S1.2.3計算各訓練樣本圖像的稀疏編碼結果之間的交叉核函數，得到訓練樣本圖像的稀疏特征；

S1.3使用多核學習，得到BOW特征和稀疏特征的權重，利用權重將BOW特征和稀疏特征進行加權求和后，得到圖像的總特征，然后送入支持向量機進行訓練，得到支持向量機分類模板；

其中多核學習方法可參考文獻(L.Guo,L.W.Jin,Laplacian?Support?vector?machines?with?multi-kernel?learning,IEICE?Trans.on?Information&System,E94-D(2)(2011)379-383)。

S2花卉識別過程：

S2.1客戶端發送花卉識別請求到云服務器端；

S2.2云服務器通過負載均衡操作將任務分配至云服務器的計算節點，具體為：

S2.2.1在云上的每個計算節點上都部署已訓練好的支持向量機分類模板；

S2.2.2云上的主控制節點接收用戶傳來的待識別花卉圖像，根據用戶的源IP地址進行哈希操作，根據哈希操作的結果轉發到相應的計算節點子集群上；