[發明專利]一種智能終端上的花卉識別方法

有效

• 申請號: 201410582707.8
• 申請日: 2014-10-27
• 公開（公告）號: CN104361348B
• 公開（公告）日: 2017-10-20
• 發明（設計）人: 郭禮華;廖啟俊
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;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

1.一種智能終端上的花卉識別方法，其特征在于，包括以下步驟：

S1在計算機上進行訓練過程：

S1.1采集用于訓練的常見花卉圖片，得到訓練圖片；按照花卉的類別，分別給每個訓練圖片加上標簽；

S1.2對訓練圖片進行局部形狀特征提取；所述局部形狀特征為密集采樣得到的SIFT描述符特征；

S1.3對S1.2得到的局部形狀特征進行聚類：

S1.3.1對每個類別的花卉的訓練圖片的局部形狀特征進行K-means聚類，分別得到每個類別的中心向量；

S1.3.2對S1.3.1得到的中心向量再進行K-means聚類，得到K₂個類中心，K₂為正整數；

S1.4利用類中心對每個訓練圖片的局部形狀特征進行編碼，得到局部形狀特征編碼向量，具體為：

S1.4.1利用S1.3.2得到的所有類中心建立KD樹；

S1.4.2在所有類中心中，對訓練圖片的每一個局部形狀特征尋找最近鄰的I個類中心；把局部形狀特征距離每個最近鄰類中心的2范數距離，賦予直方圖相應的維，生成每個局部形狀特征的類中心直方圖描述符；I為正整數；

S1.4.3把訓練圖片等分成W個區域，對每個區域里面的局部形狀特征的類中心直方圖描述符的每一維進行最大值抽取，最終得到每個區域的類中心直方圖描述符；W為正整數；

S1.4.4把W個區域的類中心直方圖描述符按順序級聯起來得到訓練圖片的局部形狀特征編碼向量；

S1.5對訓練圖片進行全局形狀特征向量和全局顏色特征向量提取；所述全局形狀特征向量為HOG特征向量；所述全局顏色特征向量為HSV特征向量；

S1.6將步驟S1.4局部形狀特征編碼向量、步驟S1.5得到的全局形狀特征向量和全局顏色特征向量級聯，并進行2范數歸一化，得到歸一化的總特征向量；

S1.7使用支持向量機，基于一對多的方法，對S1.6得到的歸一化的總特征向量進行訓練，得到訓練后的支持向量機模型；

S1.8把S1.3.2得到的類中心和S1.6得到的支持向量機模型封裝成XML格式，并放入智能終端軟件的安裝包；

S1.9在每類花卉的訓練圖片中選取多個訓練圖片作為每類花卉的樣例圖片，提取每個樣例圖片的全局顏色特征向量，將樣例圖片和每個樣例圖片的全局顏色特征向量放入智能終端軟件的安裝包；

S2在智能終端上的自動分類過程：

S2.1智能終端拍攝待識別物體的圖片，得到待識別圖片；

S2.2提取待識別圖片的局部形狀特征編碼向量，全局形狀特征向量和全局顏色特征向量；

S2.2.1根據S1.3.2得到的類中心，使用S1.4.1得到的KD樹，對待識別圖片的每一個局部形狀特征，尋找最近鄰的I個類中心；把局部形狀特征距離每個最近鄰類中心的2范數距離，賦予直方圖相應的維，生成每個局部形狀特征的類中心直方圖描述符；

S2.2.2把待識別圖片等分成W個區域，對每個區域里面的局部形狀特征的類中心直方圖描述符的每一維進行最大值抽取，最終得到每個區域的類中心直方圖描述符；W為正整數；

S2.2.3把W個區域的類中心直方圖描述符按順序級聯起來得到待識別圖片的編碼向量,即得到待識別圖片的局部形狀特征編碼向量；

S2.2.4對待識別圖片進行全局形狀特征向量和全局顏色特征向量提取；所述全局形狀特征向量為HOG特征向量；所述全局顏色特征向量為HSV特征向量；

S2.3將步驟S2.2得到局部形狀特征編碼向量、全局形狀特征向量和全局顏色特征向量編碼級聯，并進行2范數歸一化，得到歸一化的級聯向量；

S2.4對S2.3得到的已經歸一化的級聯向量使用S1.7得到的支持向量機模型進行分類，按照支持向量機模型輸出的每個類距離分類平面的距離，對分類結果進行升序排序；

S2.5選取待識別圖片的樣例圖片，具體為：

S2.5.1對待識別圖片的全局顏色特征向量與樣例圖片的全局顏色特征向量，求2范數距離；

S2.5.2根據S2.5.1求得的2范數距離，對每個類別的多張樣例圖片進行升序排序，選取前幾張圖片，作為該類的展示圖片；

S2.5.3按照S2.4的結果排序，在用戶界面上展示分類結果，每個類別使用從S2.5.2選出的圖片來展示。