[發明專利]一種基于多尺度特征融合和極限學習機的種子識別方法

有效

• 申請號: 201510438672.5
• 申請日: 2015-07-24
• 公開（公告）號: CN105139023B
• 公開（公告）日: 2018-12-25
• 發明（設計）人: 柯逍;杜明智;周銘柯
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種基于多尺度特征融合和極限學習機的種子識別方法，其特征在于，按照如下步驟實現：

步驟S1：對圖像數據集中樣本種子圖像的多尺度局部HOG特征以及全局分布的HSV特征進行多尺度融合特征提取，獲取樣本種子圖像的多尺度融合特征信息；

步驟S2：采用ELM(Extreme Learning Machine)極限學習機的交叉驗證訓練對樣本種子圖像的多尺度融合特征信息進行特征訓練，建立集成分類模型；

步驟S3：在多尺度下通過采用滑動窗口機制對待測試種子圖像進行分類檢測識別，將待測試種子圖像進行塊狀分割，分割為大小一致的窗口，并采用所述步驟S1的方式提取所有劃分窗口內待測試種子圖像的多尺度融合特征信息，將所提取待測試種子圖像的多尺度融合特征信息通過集成分類模型進行基于極限學習機的集成分類判斷，并通過投票表決的方式，得到待測試種子圖像的分類檢測結果；

在所述步驟S3中，按照以下步驟實現：

S31：將待測試種子圖像進行無損壓縮，記待測試種子圖像的原圖像為F(o,p)，大小為M×N，縮小后的圖像為G(o',p')，大小為k₁M×k₂N；

S32：采用滑動窗口機制對待測試種子圖像進行分類檢測識別，選取窗口像素、滑動塊大小、單元大小以及滑動步長；在同一大小的窗口下，對待測試種子圖像進行分層縮放，采用步驟S1中的方式，對每層縮放后、滑動窗口中待測試種子圖像的多尺度融合特征信息進行提??；將所提取的待測試種子圖像的多尺度融合特征信息輸入集成分類模型，采用均等權重投票表決的方式進行投票表決，且在該投票過程中，集成分類模型中每一個分類器的投票權重均相同，并且各個分類器之間相互獨立；

S33：采用基于模糊聚類的局部窗口融合方法，對多尺度條件下待測試種子圖像進行滑動窗口分類檢測識別過程中產生的多區域窗口混疊進行局部融合，獲取待測試種子圖像的分類檢測結果；

在所述步驟S33中，所述基于模糊聚類的局部窗口融合方法通過如下步驟實現：

S331：記U＝{x₁,x₂,···,x_n}，表示的是待分類檢測窗口集合，其中，待分類檢測窗口x_i通過窗口質心坐標x_ix以及窗口質心坐標x_iy進行描述，x_ix＝x_it+w_i，x_iy＝y_it+h_i，且待分類檢測窗口x_i＝{x_it,y_it,w_i,h_i}，{x_it,y_it}表示滑動窗口的左上角坐標，w_i表示滑動窗口的寬，h_i表示滑動窗口的高；采用最大法歸一化對用以表征所述待分類檢測窗口集合的模糊矩陣進行歸一化：M_J＝max(x_1J,x_2J,...,x_nJ)，將模糊矩陣壓縮到[0,1]區間上，其中，x_IJ為所述模糊矩陣中第I行，第J列的元素，x_IJ'為經最大法歸一化后的模糊矩陣中第I行，第J列的元素，1≤I≤n，1≤J≤2；

S332：通過計算模糊相似矩陣R＝(r_ij)_n×n中的元素r_ij，確定待分類檢測窗口集合U的模糊相似矩陣R＝(r_ij)_n×n；且采用如下方式計算元素r_ij：

元素r_ij表示待分類檢測窗口x_i和待分類檢測窗口x_j的相似度，也即待分類檢測窗口x_i和待分類檢測窗口x_j的相似度系數，p為懲罰因子，且p為一常數，用于調節待分類窗口之間質心距離以及重疊域；

相似度函數overlap(x_i,x_j)＝area(x_i∩x_j)表示窗口重疊域，且該相似度函數overlap(x_i,x_j)通過以下方式確定：

為窗口重疊密度，即窗口重疊域與質心距離的比值；

S333：根據模糊相似矩陣R＝(r_ij)_n×n，求解模糊相似矩陣R＝(r_ij)_n×n的傳遞閉包t(R)，并通過有限次平方自相合運算，得到模糊相似矩陣R＝(r_ij)_n×n的模糊等價矩陣R^*；

S334：通過預設最優值λ，獲取待分類檢測窗口集合U關于預設最優值λ截等價矩陣的商集進而獲取所有待分類檢測窗口的聚類結果；通過每個待分類檢測窗口對應的聚類結果，獲取每個聚類結果所對應的窗口集合；

S335：計算每個聚類結果所對應的窗口集合的質心；采用高斯密度分布，通過加權平均獲取窗口集合中各個窗口的寬度和高度，且距離窗口集合質心越近的窗口，該窗口的權重越大；進而得出每個聚類結果對應的窗口集合經局部融合后的窗口位置。