[發明專利]一種基于植物識別的社交平臺匹配方法和系統

有效

• 申請號: 201910286271.0
• 申請日: 2019-04-10
• 公開（公告）號: CN110008912B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 李晨;左東昊;江昕陽;賈小琦;許寧
• 申請（專利權）人: 東北大學
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V10/46;G06V10/26;G06V10/82;G06N3/08;G06Q50/00
• 代理公司: 北京易捷勝知識產權代理有限公司 11613
• 代理人: 韓國勝

1.一種基于植物識別的社交平臺匹配方法，其特征在于，包括：

S1、獲取社交平臺中已注冊用戶拍攝的植物葉片圖像以及該圖像的拍攝信息；

S2、針對所述植物葉片圖像進行處理，獲取葉片分割圖像和葉脈圖像；

S3、對葉片分割圖像進行特征提取，獲取葉片分割圖像的基礎特征和波形特征；對葉脈圖像進行特征提取，獲取所述葉脈圖像的骨架特征，并根據所述基礎特征獲取所述植物葉片圖像的拍攝角度信息；

具體地，將所述基礎特征的與感興趣區域具有相同標準二階中心矩的橢圓的長軸與x軸的交角作為所述拍攝角度信息；

S4、將所述基礎特征、波形特征和骨架特征輸入至預先訓練的分類神經網絡，獲取葉片種類信息；

S5、將待匹配用戶和全部用戶的所述葉片種類信息、用戶注冊信息、所述拍攝角度信息和拍攝信息進行標準化理后輸入至預先訓練的匹配神經網絡，獲取待匹配用戶與全部用戶的匹配度，并根據所述匹配度為待匹配用戶推薦至少一個用戶作為匹配結果；

所述拍攝信息包括植物葉片圖像的拍攝時間和拍攝地點，所述用戶注冊信息包括用戶的性格、性別和年齡；

獲取葉片分割圖像和葉脈圖像包括：

S21、針對所述植物葉片圖像分別利用超綠算法處理和HSV算法，獲取超綠圖像和HSV圖像；

S22、針對所述超綠圖像利用區域生長算法獲取生長圖像；

S23、針對所述超綠圖像進行閾值分割獲取閾值分割圖，并對比所述生長圖像的面積與所述閾值分割圖中感興趣區域的面積；

若所述生長圖像的面積小于所述生長圖像的像素點個數的一半或大于所述閾值分割圖中感興趣區域的面積二倍時；則調整閾值、區域生長步長和種子點，并返回步驟S22；

否則，將當前生長圖像作為所述葉片分割圖像；

S24、將所述葉片分割圖像和所述HSV圖像依次進行點乘、灰度化和旋轉獲取HSV灰度圖像，并針對所述HSV灰度圖像進行邊緣提取作為所述葉脈圖像。

2.如權利要求1所述的方法，其特征在于，還包括步驟S1之前還包括：

S0、利用預先獲取的基礎特征、波形特征和骨架特征樣本數據作為預先構建的分類神經網絡模型的輸入，將預先標記的植物種類作為預先構建的分類神經網絡模型的輸出，獲取預先訓練的分類神經網絡。

3.如權利要求1所述的方法，其特征在于，在步驟S3中獲取波形特征包括：

S31、根據所述葉片分割圖像中葉片邊緣的點到葉片重心的距離獲取原始波形；

S32、針對所述原始波形利用高斯濾波、曲線擬合或小波變換處理中的一種，獲取形狀波形；

S33、將所述原始波形減去所述形狀波形，獲取葉片邊緣信息波；

S34、將所述形狀波形和所述葉片邊緣信息波分別進行64等分并將獲得的128個數據作為所述波形特征。

4.如權利要求3所述的方法，其特征在于，在步驟還S3包括：

將所述葉脈圖像的骨架分叉數、骨架像素點數和最小外接矩形面積平方根的比值作為所述骨架特征。

5.如權利要求4所述的方法，其特征在于，在步驟S5中，對預先訓練的匹配神經網絡的輸入的標準化處理包括：

將所述用戶的年齡差區間變化到0-1；

將所述用戶的性別用0.1和1表示，相同為1，不同為0.1；

將同一類的植物標記為1，將同一屬的植物標記為0.5，將同一科的植物標記為0.25，將同一目的植物標記為0.125，將同一綱的植物標記為0.0625，剩余種類植物均標記為0；

利用下述公式一至三分別獲取時間差值T、拍攝地點的距離差值D和拍攝角度差值θ；

公式一：

公式二：

公式三：

其中，t為兩用戶圖片拍攝時間差值，t單位為小時，若T0，則令T＝0；d為兩用戶圖片拍攝距離差值，d單位為千米，若D0，則令D＝0；α為與感興趣區域具有相同標準二階中心矩的橢圓的長軸與x軸的交角，α單位為度，區間為α∈(-90,90]。