[發(fā)明專利]一種基于CNN特征融合框架的花卉識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910548293.X
• 申請(qǐng)日: 2019-06-24
• 公開（公告）號(hào): CN110363101A
• 公開（公告）日: 2019-10-22
• 發(fā)明（設(shè)計(jì)）人: 顏成鋼;陳鑫哲;黃步真;胡友鵬;孫垚棋;張勇東
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發(fā)明公開了一種基于CNN特征融合框架的花卉識(shí)別方法。本發(fā)明將圖片的多種有效特征與識(shí)別圖片性能較好的CNN進(jìn)行結(jié)合，訓(xùn)練出基于每種特征的識(shí)別模型，具體步驟如下：步驟1：圖像預(yù)處理與特征提取；步驟2：基于每種特征的CNN模型訓(xùn)練；步驟3：基于結(jié)果訓(xùn)練融合框架，獲得花卉融合識(shí)別框架。本發(fā)明利用背景分割技術(shù)，將所識(shí)別花卉從復(fù)雜背景中分割出來，防止了背景的干擾，能夠以更加有效的利用花卉的有效特征。本發(fā)明使用由各個(gè)簡(jiǎn)單花卉識(shí)別模型組合而成的融合框架，利用了花卉的不同特征，提高了花卉識(shí)別的正確率。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺及模式識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于CNN特征融合框架的花卉識(shí)別方法。

背景技術(shù)

近年來，花卉圖像的分類和識(shí)別已成為計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的重要方向。隨著數(shù)碼相機(jī)和智能手機(jī)等移動(dòng)圖像獲取終端的普及，采集花卉圖像變得十分便捷，使用計(jì)算機(jī)技術(shù)對(duì)這些花卉圖像的識(shí)別和分類有著很高的研究和應(yīng)用價(jià)值。然而花卉圖像分類屬于精細(xì)圖像分類的范疇，這種圖像通常由多個(gè)視覺特征來表示。因此對(duì)花卉圖像的精確分類一直是一個(gè)具有挑戰(zhàn)性的問題。

在目前已有的花卉分類技術(shù)中，Nilsback等人計(jì)算了花朵的四種不同特征，包括紋理、邊界形狀、花瓣和顏色的整體空間分布。他們將SVM分類器與內(nèi)核學(xué)習(xí)框架結(jié)合使用，每個(gè)特征的最優(yōu)權(quán)重是基于特定的訓(xùn)練集和先前的約束確定。

Cha提出了基于類似花形的協(xié)同分布的分割算法。通過提取整幅圖像的SIFT特征和Lab特征，計(jì)算出相應(yīng)的BoW特征向量，并通過SVM分類器實(shí)現(xiàn)圖像分類。

Angelova使用了一種消除背景干擾信息的方法，并且對(duì)于精細(xì)圖像分類實(shí)驗(yàn)具有令人滿意的結(jié)果。此外，Saitoh等人使用聚類方法從圖像中提取花朵和葉子的特征，然后使用分段線性判別函數(shù)來識(shí)別花朵。Mishra提出了一種基于顏色，形狀體積和細(xì)胞特征的多類分類識(shí)別算法。

但是這些方法通常只提取了圖像的一兩種最多三四種特征，沒有充分利用圖像的多種特征，并且沒有采用與識(shí)別圖片性能較好的CNN(卷積神經(jīng)網(wǎng)絡(luò))相結(jié)合，在大量的圖片識(shí)別情況下的性能。

本發(fā)明將從圖片提取出來的五種特征(顏色、紋理、局部特征、梯度、深度)與CNN進(jìn)行結(jié)合，訓(xùn)練出基于每種特征的識(shí)別模型，并對(duì)模型進(jìn)行一定的組合，融合成一個(gè)識(shí)別正確率高的模型。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的上述缺點(diǎn)與不足，本發(fā)明提出一種基于CNN特征融合框架的花卉識(shí)別方法。一種將圖片的多種有效特征與識(shí)別圖片性能較好的CNN進(jìn)行結(jié)合，訓(xùn)練出基于每種特征的識(shí)別模型，在進(jìn)行一定的組合，從而提高識(shí)別正確率的花卉識(shí)別方法。

本發(fā)明的目的通過以下技術(shù)方案實(shí)現(xiàn)：

步驟1：圖像預(yù)處理與特征提取；

1-1.背景分割：首先對(duì)訓(xùn)練樣本圖像進(jìn)行背景分割，具體方法采用Nilsback所提出的方法。

1-2.HSV特征提取：

將訓(xùn)練樣本圖像從原始RGB(Red Green Blue,紅綠藍(lán))圖像轉(zhuǎn)換為H(色調(diào))S(飽和度)V(亮度)色彩空間并同時(shí)移除V空間。轉(zhuǎn)換公式如下：

其中R,G,B為每個(gè)像素對(duì)應(yīng)的值。

再將處理后的圖像劃分為適當(dāng)數(shù)量的的顏色小區(qū)間，每個(gè)小區(qū)間成為直方圖的一個(gè)bin，即對(duì)圖像進(jìn)行量化，然后通過計(jì)算顏色每個(gè)小區(qū)間內(nèi)的像素?cái)?shù)量可以得到HSV顏色直方圖，即為HSV的顏色特征。

1-3.紋理特征提取：