一种智能终端上的花卉识别方法
【专利摘要】本发明公开了一种在智能终端上进行花卉识别的方法，包括了训练过程和自动分类过程。训练过程通过对图片进行局部形状特征提取，特征编码，特征多层聚类，全局形状特征提取和全局颜色特征提取，特征融合的方法从图片中提取出与花卉类别相关信息。然后使用线性支持向量机进行训练，得到支持向量机模型；在智能终端上进行的自动分类过程，通过特征提取和使用KD树结构进行快速的特征提取，然后使用支持向量机模型进行分类，最终根据用户拍摄的花卉图片对所展示的图片进行筛选后给用户展示结果。本发明在智能终端上实现了花卉类别自动识别，速度快，存储量小，准确率高，用户体验良好。
【专利说明】一种智能终端上的花卉识别方法
【技术领域】
[0001] 本发明涉及人工智能领，特别涉及一种智能终端上的花卉识别方法。
【背景技术】
[0002] 自动的图像分类可以让机器插上智能的翅膀，为我们的生活提供便利。目前在图 像分类领域，其已经取得了长足的进步和发展。在自动图像分类方面已提出了多项发明专 利。如专利CN103577475A提出的图像分类系统：接收待分类图片；读取特征库内的特征类 目；根据所述特征类目提取所述待分类图片的特征数据；匹配提取的特征数据与所述特征 类目对应的预设特征数据，将特征数据可匹配的待分类图片归并为一类。但这种方法较为 复杂，无法运行在硬件配置较低的终端上。专利CN103488756A设计了能在特定终端上运行 的图像分类系统，但由于其使用了特别设计的终端，无法广泛使用。现在智能终端广泛普 及，成为了用户获取数据的重要途径，急需一种可以运行在普通智能终端上的图片分类系 统。在智能终端上的应用需要根据不同的应用目标，而进行特定特征的选取和算法的优化。
【发明内容】
[0003] 为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种智能终端上的 花卉识别方法，能够在移动终端上能快速地完成花卉识别的任务。
[0004] 本发明的目的通过以下技术方案实现：
[0005] -种智能终端上的花卉识别方法，包括以下步骤：
[0006] SI在计算机上进行训练过程：
[0007] SI. 1采集用于训练的常见花卉图片，得到训练图片；按照花卉的类别，分别给每 个训练图片加上标签；
[0008] SI. 2对训练图片进行局部形状特征提取；所述局部形状特征为密集采样得到的 SIFT (Scale-invariant feature transform)描述符特征；
[0009] SI. 3对SI. 2得到的局部形状特征进行聚类：
[0010] SI. 3. 1对每个类别的花卉的训练图片的局部形状特征进行K-means聚类，分别得 到每个类别的中心向量；
[0011] SI. 3. 2对SI. 3. 1得到的中心向量再进行K-means聚类，得到K2个类中心，K2为正 整数；
[0012] SI. 4利用类中心对每个训练图片的局部形状特征进行编码，得到局部形状特征编 码向量，具体为：
[0013] SL 4. 1利用SL 3. 2得到的所有类中心建立KD树；
[0014] SI. 4. 2在所有类中心中，对训练图片的每一个局部形状特征寻找最近邻的I个类 中心；把局部形状特征距离每个最近邻类中心的2范数距离，赋予直方图相应的维，生成每 个局部形状特征的类中心直方图描述符；I为正整数；
[0015] SI. 4. 3把训练图片等分成W个区域，对每个区域里面的局部形状特征的类中心直 方图描述符的每一维进行最大值抽取，最终得到每个区域的类中心直方图描述符；W为正 整数；
[0016] SI. 4. 4把W个区域的类中心直方图描述符按顺序级联起来得到训练图片的局部 形状特征编码向量；
[0017] SI. 5对训练图片进行全局形状特征向量和全局颜色特征向量提取；所述全局形 状特征向量为H0G(Histogram of Gradient,梯度直方图）特征向量；所述全局颜色特征向 量为 HSV (Hue, Saturation, Value)特征向量；
[0018] SI. 6将步骤SI. 4局部形状特征编码向量、步骤SI. 5得到的全局形状特征向量和 全局颜色特征向量级联，并进行2范数归一化，得到归一化的总特征向量；
[0019] SI. 7使用支持向量机，基于一对多的方法，对SI. 6得到的归一化的总特征向量进 行训练，得到训练后的支持向量机模型；
[0020] SI. 8把SI. 3. 2得到的类中心和SI. 6得到的支持向量机模型封装成XML格式，并 放入智能终端软件的安装包；
[0021] SI. 9在每类花卉的训练图片中选取多个训练图片作为每类花卉的样例图片，提取 每个样例图片的全局颜色特征向量，将样例图片和每个样例图片的全局颜色特征向量放入 智能终端软件的安装包；
[0022] S2在智能终端上的自动分类过程：
[0023] S2. 1智能终端拍摄待识别物体的图片，得到待识别图片；
[0024] S2. 2提取待识别图片的局部形状特征编码向量，全局形状特征提取向量和全局颜 色特征向量；
[0025] S2. 2. 1根据SI. 3. 2得到的类中心，使用SI. 4. 1得到的KD树，对待识别图片的每 一个局部形状特征，寻找最近邻的I个类中心；把局部形状特征距离每个最近邻类中心的2 范数距离，赋予直方图相应的维，生成每个局部形状特征的类中心直方图描述符；
[0026] S2. 2. 2把待识别图片等分成W个区域，对每个区域里面的局部形状特征的类中心 直方图描述符的每一维进行最大值抽取，最终得到每个区域的类中心直方图描述符；W为 正整数；
[0027] S2. 2. 3把W个区域的类中心直方图描述符按顺序级联起来得到待识别图片的编 码向量，即得到待识别图片的局部形状特征编码向量；
[0028] S2. 2. 4对待识别图片进行全局形状特征向量和全局颜色特征向量提取；所述全 局形状特征向量为HOG特征向量；所述全局颜色特征向量为HSV特征向量；
[0029] S2. 3将步骤S2. 2得到局部形状特征编码向量、全局形状特征向量和全局颜色特 征向量编码级联，并进行2范数归一化，得到归一化的级联向量；
[0030] S2. 4对S2. 3得到的已经归一化的级联向量使用SI. 7得到的支持向量机模型进 行分类，按照支持向量机模型输出的每个类距离分类平面的距离，对分类结果进行升序排 序；
[0031] S2. 5选取待识别图片的样例图片，具体为：
[0032] S2. 5. 1对待识别图片的全局颜色特征向量与样例图片的全局颜色特征向量，求2 范数距离；
[0033] S2. 5. 2根据S2. 5. 1求得的2范数距离，对每个类别的多张样例图片进行升序排 序，选取前几张图片，作为该类的展示图片；
[0034] S2. 5. 3按照S2. 4的结果排序，在用户界面上展示分类结果，每个类别使用从 S2. 5. 2选出的图片来展示。
[0035] 步骤SI. 4. 3所述把局部形状特征距离每个类中心的2范数距离，赋予直方图相应 的维，生成每个局部形状特征的类中心直方图描述符，具体为：
[0036] 假设类中心标示为：
[0037]
【权利要求】
1. 一种智能终端上的花卉识别方法，其特征在于，包括以下步骤： Sl在计算机上进行训练过程： SI. 1采集用于训练的常见花卉图片，得到训练图片；按照花卉的类别，分别给每个训 练图片加上标签； SI. 2对训练图片进行局部形状特征提取；所述局部形状特征为密集采样得到的SIFT 描述符特征； SI. 3对SI. 2得到的局部形状特征进行聚类： SI. 3. 1对每个类别的花卉的训练图片的局部形状特征进行K-means聚类，分别得到每 个类别的中心向量； SI. 3. 2对SI. 3. 1得到的中心向量再进行K-means聚类，得到K2个类中心，K2为正整 数； SI. 4利用类中心对每个训练图片的局部形状特征进行编码，得到局部形状特征编码向 量，具体为： SI. 4. 1利用SI. 3. 2得到的所有类中心建立KD树； SI. 4. 2在所有类中心中，对训练图片的每一个局部形状特征寻找最近邻的I个类中 心；把局部形状特征距离每个最近邻类中心的2范数距离，赋予直方图相应的维，生成每个 局部形状特征的类中心直方图描述符；I为正整数； SI. 4. 3把训练图片等分成W个区域，对每个区域里面的局部形状特征的类中心直方图 描述符的每一维进行最大值抽取，最终得到每个区域的类中心直方图描述符；W为正整数； SI. 4. 4把W个区域的类中心直方图描述符按顺序级联起来得到训练图片的局部形状 特征编码向量； SI. 5对训练图片进行全局形状特征向量和全局颜色特征向量提取；所述全局形状特 征向量为HOG特征向量；所述全局颜色特征向量为HSV特征向量； SI. 6将步骤SI. 4局部形状特征编码向量、步骤SI. 5得到的全局形状特征向量和全局 颜色特征向量级联，并进行2范数归一化，得到归一化的总特征向量； SI. 7使用支持向量机，基于一对多的方法，对SI. 6得到的归一化的总特征向量进行训 练，得到训练后的支持向量机模型； SI. 8把SI. 3. 2得到的类中心和SI. 6得到的支持向量机模型封装成XML格式，并放入 智能终端软件的安装包； 51. 9在每类花卉的训练图片中选取多个训练图片作为每类花卉的样例图片，提取每个 样例图片的全局颜色特征向量，将样例图片和每个样例图片的全局颜色特征向量放入智能 终端软件的安装包； S2在智能终端上的自动分类过程： 52. 1智能终端拍摄待识别物体的图片，得到待识别图片； S2. 2提取待识别图片的局部形状特征编码向量，全局形状特征提取向量和全局颜色特 征向量； S2. 2. 1根据SI. 3. 2得到的类中心，使用SI. 4. 1得到的KD树，对待识别图片的每一个 局部形状特征，寻找最近邻的I个类中心；把局部形状特征距离每个最近邻类中心的2范数 距离，赋予直方图相应的维，生成每个局部形状特征的类中心直方图描述符； S2. 2. 2把待识别图片等分成W个区域，对每个区域里面的局部形状特征的类中心直方 图描述符的每一维进行最大值抽取，最终得到每个区域的类中心直方图描述符；W为正整 数； S2. 2. 3把W个区域的类中心直方图描述符按顺序级联起来得到待识别图片的编码向 量，即得到待识别图片的局部形状特征编码向量； S2. 2. 4对待识别图片进行全局形状特征向量和全局颜色特征向量提取；所述全局形 状特征向量为HOG特征向量；所述全局颜色特征向量为HSV特征向量； S2. 3将步骤S2. 2得到局部形状特征编码向量、全局形状特征向量和全局颜色特征向 量编码级联，并进行2范数归一化，得到归一化的级联向量； S2. 4对S2. 3得到的已经归一化的级联向量使用SI. 7得到的支持向量机模型进行分 类，按照支持向量机模型输出的每个类距离分类平面的距离，对分类结果进行升序排序； S2. 5选取待识别图片的样例图片，具体为： S2. 5. 1对待识别图片的全局颜色特征向量与样例图片的全局颜色特征向量，求2范数 距离； S2. 5. 2根据S2. 5. 1求得的2范数距离，对每个类别的多张样例图片进行升序排序，选 取前几张图片，作为该类的展示图片； S2. 5. 3按照S2. 4的结果排序，在用户界面上展示分类结果，每个类别使用从S2. 5. 2选 出的图片来展示。
2.根据权利要求1所述的智能终端上的花卉识别方法，其特征在于，步骤SI. 4. 2所述 把局部形状特征距离每个类中心的2范数距离，赋予直方图相应的维，生成每个局部形状 特征的类中心直方图描述符，具体为： 假设类中心标示为： C = [CvC2lC3 ...CkJc G R128} 其中，C为所有类中心的集合，Ci为类中心，为128维的向量，其中i = 1，2, 3…K2 ; P个最近邻类中心的序号为： M = Im1, m2. ? ? mp I m G R} 其中，1?为离局部形状特征的2范数距离最近的第j个类中心的序号，j = 1，2, 3…P ; M为Hlj的集合； 局部形状特征与P个最近邻类中心的2范数距离： Dm = {dmi,dm2 ...dmp|d G R} 其中，dmj为第个最近邻类中心离局部形状特征的2范数距离；Dm为dmj的集合； 最终的直方图描述符：
其中，gi为直方图描述符每一个维的值，为实数；当gi的序号i属于集合K时，它的值 为集合Dm中相应的距离屯，否则为0。
3.根据权利要求1所述的智能终端上的花卉识别方法，其特征在于，所述HSV特征向量 的提取过程具体为： 把图片从RGB空间转换到HSV空间，统计图像的HSV颜色直方图，把直方图的V通道去 掉，把H通道和S通道的直方图级联起来得到HSV特征向量。
【文档编号】G06K9/62GK104361348SQ201410582707
【公开日】2015年2月18日 申请日期:2014年10月27日 优先权日:2014年10月27日
【发明者】郭礼华, 廖启俊 申请人:华南理工大学