[发明专利]一种智能终端上的花卉识别方法

说明书

技术领域

本发明涉及人工智能领域，特别涉及一种智能终端上的花卉识别方法。

背景技术

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

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。

本发明的目的通过以下技术方案实现：

一种智能终端上的花卉识别方法，包括以下步骤：

S1在计算机上进行训练过程：

S1.1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；

S1.2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；

S1.3对S1.2得到的局部形状特征进行聚类：

S1.3.1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；

S1.3.2对S1.3.1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；

S1.4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：

S1.4.1利用S1.3.2得到的所有类中心建立KD树；

S1.4.2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；

S1.4.3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；

S1.4.4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；

S1.5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(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；

S1.6将步骤S1.4局部形状特征编码向量、步骤S1.5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；

S1.7使用支持向量机，基于一对多的方法，对S1.6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；

S1.8把S1.3.2得到的类中心和S1.6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；

S1.9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：

S2.1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，全局形状特征向量和全局颜色特征向量；

S2.2.1根据S1.3.2得到的类中心，使用S1.4.1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；