[发明专利]一种基于CNN特征融合框架的花卉识别方法

说明书

本发明公开了一种基于CNN特征融合框架的花卉识别方法。本发明将图片的多种有效特征与识别图片性能较好的CNN进行结合，训练出基于每种特征的识别模型，具体步骤如下：步骤1：图像预处理与特征提取；步骤2：基于每种特征的CNN模型训练；步骤3：基于结果训练融合框架，获得花卉融合识别框架。本发明利用背景分割技术，将所识别花卉从复杂背景中分割出来，防止了背景的干扰，能够以更加有效的利用花卉的有效特征。本发明使用由各个简单花卉识别模型组合而成的融合框架，利用了花卉的不同特征，提高了花卉识别的正确率。

技术领域

本发明属于计算机视觉及模式识别技术领域，具体涉及一种基于CNN特征融合框架的花卉识别方法。

背景技术

近年来，花卉图像的分类和识别已成为计算机视觉和模式识别领域的重要方向。随着数码相机和智能手机等移动图像获取终端的普及，采集花卉图像变得十分便捷，使用计算机技术对这些花卉图像的识别和分类有着很高的研究和应用价值。然而花卉图像分类属于精细图像分类的范畴，这种图像通常由多个视觉特征来表示。因此对花卉图像的精确分类一直是一个具有挑战性的问题。

在目前已有的花卉分类技术中，Nilsback等人计算了花朵的四种不同特征，包括纹理、边界形状、花瓣和颜色的整体空间分布。他们将SVM分类器与内核学习框架结合使用，每个特征的最优权重是基于特定的训练集和先前的约束确定。

Cha提出了基于类似花形的协同分布的分割算法。通过提取整幅图像的SIFT特征和Lab特征，计算出相应的BoW特征向量，并通过SVM分类器实现图像分类。

Angelova使用了一种消除背景干扰信息的方法，并且对于精细图像分类实验具有令人满意的结果。此外，Saitoh等人使用聚类方法从图像中提取花朵和叶子的特征，然后使用分段线性判别函数来识别花朵。Mishra提出了一种基于颜色，形状体积和细胞特征的多类分类识别算法。

但是这些方法通常只提取了图像的一两种最多三四种特征，没有充分利用图像的多种特征，并且没有采用与识别图片性能较好的CNN(卷积神经网络)相结合，在大量的图片识别情况下的性能。

本发明将从图片提取出来的五种特征(颜色、纹理、局部特征、梯度、深度)与CNN进行结合，训练出基于每种特征的识别模型，并对模型进行一定的组合，融合成一个识别正确率高的模型。

发明内容

为了克服现有技术的上述缺点与不足，本发明提出一种基于CNN特征融合框架的花卉识别方法。一种将图片的多种有效特征与识别图片性能较好的CNN进行结合，训练出基于每种特征的识别模型，在进行一定的组合，从而提高识别正确率的花卉识别方法。

本发明的目的通过以下技术方案实现：

步骤1：图像预处理与特征提取；

1-1.背景分割：首先对训练样本图像进行背景分割，具体方法采用Nilsback所提出的方法。

1-2.HSV特征提取：

将训练样本图像从原始RGB(Red Green Blue,红绿蓝)图像转换为H(色调)S(饱和度)V(亮度)色彩空间并同时移除V空间。转换公式如下：

其中R,G,B为每个像素对应的值。

再将处理后的图像划分为适当数量的的颜色小区间，每个小区间成为直方图的一个bin，即对图像进行量化，然后通过计算颜色每个小区间内的像素数量可以得到HSV颜色直方图，即为HSV的颜色特征。

1-3.纹理特征提取：