[发明专利]一种基于聚类量化实时匹配的食物识别方法

说明书

本发明公开了一种基于聚类量化实时匹配的食物识别方法，通过多个摄像头在出菜档口实时采集盛装食物的图片，将盛装食物的图片以对应的采集时间进行标记，以及将盛装食物图片上的多个类别的食物图像进行ID信息标记，对每一张食物图片进行图像预处理，对每一类别食物图片的低维度特征向量，以及对应的高维度特征向量存储在特征匹配库中，需要结算食物图片的低维度特征向量与存储库的食物图片的低维度向量进行匹配，成功后，再进行该食物图片的高维度特征向量与存储的食物图片的高维度特征向量中最接近的若干个食物图片进行匹配，选取其中匹配度最高的食物图片对应的ID信息映射至该需要结算的食物图片上。

技术领域

本发明涉及食物识别技术领域，具体为一种基于聚类量化实时匹配的食物识别方法。

背景技术

近些年来，人工智能领域受到社会各个行业的青睐，例如智能驾驶、智能家居、智能零售、智能医疗、智能办公等领域推出的智能产品，颇受市场欢迎，它解决了各种复杂条件下的识别需求。人工智能中，核心技术是由深度学习支撑，深度学习主要应用在计算机视觉，语音识别，自然语言处理这三个领域。

中国专利申请公布号CN110852733A中，以碗碟轮廓大小和颜色特征做区分的餐具识别系统。该发明主要通过设备顶部的摄像头传感器运用传统图像算法提取目标碗碟的轮廓特征和颜色等特征，进行目标碗碟类别的匹配，根据结果和数据库存储信息比对得出价格进行最终的结算价格。其缺陷在于：该专利的算法识别碗碟的形状和颜色特征效果比较单一，可供使用的碗碟有限，对不锈钢和木桶、铁板材质等特殊餐具不具备识别能力。而且，对同类型不同大小碗碟或是相似性较大的不同碗碟无法做到区分，一种碗碟只能装一种价格的菜品，对餐具使用和人力管理上造成了浪费，无法有效获取顾客就餐信息，并对其进行数据分析。

中国专利申请公布号CN111461694A中，以传统的机器学习方法实现的菜品识别与计价系统。该发明包括终端交互层、餐厅识别层和云端优化层，层次之间存在信息流闭环迭代更新机制，协同完成上层模型优化融合以及下层模型迭代更新与识别。其缺陷在于：其识别方法的模型需要大量真实的数据进行迭代训练，而且在使用过程中需要多次更新。每个餐厅的识别模型需要在云端进行融合操作，数据安全性和模型效果的实时性问题较多，实际的识别效果过度依赖模型。对未采集过的数据其识别效果未知，对商家的菜品规范要求较高，增加商家的使用复杂度。

发明内容

本发明目的在于提供一种方便维护、降低管理成本的基于聚类量化实时匹配的食物识别方法。

本发明所述的一种基于聚类量化实时匹配的食物识别方法，包括以下步骤：

步骤1：通过多个摄像头在出菜档口实时采集盛装食物的图片，每个摄像头划分为多个采集区域，采集区域对应放置一类别食物，将采集到的盛装食物图片以对应的采集时间进行标记，所述盛装食物图片上对应多个类别食物图像，每一个类别食物图像对应每一个ID信息，每一个ID信息对应每一道食物的名称和价格；

步骤2：依据盛装食物图片上标记的时间将重复和错误的盛装食物图片进行剔除，保留剩余不重复和正确的盛装食物图片；

步骤3：根据目标检测算法对盛装食物图片进行ROI区域截取，获取每张单个类别的食物图片，所述每张单个类别的食物图片对应每一个ID信息；

步骤4：对每一张食物图片进行图片增强处理，获得与原始图片相似的多张食物增强图片，分别提取增强前和增强后食物图片的特征向量，由类间差算法对增强前和增强后食物图片的特征向量求均值特征向量，根据该均值特征向量获得该张食物图片需要存储的高维度特征向量，对每一个食物大类下的每一张食物图片的高维度特征向量进行压缩，求取该类别食物图片的低维度特征向量，将该低维度特征向量作为每一张食物图片的特征向量并进行聚类并排序，将排序后的每一类别食物图片的低维度特征向量，以及对应的高维度特征向量存储在特征匹配库中；