[发明专利]一种智能终端上的花卉识别方法

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。

主权项

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：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特征向量；所述全局颜色特征向量为HSV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；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S1.7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。