[发明专利]一种基于词袋模型和adaboosting的食堂自助计价方法

摘要

本发明公开了一种基于词袋模型和adaboosting的食堂自助计价方法，步骤S1：图像采集装置9每隔1秒采集结算区图像；步骤S2：PC机8对采集到的图像进行预处理、提取特征点、构造视觉词典、adaboosting识别；步骤S3：结算终端装置11计算菜品总价并显示供用餐者支付。采用本发明的技术方案，通过建立词袋模型，利用SIFI算法从分块图像中提取关键特征，采用基于权值分层的k均值聚类构造最终的视觉词典，凭借其提取特征的强大可区分性，能够最大限度地与其他物体进行区分，即使物体处在非常复杂的条件之下，这些特征也能被较好地检测与识别出来。采用基于adaboosting的分类器对图像进行训练，得到预置的训练库，显著地提高了学习精度。

主权项

1.一种基于词袋模型和adaboosting的食堂自助计价方法，其特征在于，包括以下步骤：步骤S1：图像采集装置间隔采集当前结算区图像，并将采集到的结算区图像传送至PC机中；步骤S2：PC机对采集到的图像进行处理，其包括：预处理、提取特征点、构造视觉词典、adaboosting识别；步骤S3：结算终端装置计算菜品总价并显示供用餐者支付；其中，所述步骤S2进一步包括：步骤S21：将当前t时刻收到的输入图像与预先存储在PC机的结算区背景图像进行差分运算，判断当前是否有托盘进入结算区，将采集到的托盘图像分为n×n的像素f_k(i,j),对每个像素都进行高斯分布建模，计算每个像素的L和σ，为每个像素都预设一个合理的差分阈值Th，当前图像的像素值与背景图像的像素值B_k(i,j)的差分值超过阈值时，即|f_k(i,j)‑B_k(i,j)|＞Th，判断有托盘进入结算区，且超过阈值的像素即是进入结算区的托盘；步骤S22：当检验出有托盘进入结算区后，用光流法判断托盘是否静止；假设流(dx,dy,dz)在一个大小为m×m×m(m<1)的小窗中是一个常数，那么像素1…n，n＝m×m×m中可以得到关于像素值I_xn，I_yn，I_zn变化的公式：方程组可进一步表示为：采用最小二乘法求出dx、dy及dz后，当dx、dy及dz为0时，可判断托盘处于静止状态；步骤S23：对当前时刻收到的输入图像与预存在PC机的空托盘图像做背景差分，并将差分图像转变成二值图像：D_k(x,y)＝|f_k(x,y)‑P_k(x,y)|其中，f_k(i,j)是当前输入图像的像素值，P_k(i,j)是预存在PC机的空托盘图像的像素值，D_k(i,j)表示差分结果，M_k(i,j)表示二值化结果，Th1为设定的阈值；步骤S24：利用轮廓搜索算法，通过对二值图像中白色像素的标记，让每个单独的连通区域形成一个被标识的块，即把托盘上装有菜品的餐盘标记出来，再在原图像上进行标记，得到连通域分块模型；步骤S25：建立词袋模型，提取整合得到所有图像的视觉字典，进行adaboosting分类器的构建和训练，完成图像分类；步骤S251：利用SIFI算法从连通域分块图像中提取视觉词汇；将图像与高斯核函数进行卷积，得到高斯差分尺度空间；然后，利用极值点检测初步确定关键点所在的位置和尺度，粗糙地探测候选特征点的位置，对这些关键点进行精确的定位，得到其尺度、方向等信息，确定所需的候选特征点的精确位置信息；在候选特征点处对D(x，y，σ)进行泰勒展开如式下所示：其中X(x，y，σ)是对应采样点的偏移量；对上式求导并令其等于0，得出极值点的位置信息：联立上述两式，且只保留前两项:当小于设定阈值时，该点即被看做是低对比度点从而进行剔除；由此，每一个特征便具备了四个参数，中心点的水平坐标，中心点的垂直坐标、尺度以及方向；将尺度空间图像L(x，y，σ)记为L(x，y)，则在特征点(x，y)处的梯度模值m(x，y)及方向θ(x，y)可计算为：最后，对特征进行描述，以关键点为圆心取16×16的邻域窗口，然后将该窗口分成4×4个子区域，在每个子区域中计算8个方向(0°，45°，90°，135°，180°，225°，270°，315°)的梯度累加值，每个特征便可以用4×4×8＝128维的向量来表示；并给每一个特征点分配方向和尺度，以保证SIFI描述自具有图像旋转不变性；对特征向量进行归一化处理；设128维的特征向量为D＝(d₁,d₂,…,d₁₂₈)，归一化处理后得到：步骤S252：将SIFI算法从分块图像中提取到的所有的视觉词汇集合在一起，采用基于权值分层的k‑means聚类构造视觉词典，对训练集中的N幅分块图像分别提取Laplace谱结构特征和SIFT局部特征并进行聚类，获得图像信息描述更完备的视觉词典C_LK和C_SK；首先对图像库中图像进行分层聚类，得到基于各个类别图像的视觉词典即子视觉词典C_LKy和C_SKy，其中，C_LKy为第y类图像的Laplace谱结构特征聚类中心，C_Sky为第y类图像的SIFT局部特征聚类中心，k_y为第y类训练图像聚类中心数，y＝l，2，…M，M为图像类别数；其次对这些子视觉词典的集合再次进行聚类，得到父视觉词典C_LK和C_SK；最后对这两个父视觉词典进行权值分配处理，平衡两种图像特征在图像分类过程中所起的作用：其中，C为总视觉词典，为聚类的权值系数；步骤S253：采用adaboosting分类器进行训练，算法如下：(1)给定一系列训练样本(x₁,y₁)，(x₂,y₂)，…，(x_n,y_n)，其中y_i＝0表示为负样本，y_i＝1表示其为正样本；n为一共的训练样本数量；(2)初始化权重w_i＝D(i)；(3)对t＝1,…,T：(4)归一化权对每一个特征f,训练一个弱分类器h(x，f，P，θ)；计算对应所有特征的弱分类器的加权错误率ε_f：ε_f＝∑_iq_i|h_i，f，P，θ)‑y_i|；然后选取最佳的弱分类器h_t(x)(拥有最小错误率ε_t)：再按照这个最佳弱分类器，调整权重：e_i＝0表示x_i被正确分类，e_i＝1表示x_i被错误分类；(5)最后的强分类器为：步骤S27：用经过训练的adaboosting分类器对测试集进行分类识别，得到菜品的种类及其数量，并将数据传送至所述结算终端装置；其中，步骤S3进一步包括：步骤S31：结算终端装置首先根据识别托盘图像的连通域个数，得到菜品数量的信息，并根据PC机已经识别得到的菜品与价格的对应关系,依照单价及数量计算出餐盘所含菜品的总价；步骤S32：将托盘中所含菜品数量、单价及总价显示出来,并显示可供选择的支付方式，供用餐者支付。