CN104036235A - 基于叶片hog特征和智能终端平台的植物物种识别方法 - Google Patents

Abstract

本发明涉及一种基于叶片HOG特征和智能终端平台的植物物种识别方法，包括以下步骤：1)客户端获取叶片图像；2)对获取的叶片图像进行预处理后将叶片图像传输给服务器端，并同时向服务器端发送识别请求；3)服务器端收到识别请求后，对叶片图像进行HOG特征提取；4)以提取出的HOG特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别；5)根据识别结果从植物物种数据库查找当前叶片图像对应类别的植物物种信息，并发送给客户端；6)客户端显示识别结果及对应植物物种信息。与现有技术相比，本发明具有准确率高、使用方便等优点。

Description

基于叶片HOG特征和智能终端平台的植物物种识别方法

技术领域

本发明涉及一种图像处理技术，尤其是涉及一种基于叶片HOG特征和智能终端平台的植物物种识别方法。

背景技术

目前，植物物种识别方法主要有三种：

(1)人工贴上的物种标签：这是大部分植物园或公园采取的为方便游客识别植物物种的一种方法，即，将刻有植物相关信息的标签牌贴于植物枝干上供游客阅读。此方法存在着耗费人力物力、传达信息较少、表达不醒目以及标签易被腐蚀等先天性不足，限于此，仅在收费或者受保护的景区得以普及；

(2)人工贴上的二维码：此方法可视为方法(1)的升级版，是物种标签和现代电子技术发展相结合的产物，游客通过扫描贴于植物枝干上的二维码，接入互联网即可获得丰富的植物物种信息，该方法克服了方法(1)中的传递信息少的缺点，但仍存在着耗费人力物理和标签易被腐蚀等缺点，仅在极少数园区得以实施，目前仍处于试验阶段；

(3)专业的植物分类学工作者的研究：这是最传统的植物分类学研究方法，研究者们通过采集标本和人工测量，并结合经验知识和书本指导对标本进行分类，这种方法工作量巨大，并且需要大量专业知识，只能在科研领域得以实施。

以上三种方法由于自身的缺陷都未能够得到普及，目前市场上并没有一种方便快捷并且代价小的植物物种识别方法。

随着机器学习和数字图像处理等技术的快速发展，人们试图借助计算机的强大计算能力和学习能力，对植物物种进行自动识别。过去20年，欧美等国家陆续有科研工作者呼吁通过采用机器学习和数字图像处理技术将植物物种识别实现全自动或半自动的计算机辅助计算。1993年Guyey通过精确定位叶片图像轮廓上的点得到的植物叶片形状特征，并提取17种叶片图像的外形特征作为分类器的输入数据实现40种植物物种的可视化识别；1999年Cholhong Im等利用叶片的多边形逼近来识别槭属类植物；2001年Manh利用变形结构来逼近叶片：首先找到骨架，然后在骨架上作垂线。这些研究工作的对象大都局限于某一特定领域的几种植物，未能普及。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确率高、使用方便的基于叶片HOG特征和智能终端平台的植物物种识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于叶片HOG特征和智能终端平台的植物物种识别方法，包括以下步骤：

1)客户端获取叶片图像；

2)对获取的叶片图像进行预处理后将叶片图像传输给服务器端，并同时向服务器端发送识别请求；

3)服务器端收到识别请求后，对叶片图像进行HOG特征提取；

4)以提取出的HOG特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别；

5)根据识别结果从植物物种数据库查找当前叶片图像对应类别的植物物种信息，并发送给客户端；

6)客户端显示识别结果及对应植物物种信息。

所述的客户端获取叶片图像的方式包括通过摄像头拍照获取或从客户端本地数据库中获取。

所述的SVM分类器的训练过程具体为：

1a)获取多个植物物种的叶片图像，对于每一个植物物种，均采集多张不同形态和不同生长过程的叶片图像；

1b)对所有待训练的植物物种的叶片图像进行预处理和HOG特征提取；

1c)分别对每个植物物种设置物种标签，以所有HOG特征表达向量和物种标签作为SVM的输入进行训练；

1d)获得训练好的SVM分类器。

所述的预处理包括灰度化、伽马校正、调整大小、边缘补充等。

所述的HOG特征提取具体为：

2a)计算图像中每个像素的横纵方向梯度值和梯度方向；

2b)划分所有像素为均匀大小的细胞区；

2c)划分梯度方向为固定角度间隔的索引数值；

2d)采用二线插值方式统计每个细胞区中的梯度方向直方图向量；

2e)划分所有细胞区为均匀的块；

2f)采用三线插值方式重组每个块中的梯度方向直方图向量；

2g)对每个块的梯度直方图向量进行归一化校正；

2h)统计所有块的方向直方图得到叶片图像最终的特征表达向量。

所述的客户端为安装有Windows Phone平台的智能终端。

所述的客户端到服务器端的识别请求和服务器端到客户端的植物物种信息传输采用HTTP协议通信，客户端到服务器端的图片传输采用TCP SOCKET方法。

与现有技术相比，本发明提供了一种高准确率的以植物叶片为对象的植物物种识别算法，将HOG算子应用于植物叶片图像的特征提取工作，获得了良好的特征表达效果，并基于C/S架构成功地构建了Windows Phone手机平台上的植物物种分类系统，方法实施后可供手机用户直接下载使用，通过拍摄植物的叶片图像，即可高效率高准确率地识别出植物的物种类别，并从数据库中检索到该物种相关的各种信息资料，实现了Windows Phone手机平台上的植物物种自动分类软件，完成从理论成果到应用成果的转化。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于叶片HOG特征和智能终端平台的植物物种识别方法，采用C/S架构，以Windows Phone手机平台为客户端，实现叶片图像的采集、识别请求和植物物种信息数据库的展示；以高性能计算机为服务器端，实现对叶片图像的特征提取、训练和识别，以及对植物物种信息数据库的构建和检索。服务器安装Windows8操作系统，并安装Windows Phone、Web和Console三个工程的开发环境。客户端到服务器端的叶片图像的识别请求和服务器端到客户端的植物物种信息传输采用HTTP协议通信，客户端到服务器端的图片传输采用TCP SOCKET方法。该识别方法具体包括以下步骤：

1)客户端获取叶片图像，获取叶片图像的方式包括通过摄像头拍照获取或从客户端本地数据库中获取。

2)对叶片图像进行预处理，包括灰度化、伽马校正、调整大小和边缘补充等。

3)将叶片图像传输给服务器端，并同时通过HTTP协议(HTTP POST)向服务器端发送识别请求。

4)服务器端通过TCP SOCKET接收叶片图像，当服务器端收到识别请求后，对叶片图像进行HOG(梯度直方图)特征提取：计算图像每个像素的横纵方向梯度值和梯度方向；划分所有像素为均匀大小的细胞区；划分梯度方向为固定角度间隔的索引数值；采用二线插值方式统计每个细胞区中的梯度方向直方图向量；划分所有细胞区为均匀的块；采用三线插值方式重组每个块中的梯度方向直方图向量；对每个块的梯度直方图向量进行归一化校正；最后统计所有块的方向直方图得到叶片图像最终的特征表达向量。本实施步骤在Console服务器端实现。

5)以提取出的HOG特征作为训练好的SVM(支持向量机)分类器的输入，对叶片图像进行分类识别。

SVM分类器的训练是对所有待训练的植物物种的叶片图像执行3)和4)得到各自的特征表达向量，并标柱物种编号，最后以所有特征表达向量和物种标签作为SVM的输入进行训练，得到分类器，过程具体为：

1a)获取多个植物物种的叶片图像，对于每一个植物物种，均采集多张不同形态和生长过程的叶片，分别置于白色背景上，通过拍照或扫描的方式获得图像；

1b)对所有待训练的植物物种的叶片图像进行预处理和HOG特征提取；

1c)分别对每个植物物种设置物种标签，以所有HOG特征表达向量和物种标签作为SVM的输入进行训练；

1d)获得训练好的SVM分类器。

6)根据识别结果从预先构建的植物物种数据库查找当前叶片图像对应类别的植物物种信息，并通过HTTP协议发送给客户端。

7)客户端显示识别结果及对应植物物种信息。

Claims (7)

1.一种基于叶片HOG特征和智能终端平台的植物物种识别方法，其特征在于，包括以下步骤：

1)客户端获取叶片图像；

2)对获取的叶片图像进行预处理后将叶片图像传输给服务器端，并同时向服务器端发送识别请求；

3)服务器端收到识别请求后，对叶片图像进行HOG特征提取；

4)以提取出的HOG特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别；

5)根据识别结果从植物物种数据库查找当前叶片图像对应类别的植物物种信息，并发送给客户端；

6)客户端显示识别结果及对应植物物种信息。

2.根据权利要求1所述的一种基于叶片HOG特征和智能终端平台的植物物种识别方法，其特征在于，所述的客户端获取叶片图像的方式包括通过摄像头拍照获取或从客户端本地数据库中获取。

3.根据权利要求1所述的一种基于叶片HOG特征和智能终端平台的植物物种识别方法，其特征在于，所述的SVM分类器的训练过程具体为：

1a)获取多个植物物种的叶片图像，对于每一个植物物种，均采集多张不同形态和不同生长过程的叶片图像；

1b)对所有待训练的植物物种的叶片图像进行预处理和HOG特征提取；

1c)分别对每个植物物种设置物种标签，以所有HOG特征表达向量和物种标签作为SVM的输入进行训练；

1d)获得训练好的SVM分类器。

4.根据权利要求1或3所述的一种基于叶片HOG特征和智能终端平台的植物物种识别方法，其特征在于，所述的预处理包括灰度化、伽马校正、调整大小和边缘补充。

5.根据权利要求1或3所述的一种基于叶片HOG特征和智能终端平台的植物物种识别方法，其特征在于，所述的HOG特征提取具体为：

2a)计算图像中每个像素的横纵方向梯度值和梯度方向；

2b)划分所有像素为均匀大小的细胞区；

2c)划分梯度方向为固定角度间隔的索引数值；

2d)采用二线插值方式统计每个细胞区中的梯度方向直方图向量；

2e)划分所有细胞区为均匀的块；

2f)采用三线插值方式重组每个块中的梯度方向直方图向量；

2g)对每个块的梯度直方图向量进行归一化校正；

2h)统计所有块的方向直方图得到叶片图像最终的特征表达向量。

6.根据权利要求1所述的一种基于叶片HOG特征和智能终端平台的植物物种识别方法，其特征在于，所述的客户端为安装有Windows Phone平台的智能终端。

7.根据权利要求1所述的一种基于叶片HOG特征和智能终端平台的植物物种识别方法，其特征在于，所述的客户端到服务器端的识别请求和服务器端到客户端的植物物种信息传输采用HTTP协议通信，客户端到服务器端的图片传输采用TCP SOCKET方法。