CN104361348B - 一种智能终端上的花卉识别方法 - Google Patents

一种智能终端上的花卉识别方法 Download PDF

Info

Publication number
CN104361348B
CN104361348B CN201410582707.8A CN201410582707A CN104361348B CN 104361348 B CN104361348 B CN 104361348B CN 201410582707 A CN201410582707 A CN 201410582707A CN 104361348 B CN104361348 B CN 104361348B
Authority
CN
China
Prior art keywords
picture
msub
vector
shape characteristics
local shape
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410582707.8A
Other languages
English (en)
Other versions
CN104361348A (zh
Inventor
郭礼华
廖启俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201410582707.8A priority Critical patent/CN104361348B/zh
Publication of CN104361348A publication Critical patent/CN104361348A/zh
Application granted granted Critical
Publication of CN104361348B publication Critical patent/CN104361348B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种智能终端上的花卉识别方法
技术领域
本发明涉及人工智能领域，特别涉及一种智能终端上的花卉识别方法。
背景技术
自动的图像分类可以让机器插上智能的翅膀，为我们的生活提供便利。目前在图像分类领域，其已经取得了长足的进步和发展。在自动图像分类方面已提出了多项发明专利。如专利CN103577475A提出的图像分类系统：接收待分类图片；读取特征库内的特征类目；根据所述特征类目提取所述待分类图片的特征数据；匹配提取的特征数据与所述特征类目对应的预设特征数据，将特征数据可匹配的待分类图片归并为一类。但这种方法较为复杂，无法运行在硬件配置较低的终端上。专利CN103488756A设计了能在特定终端上运行的图像分类系统，但由于其使用了特别设计的终端，无法广泛使用。现在智能终端广泛普及，成为了用户获取数据的重要途径，急需一种可以运行在普通智能终端上的图片分类系统。在智能终端上的应用需要根据不同的应用目标，而进行特定特征的选取和算法的优化。
发明内容
为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种智能终端上的花卉识别方法，能够在移动终端上能快速地完成花卉识别的任务。
本发明的目的通过以下技术方案实现：
一种智能终端上的花卉识别方法，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(Scale-invariant feature transform)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(Histogram of Gradient,梯度直方图)特征向量；所述全局颜色特征向量为HSV(Hue,Saturation,Value)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。
步骤S1.4.3所述把局部形状特征距离每个类中心的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，具体为：
假设类中心标示为:
其中，C为所有类中心的集合，ci为类中心，为128维的向量,其中i＝1,2,3…K2；
P个最近邻类中心的序号为:
M＝{m1,m2…mP|m∈R}
其中，mj为离局部形状特征的2范数距离最近的第j个类中心的序号，j＝1,2,3…P；M为mj的集合；
局部形状特征与P个最近邻类中心的2范数距离：
其中，为第mj个最近邻类中心离局部形状特征的2范数距离；Dm为的集合；
最终的直方图描述符：
G＝{g1,g2,g3…gN|g∈R}
其中，gi为直方图描述符每一个维的值，为实数；当gi的序号i属于集合M时，它的值为集合DM中相应的距离di，否则为0。
所述HSV特征向量的提取过程具体为：
把图片从RGB空间转换到HSV空间，统计图像的HSV颜色直方图，把直方图的V通道去掉，把H通道和S通道的直方图级联起来得到HSV特征向量。
与现有技术相比，本发明具有以下优点和有益效果：
(1)本发明根据花卉的独有特点，选取从局部形状，全局形状和全局颜色三个方面来表示花卉的类别信息。选取密集采样的SIFT特征用来捕抓花朵的细节部分信息，采样HOG特征来捕抓花朵的整体形状的信息，采用HSV直方图特征在抗光照变化的同时，还能很好地捕抓花朵的颜色信息，效果良好。
(2)本发明根据移动终端计算性能较弱的特点，选取的密集采样SIFT特征，全局HOG特征和全局HSV直方图特征，计算复杂度低，能在智能终端上快速运算得到结果。
(3)本发明在特征聚类方面使用了多层聚类的方法，即减少了类中心的数量，也提高了类中心的质量。使存储类中心的空间所需的空间变少，识别性能提高。
(4)本发明使用类中心来建立KD树，这使在智能终端上寻找最近邻的中心时，速度大大增加。
(5)本发明在特征编码方面使用了多个类中心进行编码，另外对图片的不同区域进行了抽取。编码所表达的信息更丰富，同时也包含了空间位置信息，识别性能更好。
(6)本发明的训练过程和识别过程可以分别在个人计算机和手机这两个不同的软硬件平台上运行。使用了XML格式文件作为纽带。通过把训练过程放在计算资源较多的个人计算机上，大大地减少了训练的时间。
(7)本发明所提取的图片最终编码向量只需要使用线性的支持向量机就能取得很好的分类效果。分类器模版小，而且分类速度快。
(8)由于同类别花卉中，颜色可能有较大差异。本发明在最终给用户展示花卉图片时，按照实际拍摄花朵的颜色进行筛选，带来更好的用户体验。
附图说明
图1为本发明的实施例的智能终端上的花卉识别方法的在计算机上进行训练过程的流程图。
图2为本发明的实施例的智能终端上的花卉识别方法的在智能终端上的自动分类过程的流程图。
具体实施方式
下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例
本实施例的一种智能终端上的花卉识别方法，包括以下步骤：
S1在计算机上进行训练过程，如图1所示：
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；
本实施例从网络上下载牛津大学计算机视觉小组的Flower102数据库和类标签。Flower102数据库包括了常见的102种花卉的图片。然后把图片分成训练集和测试集。本实施例按牛津大学小组提供的分组方式，采用6000张图片作为训练，2000张作为测试。
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；
本实施例在图像的x和y方向，每隔距离d个像素就选取一个特征点，在此特征点上进行SIFT(Scale-invariant feature transform)特征描述，具体参考文献(DistinctiveImage Features from Scale-Invariant Keypoints.David G.Lowe.2004)。本实施例的d取为8。
S1.3对S1.2得到的局部形状特征进行聚类：
S1.3.1对每个类别的花卉训练图片的局部形状特征向量进行K-means聚类，对于每一个花卉类别的局部特征向量分别进行K1聚类，K1取为2000，所以每个类别得到2000个中心，而目前的训练集有102类别，训练集能得到2000*102(类)＝204000个中心向量；
S1.3.2对S1.3.1得到的204000个中心向量,再进行第二次K-means聚类，得到K2个类中心；这里的K2取为6000；
S1.4利用K2类中心对每个训练图片的局部形状特征向量进行编码，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K2类中心向量建立KD树，具体参考文献(FastMatching of Binary Features.Marius Muja and David G.Lowe)；
S1.4.2在所有K2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10个类中心；把局部形状特征与10个类中心的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直方图描述符；
所述把局部形状特征与10个类中心的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直方图描述符，具体为：
假设类中心标示为:
其中，C为所有类中心的集合，ci为类中心，为128维的向量,其中i＝1,2,3…K2；
P个最近邻类中心的序号为:
M＝{m1,m2…mP|m∈R}
其中，mj为离局部形状特征的2范数距离最近的第j个类中心的序号，j＝1,2,3…P；M为mj的集合；
局部形状特征与P个最近邻类中心的2范数距离：
其中，为第mj个最近邻类中心离局部形状特征的2范数距离；Dm为的集合；
最终的直方图描述符：
G＝{g1,g2,g3…gN|g∈R}
其中，gi为直方图描述符每一个维的值，为实数；当gi的序号i属于集合M时，它的值为集合DM中相应的距离di，否则为0
S1.4.3把训练图片等分成16个区域，每个区域里面的直方图描述符的每一维进行最大值抽取；
设某个区域里有z个由S1.4.2得出的直方图描述符G，所以该区域里的直方图描述符集合W为：
其中，W为在一个区域里求出的直方图描述符的集合。每一个wi′为一个直方图描述符，为K2维的向量,其中i＇＝1,2,3…z。
抽取后最终得到的描述符y：
其中，y为最终求出的这个区域的描述符，为K2维向量。y向量的第i维的值y(i)，等于W集合中所有w向量第i维的值中的最大值。为W集合中的第i＇个向量的第i维的值，为实数。
S1.4.4把16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；
S1.4.5对训练图片进行全局形状特征向量提取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；
全局形状特征主要是HOG(Histogram of Gradient,梯度直方图)特征，具体方法可以参照文献(Histograms of Oriented Gradients for Human Detection,NavneetDalal and Bill Triggs)。全局颜色特征为HSV(Hue,Saturation,Value)直方图特征，具体方法为把图像从RGB(Red，Green，Blue)空间转换到HSV空间，统计图像的HSV颜色直方图。为了去掉光照影响，把直方图的V通道去掉，把H通道和S通道的直方图级联起来得到全局颜色描述符；
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得到的已经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10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，如图2所示：
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10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向量的类中心直方图描述符；
S2.2.2把待识别图片等分成16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；
S2.2.3把16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10张样例图片进行升序排序，选取前3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3张图片来展示。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一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。
2.根据权利要求1所述的智能终端上的花卉识别方法，其特征在于，步骤S1.4.2所述把局部形状特征距离每个类中心的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，具体为：
假设类中心标示为:
<mrow> <mi>C</mi> <mo>=</mo> <mo>{</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>c</mi> <mn>3</mn> </msub> <mo>...</mo> <msub> <mi>c</mi> <msub> <mi>K</mi> <mn>2</mn> </msub> </msub> <mo>|</mo> <mi>c</mi> <mo>&amp;Element;</mo> <msup> <mi>R</mi> <mn>128</mn> </msup> <mo>}</mo> </mrow>
其中，C为所有类中心的集合，ci为类中心，为128维的向量,其中i＝1,2,3…K2；
P个最近邻类中心的序号为:
M＝{m1,m2…mP|m∈R}
其中，mj为离局部形状特征的2范数距离最近的第j个类中心的序号，j＝1,2,3…P；M为mj的集合；
局部形状特征与P个最近邻类中心的2范数距离：
<mrow> <msub> <mi>D</mi> <mi>M</mi> </msub> <mo>=</mo> <mo>{</mo> <msub> <mi>d</mi> <msub> <mi>m</mi> <mn>1</mn> </msub> </msub> <mo>,</mo> <msub> <mi>d</mi> <msub> <mi>m</mi> <mn>2</mn> </msub> </msub> <mo>...</mo> <msub> <mi>d</mi> <msub> <mi>m</mi> <mi>P</mi> </msub> </msub> <mo>|</mo> <mi>d</mi> <mo>&amp;Element;</mo> <mi>R</mi> <mo>}</mo> </mrow>
其中，为第mj个最近邻类中心离局部形状特征的2范数距离；Dm为的集合；
最终的直方图描述符：
G＝{g1,g2,g3…gN|g∈R}
<mrow> <msub> <mi>g</mi> <mi>i</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mo>&amp;NotElement;</mo> <mi>M</mi> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <msub> <mi>d</mi> <mi>i</mi> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，gi为直方图描述符每一个维的值，为实数；当gi的序号i属于集合M时，它的值为集合DM中相应的距离di，否则为0。
3.根据权利要求1所述的智能终端上的花卉识别方法，其特征在于，所述HSV特征向量的提取过程具体为：
把图片从RGB空间转换到HSV空间，统计图像的HSV颜色直方图，把直方图的V通道去掉，把H通道和S通道的直方图级联起来得到HSV特征向量。
CN201410582707.8A 2014-10-27 2014-10-27 一种智能终端上的花卉识别方法 Expired - Fee Related CN104361348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410582707.8A CN104361348B (zh) 2014-10-27 2014-10-27 一种智能终端上的花卉识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410582707.8A CN104361348B (zh) 2014-10-27 2014-10-27 一种智能终端上的花卉识别方法

Publications (2)

Publication Number Publication Date
CN104361348A CN104361348A (zh) 2015-02-18
CN104361348B true CN104361348B (zh) 2017-10-20

Family

ID=52528606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410582707.8A Expired - Fee Related CN104361348B (zh) 2014-10-27 2014-10-27 一种智能终端上的花卉识别方法

Country Status (1)

Country Link
CN (1) CN104361348B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503741A (zh) * 2016-10-31 2017-03-15 深圳前海弘稼科技有限公司 植物种类的识别方法、识别装置和服务器
CN108090126B (zh) * 2017-11-14 2021-09-24 维沃移动通信有限公司 图像处理方法、装置及移动终端、图像识别方法及服务器
CN109819282B (zh) * 2017-11-22 2021-04-23 腾讯科技（深圳）有限公司 一种视频用户类别识别方法、装置和介质
CN108171275A (zh) * 2018-01-17 2018-06-15 百度在线网络技术（北京）有限公司 用于识别花卉的方法和装置
CN108898059A (zh) * 2018-05-30 2018-11-27 上海应用技术大学 花卉识别方法及其设备
CN110032119A (zh) * 2019-04-28 2019-07-19 武汉理工大学 一种鲜花冷藏集装箱的监控系统及其工作方法
CN110298362A (zh) * 2019-06-11 2019-10-01 浙江工业大学 一种牡丹花特征提取方法
CN110458200A (zh) * 2019-07-17 2019-11-15 浙江工业大学 一种基于机器学习的花朵种类识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101446980A (zh) * 2008-12-26 2009-06-03 北京大学 一种基于彩色旋转图像的三维部分形状匹配和检索方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080199084A1 (en) * 2007-02-19 2008-08-21 Seiko Epson Corporation Category Classification Apparatus and Category Classification Method

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101446980A (zh) * 2008-12-26 2009-06-03 北京大学 一种基于彩色旋转图像的三维部分形状匹配和检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Novel feature extraction method using pyramid histogram of orientation grandients for smile recognition;Yang Bai;《IEEE》;20091231;全文 *
Automated flower classification over a large number of classes;M-E Nilsback;《Computer Vision, Graphics and Image Processing》;20090120;722-729 *

Also Published As

Publication number Publication date
CN104361348A (zh) 2015-02-18

Similar Documents

Publication Publication Date Title
CN104361348B (zh) 一种智能终端上的花卉识别方法
Durand et al. Weldon: Weakly supervised learning of deep convolutional neural networks
CN107679078B (zh) 一种基于深度学习的卡口图像车辆快速检索方法及系统
Liu et al. Deep sketch hashing: Fast free-hand sketch-based image retrieval
CN109241317B (zh) 基于深度学习网络中度量损失的行人哈希检索方法
Zhao et al. Learning mid-level filters for person re-identification
CN104599275B (zh) 基于概率图模型的非参数化的rgb-d场景理解方法
Lim et al. Sketch tokens: A learned mid-level representation for contour and object detection
CN205721777U (zh) 视觉搜索设备和系统
CN108197538A (zh) 一种基于局部特征和深度学习的卡口车辆检索系统及方法
CN105095884B (zh) 一种基于随机森林支持向量机的行人识别系统及处理方法
Liu et al. The method of insulator recognition based on deep learning
CN101211356A (zh) 一种基于显著区域的图像查询方法
CN104268552B (zh) 一种基于部件多边形的精细类别分类方法
CN107085731B (zh) 一种基于rgb-d融合特征与稀疏编码的图像分类方法
CN107169106A (zh) 视频检索方法、装置、存储介质及处理器
Gali et al. Genetic algorithm for content based image retrieval
CN110175249A (zh) 一种相似图片的检索方法及系统
Karaman et al. L1-regularized logistic regression stacking and transductive crf smoothing for action recognition in video
CN110751191A (zh) 一种图像的分类方法及系统
Xiong et al. RGB-D scene recognition via spatial-related multi-modal feature learning
CN111125396B (zh) 一种单模型多分支结构的图像检索方法
Chen et al. Bilinear CNN models for food recognition
CN104598898A (zh) 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法
Mareta et al. Herbal leaf classification using images in natural background

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171020

Termination date: 20211027