CN106355615A

CN106355615A - 一种基于hog与svm的马铃薯定位方法

Info

Publication number: CN106355615A
Application number: CN201610786647.0A
Authority: CN
Inventors: 汪成龙; 段延喜; 迟正刚; 陈治明; 谢珩; 徐德明
Original assignee: Huizhou University
Current assignee: Huizhou University
Priority date: 2016-08-31
Filing date: 2016-08-31
Publication date: 2017-01-25

Abstract

本发明提供一种基于HOG与SVM的马铃薯定位方法，包括步骤：S1.采集马铃薯样本图像集；S2.得到马铃薯样本图像的灰度值；S3.提取马铃薯样本图像的HOG特征，并采用HOG特征进行SVM分类器训练，以筛选前景对象中的马铃薯；S4.建立马铃薯识别模型，将训练过的SVM分类器保存为XML文件，根据特征向量和类别参数生成检测子参数，调用检测函数建立马铃薯检测模型。本发明提供的基于HOG与SVM的马铃薯定位方法，通过结合HOG特征提取与SVM分类器训练筛选前景对象中的马铃薯，进行马铃薯定位，并调用检测函数建立马铃薯识别模型，提高马铃薯定位的速度和准确度。

Description

一种基于HOG与SVM的马铃薯定位方法

技术领域

本发明涉及马铃薯定位技术领域，具体涉及一种基于HOG与SVM的马铃薯定位方法。

背景技术

在现有的对图像中的马铃薯进行定位的方法中，对图像几何的和光线的变化不能保留稳定性，这两种形变会出现在更大的空间领域上。并且，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，容许马铃薯有一些细微的变化，这些细微的变化被忽略而影响检测效果。因此，需开发一种快速、准确定位图像中的马铃薯的方法。

发明内容

本发明提供一种基于HOG与SVM的马铃薯定位方法，解决了提高对图像中的马铃薯定位的速度和准确度的技术问题。

为了解决以上技术问题，本发明提供一种基于HOG与SVM的马铃薯定位方法，包括步骤：

S1.采集马铃薯样本图像集；

S2.得到马铃薯样本图像的灰度值；

S3.提取马铃薯样本图像的HOG特征，并采用HOG特征进行SVM分类器训练，以筛选前景对象中的马铃薯；

S4.建立马铃薯识别模型，将训练过的SVM分类器保存为XML文件，根据特征向量和类别参数生成检测子参数，调用检测函数建立马铃薯检测模型。

进一步地，步骤S2具体为：

将马铃薯样本图像中分解的彩色图像R、G、B三个分量进行加权平均得到灰度值。

进一步地，步骤S3中，提取马铃薯样本图像的HOG特征，具体包括：

S31.Gamma归一化步骤：对输入图像灰度值进行非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系；

S32.梯度计算步骤：计算图像像素点的横纵坐标方向的梯度，根据图像像素点的横纵坐标方向的梯度得到像素点的梯度幅值和梯度方向值；

S33.构建梯度方向的直方图步骤：图像的HOG结构由至少两个block重叠组成，每个Block由至少两个cell组成，在每个cell中做梯度方向统计，形成以梯度方向为横轴的直方图；

S34.Block归一化步骤：将一个block里所有cell的特征向量串接起来获得block的HOG描述子，将重叠的block进行HOG特征的收集并结合成特征向量。

更进一步地，在S31.Gamma归一化步骤中，输出图像灰度值与输入图像灰度值呈指数关系的计算公式为：f(I)＝I^γ，其中指数即为Gamma。

更进一步地，在S32.梯度计算步骤中，像素点(x,y)的梯度的计算公式为：

G_x(x，y)＝H(x+1，y)-H(x-1，y)

G_y(x，y)＝H(x，y+1)-H(x，y-1)

式中G_x(x，y)，G_y(x，y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值；

像素点(x,y)的梯度幅值和梯度方向值的计算公式为：

G (x, y) = \sqrt{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

α (x, y) = \tan^{- 1} (\frac{G_{y} (x, y)}{G_{x} (x, y)})

更进一步地，在S33.构建梯度方向的直方图步骤中，所述HOG结构包括矩形HOG、圆形HOG、中心环绕形HOG。

更进一步地，在S34.Block归一化步骤中，Block归一化的方法包括L2-norm、L1-norm、L1-sqrt、L2-Hys。

进一步地，在步骤S4中，所述检测子参数为OpenCV中的HOG描述子可用的参数。

进一步地，在步骤S4中，调用的检测函数为Opencv中的detectMultiScale函数。

本发明提供的基于HOG与SVM的马铃薯定位方法，通过结合HOG特征提取与SVM分类器训练筛选前景对象中的马铃薯，进行马铃薯定位，并调用检测函数建立马铃薯识别模型，提高马铃薯定位的速度和准确度。

附图说明

图1是本发明的基于HOG与SVM的马铃薯定位方法的流程示意图；

图2是本发明中构建梯度方向的直方图步骤中HOG结构的示意图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，附图仅供参考和说明使用，不构成对本发明专利保护范围的限制。

参考图1，本发明提供一种基于HOG与SVM的马铃薯定位方法，包括步骤：

S1.采集马铃薯样本图像集；

S2.得到马铃薯样本图像的灰度值；

在本实施例中，步骤S2具体为：

在本实施例中，步骤S3中，提取马铃薯样本图像的HOG特征，具体包括：

S31.Gamma归一化步骤：对输入图像灰度值进行非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系，计算公式为：

f(I)＝I^γ

其中指数即为Gamma，在本实施例中，Gamma＝1/2.2；

对整个图像进行归一化的目的是使输入的检测图像克服由于光照等环境因素的影响，以便更有效的保存图像亮度信息。

S32.梯度计算步骤：计算图像像素点的横纵坐标方向的梯度，根据图像像素点的横纵坐标方向的梯度得到像素点的梯度幅值和梯度方向值；求导操作不但能够刻画边缘、影像和一些纹理特征，还可以进一步降低光照的影响；

像素点(x,y)的梯度的计算公式为：

G_x(x，y)＝H(x+1，y)-H(x-1，y)

G_y(x，y)＝H(x，y+1)-H(x，y-1)

像素点(x,y)的梯度幅值和梯度方向值的计算公式为：

G (x, y) = \sqrt{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

α (x, y) = \tan^{- 1} (\frac{G_{y} (x, y)}{G_{x} (x, y)})

所述HOG结构包括矩形HOG(R-HOG)、圆形HOG、中心环绕形HOG三种类型，三者的单位都是block块。

矩形HOG和圆形HOG检测出来的效果基本是相同的，但是中心环绕形HOG的效果相对于前两者稍差。本实施例采用矩形HOG结构类型。如图2所示，矩形HOG结构的block都是由多个cell单元组成的，而一个cell单元又是由多个像素点构成的，多个重叠的block便构成了整张图像。

在每个Cell中单独做梯度方向统计，从而形成以梯度方向为横轴的直方图，Dalal实验表明，对于目标检测0度到180度这种不看度数正负级的方向范围可以获得更好的效果。然后又将这个梯度分布均匀分为多个方向角度(orientation bins)，每个方向角度范围都会对应一个直方柱。

因为局部光线的改变以及前景-背景对比度的变化，使得梯度强度的变化范围非常大，所以必须对梯度强度做归一化。归一化可以进一步地对光线、阴影和边缘进行压缩。把各个cell单元构建成大的、空间上相连的区间(blocks)。如此，一个block里所有cell的特征向量串接起来便获得该block的HOG特征。这些block是互有重叠的，这就意味着：每一个cell的特征会以不同的结果重复出现在最后的特征向量中。

block归一化有四种方法，分别是L2-norm、L1-norm、L1-sqrt、L2-Hys。本专利采取L2-Norm with Hysteresis threshold方法进行归一化，即将直方图向量中bin值的最大值限制为0.2以下，然后再重新归一化一次。将归一化后取得的块描述符(向量)称之为HOG描述子，对检测窗口中所有重叠的block进行HOG特征的收集，并将它们结合成最终的特征向量。

在步骤S4中，所述检测子参数为OpenCV中的HOG描述子可用的参数。

在步骤S4中，调用的检测函数为Opencv中的detectMultiScale函数。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims

1.一种基于HOG与SVM的马铃薯定位方法，其特征在于，包括步骤：

S1.采集马铃薯样本图像集；

S2.得到马铃薯样本图像的灰度值；

2.根据权利要求1所述的基于HOG与SVM的马铃薯定位方法，其特征在于：步骤S2具体为：

3.根据权利要求1所述的基于HOG与SVM的马铃薯定位方法，其特征在于：步骤S3中，提取马铃薯样本图像的HOG特征，具体包括：

4.根据权利要求3所述的基于HOG与SVM的马铃薯定位方法，其特征在于：在S31.Gamma归一化步骤中，输出图像灰度值与输入图像灰度值呈指数关系的计算公式为：f(I)＝I^γ，其中指数即为Gamma。

5.根据权利要求3所述的基于HOG与SVM的马铃薯定位方法，其特征在于：在S32.梯度计算步骤中，像素点(x,y)的梯度的计算公式为：

G_x(x，y)＝H(x+1，y)-H(x-1，y)

G_y(x，y)＝H(x，y+1)-H(x，y-1)

像素点(x,y)的梯度幅值和梯度方向值的计算公式为：

G (x, y) = \sqrt{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

α (x, y) = \tan^{- 1} (\frac{G_{y} (x, y)}{G_{x} (x, y)})

6.根据权利要求3所述的基于HOG与SVM的马铃薯定位方法，其特征在于：在S33.构建梯度方向的直方图步骤中，所述HOG结构包括矩形HOG、圆形HOG、中心环绕形HOG。

7.根据权利要求3所述的基于HOG与SVM的马铃薯定位方法，其特征在于：在S34.Block归一化步骤中，Block归一化的方法包括L2-norm、L1-norm、L1-sqrt、L2-Hys。

8.根据权利要求1所述的基于HOG与SVM的马铃薯定位方法，其特征在于：在步骤S4中，所述检测子参数为OpenCV中的HOG描述子可用的参数。

9.根据权利要求4所述的基于HOG与SVM的马铃薯定位方法，其特征在于：在步骤S4中，调用的检测函数为Opencv中的detectMultiScale函数。