[发明专利]一种异构特征融合的云花卉识别方法

权利要求书

1.一种异构特征融合的云花卉识别方法，其特征在于，包括以下步骤：

S1离线训练过程：

S1.1对训练样本图像进行BOW特征提取，具体为：

S1.1.1将训练样本图像从RGB色彩空间转换成灰度空间；

S1.1.2对经步骤S1.1.1处理后的训练样本图像提取密集SIFT特征，对所得SIFT特征使用k均值聚类得到SIFT特征字典，利用SIFT特征字典量化每个训练样本图像的SIFT特征，从而得到训练样本图片的SIFT特征直方图；

S1.1.3计算各训练样本图像的SIFT特征直方图之间的交叉核函数，得到训练样本图像的BOW特征；

S1.2对所有训练样本图像进行稀疏特征提取，具体为：

S1.2.1对训练样本图像进行预处理，即将每张训练样本图像分割成多个图块，并且每个图块去除图块的像素平均值；

S1.2.2对经步骤S1.1.1处理后的所有图块，使用K-SVD算法，得到稀疏特征的字典；利用稀疏特征字典，使用OMP算法对步骤S1.2.1得到的图块进行稀疏编码，将训练样本图像利用层次化结构分成N区域，在每个区域内使用最大值抽取，并进行级联后得到训练样本图像的稀疏编码结果；N为正整数；

S1.2.3计算各训练样本图像的稀疏编码结果之间的交叉核函数，得到训练样本图像的稀疏特征；

S1.3使用多核学习，得到BOW特征和稀疏特征的权重，利用权重将BOW特征和稀疏特征进行加权求和后，得到图像的总特征，然后送入支持向量机进行训练，得到支持向量机分类模板；

S2花卉识别过程：

S2.1客户端发送花卉识别请求到云服务器端；

S2.2云服务器通过负载均衡操作将任务分配至云服务器的计算节点，具体为：

S2.2.1在云上的每个计算节点上都部署已训练好的支持向量机分类模板；

S2.2.2云上的主控制节点接收用户传来的待识别花卉图像，根据用户的源IP地址进行哈希操作，根据哈希操作的结果转发到相应的计算节点子集群上；

S2.2.3子集群的控制节点根据子集群内计算节点的忙碌情况，将请求转发至最空闲的计算节点，并在最空闲计算节点上启动进程；

S2.3最空闲计算节点对用户传来的待识别花卉图像进行识别，具体包括：

S2.3.1将待识别花卉图像从RGB色彩空间转换成灰度色彩空间；

S2.3.2对步骤S2.3.1得到的灰度图像提取密集SIFT特征，利用步骤S1.1.2得到的SIFT特征字典进行量化，得到待识别花卉图像的SIFT特征直方图；计算待识别花卉图像的SIFT特征直方图与训练样本图像的SIFT特征直方图的交叉核函数，得到待识别花卉图像的BOW特征；

S2.3.3对待识别花卉图像进行预处理，即将待识别花卉图像分割成多个图块；

S2.3.4利用步骤S1.2.2得到的稀疏特征字典，利用OMP算法对步骤S2.3.3得到的图块进行稀疏编码；将待识别花卉图像利用层次化结构分成N区域，在每个区域内使用最大值抽取，并进行级联后得到待识别花卉图像的稀疏编码结果；计算待识别花卉图像和训练样本图像的稀疏编码结果的交叉核函数，得到待识别花卉图像的稀疏特征；

S2.3.5利用S1.3学习得到的权重将待识别花卉图像的BOW特征和稀疏特征进行加权求和后，得到待识别花卉图像的总特征，并将总特征送入步骤S1.3得到的分类模板进行分类，得到待识别花卉图像的分类结果。

2.根据权利要求1所述的异构特征融合的云花卉识别方法，其特征在于，步骤S1.2.1所述对训练样本图像进行预处理，具体为：

S1.2.1.1对训练样本图像按比例缩放到固定尺寸；

S1.2.1.2使用一个滑动窗口在经步骤S1.2.1.1处理后的训练样本图像上逐像素移动得到多个图块；

S1.2.1.3每个图块去除各自图块的像素平均值。

3.根据权利要求1所述的异构特征融合的云花卉识别方法，其特征在于，步骤所述S2.3.3对待识别花卉图像进行预处理，将待识别花卉图像分割成多张图块，具体为：

S2.3.3.1对待识别花卉图像按比例缩放到固定尺寸；

S2.3.3.2使用一个滑动窗口在经步骤S2.3.3.1处理后的待识别花卉图像上逐像素移动得到多个图块；

S2.3.3.3每个图块去除图块的像素平均值。