[发明专利]一种异构特征融合的云花卉识别方法

说明书

技术领域

本发明涉及计算机视觉及模式识别技术领域，特别涉及一种异构特征融合的云花卉识别方法。

背景技术

植物分类有着悠久的历史，其作为一门独立的学科大约始于17世纪。但对于不具备植物分类的相关知识及经验的普通人来说，确定某个花卉的种类还是具有一定的困难。在当今社会，移动智能终端广泛普及，利用其摄像头可以方便地得到花卉的数字图像，配合云服务器的强大处理能力，可实现对花卉的即时分类。由此可见，研究对图片中的花卉进行快速、自动分类具有广阔的应用前景。

目前已有一些图像分类相关的技术和专利，如专利201310698110.5提供了一种基于图像特征稀疏重构的图像分类方法。这种方法采用Forester算子对每类样本图像提取特征向量并构成初始字典，训练得到每类样本图像的字典，测试时采用稀疏表示系数矩阵重构图像并比较重构图像与测试图像的误差，根据误差最小原则判定测试图像所属类别。专利201310632737.0提出了一种基于局部边缘模式的纹理图像分类方法。这种方法计算原始纹理图像和不同尺度纹理基元下的局部边缘模式纹理谱特征，然后串联得到待分类图像的总体融合局部边缘模式纹理谱特征，将待分类图像归为Canberra距离最小的训练图像所属的类别。但这些方法通常只提取了图像的一种特征，没有充分利用图像的多种特征，并且没有考虑在大量请求下的图像分类性能。

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异构特征融合的云花卉识别方法，不仅识别性能高，而且还可以利用后台强大的云计算平台提供多并发的花卉识别处理。

本发明的目的通过以下技术方案实现：

一种异构特征融合的云花卉识别方法，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(Bag of Word,词包)特征提取，具体为：

S1.1.1将训练样本图像从RGB(Red Green Blue，红绿蓝)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(Scale-invariant feature transform,旋转尺度不变特征)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(k-means—Singular Value Decomposition，k均值-奇异值分解)算法，得到稀疏特征的字典；利用稀疏特征字典，使用OMP(Orthogonal Matching Pursuit，正交匹配追寻)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(max-pooling)，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；

其中多核学习方法可参考文献(L.Guo,L.W.Jin,Laplacian Support vector machines with multi-kernel learning,IEICE Trans.on Information&System,E94-D(2)(2011)379-383)。

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；