[发明专利]一种基于SVM的食物分类识别方法

说明书

技术领域

 本发明属于物联网技术领域，涉及一种基于支持向量机（SVM）的食物分类识别方法, 本发明的目的在于使用该技术解决现实生活中食物摄入量测量的问题。

背景技术

 随着生活质量和水平的不断提升，年轻人中肥胖病患者的数量逐步增长是一个巨大的问题。不幸的是，这种持续的增长趋势导致2型糖尿病病人的数量也持续增长。在2008年，肥胖症患者占世界成人人口的十分之一，而在2012年这个数字已增长到六分之一，并且还在以惊人的速度增长。最近的研究表明，肥胖的人更可能产生严重的健康疾病，如高血压、心脏病、2型糖尿病、高血脂、乳腺癌、结肠癌和呼吸疾病等。肥胖症的主要原因是食物和能量的摄入与消耗之间的不平衡。所以，为了用健康的方式减肥并且维持正常人的健康体重，必须每天测量食物摄取量。事实上，所有现有的肥胖症治疗技术要求病人每天记录食物的摄入量来对比能量的摄入和消耗。

膳食摄入量，即定义某人每天吃什么。膳食摄入量可以为增加干预方案提供宝贵意见，从而能够预防许多疾病。在营养和健康领域，精确测量膳食摄入量是开放的研究课题。通过引入一个新的半自动膳食评估装置，它有助于营养师监测每日营养摄入量。要做到这一点，在食物识别装置的不同步骤中已经采用了各种图像处理技术。在肥胖症患者的移动设备上使用这种食物识别装置，任何人都可以监控他/她的食物的摄入量。

发明内容

本发明的目的是提供涉及一种基于SVM的食物分类识别方法。

上述的目的通过以下的技术方案实现：

考虑到在年轻人群中移动设备（例如智能手机和平板电脑）的普及，并且这些通信设备普遍存在，它们可以加载饮食相关的应用模块，例如我们的食物识别模块。本发明的目的在于使用该技术解决现实生活中食物摄入量测量的问题。当前这一领域的研究可以分为三类，即临床研究、辅助研究和半自动化方法研究。在如24小时膳食回顾（24HR）和食物频率问卷这类临床研究中，其数据是由患者手工记录，之后再计算卡路里摄入量。由于这些方法的数据是手工记录，因此在整个记录过程中可能产生大量的错误。这些方法的另一个缺点是病人很难将记录应用于治疗。最近，一些研究人员研究半自动化的方法。本发明将设计开发一个简单而实用的半自动化的应用模块，人们可以使用应用模块进行交互。此外，在这种情况下，通过使用模块化的方法来增加如智能手机这类移动设备的使用机会。使用移动设备作为用户接口，并且通过网络将自己的食物图像数据发送给专家来计算卡路里摄入量。 移动应用模块提供了一个独特的机制来收集饮食信息，由此可降低饮食记录者的负担。

在早期阶段，用户用移动设备拍摄图像，随后进行预处理步骤。然后，在分割步骤中对每个图像进行分析并提取出各个食物部分。众所周知，若非具有良好的图像分割机制，该装置则不能够适当地处理图像。 因此，本发明将这个步骤分解成了更多的步骤。为此，我们使用了颜色分割、K均值聚类和纹理分割工具。对于每个检测到的食品部分，特征提取过程必须被执行。对于每个检测到的食物图像，必须执行特征提取步骤。 在这一步骤中将会提取出食物的各种属性，如大小、形状、颜色和纹理。所提取的特征将被发送到分类步骤，分类步骤使用SVM方案将食物识别出来。最后，通过估计食物部分的面积，并参照营养表，计算出食物中卡路里的含量。其中，食物分类识别，本发明采用了SVM方法，具体如下：

1、特征的提取和分类

通过使用四种特征的框架，包括颜色、纹理、尺寸和形状。对于颜色特征，使用了边缘检测和颜色K-均值聚类。对于纹理特征，使用伽柏滤波器。为了尺寸和形状特征，使用了的边缘检测技术和图像的感兴趣区域像素计算技术。下一步骤是对提取出的特征进行分类，以便于识别每种食物。SVM算法它是用于数据分类的流行技术之一。 一个分类任务通常包括训练数据和测试数据，数据由一些实例组成。训练数据中的每个实例都包含一个类标签和几个特征。SVM的目标是构架一个模型，该模型能够仅通过测试数据中数据实例的属性预测出该实例的目标值。

为了提高准确性，在SVM模块已确定每种食物类型后，该装置与用户进行交互来验证食物种类。 装置可以对用户显示出食物的图像并注解出装置认为的食物类型，如鸡肉、肉、蔬菜等。 然后，用户可以确认或改变食物的类型。 虽然这种改变使装置从自动化变为半自动化，然而它会增加装置的准确度。

本模型中使用RBF核，它以非线形方式在更高维度空间映射样本。与线性核不同，RBF核非常适合于类标记和属性是非线性的情况。