[发明专利]基于DCNN的食物图像的识别方法和系统及食物热量计算方法

权利要求书

1.一种基于DCNN的食物图像的识别方法，该识别方法包括：

将采集到的食物初始图像进行分类，将分类后的食物初始图像放入初始图像数据集，对所述初始图像数据集中的食物初始图像进行预处理，生成预处理的图像数据集，将该预处理的图像数据集划分为训练数据集和测试数据集；

利用所述训练数据集构建DCNN深度卷积神经网络，对所述DCNN深度卷积神经网络进行训练生成食物图像的训练模型；

将所述测试数据集中的测试样本输入所述食物图像的训练模型，判断该食物图像中的对象的类型，以生成测试结果；根据所述测试结果迭代更新所述食物图像的训练模型以获得食物图像的识别模型；

利用所述食物图像的识别模型识别待检测的食物图像中的食物类型。

2.根据权利要求1所述的识别方法，其特征在于，

采用ZCA白化对所述初始图像数据集中的图像进行预处理，该预处理包括以下子步骤：

对于含有n个食物初始图像的初始图像数据集进行亮度和对比度的归一化处理后，计算其协方差矩阵；

对所述协方差矩阵进行SVD奇异值分解，得到特征向量矩阵U，通过计算U^TX得到初始图像数据集经过旋转后的结果；

基于所述旋转后的结果对初始图像数据集进行PCA白化，得到食物初始图像经PCA白化后的结果；

将该PCA白化后的结果左乘特征向量矩阵，生成预处理的图像数据集。

3.根据权利要求1或2所述的识别方法，其特征在于，所述食物图像的训练模型是通过以下子步骤生成的：

利用所述训练数据集构建DCNN深度卷积神经网络结构，所述DCNN深度卷积神经网络结构包括七层；

其中，第一层为卷积层，利用所述卷积层创建该训练数据集中的食物图像的第一特征图；

第二层为最大池化层，利用该最大池化层提取所述训练数据集中的食物图像的第一特征图中的最优特征，获得食物图像的第二特征图；

第三层为平均池化层，利用所述平均池化层对所述食物图像的第二特征图中进行下采样，获得食物图像的第三特征图；

第四层为拼接层，利用所述拼接层对多个所述食物图像的第三特征图进行拼接，以获得食物图像的第四特征图；

第五层为辍学层，利用所述辍学层随机地更新DCNN深度卷积神经网络中的网络参数；

第六层为全连接层，利用该全连接层将食物图像的第四特征图的特征和训练数据集中食物图像的特征连接起来以获得联合特征；

第七层为Softmax层，将所述联合特征输入该Softmax层得出食物图像的食物类型；

将所述食物图像的分类结果输入该DCNN深度卷积神经网络并进行训练获得食物图像的训练模型。

4.根据权利要求3所述的识别方法，其特征在于，所述最优特征包括该食物图像的垂直边缘和/或水平边缘特征。

5.一种基于DCNN的食物图像的识别系统，该识别系统包括采集模块、训练模型生成模块、识别模型生成模块和识别模块：

所述采集模块执行以下操作：将采集到的食物初始图像进行分类，将分类后的食物初始图像放入初始图像数据集，对所述初始图像数据集中的食物初始图像进行预处理，生成预处理的图像数据集，将该预处理的图像数据集划分为训练数据集和测试数据集；

所述训练模型生成模块执行以下操作：利用所述训练数据集构建DCNN深度卷积神经网络，对所述DCNN深度卷积神经网络进行训练生成食物图像的训练模型；

所述识别模型生成模块执行以下操作：将所述测试数据集中的测试样本输入所述食物图像的训练模型，判断该食物图像中的对象的类型，以生成测试结果；根据所述测试结果迭代更新所述食物图像的训练模型以获得食物图像的识别模型；

所述识别模块执行以下操作：利用所述食物图像的识别模型识别待检测的食物图像中的食物类型。