[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

说明书

本申请公开了一种基于DCNN的食物图像的识别方法，该方法包括：将采集到的食物初始图像进行分类得到训练数据集和测试数据集；利用训练数据集构建DCNN深度卷积神经网络，对DCNN深度卷积神经网络进行训练生成食物图像的训练模型；将测试数据集中的测试样本输入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；根据测试结果获得食物图像的识别模型；利用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。本发明还公开了一种识别系统及食物热量计算方法。本发明可以快速、准确的识别出食物的种类，以方便用户进一步的判断食物所包含的营养和热量等。

技术领域

本申请涉及图像识别领域，特别是涉及一种基于DCNN的食物图像的识别方法和系统及食物热量计算方法。

背景技术

在当今现实生活中，肥胖和其他健康问题日益增多。自1980年以来，肥胖在70多个国家翻了一番，肥胖可能导致其他类型的慢性疾病，如心脏病、糖尿病、关节炎等。因此，当今人们更加重视食物的营养价值，以预防这些疾病。

饮食管理是规范人们饮食习惯的关键，如果人们知道正在吃的食物的营养信息，它将帮助需要饮食管理的人，因而为了获得有关食物的营养信息，需要一个食物图像的识别系统来检测图像中的食物，然后分析该食物的营养、卡路里信息等。

从图像中对食物进行分类是一项具有挑战性的任务，因为同类食物的形象可能存在很多差异。现有技术中的一种食物图像的识别方法是利用k-最近邻算法和词汇树算法，该方法利用1453个食物图像对42种食物的类别进行了分类，为了测量欧氏距离，将为随机坐标下降(SCD，(stochas tic coordinate descent)，熵分类和分形维数(EFD)和基于Gabor的图像分解和分形维数估计(GFD)特征选择L1范数，为双坐标下降(DCD)特征选择欧几里德距离(L2范数)，通过双坐标下降(DCD)、基于图像的消息摘要算法-尺度不变特征转换(Message-Di gestAlgorithm，Scale-invariant feature transform)MD SIFT、SCD、尺度不变特征转换(Scale-invariant feature transform，SIFT)功能的组合，这种方法的识别精度为84.2％。

还有一种利用带有PFI数据集的SVM分类器识别食物的方法，该方法应用SIFT和局部二进制模式((Localbinarypatterns，LBP)特征的方法，其中SIFT特征用于检测和描述食物图像中的局部特征，但这种方法识别精度比较低。

另外，现有技术中还有一种利用球形支持向量机对食物图像进行分类的方法，该方法采集了6512个图像组成的FoodLog(一种健康管理软件)数据集，并使用FCM算法(FuzzyC-Means,是一种聚类算法)对食物图像进行分类。FCM算法类似于k均值聚类算法，在FCM算法中，第一系数随机地分配给每个数据点以便在簇中，然后计算每个簇的质心，并且对于每个数据点计算系数在簇中直到收敛，在应用FCM算法来分割食物图像之后再使用球形支持向量机(SVM)来对分割的图像进行分类，利用这种方法，其准确率为85％。

然而，上述三种方法仍存在以下技术问题：即上述食物图像的识别方法在训练识别模型时其特征提取的速度较为缓慢，而且利用训练出的识别模型对食物图像的分类不够精准，准确率不高。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种基于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；