[发明专利]一种异构特征融合的云花卉识别方法

摘要

本发明公开了一种异构特征融合的云花卉识别方法，包括离线训练过程和花卉识别过程；离线训练过程首先进行BOW特征与稀疏特征的提取，然后进行特征融合，得到支持向量机分类模板。在融合不同特征提取算法得到的特征时使用优化的多核学习算法，通过核矩阵的叠加以提高分类性能。花卉识别过程中通过负载均衡技术将用户传来的花卉图像分配到云上的某个计算节点，使用离线训练得到支持向量机分类模板进行花卉识别，本发明的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。

主权项

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。