本文選題：花卉圖像 + 種類識(shí)別��； 參考：《北京林業(yè)大學(xué)學(xué)報(bào)》2017年04期

【摘要】：花卉種類識(shí)別作為植物自動(dòng)分類識(shí)別的重要分支,有著很高的研究和應(yīng)用價(jià)值。針對(duì)當(dāng)前花卉特征描述存在的局限和花卉識(shí)別準(zhǔn)確率較低的實(shí)際情況,以花卉圖像為研究對(duì)象,首先對(duì)復(fù)雜背景圖像采用基于顯著性檢測(cè)的Grab Cut分割算法進(jìn)行預(yù)處理,得到單一背景圖像;然后在提取花卉圖像花冠(所有花瓣)顏色和形狀特征的基礎(chǔ)上,創(chuàng)新性地提取花蕊區(qū)域的顏色和形狀所包含的特征信息,并將提取到的18個(gè)特征融合成單一特征向量。以支持向量機(jī)(SVM)算法為基礎(chǔ)構(gòu)建分類器,通過(guò)實(shí)驗(yàn)確定核函數(shù)與最佳參數(shù);對(duì)360幅自建花卉樣本庫(kù)(24個(gè)種類,每個(gè)種類15幅)進(jìn)行訓(xùn)練和測(cè)試,其中240幅作為訓(xùn)練樣本,120幅作為測(cè)試樣本,并與基于不同特征組合的識(shí)別方法進(jìn)行比較。結(jié)果表明:本文提出的基于多特征融合的識(shí)別方法具有較高的識(shí)別準(zhǔn)確率,識(shí)別率可以達(dá)到92.50%。對(duì)通用花卉樣本庫(kù)Oxford 17 flower進(jìn)行訓(xùn)練與測(cè)試,選取其中340幅作為訓(xùn)練樣本,170幅作為測(cè)試樣本,取得了較好的識(shí)別效果,驗(yàn)證了本文方法的有效性。
[Abstract]:As an important branch of plant automatic classification recognition, flower species recognition has high research and application value. In view of the limitation of current flower feature description and the low accuracy of flower recognition, the Grab Cut segmentation algorithm based on saliency detection is used to preprocess the complex background image. A single background image is obtained; based on the color and shape features of the Corolla (all petals) of the flower image, the feature information contained in the color and shape of the stamen region is innovatively extracted. The extracted 18 features are fused into a single feature vector. Based on the support vector machine (SVM) algorithm, a classifier is constructed, and the kernel function and optimal parameters are determined by experiments, and 360 self-built flower samples (24 species, 15 samples per species) are trained and tested. 240 samples were used as training samples and 120 samples were used as test samples, which were compared with the recognition methods based on different feature combinations. The results show that the method based on multi-feature fusion has high recognition accuracy and the recognition rate can reach 92.50%. The general flower sample library Oxford 17 flower was trained and tested, of which 340 samples were selected as test samples. Good recognition results were obtained, and the effectiveness of this method was verified.
【作者單位】： 北京林業(yè)大學(xué)信息學(xué)院;北京林業(yè)大學(xué)工學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(11272061)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 顧鑫;王海濤;汪凌峰;王穎;陳如冰;潘春洪;;基于不確定性度量的多特征融合跟蹤[J];自動(dòng)化學(xué)報(bào);2011年05期

2 姚紅革;杜亞勤;;基于多模式多特征融合粒子濾波視頻目標(biāo)跟蹤[J];西安工業(yè)大學(xué)學(xué)報(bào);2012年11期

3 王蘭;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2013年13期

4 陳增照;何秀玲;楊揚(yáng);董才林;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2006年09期

5 周斌;林喜榮;賈惠波;宋榕;;多特征融合的手背血管識(shí)別算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

6 劉貴喜;范春宇;高恩克;;基于粒子濾波與多特征融合的視頻目標(biāo)跟蹤[J];光電子.激光;2007年09期

7 胡全;邱兆文;王霓虹;;基于多特征融合的圖像語(yǔ)義標(biāo)注[J];東北林業(yè)大學(xué)學(xué)報(bào);2008年10期

8 沈才梁;許雪貴;許方恒;龍丹;;多特征融合的人臉檢測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2009年11期

9 劉紅;王曄;雷長(zhǎng)海;;基于多特征融合的中醫(yī)舌像檢索研究[J];計(jì)算機(jī)應(yīng)用研究;2010年02期

10 杜艷明;龍丹;;多特征融合的人臉檢測(cè)[J];武漢理工大學(xué)學(xué)報(bào);2010年23期

相關(guān)會(huì)議論文 前3條

1 葉鋒;蔡光東;鄭子華;亓?xí)孕?尹鵬;;基于多特征融合的藥用植物標(biāo)本識(shí)別[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

2 段其昌;季長(zhǎng)有;;基于多特征融合的快速人臉檢測(cè)[A];第十七屆全國(guó)測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

3 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

相關(guān)博士學(xué)位論文 前5條

1 劉明華;復(fù)雜環(huán)境下基于多特征融合的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];青島科技大學(xué);2016年

2 田綱;基于多特征融合的Mean shift目標(biāo)跟蹤技術(shù)研究[D];武漢大學(xué);2011年

3 徐志剛;基于多特征融合的路面破損圖像自動(dòng)識(shí)別技術(shù)研究[D];長(zhǎng)安大學(xué);2012年

4 陳秀新;多特征融合視頻復(fù)制檢測(cè)關(guān)鍵技術(shù)研究[D];北京工業(yè)大學(xué);2013年

5 初紅霞;基于均值移動(dòng)和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標(biāo)檢索技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 計(jì)明明;基于多特征融合的三維模型檢索技術(shù)[D];浙江大學(xué);2015年

3 王慶;基于多特征融合的人體動(dòng)作識(shí)別方法研究[D];上海大學(xué);2015年

4 劉婕;復(fù)雜場(chǎng)景多特征融合粒子濾波目標(biāo)跟蹤[D];重慶理工大學(xué);2015年

5 崔劍;基于多特征融合的分級(jí)行人檢測(cè)方法研究[D];電子科技大學(xué);2015年

6 王建榮;基于多特征融合的無(wú)人機(jī)航拍圖像識(shí)別研究[D];成都理工大學(xué);2015年

7 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學(xué);2014年

8 坎啟嬌;基于多特征融合的多目標(biāo)跟蹤算法[D];河北工業(yè)大學(xué);2015年

9 張小琴;基于多特征融合的車(chē)輛品牌識(shí)別方法研究[D];東南大學(xué);2015年

10 謝振哲;圖像通用隱寫(xiě)檢測(cè)中的多特征融合方法[D];福州大學(xué);2013年

，

本文編號(hào)：1955940