【摘要】：基于葉片數(shù)字圖像的植物識(shí)別是自動(dòng)植物分類研究的熱點(diǎn)。但是隨著植物種類的增加,傳統(tǒng)的分類方法由于提取的特征比較單一或者分類器結(jié)構(gòu)過于簡單,導(dǎo)致葉片識(shí)別率較低。為此,本文提出使用紋理特征結(jié)合形狀特征進(jìn)行識(shí)別,并且使用深度信念網(wǎng)絡(luò)構(gòu)架作為分類器。紋理特征通過局部二值模式、Gabor濾波和灰度共生矩陣方法得到。而形狀特征向量由Hu氏不變量和傅里葉描述子組成。為了避免過擬合現(xiàn)象,使用"dropout"方法訓(xùn)練深度信念網(wǎng)絡(luò)。這種基于多特征融合的深度信念網(wǎng)絡(luò)的植物識(shí)別方法,在Flavia數(shù)據(jù)庫中,對(duì)32種葉片的識(shí)別率為99.37%;在ICL數(shù)據(jù)庫中,對(duì)220種葉片的識(shí)別率為93.939%。這表明相比一般的葉片識(shí)別方法,此方法魯棒性更強(qiáng),并且識(shí)別率更高。
[Abstract]:Plant recognition based on leaf digital image is a hot topic in automatic plant classification. However, with the increase of plant species, the traditional classification method has a low recognition rate due to the single feature extracted or the simple structure of the classifier. In this paper, texture features combined with shape features are used for recognition, and depth belief network architecture is used as classifier. Texture features are obtained by local binary pattern Gabor filtering and gray level co-occurrence matrix method. The shape feature vector is composed of Hu invariant and Fourier descriptor. In order to avoid overfitting, the "dropout" method is used to train the depth belief network. In the Flavia database, the recognition rate of 32 kinds of leaves is 99.37, while in the ICL database, the recognition rate of 220 kinds of leaves is 93.939. This shows that this method is more robust and has higher recognition rate than the conventional blade recognition method.
【作者單位】： 北京林業(yè)大學(xué)工學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(30901164)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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

2 周靜;黃心漢;彭剛;;基于多特征融合的飛機(jī)目標(biāo)識(shí)別[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

3 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

4 劉紅;王曄;雷長海;;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

5 李正周;馬齊佑;鄭微;劉書君;金鋼;;基于多特征融合的微弱紅外運(yùn)動(dòng)目標(biāo)跟蹤方法[J];強(qiáng)激光與粒子束;2011年01期

6 劉進(jìn);陳瑋;;基于多特征融合的粒子濾波算法的研究與實(shí)現(xiàn)[J];計(jì)算機(jī)測(cè)量與控制;2013年05期

7 趙小英,黃鳳榮;多特征融合的目標(biāo)識(shí)別與提取在空間定位中的研究[J];河北工業(yè)大學(xué)學(xué)報(bào);2002年04期

8 張新峰;沈蘭蓀;;多特征融合技術(shù)應(yīng)用于中醫(yī)舌象分析的初步研究[J];電子學(xué)報(bào);2006年04期

9 張進(jìn)華;莊健;杜海峰;王孫安;;一種基于視頻多特征融合的火焰識(shí)別算法[J];西安交通大學(xué)學(xué)報(bào);2006年07期

10 劉李敦;王星;;基于多特征融合的圖像檢索技術(shù)研究[J];計(jì)算機(jī)時(shí)代;2008年08期

相關(guān)會(huì)議論文 前4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;季長有;;基于多特征融合的快速人臉檢測(cè)[A];第十七屆全國測(cè)控計(jì)量儀器儀表學(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];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

4 施紹萍;孫興玉;邱建丁;;基于多特征融合預(yù)測(cè)蛋白甲基化位點(diǎn)的研究[A];第十一屆全國計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2011年

相關(guān)博士學(xué)位論文 前4條

1 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

2 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];長安大學(xué);2012年

3 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

4 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 劉鎮(zhèn);基于內(nèi)容的圖像檢索中多特征融合技術(shù)的應(yīng)用研究[D];東北師范大學(xué);2008年

2 REFAS BENABDELLAH;使用跟蹤移動(dòng)對(duì)象多特征融合[D];哈爾濱工程大學(xué);2011年

3 許諾琳;基于多特征融合的固有不規(guī)則蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)器的設(shè)計(jì)[D];哈爾濱工程大學(xué);2012年

4 陶建峰;基于多特征融合的行人檢測(cè)方法研究[D];南京理工大學(xué);2013年

5 郭運(yùn)艷;視頻序列中目標(biāo)的多特征融合跟蹤技術(shù)研究[D];寧波大學(xué);2013年

6 孫偉;多特征融合的室內(nèi)場景分類研究[D];廣東工業(yè)大學(xué);2014年

7 張聰;基于多特征融合技術(shù)的商標(biāo)檢索系統(tǒng)[D];北京印刷學(xué)院;2011年

8 朱江烽;基于多特征融合的網(wǎng)絡(luò)媒體綜合檢索[D];浙江大學(xué);2013年

9 周明珠;基于粒子濾波和多特征融合的目標(biāo)跟蹤[D];江南大學(xué);2015年

10 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

，

本文編號(hào)：2238328