一种基于Haar特征的植物识别方法技术

一种基于Haar特征的植物识别方法。所述方法为，1、建立植物种类Haar特征知识库；2、输入被测样品图片和文字信息，对被测样品进行特征提取，分别计算待测样品特征向量在15个维度上的Haar特征值数组；3、对于某个特征向量，如果样品在15个维度上和模型值的重叠率小于预设的阈值，该项特征匹配失败；4、当所有的特征都匹配成功，模型库中匹配出来的植物类型就是我们检索的结果。

【技术实现步骤摘要】

本专利技术属于计算机模式识别领域，尤其涉及一种通过提取植物叶子Haar特征进行植物识别的方法。
技术介绍
随着计算机模式识别技术的快速发展，通过智能化手段辅助人们进行植物的识别和分析已经成为越来越多的人的需求。除了植物学方面的专业人员，目前我们对植物的识别主要还是停留在经验阶段，往往身处一片植物的海洋中，却叫不上几种植物的名字，更别说相关知识了，只有曾经熟悉的植物才能说出简单的特性。最近也有一些手机软件可以辅助我们进行植物的识别，主要通过植物的叶片图片进行分析。但是只是针对叶片的整体形状，同时也没用考虑叶柄和托叶情况，致使识别误差较大，识别的效果很不理想。
技术实现思路
一种根据叶子特征进行植物识别的方法，所述方法为，1、建立植物种类Haar特征知识库；2、输入被测样品图片和文字信息，对被测样品进行特征提取，分别计算待测样品特征向量在15个维度上的Haar特征值数组；3、对于某个特征向量，如果样品在15个维度上和模型值的重叠率小于预设的阈值，该项特征匹配失败。 建立植物种类Haar特征知识库，就是，为每种植物建立Haar特征别识别模型，如图 1，每个特征是一个 15 维特征向量 a (haar_x2, haar_y2, haar_x3, haar_y3, haar_x2_y2, haar_x4, haar_y4,haar_point,tilted_haar_x2,tilted_haar_y2,tilted_haar_x3, tilted_haar_y3, tilted_haar_x4, tilted_haar_y4, tilted_haar_point),向量每一维对应一组 Haar特征值。首先选取有比较明显的特征的植物叶子，进行Haar特征提取，也就是灰度图像的积分运算，计算出每个特征向量的每个维度的特征值数组并保存下来，形成特征分类器，同时设定样品重叠率阈值，小于阈值的样品被认为是不符合特征的。 输入被测样品图片和文字信息，对被测样品进行特征提取，包括手工输入信息和自动识别分析。手工输入信息包括叶柄颜色和形状、叶托颜色和数量以及叶片的叶序和复叶数等。把待分析样品叶片的正面和反面分别拍摄生成的图片输入系统，由系统自动分析并提取其Haar特征向量所有维度的特征值数组。 对于某个特征向量(如叶端特征向量)，计算待测样品在15个维度上的特征值数组，计算这些特征值数组和识别模型中特征值数组的重叠率，特征值相差5%以内认为相等，重叠率高证明特征匹配明显，重叠率低证明特征匹配不明显，低于设定的阈值，认为特征匹配失败。某个特征向量的15个分量的特征匹配平均重叠率在设定阈值(如80%)以上，认为该特征匹配成功。当所有的特征都匹配成功，模型库中匹配出来的植物类型就是我们检索的结果，如果有部分特征匹配失败，但大部分特征匹配成功，总体超过设定的阈值(如80%)也认为是匹配成功，如果大部分特征都没有匹配成功，认为这次识别操作失败。 本专利技术的创新点是:1、采用Haar特征值数组的重叠率来计算特征符合度，大大降低了计算的复杂度；2、把叶子分叶片、叶柄、托叶三个方面来识别；3、叶片又分为叶端、叶缘、叶基、叶脉、叶序和复叶等特征进行识别；4、人工输入和程序识别相结合，扬长避短，优势互补。 【附图说明】 图1叶子Haar特征模型；图2叶子识别流程图。 【具体实施方式】 下面结合附图详细说明本专利技术，其作为本说明书的一部分，通过实施例来说明本专利技术的原理。 我们选取一个完全叶样本，样本类别未知，通过以下步骤识别:首先录入基本信息如下:1、输入:叶柄颜色:绿色；形状:细圆柱形2、输入:叶托颜色:绿色；数量:23、输入:叶片叶序:对生；复叶:2其次，我们采集一片叶片，拍摄其上面和背面的图片。 接下来，对这两张图片进行分析:1、自动分析叶子两面的颜色。 2、分析叶端Haar特征向量。假设其特征向量为A (Al，A2…，A15)，Al，A2…，A15是Haar特征的15个特征，每个特征都是一个特征值数组。这里假设Al= {-199，-127，-30，20,80,100...}。 3、从特征模型库中取出某个种类(如豌豆)预设的叶端的短尖特征向量为B (B1,B2…，B15)，其特征分量Bl= {-199，-127，-30，10，80，101...}，如果A1和B1的有超过阈值的重叠率，就认为样品具有模型(如豌豆)的B1分量的特征，当样品特征向量A中的所有分量都能同B中对应的分量有较好的重叠率，就认为样品具有模型(如豌豆)的B特征，即短尖特征；所有匹配样品特征的模型组成模型库的子集S1，见图2。 4、同理在S1子集中分析叶基特征形成S2、然后在S2子集中分析叶缘特征形成S3，最后在S3子集基础上分析叶脉特征形成S4。当所有特征都符合或大多数特征都符合，就认为这个样品的种类就是模型的种类(如豌豆)。如果S4有多个模型，系统把这些识别的模型全部列出来供人工最后选择。如果没有匹配到，即S4为空，就认为这次识别失败。 以上所揭露的仅为本专利技术的优选实施例而已，当然不能以此来限定本专利技术之权利范围，因此依本专利技术申请专利范围所作的等同变化，仍属本专利技术所涵盖的范围。本文档来自技高网...

【技术保护点】
一种根据叶子特征进行植物识别的方法，其中，所述方法为：1）、建立植物种类Haar特征知识库。2）、输入被测样品图片和文字信息，对被测样品进行特征提取，分别计算待测样品特征向量在15个维度上的Haar特征值数组。3）、对于某个特征向量，如果样品在15个维度上和模型值的重叠率小于预设的阈值，该项特征匹配失败。4）、当所有的特征都匹配成功，模型库中匹配出来的植物类型就是我们检索的结果，如果有部分特征匹配失败，但大部分特征匹配成功，总体超过设定的阈值也认为是匹配成功，如果大部分特征都没有匹配成功，认为这次识别操作失败。

【技术特征摘要】
1.一种根据叶子特征进行植物识别的方法，其中，所述方法为: 1)、建立植物种类Haar特征知识库。 2)、输入被测样品图片和文字信息，对被测样品进行特征提取，分别计算待测样品特征向量在15个维度上的Haar特征值数组。 3)、对于某个特征向量，如果样品在15个维...

【专利技术属性】
技术研发人员：胡平，
申请(专利权)人：合肥星服信息科技有限责任公司，
类型：发明
国别省市：安徽;34