基于多特征融合和深度信念网络的植物叶片识别

发布时间：2018-09-12 07:31

【摘要】：基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用"dropout"方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。
[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.
【作者单位】： 北京林业大学工学院;
【基金】：国家自然科学基金项目(30901164)
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 胡全;邱兆文;王霓虹;;基于多特征融合的图像语义标注[J];东北林业大学学报;2008年10期

2 周静;黄心汉;彭刚;;基于多特征融合的飞机目标识别[J];华中科技大学学报(自然科学版);2009年01期

3 沈才梁;许雪贵;许方恒;龙丹;;多特征融合的人脸检测[J];计算机系统应用;2009年11期

4 刘红;王晔;雷长海;;基于多特征融合的中医舌像检索研究[J];计算机应用研究;2010年02期

5 李正周;马齐佑;郑微;刘书君;金钢;;基于多特征融合的微弱红外运动目标跟踪方法[J];强激光与粒子束;2011年01期

6 刘进;陈玮;;基于多特征融合的粒子滤波算法的研究与实现[J];计算机测量与控制;2013年05期

7 赵小英,黄凤荣;多特征融合的目标识别与提取在空间定位中的研究[J];河北工业大学学报;2002年04期

8 张新峰;沈兰荪;;多特征融合技术应用于中医舌象分析的初步研究[J];电子学报;2006年04期

9 张进华;庄健;杜海峰;王孙安;;一种基于视频多特征融合的火焰识别算法[J];西安交通大学学报;2006年07期

10 刘李敦;王星;;基于多特征融合的图像检索技术研究[J];计算机时代;2008年08期

相关会议论文 前4条

1 叶锋;蔡光东;郑子华;亓晓旭;尹鹏;;基于多特征融合的药用植物标本识别[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

2 段其昌;季长有;;基于多特征融合的快速人脸检测[A];第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（上册）[C];2007年

3 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

4 施绍萍;孙兴玉;邱建丁;;基于多特征融合预测蛋白甲基化位点的研究[A];第十一届全国计算（机）化学学术会议论文摘要集[C];2011年

相关博士学位论文 前4条

1 田纲;基于多特征融合的Mean shift目标跟踪技术研究[D];武汉大学;2011年

2 徐志刚;基于多特征融合的路面破损图像自动识别技术研究[D];长安大学;2012年

3 陈秀新;多特征融合视频复制检测关键技术研究[D];北京工业大学;2013年

4 初红霞;基于均值移动和粒子滤波的目标跟踪关键技术研究[D];哈尔滨工程大学;2012年

相关硕士学位论文 前10条

1 刘镇;基于内容的图像检索中多特征融合技术的应用研究[D];东北师范大学;2008年

2 REFAS BENABDELLAH;使用跟踪移动对象多特征融合[D];哈尔滨工程大学;2011年

3 许诺琳;基于多特征融合的固有不规则蛋白质结构预测器的设计[D];哈尔滨工程大学;2012年

4 陶建峰;基于多特征融合的行人检测方法研究[D];南京理工大学;2013年

5 郭运艳;视频序列中目标的多特征融合跟踪技术研究[D];宁波大学;2013年

6 孙伟;多特征融合的室内场景分类研究[D];广东工业大学;2014年

7 张聪;基于多特征融合技术的商标检索系统[D];北京印刷学院;2011年

8 朱江烽;基于多特征融合的网络媒体综合检索[D];浙江大学;2013年

9 周明珠;基于粒子滤波和多特征融合的目标跟踪[D];江南大学;2015年

10 张岩;基于多特征融合及二部图匹配的3D目标检索技术研究[D];哈尔滨工业大学;2015年

，

本文编号：2238328