一种基于候选区域的多种食品图像识别系统

发布时间：2024-12-18 06:58

　　 通过对候选区域食物进行检测,根据不同特征对其进行分类。通过融合多个区域检测器的输出结果来检测候选区域,以组合每个类别的图像特征MKL估计最优权值。基于特征融合的食品识别方法,应用于具有各种视觉特征的候选区域边界盒,按照得分降序排列,估计多重候选食物的图像。结果表明,对于多种食品图像数据集,实现了55.8%的分类率,对于食品识别领域具有一定的参考意义。

【文章页数】：4 页

【部分图文】：

图1 远程监控系统结构

使用可变形零件模型（DPM）作为主要的检测器。DPM是一个双层的层次模型，它由一个全局过滤器和几个部分模型组成。每个部件模型指定一个空间模型和一个局部过滤器。空间模型定义了一组相对于检测窗口的局部过滤器允许位置，以及每个位置的变形成本。检测窗口的分数通过根过滤器在窗口上的分数加上....

图2 图像处理结果

式中，S是区域的大小，L是区域的周长。当C接近1时，区域的形状接近圆。如果C比1小很多，那么区域的形状就离圆很远。另外，如果两个相邻区域的合并区域圆度大于原始区域的圆度和阈值，将合并区域添加到一个候选集合中，图像处理结果如图2所示。2.2候选区域积分

图3 图像特征识别结果

BoF方法虽然简单，但在视觉对象分类/识别环境中具有良好的图像概念表示能力，受到了物体识别研究领域的关注。在BoF方案中，首先对一组局部图像点进行采样，通过对每个点的尺度不变特征变换（SIFT）描述符提取视觉描述符。除了SIFT，还从RGB颜色空间中提取CSIFT，它对光照变....

图4 DPM MKL与only DPM的分类率比较

在单区域检测方法中，DPM是最为可行的方法，因为DPM是最先进的对象检测方法之一。试验同时应用DPM和MKL得到的“DPMMKL”，结果与仅使用DPM得到的结果进行比较。对于多食品图像，前10名中“DPMMKL”的分类率为52.8%，“onlyDPM”的分类率为41.5%。....

本文编号：4017111