基于移動終端的花卉識別技術研究

徐志杰 陳智鋒

摘 要：本文以基于移動終端的花卉識別技術為研究對象，以月季花識別為典型案例，探討了基于移動終端的花卉識別技術流程和方法，論文首先分析了花卉植物特征提取的具體方法，包括顏色特征、形狀特征、紋理特征，進而設計了一套花卉識別系統，在此基礎上，以廣州流花湖公園的20種月季花為實驗對象，證明了系統識別的精度。本文是筆者在工作實踐基礎上的理論升華，相信對從事相關工作的同行能有所裨益。

關鍵詞：移動終端 花卉識別 特征提取 實驗

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2018）08（c）-0094-02

本文針對月季花的特性，提取月季花的底層視覺特征，利用HSV模型提取花朵顏色特征，利用CLCM和LBP融合算法提取花朵的紋理特征、銳度特征、輪廓特征、邊界特征等來確定月季花的形狀特征，共提取到月季花的22個特征；通過特征選擇算法獲取其中的18個強分類特征；采用RandomForest算法進行分類和識別。經驗證，本文提出的基于移動端月季花快速識別方法平均識別率可達93.5%，用戶可以快速便捷地利用手機移動端進行使用，具有不錯的識別效果和便利性，能夠對非專業人士識別和鑒賞月季花起到一定的幫助。

1 花卉植物特征提取

1.1 圖像采集和預處理

本文利用華為P8手機的高清攝像頭提取花朵的清晰照片，拍攝角度需要正對花朵，將花朵置于中心位置，并且保證花朵輪廓完整且清晰，便于之后獲取花朵圖像的有效信息，減少識別誤差。獲取原始圖像之后，為了更好地提取花朵圖像信息，需要進行預處理操作，將圖像中的花朵圖像和復雜背景分離開。首先要利用選擇框框選花朵輪廓。點擊右下角的按鈕，系統生成一個大小可變的四邊形選擇框，將花朵輪廓盡可能地圈入四邊形，然后使用顯著性檢測算法和GrabCut算法處理圖像。步驟為：首先通過圖像顯著性檢測，得到前景和背景區域并建立高斯混合模型GMM，利用K Means算法初始化GMM，將前景和背景聚為NF類和NB類；然后利用最大流最小割思想進行圖像進行切分，循環迭代更新GMM參數，讓能量函數趨于收斂，最終實現分割。

1.2 顏色特征提取

月季花花色豐富，不同的品種花色不同，總共可分為紅色系、朱紅色系、橙色系等9種，不同品種的月季花在顏色方面的存在差異，并且顏色具有形狀和方向無關性，所以可以將顏色特征作為月季花識別分類的重要依據。相比于RGB顏色空間，HSV空間可以更直觀地表達色彩的色調、鮮艷程度、亮度，有助于在不同的顏色之間對比。所以，首先將圖像從RGB顏色空間轉換到HSV顏色空間，其中，H為色調，取值范圍為0°～360°；S為飽和度，表示顏色接近光譜色的程度，即顏色的深淺程度；V為明度，表示顏色明亮的程度。

1.3 形狀特征提取

不同的月季花品種，花蕾形狀、花朵形態都有所不同，通過分析這些形狀特征有助于提高月季花分類的準確率，本文主要從月季花銳度特征、輪廓特征、邊界特征這3個方面描述月季花的形狀。

1.4 紋理特征提取

不同的月季花的紋理特征也有差異。本文采用融合的灰度共生矩陣和局部二進制模式的方法來描述紋理特征。

1.5 特征選擇

本文利用從顏色、形狀、紋理這3個方面提取到的月季花的22個特征對月季花進行識別研究，但是有些特征對于分類精度影響較小，并且還會影響計算速度。因此，在進行分類前，首先利用隨機森林算法（RandomForest）進行特征選擇。

2 系統總體設計

本文采用客戶端/服務器（C/S）模型，基于移動端的月季花的快速識別方法如圖1所示。移動端工作包括圖像采集和預處理，具體操作是：在手機移動端通過攝像頭拍攝獲取月季花圖像并進行預處理，即在觸摸屏上利用手勢操作將花朵輪廓框選，利用GrabCut算法對月季花圖像進行分割，將花朵圖像和周圍復雜的背景分離開，然后將預處理后的花朵圖像上傳給服務器。服務器端工作主要包括：特征分析和提取、分類器分類、返回結果。服務器端接收移動端傳輸的圖像后，利用本文所提出的特征提取算法從顏色、形狀、紋理3個方面提取月季花視覺特征，并采用分類器進行分類。本文實驗數據來源于在廣州流花湖公園利用華為P8手機拍攝的20個月季花品種。

3 實驗結果和分析

實驗所用服務器的配置：酷睿I5處理器，頻率3.1GHz，8GB內存。移動端設備配置：Kirin930處理器，頻率2.2GHz，內存3GB，操作系統為Linux系統。

本文利用華為P8手機拍攝的20個月季花品種共計1000幅圖像進行實驗，每個品種包括50幅圖片。實驗采取五折交叉驗證，訓練模型階段將每個品種等份為5份，依次選取其中的4份作為訓練樣本，剩下的一份為測試樣本（袋外數據），分別得到5個數據集（每個訓練集包括800幅訓練樣本和200幅測試樣本）。

本文提出的從顏色、形狀、紋理3個方面提取到的22個視覺特征對月季花的識別具有良好的識別率，利用特征選擇算法提取的18個強分類特征在保證月季花良好的識別效果的同時，可以減少特征提取階段的工作量以及分類器識別分類階段的計算量，加快了計算速度。分類器選擇方面，RandomForest算法在識別率、可靠性、計算速度等方面表現最佳，所以，本文采用RandomForest算法對提取到的18個特征進行分析。

從實驗結果可以看出，這20種月季的平均識別率可達93.5%，識別效果良好。其中，金香玉和金風凰的識別率較差，通過分析可知，這兩種花在顏色、形狀特征較為相似，造成了較大的識別誤差。此外，由于數據庫中采集的花朵在拍攝角度、花朵輪廓完整性等方面存在差異，并且花朵在不同的時期形態也有所不同，在一定程度上干擾了識別效果，降低了識別率。

4 結語

本文利用圖像處理技術和手機移動端相結合的方法，從顏色、形狀、紋理3個方面得到了月季花的22個特征，提出了適合描述月季花視覺特征的方法。利用特征選擇算法對特征變量進行重要性排序，通過實驗發現其中的18個特征具有良好的分類效果。最終，將有效的特征減少為18個，并作為RandomForest算法的輸入變量。實際操作中，移動端完成拍照之后，服務器夠在4s內將結果返回到移動端的用戶界面。實驗表明：本文所提出的方法實現了對月季花進行快速的識別，具有較強的便利性和實用性。雖然某些品種的月季花分類效果不是特別理想，但是總體上來說，具有較好的分類效果。本文對基于移動端的月季花快速識別做了初步的分析，取得了一定的成果。

參考文獻

[1] 鄭小東，王曉潔，李玲玲.面向植物生長智能監控的葉顏色特征提取[J].中國農學通報，2010（19）：401-407.

[2] 邵新慶，馮全，邵世祿，等.基于葉片圖像的植物鑒別技術研究進展（綜述）[J].甘肅農業大學學報，2010（2）：156-160.