一種圖像場景識別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種圖像場景識別方法及系統(tǒng)，涉及圖像識別【技術(shù)領(lǐng)域】，旨在提供一種能適應(yīng)手機等智能移動終端內(nèi)存相對較小，運算能力相對較弱，圖像尺寸相對較小的特點的實時圖像場景識別算法，本發(fā)明技術(shù)要點：分別提取圖像的GIST特征值、LBP特征值與HSV特征值；將GIST特征值、LBP特征值與HSV特征值分別歸一化；將歸一化后的GIST特征值、LBP特征值與HSV特征值進(jìn)行融合得到融合特征值；將融合特征值帶入分類器中，分類器對融合特征進(jìn)行識別并輸出場景類別。
【專利說明】-種圖像場景識別方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像識別【技術(shù)領(lǐng)域】，尤其設(shè)及一種用于手機等智能移動終端的圖像場 景識別方法。

【背景技術(shù)】
[0002] 隨著數(shù)碼設(shè)備特別是智能手機的普及和信息存儲的快速發(fā)展，圖像數(shù)據(jù)發(fā)生爆炸 式的增長，計算機視覺直接在移動設(shè)備上的運用就顯得更外引人注意。
[0003] 場景識別是計算機視覺和圖像理解領(lǐng)域的一個重要方向，目前計算機上實現(xiàn)的場 景識別主要采用局部圖像語義特征和全局圖像語義特征建模。其中局部圖像語義主要采用 圖像的關(guān)鍵點來對場景建模，使用最廣泛的關(guān)鍵點是SIFT特征關(guān)鍵點，模型一般采用BOW 模型。BOW模型即詞袋模型，是將局部特征用最接近的視覺詞匯來表述，最后統(tǒng)計視覺詞匯 的直方圖，采用相似函數(shù)來判斷類別。生成視覺詞匯主要采用K-mean算法。全局圖像語義 特征建模是把整個圖像當(dāng)成一個整體進(jìn)行建模，方法是采用圖像的全局特征如GAB0R、LBP、 HOG等來描述，最后加入分類器如SVM分類器來判斷類別。
[0004] 目前應(yīng)用于計算機平臺的場景識別算法直接應(yīng)用在手機等移動智能終端上會存 在如下的特點。
[0005] (1)實時性很差，不能實時的呈現(xiàn)識別結(jié)果，一般都有幾秒的延長。
[0006] (2)像局部語義特征，運算相對復(fù)雜，需要內(nèi)存較多。
[0007] 做處理的圖像尺寸不能太小，否則識別準(zhǔn)確率不高。
[000引針對W上的缺點，很有必要提出一種能適應(yīng)手機等智能移動終端內(nèi)存相對較小， 運算能力相對較弱，圖像尺寸相對較小的特點的實時圖像場景識別算法。


【發(fā)明內(nèi)容】

[0009] 本發(fā)明所要解決的技術(shù)問題是；針對上述存在的問題，提供一種適用于手機等智 能移動終端的圖像場景識別方法及系統(tǒng)。
[0010] 本發(fā)明提供的一種圖像場景識別方法，包括W下步驟：
[00川步驟1 ;分別提取圖像的GIST特征值、LBP特征值與HSV特征值；
[0012] 步驟2 ;將GIST特征值、LBP特征值與服V特征值分別歸一化；
[0013] 步驟3 ;將歸一化后的GIST特征值、LBP特征值與HSV特征值進(jìn)行融合得到融合特 征值；
[0014] 步驟4 ;將融合特征值帶入分類器中，分類器對融合特征進(jìn)行識別并輸出場景類 別。
[0015] 進(jìn)一步，提取圖像的GIST特征值的方法包括W下步驟：
[0016] 選擇5個尺度與8個方向的GABOR核；
[0017] 將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像；
[001引將每個處理后的圖像分為bXb個小塊，并計算每個小塊的灰度均值，得到 40XbXb個灰度均值，40XbXb個灰度均值組成的向量即為40XbXb維的GIST特征值；
[0019] 其中b的取值為3或4。
[0020] 進(jìn)一步，提取圖像的LBP特征值的方法包括W下步驟：
[0021] 設(shè)置3像素點X 3像素點的計算窗口；
[0022] 將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中屯、點像素值， 若大于則將該周圍點的像素點設(shè)為1，否則設(shè)為0,將8個周圍點的像素值依次排列得到一 個8位無符號的二進(jìn)制數(shù)，將該個無符號二進(jìn)制數(shù)作為中屯、點的新像素值；
[0023] 利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各 邊緣像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像；
[0024] 將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所 述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將 C X C個小塊64個灰階上分布的像素點數(shù)依次排列最終得到C X C X 64維的LBP特征值；
[0025] 其中C的取值為2或3。
[0026] 進(jìn)一步，提取圖像的HSV特征值的方法包括W下步驟：
[0027] 根據(jù)圖像每個像素點的R、G、B值計算該像素點的H、S、V值；
[002引將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中 的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將e X e個小塊90 個灰階上分布的像素點數(shù)依次排列最終得到e X e X 90維的HSV特征值；
[0029] 其中e的取值為2或3。
[0030] 進(jìn)一步，所述分類器為SVM分類器；訓(xùn)練所述SVM分類器的方法包括：
[0031] 選取第一類場景的圖片若干張，提取各第一類場景圖片的融合特征值；將各第一 類場景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練；
[0032] 選取第二類場景的圖片若干張，提取各第二類場景圖片的融合特征值；將各第二 類場景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練；
[0033] W此類推，提取第N類場景圖片的融合特征值；N為非零自然數(shù)；將各第N類場景 圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練。
[0034] 本發(fā)明還提供了一種圖像場景識別系統(tǒng)，其特征在于，包括W下步驟：
[0035] GIST特征值提取模塊，用于提取圖像的GIST特征值；
[0036] LBP特征值提取模塊，用于提取圖像的LBP特征值；
[0037] HSV特征值提取模塊，用于提取圖像的HSV特征值；
[003引特征值歸一化模塊，用于將GIST特征值、LBP特征值與HSV特征值歸一化；
[0039] 特征值融合模塊，用于將歸一化后的GIST特征值、LBP特征值與HSV特征值進(jìn)行 融合得到融合特征值；
[0040] 分類器，用于對融合特征進(jìn)行識別并輸出場景類別。
[0041] GIST特征值提取模塊進(jìn)一步用于：
[0042] 選擇5個尺度與8個方向的GABOR核；
[0043] 將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像；
[0044] 將每個處理后的圖像分為bXb個小塊，并計算每個小塊的灰度均值，得到 40XbXb個灰度均值，40XbXb個灰度均值組成的向量即為40XbXb維的GIST特征值；
[0045] 其中b的取值為3或4。
[0046] LBP特征值提取模塊進(jìn)一步用于：
[0047] 設(shè)置3像素點X 3像素點的計算窗口；
[0048] 將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中屯、點像素值， 若大于將該周圍點的像素點設(shè)為1，否則設(shè)為0,將8個周圍點的像素值依次排列得到一個 8位無符號的二進(jìn)制數(shù)，將該個無符號二進(jìn)制數(shù)作為中屯、點的新像素值；
[0049] 利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各 邊緣像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像；
[0化0] 將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所 述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將 cXc個小塊64個灰階上分布的像素點數(shù)依次排列最終得到cXcX64維的LBP特征值； [0化1] 其中C的取值為2或3。
[0化2] HSV特征值提取模塊進(jìn)一步用于：
[0053] 根據(jù)圖像每個像素點的R、G、B值計算該像素點的H、S、V值；
[0054] 將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中 的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將e X e個小塊90 個灰階上分布的像素點數(shù)依次排列最終得到e X e X 90維的HSV特征值；
[0055] 其中e的取值為2或3。
[0化6] 綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：
[0057] 本發(fā)明的特征值提取方法在保證識別準(zhǔn)確性的前提下，大大減少了運算量及存儲 空間。選擇GIST特征值、LBP特征值及服V特征值，將其進(jìn)行融合，保證了識別的準(zhǔn)確性。 采用SVM分類器進(jìn)行場景分類識別，減少了運算量及存儲空間，同時也保證了識別的準(zhǔn)確 性。
[0化引綜上，本發(fā)明提出的場景識別方法能夠很好的適應(yīng)手機等智能移動終端的硬件條 件，同時保證的識別的準(zhǔn)確性。

【專利附圖】

【附圖說明】
[0化9] 圖1為本發(fā)明方法流程圖。

【具體實施方式】
[0060] 本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥 的特征和/或步驟W外，均可任何方式組合。
[0061] 本說明書中公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的 替代特征加W替換。目P，除非特別敘述，每個特征只是一系列等效或類似特征中的一個例子 而已。
[0062] 如圖1所示，本發(fā)明公開的本發(fā)明提供的一種圖像場景識別方法，包括W下步驟：
[0063] 步驟1 ;分別提取圖像的GIST特征值、LBP特征值與HSV特征值；
[0064] 步驟2 ;將GIST特征值、LBP特征值與HSV特征值分別歸一化；
[00化]步驟3 ;將歸一化后的GIST特征值、LBP特征值與HSV特征值進(jìn)行融合得到融合特 征值；
[0066] 步驟4 ;將融合特征值帶入分類器中，分類器對融合特征進(jìn)行識別并輸出場景類 別。
[0067] 其中，GIST特征是一種生物啟發(fā)式的特征，本身模擬生物視覺系統(tǒng)。GIST特征是 通過多尺度多方向GABOR濾波器組對圖像濾波后得到的形狀信息。GABOR濾波器組在圖像 處理中使用廣泛，主要目的是提取圖像的不同尺度不同方向的輪廓細(xì)節(jié)，在本發(fā)明中，尺度 選擇5個，方向選擇8個。
[0068] 在一個具體實施例中，提取目標(biāo)圖像或被比圖像的GIST特征值的方法包括W下 步驟：
[0069] 選擇5個尺度與8個方向的GABOR核；
[0070] 將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像。考慮到本發(fā)明 方法主要用于智能手機上，而GABOR濾波器本身是加窗傅立葉變換，為了加快計算速度，在 本發(fā)明的一個具體實施例中先把圖像變換到頻域，與GABOR核依次做乘積后，將結(jié)果變換 回時域得到輪廓信息。
[0071] 將每個處理后的圖像分為bXb個小塊，并計算每個小塊的灰度均值得到 40 X b X b個灰度均值，40 X b X b個能量值組成的向量即為40 X b X b維的GIST特征值；其 中b的取值為3或4。
[0072] 其中，提取圖像的LBP特征值的方法包括W下步驟：
[0073] 設(shè)置3像素點X 3像素點的計算窗口；
[0074] 將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中屯、點像素值， 若大于將該周圍點的像素點設(shè)為1，否則設(shè)為0,將8個周圍點的像素值依次排列得到一個8 位無符號的二進(jìn)制數(shù)，將該個無符號二進(jìn)制數(shù)作為中屯、點的新像素值。取8個周圍點的像 素值的順序可W是W計算窗口左上角的點為起點順時針取，也可其他周圍點為起點， 順時針或逆時針取，但是不管W什么樣的順序取值組合得到8位二進(jìn)制數(shù)，只要保證遍歷 整幅圖像的每個計算窗口中的取值順序一致即可。
[0075] 利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各 邊緣像素點的新像素值設(shè)為某值，如設(shè)為0,即得到經(jīng)過LBP處理后的圖像。其中，邊緣像素 點是指圖像四條邊上的像素點，非邊緣像素點是指圖像中除了四條邊上的像素點W外的像 素點。
[0076] 將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所 述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將 C X C個小塊64個灰階上分布的像素點數(shù)依次排列最終得到C X C X 64維的LBP特征值；其 中C的取值為2或3。本發(fā)明沒有采用傳統(tǒng)的全局直方圖而是提取LBP圖像的4*4的局部 區(qū)域直方圖，為了加快計算，沒有采用256個灰階，采用64個灰階。
[0077] 提取圖像的HSV特征值的方法包括W下步驟：
[007引根據(jù)圖像每個像素點的R、G、B值計算該像素點的H、S、V值。
[0079] 將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中 的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將e X e個小塊90 個灰階上分布的像素點數(shù)依次排列最終得到eXeX90維的HSV特征值；其中e的取值為2 或3。
[0080] 對每個特征值進(jìn)行歸一化，W GIST特征值的距離歸一化為例，經(jīng)過前述方 法得到包含40 X 4X 4 = 640個元素的GIST特征值向量，令為（a。32, 33,... 364。)， = ^幻 1] + a/ + a/ + …+ 〇64〇2，歸一化后的 GIST 特征值向量為（ai/s。，ag/sG, as/s。，. . . ae4〇/ Se)。經(jīng)過歸一化后，S種特征值向量中的每個元素都在同一定的數(shù)值范圍內(nèi)，如歸一化后 的特征值元素都在0?1之間，W便后續(xù)融合。
[0081] 將同一圖像歸一化后的=種特征值按照一定的順序排列，便得到一個融合特征。 如某圖像歸一化后的GSIT特征值為（ai/s" as/sc，as/s" . . . aeVsc)，歸一化后的LBP特征 值為化i/sl, bs/st, bs/st, . . . bsse/st)，歸化后的 HSV 特i*正值為（Ci/sg, Cs/sg, Cj/sg, . . . C36〇/ Sr) 〇 其中，'V, = ?//)| - + + ... + &256 一 ，+ C。- + C]- + ... + C]。。- 〇 園蟲合特化值為知/ S。，Bg/s。，Bg/s。，. . . a64〇/sG, bi/st, bg/St, bg/St, . . . bgse/sL, Ci/S[j, Cg/Sjj, Cg/Sjj, . . . C360/Sh)。
[0082] 本發(fā)明一個優(yōu)選實施例中，分類器選用的是SVM分類器（支持向量機）。它是一種 二類分類器，其基本模型定義為特征空間上的間隔最大的線性分類器，其學(xué)習(xí)思想是間隔 最大化，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解，主要特點是訓(xùn)練樣本需求小，與樣本的 維度無關(guān)，只與支持向量有關(guān)，良好的過擬合等。SVM分類器的參數(shù)設(shè)置如下：
[008引 Svm-type:C-SVM ;
[0084] kernel_type:linear。
[0085] 在使用SVM分類器前，需要先對分類器進(jìn)行訓(xùn)練。本發(fā)明中的訓(xùn)練方法是該樣的。
[0086] 選取第一類場景（如高山）的圖片若干張，提取各第一類場景圖片的融合特征值； 將各第一類場景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練。
[0087] 選取第二類場景（如大海）的圖片若干張，提取各第二類場景圖片的融合特征值； 將各第二類場景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練。 [008引 W此類推，提取第N類場景（如樹林）圖片的融合特征值；N為非零自然數(shù)；將各 第N類場景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練。
[0089] 上述每種類別的場景的圖像分別選擇100?200張。經(jīng)過訓(xùn)練后，SVM分類器具 有了特定的運算系數(shù)，當(dāng)有新的圖片的融合特征值輸入后，本分類器便能快速準(zhǔn)確獲取該 新圖片的場景分類號，進(jìn)而確定新圖片的場景。
[0090] 本發(fā)明并不局限于前述的【具體實施方式】。本發(fā)明擴展到任何在本說明書中披露的 新特征或任何新的組合，W及披露的任一新的方法或過程的步驟或任何新的組合。
【權(quán)利要求】
1. 一種圖像場景識別方法，其特征在于，包括以下步驟： 步驟1 :分別提取圖像的GIST特征值、LBP特征值與HSV特征值； 步驟2 :將GIST特征值、LBP特征值與HSV特征值歸一化； 步驟3 :將歸一化后的GIST特征值、LBP特征值與HSV特征值進(jìn)行融合得到融合特征 值； 步驟4 :將融合特征值帶入分類器中，分類器對融合特征進(jìn)行識別并輸出場景類別。
2. 根據(jù)權(quán)利要求1所述的一種圖像場景識別方法，其特征在于，提取圖像的GIST特征 值的方法包括以下步驟： 選擇5個尺度與8個方向的GABOR核； 將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像； 將每個處理后的圖像分為b X b個小塊，并計算每個小塊的灰度均值，得到40 X b X b個 灰度均值，40XbXb個灰度均值組成的向量即為40XbXb維的GIST特征值； 其中b的取值為3或4。
3. 根據(jù)權(quán)利要求1所述的一種圖像場景識別方法，其特征在于，提取圖像的LBP特征值 的方法包括以下步驟： 設(shè)置3像素點X3像素點的計算窗口； 將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中心點像素值，若大 于將該周圍點的像素點設(shè)為1，否則設(shè)為〇,將8個周圍點的像素值依次排列得到一個8位 無符號的二進(jìn)制數(shù)，將這個無符號二進(jìn)制數(shù)作為中心點的新像素值； 利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各邊緣 像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像； 將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所述 灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將 c X c個小塊64個灰階上分布的像素點數(shù)依次排列最終得到c X c X 64維的LBP特征值； 其中c的取值為2或3。
4. 根據(jù)權(quán)利要求1所述的一種圖像場景識別方法，其特征在于，提取圖像的HSV特征值 的方法包括以下步驟： 根據(jù)圖像每個像素點的R、G、B值計算該像素點的H、S、V值； 將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中的顏 色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將e X e個小塊90個灰 階上分布的像素點數(shù)依次排列最終得到e X e X 90維的HSV特征值； 其中e的取值為2或3。
5. 根據(jù)權(quán)利要求1所述的一種圖像場景識別方法，其特征在于，所述分類器為SVM分類 器；訓(xùn)練所述SVM分類器的方法包括： 選取第一類場景的圖片若干張，提取各第一類場景圖片的融合特征值；將各第一類場 景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練； 選取第二類場景的圖片若干張，提取各第二類場景圖片的融合特征值；將各第二類場 景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練； 以此類推，提取第N類場景圖片的融合特征值；N為非零自然數(shù)；將各第N類場景圖片 的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練。
6. -種圖像場景識別系統(tǒng)，其特征在于，包括以下步驟： GIST特征值提取模塊，用于提取圖像的GIST特征值； LBP特征值提取模塊，用于提取圖像的LBP特征值； HSV特征值提取模塊，用于提取圖像的HSV特征值； 特征值歸一化模塊，用于將GIST特征值、LBP特征值與HSV特征值歸一化； 特征值融合模塊，用于將歸一化后的GIST特征值、LBP特征值與HSV特征值進(jìn)行融合 得到融合特征值； 分類器，用于對融合特征進(jìn)行識別并輸出場景類別。
7. 根據(jù)權(quán)利要求6所述的一種圖像場景識別系統(tǒng)，其特征在于，GIST特征值提取模塊 進(jìn)一步用于： 選擇5個尺度與8個方向的GABOR核； 將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像； 將每個處理后的圖像分為b X b個小塊，并計算每個小塊的灰度均值，得到40 X b X b個 灰度均值，40XbXb個灰度均值組成的向量即為40XbXb維的GIST特征值； 其中b的取值為3或4。
8. 根據(jù)權(quán)利要求6所述的一種圖像場景識別系統(tǒng)，其特征在于，LBP特征值提取模塊進(jìn) 一步用于： 設(shè)置3像素點X3像素點的計算窗口； 將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中心點像素值，若大 于將該周圍點的像素點設(shè)為1，否則設(shè)為〇,將8個周圍點的像素值依次排列得到一個8位 無符號的二進(jìn)制數(shù)，將這個無符號二進(jìn)制數(shù)作為中心點的新像素值； 利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各邊緣 像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像； 將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所述 灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將 c X c個小塊64個灰階上分布的像素點數(shù)依次排列最終得到c X c X 64維的LBP特征值； 其中c的取值為2或3。
9. 根據(jù)權(quán)利要求6所述的一種圖像場景識別系統(tǒng)，其特征在于，HSV特征值提取模塊進(jìn) 一步用于： 根據(jù)圖像每個像素點的R、G、B值計算該像素點的H、S、V值； 將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中的顏 色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將e X e個小塊90個灰 階上分布的像素點數(shù)依次排列最終得到e X e X 90維的HSV特征值； 其中e的取值為2或3。
10. 根據(jù)權(quán)利要求6所述的一種圖像場景識別系統(tǒng)，其特征在于，所述分類器為SVM分 類器；訓(xùn)練所述SVM分類器的方法包括： 選取第一類場景的圖片若干張，提取各第一類場景圖片的融合特征值；將各第一類場 景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練； 選取第二類場景的圖片若干張，提取各第二類場景圖片的融合特征值；將各第二類場 景圖片的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練； 以此類推，提取第N類場景圖片的融合特征值；N為非零自然數(shù)；將各第N類場景圖片 的融合特征值與類別號依次輸入SVM分類器，對SVM分類器進(jìn)行訓(xùn)練。
【文檔編號】G06K9/66GK104504368SQ201410755559
【公開日】2015年4月8日 申請日期:2014年12月10日 優(yōu)先權(quán)日:2014年12月10日
【發(fā)明者】張楠 申請人:成都品果科技有限公司