曹晓杰 么 娆 严雨灵

1(上海工程技术大学机械与汽车工程学院 上海 201620)2(上海工程技术大学航空运输学院 上海 201620)

0 引 言

日常生活水平的提高，人们对于花卉养殖与欣赏需求也在提高[1]。花卉随处可见，具有极大的文化、经济以及生态价值。花卉种类繁多，且各类花卉存在形态、颜色等相似。所以人们对花卉的识别存在着较大的困难。

针对该问题，研究者们一直在探索更好的算法来更加完美地识别花卉。传统的花卉识别方法，会对花卉提取明显的特征，然后训练分类以达到识别的目的。Nilsback等[2]针对花卉的颜色、形状、纹理等特征在分类中的重要程度，提出了单词表方法。将花卉所有特征聚集到指定个数的聚类中心作为单词表，利用单词代表图片，以支持向量机(SVM)作为分类器实现对花卉的识别。而后使用SIFT、HOG的复杂特征，使用多核组的SVM进行图像识别。Zhang等[3]提取花卉图像的空间与局部特征信息，进行非负稀疏编码，利用K近邻算法进行分类识别。柯逍等[4]利用特征融合，使用混合色彩模型中的大津法(OTSU)对花卉图像分割与识别。王威等[5]提出一种综合特征的花卉识别，利用显著性分割，实现前后背景分离，提取多种特征，最后使用SVM进行分类识别。花卉识别影响因素较多，传统的手动特征虽然有一定的效果，但过程较为复杂，且需人为设计，人为因素影响较高，难以取得令人满意的结果。

对比于传统方法，随着机器学习与人工智能发展，近年来崛起的深度卷积神经网络在图像学习与识别方向上取得巨大的突破。……