地球仪是中小学地理教学过程中非常重要的教学工具,为了使学龄前儿童更好地学习地球仪所提供的知识,使教学过程更有乐趣,本文设计并实现了一款移动端地球仪图像识别系统。此系统可应用于所有的教学地球仪,具有普适性与低成本的特点,可广泛使用在普通家庭对学龄前儿童地理知识教学过程中。本文对移动端地球仪图像特征提取和图像分类以及移动端的优化方面进行了深入研究,设计并实现了一套基于SIFT+BOW+SVM的移动端地球仪图像识别系统,该系统具有体积小、实时性好、准确率高的特点,从而使该系统在移动端有较大的优势。与传统的PC端图像识别系统相比,移动端地球仪图像识别系统使用更加方便。在图像特征提取模块,首先采用几何变化、图像增强与归一化等预处理操作,进而改善图像质量、降低图像计算复杂度、提高识别准确率;接着介绍了常用的特征提取方法,包括局部二值模式(LBP)和方向梯度直方图(HOG)以及尺度不变特征变换(SIFT),对它们的优缺点进行对比,结合移动端地球仪图像识别系统的特点,选择SIFT特征作为图像的局部描述子特征;在得到特征表示之后引入词袋模型(Bag of Words,BOW)对SIFT特征进行聚类,构造图像的视觉词典,从而将每幅图像表示为基于视觉词典的矢量码本,并将此作为图像分类器的输入。在图像分类模块,对常用的机器学习分类方法的分类性能进行对比,结合移动端图像识别系统对准确率和实时性的要求,最后选择了准确率高、判别时间短、泛化能力强的支持向量机(SVM)作为系统分类算法。为了避免误判,在异常数据处理模块,使用One-class SVM算法对异常数据进行过滤,提高系统识别的可靠性和准确率。在移动端实现模块,由于用户在使用过程中可能会出现抖动和移动,为了提高移动端识别准确率,设计了一种投票机制。将最近的10张图片的判别结果存在后台,将得票数最高的国家作为最新这一次的图片识别结果,从而提高移动端用户使用时的识别准确率,最终系统的识别准确率为97.62%。