论文部分内容阅读
稻飞虱是我国水稻上重要的一类迁飞性害虫，每年给水稻产量带来很大损失，及时掌握稻飞虱田间种群密度动态变化是准确进行稻飞虱预测预报和合理防治的关键。由于水稻飞虱田间人工调查容易引起调查者身体和视觉疲劳，存在调查效率低和精度不高等问题，Yao et al[1]利用图像处理技术采用三层检测器来探讨水稻基部飞虱自动计数问题。为了提高稻飞虱检测率和降低误检率，本文在上述研究的基础上，在第一层基于Haar特征的AdaBoost分类器中，研究了不同训练样本图像的大小和来源、训练样本量的大小和分类器参数的设定对飞虱检测结果的影响。结果表明，大小为18*24像素的正样本2400张、背景不全为水稻背景且大小不一的负样本3300张，最大虚警率为0.48的情况下训练得到的AdaBoost分类器具有较好的飞虱检测效果，可获得飞虱检测率为87.9%，误检率为99.1%。由于第一层分类器的误检率较高，本文研究了基于HOG特征的Adaboost分类器，分析了不同正样本大小、不同负样本来源对飞虱结果产生的影响，结果表明在像素为36*48大小的正样本2400张、背景不全为水稻背景且大小不一的负样本3300张的情况下训练得到基于HOG特征的Adaboost分类器效果优于基于Haar特征的Adaboost分类器的效果。为了降低第一层的误检率，本文研究了基于HOG、LBP和Gabor三种局部特征和它们多个特征融合下训练出来的SVM分类器对飞虱的检测识别能力。研究结果表明，4400维的Gabor特征训练出来的SVM分类器对飞虱分类效果最好的，可获得飞虱检测率为93.1%，误检率为4.4%。