[发明专利]一种基于级联分类器的害虫识别方法

说明书

本发明公开了一种基于级联分类器的害虫识别方法，包括以下步骤：(1)获取训练样本；(2)从训练样本中分别提取正负样本的Haar‑like特征进行训练；(3)利用AdaBoost算法训练强分类器和弱分类器；(4)基于决策数建立Haar检测体系；(5)利用帧差法对害虫进行定位；(6)使用训练好的级联分类器对害虫进行识别。所述方法通过级联分类器对训练样本进行迭代训练，获取一个最优分类器，提高了检测精度，并采用帧差算法对感兴趣区域进行框定，缩小了识别区域，提高了算法的效率，同时利用Haar检测体系对分类器进行过滤，降低了误识率。

技术领域

本发明涉及视频数据分析领域，涉及用于视频数据分析的基于OpenCV的目标识别算法，具体涉及一种基于级联分类器的害虫识别方法。

背景技术

近年来，目标识别技术已经受到越来越多人的重视，目前常用于进行目标识别的算法有以下几种：

(1)霍夫森林算法：该算法与传统的目标检测器不同，它的训练样本是P＝{I,c,d}，I是输入图像的一个局部图像块，c是它的类标签，d是它到目标中心的偏移矢量；随机树生长的目的是使节点样本的类别和矢量偏移量的不纯度最小化，分别对应决策节点与回归节点。节点的分裂准则采用了像素值比较的方法，最后叶子节点记录统计量：CL表示正样本的比例，DL表示样本偏移的集合。在检测阶段，首先从图像上提取局部图像块，然后对矢量上位置为x的点投票，对图像进行密集采样，最后输出霍夫图像。该算法在检测阶段需要进行大量运算，时间耗费大。

(2)RCNN算法：RNCC算法是利用深度学习进行目标检测的。使用一种分割手段，将图像分割成许多小区域，查看现有小区域，合并可能性最高的两个区域。重复该过程直到整张图像合并成一个区域位置，并输出所有的候选区域。将候选区域归一化成同一尺寸，输入一张图片，选择一个候选框和当前图像上所有标定框重叠面积最大的一个。如果重叠比例大于0.5，则认为该候选框为此标定的类别；否则认为该候选框为背景。最后使用线性SVM二类分类器进行判别。在本算法预处理中，需要将所有的候选区域归一化成同一尺寸，容易导致形变，影响识别效果。

(3)基于AdaBoost分类器的目标识别：AdaBoost是一种组合分类器，也就是把多个弱分类器结合起来形成一个强分类器。每个弱分类器的准确率并不高，但最后形成的强分类器的准确率可以达到较为满意的效果。对每个特征做一个弱分类器。用一个固定大小和位置的矩形特征，在所有正负样本上训练，找到一个阈值让它的分类错误率最低。基于AdaBoost分类器的目标识别需要对每个特征做一个分类器，计算量大，效率不高。

综上所述，现有技术存在对于复杂物体的识别计算量大、耗时长、效率不高等问题。

发明内容

本发明的目的是针对上述现有技术的不足，将目标识别算法应用于害虫识别领域，提供了一种基于级联分类器的害虫识别方法，利用经过处理的厨房常见害虫图片进行正负样本的级联分类器训练，通过大量数据建立数学模型，从视频流中获取实时图像，使用帧差法对图像进行初次过滤定位，框定感兴趣区域后利用正负样本训练级联分类器对目标进行识别。所述方法提高了对移动目标的识别率，并大大提高了运算效率。

本发明的目的可以通过如下技术方案实现：

一种基于级联分类器的害虫识别方法，所述方法包括以下步骤：

(1)获取训练样本：将常见害虫图像作为目标样本训练得到预检测器，利用预检测器先对目标样本进行预检测得到基本特征值，按基本特征值将图像分为正样本与负样本；

(2)从训练样本中分别提取正负样本的Haar-like特征进行训练：本步骤中的Haar-like特征包括边缘特征、线特征、中心环绕特征和对角线特征，对于正样本，分别利用白色区域的像素和减去黑色区域的像素和，得到害虫的各个特征值；对于负样本，分别利用白色区域的像素和减去黑色区域的像素和，得到非害虫的各个特征值；利用Haar-like特征将害虫特征量化，以区分害虫和非害虫；