计算机科学与昆虫,基于视觉的昆虫物种识别算法研究

摘要：

昆虫识别技术在动植物检疫,农林业病虫灾害检测与防治,生态系统研究与保护等领域具有重要的应用前景.目前,对昆虫识别技术人员的需求与供给之间形成了巨大缺口,成为了制约我国农业,林业,生态,环保等事业发展的重大瓶颈.随着计算机科学技术的快速发展,计算机的运算处理能力,数字图像处理技术,计算机视觉技术,机器学习与模式识别的理论方法都有了突破性的进展.利用数字图像处理技术和模式识别方法进行昆虫自动识别,从根本上可以解决昆虫学家人员不足的现状,为我国的农林,生态,环保等事业创造巨大的经济价值. 本文针对昆虫图像的特点,在昆虫图像的特征提取,编码方法,汇聚方法,分类器融合等方面进行了深入研究.通过计算机视觉和模式识别技术对昆虫图像进行处理,实现昆虫物种的自动识别,具有理论意义和应用价值.论文主要研究成果如下: 1. 提出一种针对昆虫图像识别的特征层融合方法.充分利用图像的局部纹理,颜色,形状等特征的互补性,将三类局部特征融合后,再进行字典学习,编码和分类,这种方法有别于传统的基于整体特征的融合方法,将局部纹理,颜色,形状等特征作为基础要素,更有利于编码的准确性,从而提升识别性能. 2. 提出一种判别性的视觉字典生成和编码方法,将其与传统的稀疏编码(sparse coding),局部软编码(local soft coding)和显著编码(salient coding)结合起来,充分利用训练集中的类别信息,在不增加视觉字典规模的情况下,提高其表达能力,进而增加昆虫图像的识别精度. 3. 提出一种基于混合策略的汇聚(pooling)方法,不同于传统的加法汇聚(sum-pooling)对响应的"一视同仁",也不同于传统的最大汇聚(maxpooling)对响应的"非此即彼",而是通过对非最大响应的处理,将其所包含的信息汇聚到最后的特征当中,既解决了加法汇聚对于最大响应缺乏优先权的问题,又克服了最大汇聚对非最大响应一概忽略的缺陷,从而更好地利用局部特征来表征整幅昆虫图像.4. 提出一种针对非均匀类别集的分类器融合方法,在对昆虫图像进行分类的实际系统中,昆虫图像常以不同部位照片的形式得到,而对于同一个标本,由于捕捉或保存不当,会存在某个部位缺失的情况,且不同部位的分类器可能与类别集不一致.针对这种情况,我们利用分配-权重矩阵,设计了一种多分类器融合方法,充分利用不同部位图像之间的互补性,提高识别精度.

展开