基于多特征融合和稀疏表示的農業害蟲圖像識別方法

張永玲，姜夢洲，俞佩仕，姚青，楊保軍，唐健

（1浙江理工大學信息學院，杭州 310018；2中國水稻研究所/水稻生物重點實驗室，杭州310006）

0 引言

【研究意義】農業害蟲綜合防治的首要前提是對田間害蟲進行及時準確地識別與診斷。目前，我國農業害蟲識別與診斷工作主要依靠基層測報人員的人工識別，費時費力，實時性差，無法滿足現代農業發展的需求。隨著圖像處理和模式識別技術的發展與應用，基于圖像的農業害蟲自動識別技術已成為農業害蟲智能監測研究中的一個熱點。目前，基于圖像的農業害蟲識別方面的研究，大部分是在有限種類有限樣本量基礎上進行的[1-6]。而實際應用中，需要從大量的農業昆蟲中識別出幾種重要的測報害蟲。研究從大量的農業昆蟲圖像中識別出需要測報的害蟲，可解決非測報昆蟲的有效排除和因農業昆蟲圖像訓練樣本種類不足而導致的識別模型魯棒性不強的問題，為農業害蟲圖像自動識別技術的田間應用提供理論依據。【前人研究進展】目前，大部分農作物害蟲圖像識別方法是基于經典的模式識別方法，主要包括圖像預處理（背景分割和噪聲去除）、特征提取和篩選、分類器訓練和害蟲識別等步驟[7]。雖然經典的模式識別方法在小樣本數據集上表現突出，但模型的建立需要手工設計圖像特征，過程復雜繁瑣，且模型在魯棒性和泛化能力上表現一般。近幾年，深度學習在圖像識別中表現出色，已有學者將深度學習應用到農作物害蟲的識別中[8-9]，首先建立卷積神經網絡模型，然后通過遷移學習方法，利用害蟲樣本微調已經訓練好的模型參數。深度學習雖然沒有主動特征設計過程，但需要大樣本的支持才能獲得較好的識別結果。實際應用中，我們很難獲得大量的目標樣本。近些年，信號稀疏表示方法因其在模型的靈活性、計算速度和自適應等方面具有較好的優勢，在圖像的壓縮、編碼、重構和分類上獲得了較好的應用[10-16]。2008年，WRIGHT等[17]提出一個基于稀疏表示的分類器（sparse representationbased classifier，SRC）應用于人臉識別中，使用原始的人臉圖像作為訓練樣本構造過完備字典，通過范數求解測試人臉基于該字典的稀疏系數，由稀疏系數實現測試樣本的重構，根據重構誤差判別圖像類別，獲得了較好的分類識別結果。韓安太等[18]將稀疏表示引入害蟲識別中，利用害蟲訓練樣本的形態和顏色特征構造完備的訓練樣本字典矩陣，通過求解l1范數下最優化問題實現待測樣本的稀疏分解，利用圖像殘差結果實現害蟲種類的分類識別。張超凡等[19]和胡永強等[20]將顏色、形態和紋理等特征進行融合，利用融合特征構建過完備字典，通過最小化害蟲圖像的重構誤差實現害蟲的分類識別。謝成軍等[21-22]先后利用害蟲圖像的多任務稀疏表示和圖像稀疏編碼與空間金字塔模型相結合方法構建圖像的多空間稀疏表示，然后通過多核機器學習方法實現害蟲圖像的分類識別，獲得較好的識別效果。目前，基于圖像的農業害蟲識別研究大部分是需要對害蟲圖像進行背景分割、去噪，且在有限害蟲種類有限圖像集中進行模型的訓練和測試。而在實際應用中，很多情況需要我們從大量的昆蟲樣本中識別出某些種類的目標害蟲。由于我們無法采集到農業所有種類大量的昆蟲樣本圖像，導致訓練識別模型的樣本無法囊括所有種類的昆蟲，當一幅測試樣本圖像進入分類器后，識別模型將該測試樣本圖像判為訓練樣本種類中的某一類。為了排除非目標昆蟲的干擾，LYTLE等[23]建立了一個BugID系統，該系統是一個允許用戶根據需求來選擇排除非目標閾值的系統，其基本思想是利用一個樸素貝葉斯概率模型來判斷一個新樣本屬于已知石蠅種類的概率值；當這個概率值低于某個閾值（這個閾值為一個等錯誤率，即被排除的非目標比例與被識別為目標的比例相等時的值）時，則這個新樣本將被判為非目標。冼鼎翔等[24]將與目標種類相似的所有非目標昆蟲作為一類，與排除目標昆蟲種類一起訓練分類器，最終達到識別目標和非目標昆蟲的目的。【本研究切入點】鑒于稀疏表示的圖像識別方法有很強的抗噪聲能力和較好的遮擋處理能力，本研究在此基礎上，將圖像稀疏表示與圖像特征相結合，探討在不去背景條件下，如何排除非目標昆蟲，實現測報害蟲的識別。【擬解決的關鍵問題】本研究以9種水稻測報害蟲為對象，分析不同特征組合下獲得的稀疏表示識別模型的分類結果，并通過設定稀疏集中指數閾值來排除非測報昆蟲，實現從大量的農業昆蟲圖像中自動識別出9種水稻測報害蟲。

1 材料與方法

1.1 圖像數據集

9種水稻測報害蟲包括大螟Scsamia infcrcns、二化螟Chilo suppressalis、稻縱卷葉螟Cnaphalocrocis Medinalis、稻綠蝽Nezera viridula、黑尾葉蟬Nephotettix cincticeps、長肩棘緣蝽Cletus trigonus、中華稻蝗Oxya chinensis、白背飛虱Sogatella furcifera和褐飛虱Nilaparvata lugens（圖1-A—圖1-I）。圖像數據集包括了9種水稻測報害蟲的2 728幅訓練樣本圖像和792幅測試樣本圖像，以及200幅非測報昆蟲圖像作為測試樣本（圖1-J—圖1-R）。所有圖像均來自手機或相機拍攝或網絡上的在自然狀態下的稻田昆蟲圖像。

為了獲得最優的農業害蟲識別模型，對圖像進行預處理。首先，對圖像進行旋轉使得昆蟲頭朝上；然后，按照1:2長寬比裁剪圖像，使昆蟲居中并占據圖像大部分區域；最后，對圖像進行等比例縮放至統一尺寸48×96像素，以JPG格式保存。

圖1 9種水稻害蟲與非測報昆蟲Fig. 1 Rice forecasting pests and non-forecasting insects

1.2 稀疏表示分類方法

稀疏表示分類方法的基本思想就是利用所有的訓練樣本圖像構造完備字典，計算測試樣本在該字典上的稀疏表示，然后根據重構誤差判別圖像所屬類別。

假設有k類樣本，令A=[A1,A2,…,AK]為一組訓練樣本集或過完備字典，其中Ai是第i類的訓練樣本子集，y∈Rm為第i類某一測試樣本，需要實現由l1范數最小化求解，為測試樣本y找到合適的稀疏表達：

式中，λ為一個大于0的標量。

為了判斷測試樣本是否是目標害蟲，需要在識別之前計算稀疏集中指數[17]（sparsity concentration index，SCI），對其是否是目標害蟲進行判斷。

如果SCI(a?)≥τ（τ是需要手動輸入的一個閾值），則判斷該測試樣本為測報害蟲；否則為非測報昆蟲。

如果是測報害蟲，計算測試樣本y與各類樣本之間的逼近殘差：

式中，是與第i類樣本對應的系數向量，最小殘差值對應的類別即為測試樣本的最終分類。

1.3 圖像特征提取

基于經典模式識別方法的害蟲識別研究表明，與全局特征相比，基于HOG、Gabor等局部特征，能更好的克服自然環境中光照不均、姿態變化等全局干擾問題，對昆蟲具有較好的識別效果[25-26]。考慮到局部特征提取方法是在灰度圖像上進行的，沒有充分利用圖像的顏色信息，而在實際應用中，圖像本身包含豐富的色彩信息，且屬于同一類的圖像在顏色方面有很大相似性。因此，在利用圖像的顏色信息的基礎上，結合圖像的局部特征，研究基于單一特征與融合特征下稀疏表示的識別效果。

1.3.1 顏色特征 由于R、G、B分量之間具有高度相關性，3個色彩分量易受光照強度等因素影響，穩定性差；而HSV色彩模型由色調、飽和度、明度來描述顏色信息，3個分量基本不相關，面對光照變化表現得更穩健，能更好反映顏色的本質信息[27]。因此，本文將圖像從RGB顏色空間轉換到HSV色彩空間，并提取該空間下直方圖特征，作為圖像的全局顏色特征。根據公式（4）[28]將HSV分量均勻量化，H分量均勻劃分為16個區間，S和V分量分別均勻劃分為4個區間，3個顏色分量分區間級聯統計特征，獲得顏色直方圖256（16×4×4）維的全局顏色特征。

1.3.2 HOG特征 方向梯度直方圖（histogram of oriented gradient，HOG）特征，是由 DALAL和 TRIGGS在2005年提出的一種目標檢測的特征描述子[29]，通過分塊思想，計算和統計圖像局部梯度方向直方圖，最終形成整個圖像的特征。與其他局部特征相比，HOG特征對圖像的幾何和光照變化不敏感，可以忽略被檢測目標姿態的細微變化。圖像中某個像素點(x,y)的梯度及梯度值計算如下：

式中，H(x,y)、Gx(x,y)、Gy(x,y)分別是圖像中像素點(x,y)的像素值、水平方向梯度和垂直方向梯度。

像素點(x,y)處的梯度幅值G(x,y)和梯度方向a(x,y)分別為：

9種水稻田間害蟲圖像的 HOG特征提取步驟如下：定義每幅害蟲圖像的block大小為24×48像素，每個block由相鄰4個cell構成，每個cell大小為12×24像素，采用9個bin直方圖來統計每個cell的梯度信息。得到每個塊內有36（4×9）個梯度直方圖，用塊對樣本圖像進行掃描，掃描步長為一個單元，對于一幅 48×96像素的害蟲圖像，那么水平方向有 3個掃描窗口，垂直方向有3個掃描窗口，最后合并所有block直方圖信息可獲得324（36×3×3）維HOG特征向量。

1.3.3 Gabor特征 Gabor[30]變換屬于加窗傅里葉變換，Gabor函數可以在頻域不同尺度、不同方向上提取相關的特征。二維Gabor濾波器能有效增強圖像的峰、谷和脊輪廓等底層特征，使用該濾波器能有效描述害蟲圖像局部灰度分布，有助于水稻害蟲圖像的分類識別。圓形的二維Gabor濾波器在空間域的表達形式如下：

式中，u和v分別表示Gabor濾波器的方向和尺度，z=(x,y)表示像素點，‖·‖表示范式運算，波向量ku,v=kveiφu，其中kv=kmax/f v（kmax為最大頻率，f是頻域中核函數的間隔因子），φu=πu/8。

本文選取5個尺度和8個方向的Gabor濾波器，但若將40個濾波器與48×96像素的圖像直接卷積運算，會造成維度災難。所以先將每幅圖像經雙線性插值至6×12的像素大小，再使用Gabor濾波器進行濾波，可獲得2880（40×6×12）維的Gabor特征向量。由于獲得的Gabor特征維度較大，后期經PCA方法降維處理，在保證特征貢獻率達0.95基礎上降維至372維，方便后續字典訓練。

1.3.4 LBP特征 局部二值模式（local binary pattern，LBP）特征[31]是一種圖像局部紋理特征描述算子，也是一種典型的結構與統計相結合的紋理分析方法。LBP算子的數學表達形式如下：

式中，(xc，yc)為中心像素點的坐標，ip為鄰域像素的灰度值，ic為中心像素點的灰度值，p為鄰域像素點的第p個像素。

本文采用圓形LBP算子。首先將檢測窗口劃分為16×16的小區域（cell），然后對每個 cell中的一個像素，將其8個鄰域像素的灰度值與該像素的灰度值進行比較，若周圍像素值大于中心像素值，則該像素點的位置標記為1，否則為標記為0，那么，3×3鄰域內的8個點經比較可產生8位二進制數，計算每個“數字”出現的頻率獲得該單元上的直方圖。該直方圖可以看作256維特征向量。最后連接所有cell統計直方圖為一個特征向量，即得到整幅圖像的LBP紋理特征。

1.3.5 特征融合 本文對害蟲圖像經旋轉、裁剪和統一尺寸等預處理操作后，分別提取各類害蟲圖像的HSV顏色特征、Gabor特征、LBP特征和HOG特征。將提取到的各類害蟲圖像的顏色特征分別與Gabor特征、LBP特征、HOG特征級聯，獲得3組不同的融合特征，再依次使用3組融合特征集替代SRC中直接使用圖像灰度值作為訓練集的方式構建過完備字典，應用構造的過完備字典實現害蟲圖像的多特征稀疏表示。

1.4 基于不同特征的稀疏表示水稻害蟲識別算法

將害蟲圖像的顏色特征、LBP特征、Gabor特征、HOG特征及顏色特征與各局部特征的融合特征，作為稀疏表達分類器的輸入，實現對水稻害蟲的分類識別。算法的步驟如下：

（1）對水稻田間害蟲圖像進行旋轉、裁剪，并縮放至統一尺寸48×96像素；

（2）提取訓練樣本圖像特征，構建訓練樣本圖像特征矩陣；

（3）訓練過完備字典；

（4）提取測試樣本圖像特征，根據公式（1）求其在字典上的稀疏系數，并實現對測試樣本圖像特征的重構；

（5）根據公式（2），計算稀疏集中指數SCI，當該值大于或等于閾值τ時（本文τ取0.7，此時害蟲圖像平均誤檢率最低），則認為測試樣本為某類的目標害蟲；否則，該測試樣本為非目標昆蟲；

（6）根據公式（3）計算測試樣本圖像特征與每一類圖像特征的重構殘差，最小殘差所對應的類別即為測試樣本的害蟲類別。

圖2給出了第6類害蟲長肩棘緣蝽的一幅圖像進行稀疏重構后，在9種目標害蟲類別上的稀疏系數分布圖和殘差圖。從圖2-A可以看出，該幅圖像的重構稀疏系數集中在第6類訓練樣本上；從圖2-B可以看出，與第6類的訓練樣本重構殘差值最小，因此可以判斷該幅圖像為第6類害蟲長肩棘緣蝽。

圖3給出了一個非測報昆蟲圖像進行稀疏重構后，在9種目標害蟲類別上的稀疏系數分布圖和殘差圖。從圖3-A可以看出，該幅圖像的重構稀疏系數沒有集中在某一類的樣本上；從圖3-B可以看出，與所有類別的訓練樣本重構殘差值均較大。通過計算稀疏集中指數，發現τ=0.26＜0.7，因此該圖像上的昆蟲被判為非測報昆蟲，沒必要再進行分類識別。

圖2 基于稀疏表示重構某個測報害蟲的稀疏系數分布（A）和殘差圖（B）Fig. 2 The sparse coefficient distribution (A) and residual distribution map (B) of a target pest based on sparse representation

圖3 基于稀疏表示重構某個非測報昆蟲的稀疏系數分布（A）和殘差圖（B）Fig. 3 The sparse coefficient distribution (A) and residual distribution map (B) of non-target pests based on sparse representation

1.5 識別結果的評價

用識別率和誤檢率來評價不同方法對目標害蟲的識別結果：

2 結果

為了驗證本文的害蟲識別方法的有效性，在同一測試集上，分別提取顏色特征和局部特征中的HOG、Gabor和LBP特征，分別利用帶后驗概率的支持向量機（support vector machine，SVM）[32]和稀疏表示識別方法對害蟲圖像進行害蟲目標有效性的判斷和分類識別，識別結果見表1和表2。

由表1可以看出，利用單一特征訓練得到的SVM分類器，基于HOG特征的SVM分類器獲得較高的害蟲平均識別率和較低的平均誤檢率，分別為 82.1%和19.0%。將HOG特征與顏色特征融合訓練得到SVM分類器，識別率和誤檢率分別為 85.4%和 15.4%。與單一特征相比，這個分類器的識別率得到了提高，誤檢率也大大下降；與其他融合特征相比，HOG與顏色特征結合訓練得到的 SVM 分類器具有最高的識別率和最低的誤檢率。由此可以看出，融合特征與單一特征相比更具有優勢。在融合特征中，局部特征 HOG特征具有更好的害蟲識別能力。

由表2可以看出，利用單一特征學習字典得到的稀疏表示識別模型，基于HOG特征的稀疏表示識別模型獲得了較高的害蟲平均識別率和較低的平均誤檢率，分別為87.0%和7.5%。與單一特征或其他特征融合得到的模型相比，將HOG特征與顏色特征融合得到的得到稀疏表示識別模型，獲得了最高平均識別率和最低平均誤檢率，分別為90.1%和5.2%。

表1 基于SVM分類器的水稻害蟲識別結果Table 1 Pest identification results of support vector machine (SVM) classifiers

表2 基于稀疏表示識別模型的水稻害蟲識別結果Table 2 Pest identification results of sparse representation models

綜合表1與表2可以看出，相同特征下訓練得到的稀疏表示識別模型比 SVM 分類器具有更高的識別率和更低的誤檢率；在單一特征中，基于 HOG特征的 SVM 分類器和稀疏表示識別模型能獲得較高的識別率和較低的誤檢率。多特征融合比單一特征獲得的模型識別結果更好，其中基于顏色和 HOG特征的稀疏表示識別模型具有最高的識別率和最低的誤檢率。

3 討論

3.1 圖像特征的篩選

圖像特征選擇的好壞對昆蟲識別結果影響非常大。目前，用于昆蟲識別的特征主要包括全局特征中的顏色特征[4]、紋理特征[33]和形狀特征[34]，以及局部特征中的 HOG 特征[26]、Gabor特征[35]、LBP 特征[26]、SIFT特征[23]等。

由于本研究的圖像來自自然狀態下的田間害蟲，為了盡量減少背景的干擾，首先對圖像進行了旋轉、裁剪和按比例縮放到同一尺寸。由于未進行背景去除，在特征提取過程中，選擇了全局特征中的HSV顏色特征和局部特征中描述形狀的 HOG特征和描述紋理的Gabor和LBP特征。本研究測試結果表明，特征融合比單一特征對害蟲具有更好的識別能力；利用顏色和HOG特征融合訓練獲得的分類器獲得了 9種水稻測報害蟲最高的識別率和最低的誤檢率。

3.2 分類器的選擇

不同的分類器，對昆蟲識別結果有一定的影響。已有學者利用不同的模式識別技術，如人工神經網絡[36]、模糊模式識別[37]、支持向量機[4]、貝葉斯分類器[38]、稀疏表示方法[35]和深度學習[9]等。

由于稀疏表示圖像識別方法具有較強的抗噪聲能力和較好的遮擋處理能力，本研究選擇稀疏表示識別方法來研究農業測報害蟲識別，并與具有較好泛化能力的 SVM 分類器進行對比。測試結果表明，基于多特征融合的稀疏表示識別方法對未去背景的害蟲圖像識別具有更好的識別能力，對害蟲的姿態變化、光照不均和遮擋等影響具有魯棒性[39-40]。與近幾年廣泛應用的深度學習[9]相比，深度學習需要大量樣本的支持才能獲得較好的識別結果。而在實際應用中，我們很難獲得大量的目標樣本，在小樣本識別基礎上，基于稀疏表示識別方法具有突出的優勢。

3.3 非目標害蟲的排除

目前基于圖像的農業害蟲識別研究大多是在去背景條件下，對有限害蟲種類和有限樣本量提取特征，然后進行模型的訓練和識別，取得了較好的識別結果。然而，在實際應用中，往往需要從大量的昆蟲中識別出幾種目標害蟲，因此需要對非目標昆蟲進行有效的排除。LYTLE等[23]利用樸素貝葉斯概率模型來判斷一個新樣本是否屬于已知石蠅種類的概率值。冼鼎翔等[24]將非目標昆蟲作為一類來達到非目標昆蟲的判斷，該方法在實際應用中由于非目標昆蟲種類較多而導致分類器的魯棒性不夠。本研究通過設定稀疏集中指數閾值來排除非目標昆蟲，實現從大量的農業昆蟲圖像中自動識別出目標害蟲，獲得了較低的誤檢率。

4 結論

在農業害蟲測報中，常常需要從大量的昆蟲中識別出幾種重要的測報害蟲。本研究對自然狀態下的田間害蟲圖像進行旋轉、裁剪和按比例縮放到同一尺寸。在不去背景條件下，利用顏色和 HOG特征融合訓練獲得的稀疏表示害蟲識別模型，有效地克服了環境、光照和害蟲姿態變化等引起的問題，獲得了較高的農業測報害蟲識別率和較低的誤檢率；通過稀疏集中指數閾值，有效地排除了非測報昆蟲，實現了從大量的農業昆蟲中自動識別出需要測報的害蟲。

Reference

[1]毛文華, 鄭永軍, 張銀橋, 苑嚴偉, 張小超. 基于機器視覺的草地蝗蟲識別方法. 農業工程學報, 2008, 24(11): 155-158.MAO W H, ZHENG Y J, ZHANG Y J, YUAN Y W, ZHANG X C.Grasshopper detection method based on machine vision.Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(11):155-158. (in Chinese)

[2]宋凱. 基于計算機視覺的農作物病害識別方法的研究[D]. 沈陽:沈陽農業大學, 2008.SONG K. Study of recognition method of crop disease based on computer vision[D]. Shenyang: Shenyang Agricultural University,2008. (in Chinese)

[3]陳建能, 張國鳳. 計算機視覺技術在農業中的應用及展望. 甘肅農大學報, 2003, 38(2): 248-253.CHEN J N, ZHANG G F. Application and prospect of computer vision technique in agriculture.Journal of Gansu Agricultural University, 2003, 38(2): 248-253. (in Chinese)

[4]韓瑞珍, 何勇. 基于計算機視覺的大田害蟲遠程自動識別系統. 農業工程學報, 2013, 29(3): 156-162.HAN R Z, HE Y. Remote automatic identification system of field pests based on computer vision.Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(3): 156-162. (in Chinese)

[5]劉國成, 張楊, 黃建華, 湯文亮. 基于K-means聚類算法的葉螨圖像分割與識別. 昆蟲學報, 2015, 58(12):1338-1343.LIU G C, ZHANG Y, HUANG J H, TANG W L. A method for segmentation and recognition of spider mites based on K-means clustering algorithm.Acta Entomologica Sinica, 2015, 58(12):1338-1343. (in Chinese)

[6]YAAKOB S N, JAIN L. An insect classification analysis based on shape features using quality threshold ARTMAP and moment invariant.Applied Intelligence, 2012, 37(1): 12-30.

[7]姚青, 呂軍, 楊保軍, 薛杰, 鄭宏海. 基于圖像的昆蟲自動識別與計數研究進展. 中國農業科學, 2011, 44(14): 2886-2899.YAO Q, Lü J, YANG B J, XUE J, ZHENG H H. Progress in research on digital image processing technology for automatic insects identification and counting.Scientia Agricultura Sinica, 2011, 44(14):2886-2899. (in Chinese)

[8]DING W, TAYLOR G. Automatic moth detection from trap images for pest management.Computers & Electronics in Agriculture, 2016, 123:17-28.

[9]LIU Z, YANG G, ZHANG H, HE Y. Localization and classification of paddy field pests using a saliency map and deep convolutional neural network.Scientific Reports, 2016, 6: 20410.

[10]馬曉, 張番棟, 封舉富. 基于深度學習特征的稀疏表示的人臉識別方法. 智能系統學報, 2016, 11(3): 279-286.MAO X, ZHANG F D, FENG J F. Sparse representation via deep learning features based face recognition method.CAAI Transactions on Intelligent Systems, 2016, 11(3): 279-286. (in Chinese)

[11]WEN Y, XIANG Y, FU Y. A joint classification approach via sparse representation for face recognition//Proceedings of the 12th International Conference on Signal Processing of the Ieee, 2015:1387-1391.

[12]MOURAO A, BORGES P, CORREIA N, MAGALHAES J. Sparse reconstruction of facial expressions with localized gabor moments//Proceedings of the 22nd European Signal Processing Conference(EUSIPCO), 2014: 1642-1646.

[13]THAVALENGAL S, MANDAL S, SAO A K. Significance of dictionary for sparse coding based pose invariant face recognition//2014 20th National Conference on Communications(NCC), 2014:1-5.

[14]詹曙, 王俊, 楊福猛, 方琪. 基于 Gabor特征和字典學習的高斯混合稀疏表示圖像識別. 電子學報, 2015, 43(3): 523-528.ZHAN S, WANG J, YANG F M, FANG Q. Gaussian mixture sparse representation for image recognition based on Gabor features and dictionary learning.Acta Electronica Sinica, 2015, 43(3): 523-528. (in Chinese)

[15]周昊, 火元蓮. 基于 LBP算子和稀疏表達分類器的人臉表情識別.自動化與儀器儀表, 2014(10): 137-139.ZHOU H, HUO Y L. Facial expression recognition based on LBP operator and sparse expression classifier.Automation and Instrumentation,2014(10): 137-139. (in Chinese)

[16]龔永罡. 基于局部HOG特征的稀疏表達車牌識別算法. 計算機仿真, 2011, 28(4): 367-369.GONG Y G. License plate recognition algorithm with sparse representation based on local HOG.Computer Simulation, 2011, 28(4):367-369. (in Chinese)

[17]WRIGHT J, YANG A, GANESH A, SASTRY S S, MA Y. Robust face recognition via sparse representation.IEEE Transactions on Pattern Analysis & Machine Intelligence, 2008, 31(2): 210-227.

[18]韓安太, 郭小華, 廖忠, 陳志強, 韓建國. 基于壓縮感知理論的農業害蟲分類方法. 農業工程學報, 2011, 27(6): 203-207.HAN A T, GUO X H, LIAO Z, CHEN Z Q, HAN J G. Classification of agricultural pests based on compressed sensing theory.Transactions of the Chinese Society of Agricultural Engineering,2011,27(6): 203-207. (in Chinese)

[19]張超凡, 王儒敬, 謝成軍. 基于多特征字典學習的害蟲圖像自動分類方法. 計算機應用與軟件, 2017, 34(3): 142-147.ZHANG C F, WANG R J, XIE C J. Automatic classification method for pest image based on multi-feature dictionary learning.Computer Applications and Software, 2017, 34(3): 142-147. (in Chinese)

[20]胡永強, 宋良圖, 張潔, 謝成軍, 李瑞. 基于稀疏表示的多特征融合害蟲圖像識別. 模式識別與人工智能, 2014, 27(11): 985-992.HU Y Q, SONG L T, ZHANG J, XIE C J, LI R. Pest image recognition of multi-feature fusion based on sparse representation.Pattern Recognition and Artificial Intelligence, 2014, 27(11): 985-992.(in Chinese)

[21]XIE C, ZHANG J, LI R, HONG P. Automatic classification for field crop insects via multiple-task sparse representation and multiplekernel learning.Computers & Electronics in Agriculture, 2015, 119(1):123-132.

[22]謝成軍, 李瑞, 董偉, 宋良圖, 張潔. 基于稀疏編碼金字塔模型的農田害蟲圖像識別. 農業工程學報, 2016, 32(17): 144-151.XIE C J, LI R, DONG W, SONG L T, ZHANG J. Recognition for insects via spatial pyramid model using sparse coding.Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(17):144-151. (in Chinese)

[23]LYTLE D A, MARTINEZ-MU O G, ZHANG W, LARIOS N,SHAPIRO L. Automated processing and identification of benthic invertebrate samples.Journal of the North American Benthological Society, 2010, 29(3): 867-874.

[24]冼鼎翔, 姚青, 楊保軍, 羅舉, 譚暢. 基于圖像的水稻燈誘害蟲自動識別技術的研究. 中國水稻科學, 2015, 29(3): 299-304.XIAN D X, YAO Q, YANG B J, LUO J, TAN C. Automatic identification of rice light-trapped pests based on images.Chinese Journal of Rice Science, 2015, 29(3): 299-304. (in Chinese)

[25]趙娟. 基于Gabor小波與支持向量機對儲糧害蟲分類識別. 計算機與現代化, 2008(4): 67-69.ZHAO J. Recognition for pests in stored-grain based on Gabor wavelet and SVM.Computer and Modernization, 2008(4): 67-69. (in Chinese)

[26]YAO Q, CHEN G T, WANG Z. Automated detection and identification of white-backed planthoppers in paddy fields using image processing.Journal of Integrative Agriculture, 2017, 16(7): 1547-1557.

[27]PERONA P, MALIK J. Scale-space and edge detection using anisotropic diffusion.IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(7): 629-639.

[28]劉忠偉, 章毓晉. 十種基于顏色特征圖像檢索算法的比較和分析.信號處理, 2000, 16(1):79-84.LIU Z W, ZHANG Y J. A comparitive and analysis study of ten color feature-based image retrieval Algorithms.Signal Processing, 2000,16(1): 79-84. (in Chinese)

[29]DALAL N, TRIGGS B. Histograms of oriented gradients for human detection//Proceedings of the Ieee Computer Society Conference on Computer Vision and Pattern Recognition, 2005: 886-893.

[30]羅飛, 王國胤, 楊勇. 一種基于Gabor小波特征的人臉表情識別新方法. 計算機科學, 2009, 36(1): 181-183.LUO F, WANG G Y, YANG Y. New approach for facial expression recognition based on Gabor features.Computer Science, 2009, 36(1):181-183. (in Chinese)

[31]FENG X, PIETIKAINEN M, HADID A. Facial expression recognition with local binary patterns and linear programming.Pattern Recognition & Image Analysis, 2008, 15(2): 546-548.

[32]丁世飛, 齊丙娟, 譚紅艷. 支持向量機理論與算法研究綜述. 電子科技大學學報, 2011, 40(1): 2-10.DING S F, QI B J, TAN H Y. An overview on theory and algorithm of support vector machine.Journal of University of Electronic Science and Technology of China,2011, 40(1): 2-10. (in Chinese)

[33]李文勇, 李明, 陳梅香, 錢建平, 孫傳恒. 基于機器視覺的作物多姿態害蟲特征提取與分類方法. 農業工程學報, 2014, 30(14):154-162.LI W Y, LI M, CHEN M X, QIAN J P, SUN C H. Orchard pest automated identification method based on posture description.Transactions of the Chinese Society of Agricultural Engineering, 2014,30(14): 154-162. (in Chinese)

[34]李文斌. 水稻害蟲圖像識別技術研究. 安徽農業科學, 2014, 13(23):8043-8045.LI W B. Research for rice pests image recognition technology.Journal of Anhui Agricultural Sciences, 2014, 13(23): 8043-8045. (in Chinese)

[35]路靜. 基于稀疏表征的儲糧害蟲分類識別[D]. 鄭州: 河南工業大學, 2014.LU J. The recognition of stored grain pests based on sparse representation[D]. Zhengzhou: Henan University of Technology, 2014.(in Chinese)

[36]SINGH C B, JAYAS D S, PALIWAL J, WHITE N D G. Detection of insect-damaged wheat kernels using near-infrared hyperspectral imaging.Journal of Stored Products Research, 2009, 45(3): 151-158.

[37]唐強. 基于圖像模式識別技術的昆蟲識別研究[D]. 昆明: 昆明理工大學, 2006.TANG Q. Research on insect recognition based on image pattern recognition technology[D]. Kunming: Kunming University of Science and Technology, 2006. (in Chinese)

[38]于合龍. 貝葉斯網在農業智能系統中的應用研究[D]. 長春: 吉林大學, 2005.YU H L. Research on the application of bayesian network in agriculture intelligent system[D]. Changchun: Jilin University, 2005.(in Chinese)

[39]ELHAMIFAR E, VIDAL R. Robust classification using structured sparse representation//Proceedings of the Ieee Computer Society Conference on Computer Vision and Pattern Recognition, 2011:1873-1879.

[40]ZHANG T, GHANEM B, LIU S, XU C S, AHUJA N. Low-rank sparse coding for image classification//Proceedings of the IEEE International Conference on Computer Vision, 2013: 281-288.