[发明专利]一种基于非监督学习技术的害虫图像特征学习与自动分类方法

权利要求书

1.一种基于非监督学习技术的害虫图像特征学习与自动分类方法，其特征在于，包括以下步骤：

11)进行大规模害虫图像块随机采样，对图像进行随机抽样，将该抽样过程在所有的训练样本图像上执行，进行大规模的图像块采集；所述的进行大规模害虫图像块随机采样包括以下步骤：

111)采集训练害虫图像视频帧，对每帧的害虫图像进行划分区块，在其中一个区块进行随机抽样，在区块内抽样r×r的图像块，其中n＝r×r，n为非监督字典的维数，在区块矩阵范围内以随机数的形式产生r×r图像块的中心点坐标(x,y)，以此坐标在区块范围内抽样边长为r的小图像块；

112)对帧内每个区块执行随机抽样过程，并将各个区块定义为稀疏特征进行池化操作时所界定的池化范围；

113)对训练害虫图像视频所有帧均进行划分区块并进行随机抽样过程，获得原始字典的训练样本特征，组成训练样本特征矩阵Y；

12)害虫图像的非监督特征字典学习，使用非监督学习方法构建特征字典D＝[d₁,d₂,…,d_M]∈R^n×M,其中M表示字典的大小，每一列d_j表示字典的原子；

13)害虫图像特征编码并进行特征池化操作，利用非监督字典D_T，将害虫图像块向量y_i编码成为特征向量x_i；将特征转化为保存重要信息而丢弃不相干信息的特征；

14)多类分类器识别，通过多类分类器对正负特征进行训练学习，实现训练样本害虫所属类别的判定。

2.根据权利要求1所述的一种基于非监督学习技术的害虫图像特征学习与自动分类方法，其特征在于，所述的害虫图像的非监督特征字典学习包括以下步骤：

21)初始化随机字典D，设置稀疏度k，对原始特征归一化操作，初始化字典表示为D＝[d₁,d₂,…,d_M]∈R^n×M；

22)利用正交匹配追踪方法，固定随机字典D对输入数据Y进行稀疏表示得到稀疏向量矩阵X，

其中输入数据Y为抽取的训练样本特征矩阵，X表示稀疏向量矩阵，通过||x_i||₀≤k进行系数限制；

23)逐列更新随机字典D，其公式如下：

其中d_k表示D中第k列，表示第k个行矢量，表示字典的贡献矩阵；

24)判断误差是否满足精度要求或者是否达到指定的迭代次数，满足则结束训练，产生非监督字典D_T,不满足则继续计算稀疏向量矩阵X并更新随机字典D。

3.根据权利要求1所述的一种基于非监督学习技术的害虫图像特征学习与自动分类方法，其特征在于，所述的害虫图像特征编码并进行特征池化操作包括以下步骤：

31)对害虫图像特征Y和非监督字典D_T，使用正交匹配追踪方法获得编码特征中最多k项为非零项，其公式如下：

其中x_i表示第i个稀疏向量；

32)对每个区块p执行最大池操作，其中p∈P，P为总的区块数，每个区块p获得汇聚特征f＝[f₁,…,f_j,…,f_M]∈R^M；

在每个区块p内执行其中表示中第p块的所有稀疏特征的第j维所有的数据，f_j为第j维数据的最大值。