?基于Cascade Adaboost分类器的马铃薯快速定位方法?
?汪成龙，黄余凤?
【摘 要】针对马铃薯表面灰度不均匀、纹理复杂不易定位的问题，通过采集类Haar（Haar-like）、局部二值模式（Local Binary Pattern, LBP）和方向梯度直方图（Histogram of Oriented Gradient, HOG），提出了基于级联自适应提升（Cascade Adaptive Boosting, Cascade Adaboost）分类器的马铃薯定位方法。同时，针对背景区域易误判为马铃薯区域的问题，提出了一种候选区域二次筛选法。结果表明：优化后，利用训练好的类Haar+Cascade Adaboost分类器、 LBP+Cascade Adaboost分类器和HOG+Cascade Adaboost分类器对测试集马铃薯图像进行测试，其检出率、虚警率、总体识别率分别为1.7%、0.8%、97.2%；95.9%、0.0%、98.9%和86.7%、3.5%、93.9%；耗时分别为8.2、7.5和30.3 ms。这说明基于级联自适应提升（Cascade Adaptive Boosting, Cascade Adaboost）分类器的马铃薯定位方法，可快速准确定位运动中的马铃薯目标，其中LBP+Cascade Adaboost分类器的效果最优。 【期刊名称】湖南农业科学 【年(卷),期】2018(000)002 【总页数】4
【关键词】Cascade Adaboost分类器；类Haar特征；局部二值模式；方向梯度直方图；马铃薯
利用机器视觉对农产品外部品质进行检测，可避免人眼视觉疲劳和主观误差对分级效率的影响。研究表明，利用机器视觉技术对水果大小、形状、色彩等外部指标进行检测，生产效率可达3～5 t/h[1-3]。与传统图像分割算法相比，改
进了演化算法的水果图像分割算法（fruit image segmentation algorithm based on evolutionary algorithm, FISEA ）分割效果稳定，且耗时仅87.35 ms。研究表明，利用快速归一化互相关函数（FNCC，fast normalized cross correlation）对番茄果实的潜在区域进行检测，准确率高达86.7%[4]。 利用机器视觉对马铃薯定位，仍以基于像素级特征的图像分割为主。周竹等[5]利用自动阈值分割法对马铃薯图像进行分割。李小昱等[6]利用差影法与马尔可夫随机场模型法对马铃薯痂疮病部位进行分割。孔彦龙等[7]、王红军等[8]利用二值化算法分割出图像中马铃薯的区域。虞晓娟等[9]利用Otsu法对马铃薯区域进行了定位。汪成龙等[10]提出一种基于GBVS 显著性算法的马铃薯定位方法，其分割效果优于Otsu法，但定位需耗时97.0 ms。上述方法虽然可准确定位马铃薯区域，但耗时偏长。为了提高马铃薯在线分级效率，亟待研究一种快速高效的马铃薯目标检测算法。
级联自适应提升（Cascade Adaptive Boosting, Cascade Adaboost）分类器是目前最常用的一种目标分类器。该分类器通过对大量标注过的图像样本集的训练，筛选出分类性强的特征，调整各弱分类器中的权重，从而获得最终的强分类器，通过级联的方式构成用于目标检测的Adaboost分类器。
Freund和Viola分别提出了具有可自适应地调整权重的 Boosting算法（AdaBoost 算法）[11]和级联结构的 AdaBoost分类器[12]，并在人脸实时检测中取得了成功应用。用于级联AdaBoost分类器的特征有：类Haar（Haar-like）、局部二值模式（Local Binary Pattern，LBP）和方向梯度直方图（Histogram of Oriented Gradient，HOG）等。其中，类Haar和LBP在人脸检测方面应用较为广泛，而HOG则在行人检测中应用较多。Chen[13]利
用类Haar和级联AdaBoost分类器检测人脸正脸仅需45 ms。
针对马铃薯表面凹凸不平、灰度不均匀、纹理复杂、难以快速定位的问题，笔者提出了一种基于级联自适应提升（Cascade Adaptive Boosting, Cascade Adaboost）分类器的马铃薯定位方法，以快速定位运动中的马铃薯目标，并比较了类Haar + Cascade Adaboost、LBP + Cascade Adaboost和 HOG + Cascade Adaboost 3种分类器对马铃薯目标的定位效果，针对背景区域易误判的问题，提出了候选区域二次筛选法，以期提高马铃薯识别率，降低虚警率。
1 材料与方法
1.1 样本制备与图像采集
采集80个克新一号马铃薯，清洗晾干后编号。利用图1所示图像采集系统，采集马铃薯图像样本集。将马铃薯置于托辊上，电机转动带动传送带运动，当马铃薯进入图像采集箱后，由于托辊与摩擦板之间的滚动摩擦，马铃薯自转。摄像头以4帧/s的速率连续采集分辨率为640×480的彩色图像10 354张，其中图片中有马铃薯的4 624张。 1.2 图像特征提取方法
1.2.1 类Haar特征 该特征是由Viola提出，Lienhart等[14]扩展的一种广泛应用于人脸检测的图像特征提取方法。与以往从图像中像素点灰度提取特征不同，类Haar法从图像中提取的是图像的边缘、线、环绕、对角线等特征，如图2所示。
1.2.2 LBP特征 该特征是一种用于目标检测和纹理分类的图像特征提取算法。首先，将图像划分为多个小块；然后，对每个小块中每个点与其他领域点的像
基于Cascade Adaboost分类器的马铃薯快速定位方法
