图像处理方法自动食蚜蝇物种歧视

文摘

一个方法来自动食蚜蝇物种歧视的检测和提取静脉连接在昆虫的翅脉序模式提出了。我们的实验中使用的数据集包括高分辨率显微翼一些食蚜蝇种类收集的图像在一个相对长的时间在不同的地理位置。连接使用众所周知的组合检测猪(面向梯度直方图)最近提议的健壮的版本CLBP(完整的局部二进制模式)。这些特性是用来训练的SVM分类器来检测连接翼图像。一旦连接识别它们是用于提取统计特征的星座点。这些简单的功能可以用来自动区分四个选食蚜蝇种多项式核支持向量机,达到更高的分类精度。

1。介绍

分类、测量和监控的昆虫形成许多生物多样性和进化科学研究的一个重要组成部分(1- - - - - -3]。他们的目标通常是确定存在和一些昆虫或其特征属性的变化,可以作为一个起点,为进一步分析。研究人员面临的技术问题是大量的物种,他们的多样性,缺乏可用的专家能够分类和检查标本。由于这种情况下,是一个常数需要自动化和加速这种耗费时间的过程。计算机视觉的应用及其方法在适用时提供准确和相对廉价的解决方案,对于不同的昆虫(1,2,4,5]。翅膀的昆虫是最常被认为是鉴别特征之一(4),可以使用独立的关键特征的分类(2]。不像其他身体部位,翅膀也特别适合自动处理(6]。处理可以针对物种鉴定和分类或形式的基础进一步的形态学分析一旦完成了分类到特定的分类。

区别的信息,让昆虫分类可能包含在机翼形状(7),但在大多数情况下它都包含在静脉内连接翼的相对位置,主要定义独特的翅脉序模式(1,2,4- - - - - -6]。翅脉序模式是特定的进化适应的结果在很长一段时间,是由许多不同的因素影响8]。因此,他们是相对稳定的,可以成功地描述和表示非常相似的物种和分类单元之间的差异小,这并不总是可能只使用昆虫的翅膀的形状。脉络模式的另一个有用的特性是他们不影响目前的生活条件,在一些特定的自然环境,相比其他一些特性如颜色或色素沉着。这使得他们一个不错的选择和测量可靠和健壮的物种歧视。使用脉络模式是模式的优势,是目前对以前收集翼标本不改变随着时间的流逝,一些其他翼特性,所以它们适合于后,经由分析。

物种歧视在过去是基于描述性方法,形态学方法被证明是不够了,取而代之的是(6]。这些方法依赖于几何测量角度和距离的标准形态测量学或关键点的坐标称为地标,也可以用于计算角度和距离,在最近的情况下几何的形态学。wing-based歧视每个里程碑式代表一个独特的静脉交界处,机翼上的预期立场是预定义的,哪些需要位于机翼之前歧视。手动确定地标需要熟练的操作员和容易出错,所以自动检测landmark-points总是首选。

一些系统进行自动分类的昆虫是为了在不受控制的环境中完成识别任务可变性在物体的位置和姿态3),而另一些人则是为了在控制下运行的工作条件(2,6]。

静脉交叉点的方法自动检测昆虫的翅脉序通常由几个预处理步骤包括图像配准、翼分割,去除噪声和对比度增强。为了提取行定义翅脉序模式,在下一阶段通常应用边缘检测,自适应阈值,形态学滤波,骨架提取、修剪和插值,通常给出的准确顺序。以这种方式landmark-points对应静脉交叉点的位置被发现(1,4或另外一个多项式模型的整个脉络模式是由线连接和十字路口的基础上(1,2,5]。这可能是更容易实现,如果光源精确对齐在图像采集阶段,所以它产生统一的背景4),或当它被允许使用额外的颜色信息,如叶片脉络模式(9),但这并不总是可能的。的一些原因可以吵和受损图像由于灰尘,色素沉着,不同的翼大小,图像采集,还是坏的样品处理。

花虻的食蚜蝇科家族的特殊利益由于许多重要的角色在授粉,表明生物多样性水平,与进化的研究。提出了一个基于他们的自动分类方法的自动检测方法landmark-points昆虫翅脉序,即利用监督学习的数据集上静脉连接图像由人类专家从现实世界中提取图像样本的翅膀。

部分2概述了数据集和提议landmark-points检测方法。该分类方法基于自动检测landmark-points提出了部分3,而结果部分4。最后,结论部分5。

2。Landmark-Points检测

landmark-points方法(静脉交叉点)检测由计算具体的、基于窗口的功能(10- - - - - -13],它描述纹理和边缘在窗口,后续分类这些窗口的连接(即。阳性)或not-junctions(即。,negatives) using a junctions detector previously obtained by some supervised learning technique.

2.1。翼图像数据集

翼的集合中使用的图像呈现研究由高分辨率显微翼一些食蚜蝇种类的图像。有一个总数翼的图片11选食蚜蝇种类从两个不同的属Chrysotoxum和Melanostoma、表1。

翅膀已经收集了来自不同地理位置在一个相对长时间超过20年。翼图像从机翼安装在显微玻片标本显微设备配备了数码相机的图像分辨率像素和存储在TIFF格式。每张图片是唯一编号,它属于与分类相关的组。协会每个机翼与特定物种的分类是基于昆虫时它是翅膀之前收集和分离。这种分类做了检查后由技术熟练的专家。图片年代后来收购了许多生物学家在相对不受控制的条件下非均匀背景照明和变量的场景配置没有以前的相机校正。在这个意义上,获得的图像并不是特别适合准确的测量。

其他缺陷的样本数据集的结果变量的翼标本质量,严重损坏或安装翅膀,工件的存在,在收购可变翼位置,灰尘。为了克服这些限制,使图像适合自动食蚜蝇物种歧视,他们第一次预处理。预处理包括图像旋转到一个统一的水平位置,翼裁剪和缩放。种植消除不必要的背景包含工件,而方面ratio-preserving图像缩放可以克服问题的变量大小在同一物种的翅膀。后计算平均宽度和平均身高的裁剪图片,他们插入相同的宽度1680像素使用双立方插值。机翼的图像以这种方式形成最终获得图像数据集用于滑动窗口检测培训,绩效评估,后续使用训练检测器食蚜蝇物种歧视。每个物种的图片数量不统一,表1与大量的图像,所以只有四种选择为以后实验评价该方法的物种歧视基于检测landmark-points(分类)。这四个物种包括774图像两种不同属的食蚜蝇科家族,见图1。

2.2。培训/测试集

为了分析该方法的适用性和效率,当谈到landmark-points检测的问题,特别静脉连接培训/测试集是从收集到的图像创建机翼部分中描述的图像数据集2.1。它由翼地区特点(补丁),对应于静脉连接的翅脉序模式,也就是说,阳性,并随机选择补丁没有静脉连接,也就是说,底片,它还可以包含部分机翼脉络。从每个翼形象18唯一编号的积极的补丁,中心的红点,如图所示1是手动提取并保存使用专门创建的用户应用程序。严重受损的翅膀损坏或丢失的地标性建筑,没有选择相应的补丁。结果,培训/测试手动设置有15590阳性,22466选底片是由使用所有可用的食蚜蝇翅图像,在积极的总数略小于预期由于提到的原因。创建的组被用于各种实现选择的影响的详细研究探测器的性能,如部分所述2.3。

2.3。Landmark-Points探测器

歧视的静脉连接描述符用于提出landmark-points滑动窗口探测器是猪(面向梯度直方图)12)和CLBP的健壮的版本(完整的局部二进制模式)(14在[],提出11]。猪和枸杞多糖运营商们第一次看到在10,12]。为了确定和比较不同探测器的性能根据这些图像描述符和评估不同的相关参数的影响,分别描述符被认为和组合,(描述的一样13,15]。

由于翅膀颜色不同的特点在给定的分类问题是由于许多因素,因此不能可靠地用于不同物种之间的歧视,我们决定所有的描述符应该只基于特征源自灰度图像。因此,所有计算的第一步是输入的彩色图像转化为灰度版本的标准RGB颜色空间转化为HSI和选择计算强度通道作为最后的灰度图像。

枸杞多糖的CLBP是众多改进描述符近年来已被提出。CLBP的健壮的版本,RCLBP,仅仅是利用传统的枸杞多糖(实现的想法10)最近提出的一个原始作者(11]。

猪时,特征向量组成的一系列离散的图像梯度方向直方图(12是就业。离散计算直方图小矩形空间区域图像,称为细胞,通过细分的主要特征提取窗口。直方图计算梯度离散化的第一步,为每个像素由像素梯度投影到两个最亲密的垃圾箱,也就是说,这两个最亲密的几个预定义的均匀间隔的离散方向。最后计算为每个单元离散的梯度方向直方图,二维CTI(复杂的三线性插值)过滤中描述13此外应用。梯度的CTI过滤用于平滑结果从上一步离散化,并通过插值计算离散梯度值空间相邻像素之间。过滤是通过卷积Gaussian-like执行内核的梯度方向飞机,也就是说,每个创建的梯度图像对应不同的预定义的图像梯度的可能方向。因此,而不是只有两个非零值表示离散图像梯度在某些像素(空间位置),滤波后的图像梯度在每个像素表示为几个组件的和不同的大小对应于所有预定义的离散方向。书中建议的那样(12),施工前的最后一个特征向量,值的离散局部归一化的直方图归一化过程包括累积直方图在有些大的重叠空间区域,称为块,和使用向量范数。这些值,代表的几个相邻离散空间直方图归一化值属于同一块内的细胞,然后连接块的块以形成最终的猪每窗口特征向量。

猪向量长度和相应的特征空间的维数依赖于参数的选择定义窗口中,细胞块大小,块重叠程度,以及允许离散直方图值(取向箱)。我们使用了9箱等间距的在0°-180°,像素检测窗口,包含块细胞,一个细胞宽块的重叠宽度。为了测量探测器的性能不同的细胞大小(8、16和32像素)。因此,根据单元格大小,可能使用猪特征向量的维度是:1764 (hog8), 324 (hog16), 36 (hog32)。提取猪功能不同的细胞大小的例子之一脉结图像从培训/测试设置如图2的主要阶段,以及猪的计算功能,也会显示出来。

CLBP描述符集不同的符号和大小的信息计算中心像素之间和像素在一些灰度图像的预定义的社区。另一方面,传统的枸杞多糖利用信息的迹象中可以看到 在哪里表示数量的邻近像素半径相比之下,中央像素。

CLBP描述符的主要参数是使用圆附近几何与八周围像素单位距离,和相同的窗口大小像素,如猪的情况。每一个不同的值可以分解为两个组件和代表不同的符号和大小,分别给出了(2)。这些组件用于两种类型的建设CLBP代码描述当地像素强度的变化。信息的符号的区别是用于建设CLBP_S代码,以类似的方式就像在传统LBP代码,而信息差异的大小是用于建设CLBP_M代码,这是介绍,以提供额外的辨别力。考虑

CLBP_S代码的定义是一样的(枸杞多糖之一1),而在CLBP_M代码的定义(3)一个额外的阈值确定自适应,介绍: 自适应阈值用于获取CLBP_M代码,(3),计算平均值在整幅图像的水平。然而,在我们的情况下计算区域的限制像素的补丁(windows)内像素。

也存在CLBP代码的第三种类型的名字CLBP_C指中央像素的强度,但由于我们考虑的问题,为了识别静脉结构连接和区别于其他的翅膀,我们更感兴趣的是当地的像素强度值的变化由CLBP_S和CLBP_M代码表示。因此,CLBP_C没有使用,但为了完整性我们仍然给它的定义在以下方程,在哪里是像素强度的平均值对观察到的地区:

之前计算直方图CLBP_S和CLBP_M代码的下一个步骤,一个规模虽小但非常重要的额外的代码变化是由在这两种情况下。因为我们使用的圆形像素周围像素在半径,以下两个子字符串“010”和“101”二进制表示的代码代替,分别为“000”和“111”。在执行相同的代码变化11),但这是应用传统的枸杞多糖而不是CLBP_S和CLBP_M。假设这两个字符串,则很可能引起的噪音,这消除了噪音的特性变化。同时,它大大降低了代码的箱子数量从255年46值直方图。46个二进制代码以这种方式获得的都称为“制服”,这意味着其中42的特点是两个0 - 1或1 - 0转换,也就是说,他们的均匀性测量是2,而其余四个转换是4个;也就是说,他们的一致性测量是4。在定义该均匀性测量10),表达了一些局部二进制模式描述纹理的基本性质使得他们比其他更重要。因此,选择的原因之一RCLBP而不是统一的枸杞多糖是基于高值的一致性测量的一些代码。提出RCLBP代码的共同财产是匀速圆周结构转换非常少,这使得它们适合忠实地描述预期的边缘在当地地区由参数决定和。他们将用RCLBP_S和RCLBP_M剩下的纸。

RCLBP_S和RCLBP_M代码描述的图形如图3,区别这两种CLBP代码用于静脉交叉点检测显示。图3包含图像的例子(补丁)静脉交叉点的培训/节中描述的测试集2.2,对应于矩形图像地区不同landmark-points图1。

CLBP_S形成的值直方图和CLBP_M编码与所谓的min-max最后标准化规范的范围在0和1之间和之后连接形成RCLBP(健壮完成局部二进制模式)特征向量/每个区域内部的窗口。结果最后RCLBP每个特征向量窗口由4·92特性,获得四个不重叠的区域(块)的大小像素。

合并后的特征向量是由附加描述RCLBP年底的特征向量对应的猪的特征向量。猪和RCLBP特征向量都单独使用和在所有组合为了测量窗口性能基于培训/测试使用相同的分类器。性能比较使用支持向量机(SVM)分类器,具有良好的泛化性能和能力应对少量的样本在特征空间维数高的情况下16]。

特征提取是在c++中实现使用OpenCV库(17),计算机与英特尔i5处理器3.20 GHz和8 GB的内存,没有任何并行化,特别适应或GPU加速。计算时间的猪的特性是由选定的单元格大小决定的,所以如预期hog8最高的计算时间,然后每个窗口高出大约10%的hog32相同的配置,而CLBP特性计算时间比hog8高大约5%。

探测器的性能测试是在机器学习包Weka [18)使用LibSVM库(19),其中包含一个支持向量机分类器的实现。它包括分析精度相同的分类器与不同类型的基于窗口的功能,而支持向量机使用的分类器与多项式内核中定义(5)和第二组参数:;;;和。在所有情况下,分类器的性能测量使用10倍交叉验证的培训/测试集。旨在窗口水平结果的真阳性和假阳性率如图4。考虑

猪和RCLBP特性的描述符的使用静脉连接显示了可接受的结果率小于1%小姐在大多数情况下,图4。单独使用时,RCLBP特性给出更好的结果比猪的特性。猪的特性与细胞大小32像素太粗正确描述脉结中间的窗口,因为在这种情况下,窗口只包含4细胞,如图2 (c)。另一方面的最小单元尺寸8像素,见图2(一个)在所有猪的特性,给最好的结果。从图可以看出4,猪和RCLBP特性有最好的性能,但更多的内存和时间要求在培训阶段由于较大的特征空间的维数。然而,呈现结果建设的动机静脉连接滑动窗口探测器。

结果,结合HOG-RCLBP特性与细胞大小16像素被选为最佳选择自动食蚜蝇物种歧视基于滑动窗口landmark-points检测。每个图像计算时间特性和滑动窗口的选择设置步长约为57 s在给定计算机配置。

3所示。物种歧视

自动食蚜蝇物种歧视仅限于四个选择食蚜蝇物种从机翼图像数据集具有相当数量的情况下,表1。歧视是基于功能块执行的输出自动检测静脉交叉点的翅膀形象。静脉交叉点检测是通过使用一个滑动窗口密集搜索使用提出了滑动窗口的图像探测器中描述的部分2。获得更好的性能,优化训练SVM分类器与多项式内核中实现(17使用)。确定其最佳参数通过指数参数网格搜索使用10倍交叉验证整个培训/节中描述的测试集2.2,搜索标准最低的误报率。一旦确定最佳值,也就是说,和,其他内核参数和提前设置,整个培训/测试集使用再次为了训练最后的探测器。

机翼建造探测器扫描图像并返回离散响应指示是否静脉交界处存在在当前窗口。滑动窗口的大小相同的步骤是用于图像尺寸。在检测的情况下,中心坐标对应的当前窗口可能脉结与分类器的软响应值保存在一起。这个值描述的分离超平面定义为支持向量是当前特征向量或值得信赖的探测器的决定。这种软信息是以后用来改善最终landmark-points检测的精度。

由于同样的多个检测联合和可能的错误检测,需要额外的获得检测后处理的滑动窗口搜索,也就是说,一旦探测器完成扫描图像。在图5与红点所示四个检测结果的例子,其中包括多个同样的联合检测,以及错误的检测。

发现点的postprocessig由集群,集群已不到3点结束时(检测)与它们相关的集群被丢弃进一步考虑为了消除可能的错误检测,因为它预计在该地区的真正静脉交界处存在会有超过3检测由于密集的扫描,即步长小窗口。的质心计算通过使用先前获得的探测器的软响应值归一化的每个集群使用的水平标准,这样他们就可以对应的概率正确的静脉连接检测,因此可以作为适当的重量系数集群内的多个检测。

聚类过程是基于迭代算法在每次迭代搜索通过检测尚未与任何现有的集群,直到所有的检测都分配给一些集群。它使用一个距离判据基于滑动窗口的步长与现有不相联系的检测和初始化集群。一旦完成集群,正如已经提到的,集群3或更少点被丢弃和其余集群的质心作为加权平均确定集群内的所有检测。得到质心代表可能的静脉连接,滑动窗口中发现了一个图像的探测器。

尽管我们试图把错误检测通过消除集群少于3检测,并不能保证其余集群包含所有预期landmark-points或没有错误的检测。有多种原因,受损的翅膀,工件的存在,灰尘,和翼标本丢失的部分。因此,固定长度的特征向量,这将是基于获得的自动检测,图像分类不是一个适当的选择。因此,我们提出了广义方法不敏感landmark-points发现的数量。

为了点星座的描述,我们计算凸壳的重心。让我们表示聚类质心的集合。凸包的设置用是所有的凸组合的集合点: 在哪里代表质心的集群。因为是最小的凸集,其中包含吗这些点,我们特别感兴趣的属于的边界。的边界点,,满足以下属性:,存在和与;也就是说,存在任意近点以及任意点不。

因此,在确定边界点,我们计算以下措施描述凸包:点的质心这属于,中间的所有边界点之间的距离这属于和他们的重心,均方根差先前描述的距离值,周边围绕的轮廓,面积。他们总结表2。

这些特性是他们的共同财产,描述性统计,不显著依赖于使用的landmark-points数量的计算和旋转不变。假设他们歧视足以区分不同的食蚜蝇物种和不显著改变在同一物种内部,使用它们作为特征向量的元素描述特定的翅膀形象。

凸包的描述程序特征检测的质心重复连续3次为每个图像,消除检测的质心属于当前每一步描述后凸包的边界。这意味着,在每一步计算凸壳后,重心在边界上的凸包中,再次重复同样的步骤。最后,结果就是每个翼映像的特征是18特性(值),描述的属性3凸壳构造每个图像,而他们每个人的特点是6之前描述的特性,表2。作为一个例子,在图6检测的例子所示的质心和创建凸壳的四个选择食蚜虻的种类。

自评估期间的一些预定义landmark-points(地标编号0和1的图1)被证明是不够描述性的正确和可靠地描述翼图像不同的物种,他们丢弃的进一步分析,虽然起初他们标记为里程碑。原因是他们更大的可变性由于翼中的特定位置,与相对较小的数据集相结合使其检测甚至适当的手动选择在探测器的训练阶段更加困难。因此,在每个机翼形象的凸壳的特征,检测,将对应于这些landmark-points移除。

自动四选食蚜蝇物种歧视然后使用SVM分类器和多项式内核(5)中实现18),用以下的参数:,,,。10倍交叉验证的结果使用774翼图像呈现在表4和3下一节中讨论。

4所示。结果

自动landmark-points检测的性能使用不同大小的滑动窗口的步骤进行了分析。的步骤大小8、16和32像素使用每个图像和不同程度的landmark-points检测。使用滑动窗口大小最大的一步是显著高于替代但地标每检测到图像的最小的数,它是最不精确的由于缺乏多个检测。最高的检测精度是通过使用最小的步长,所以这个滑动窗口探测器被选中作为物种歧视的基础(分类)使用多项式SVM中描述部分3。分类结果,获得使用10倍交叉验证,提出了使用不同的绩效指标表4和准确性评估矩阵表中给出3。精度评估矩阵(混淆矩阵),表3,表示错误分类错误和理想的主对角线上只包含非零值。在表的主对角线外的值3显示的数量类的图像显示在左边(参考数据),已经被分类算法的类标签显示在顶部(机密数据)。81.6%的平均分类精度达到在四个不同的物种,而从准确性评估矩阵表3它可以观察到,属(之间的分类精度Chrysotoxum和Melanostoma),也就是说,食蚜蝇物种的两个不同的团体,要高得多,为97.7%。原因是intergenera差异远高于同一属内物种之间的差异。

这些结果证实了该方法的适用性,使用功能,根据获得的自动检测,实现非常高的歧视之间的两个属内相同的飞行昆虫家族,表3。

最后,为了更好地理解和进一步研究给定的属性分类问题和描述性的能力提出了基于凸包和简单的低维特征,二进制分类选择四个物种也进行了分析。而不是单一的多类分类器的性能,四个二元分类器的性能测定。相同类型的分类器和基于凸包的特性如前所述多级场景中被用于所有实验。接受者操作特征(ROC)相应的二元分类器使用不同的参数数据所示7(一)- - - - - -7 (d)。曲线所代表的分类器(a)和(c)表现出更好的性能,也就是说,有陡峭的曲线比分类器所描述的曲线(b)和(d)。这是有趣的行为因为积极的前两个分类器的实例,(a)和(c),属于食蚜虻的种类不同属,这也是真正的在最后两个分类器的情况下,(b)和(d)。这是一个积极的结果事实类对应于曲线(a)和(c)相比,有更高数量的样本实例的数量对应的积极类曲线(b)和(d),它可以观察到从表3或表1。它还表明,分类任务的复杂性,基于提出的特性来源于自动检测静脉关节翼图片,不平衡的训练集的影响比一些翼图像特征具体的特定的属(Chrysotoxum或Melanostoma)。这些结果也按照多级表3最误分类错误,出现同一属内物种之间。

本文中使用的所有数据集,和相应的c++代码,用于特征提取和分类,可以发现http://www.biosensecenter.com/index.php/hoverflies-classification。

5。结论

系统自动分类的昆虫通常用于现场使用。因此,它是可取的,健壮和尽可能一般。目前基于图像的系统被认为是作为首选相比其他的替代方案,比如,DNA分析,因为它们是移动和更便宜。提出了一种食蚜蝇物种歧视的图像处理方法在本文展示出了有前景的结果收集到的图像数据集。其优点是它利用强大的方法检测landmark-points昆虫的翅脉序模式的基础上,提出了猪和RCLBP描述符的组合,也可以应付不同的图像缺陷。简单的旋转不变特征选择后翼分类是一个可能的解决方案的问题不可预测的数量的自动检测和被证明是足够有识别力的正确区分两个不同食蚜蝇属之间的精度高97.7%,和一定程度上的两个物种之间的每个属组成。提出的分类方法可以用于工程复杂的自动化食蚜蝇种类识别系统将实现高精度和重要程度的鲁棒性。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

本研究工作已经在教育部的支持下,塞尔维亚共和国的科学和技术的发展,作为研究项目的一部分,III43002。

引用

1. d . Houle j . Mezey p . Galpern自动化测量和a·卡特。果蝇翅膀。”BMC进化生物学第二十五条,卷。3日,2003年。视图:出版商的网站|谷歌学术搜索
2. t·阿尔布克尔·施罗德、诉Steinhage和d维“生物多样性信息学在行动:识别和监测使用abi蜜蜂的物种,”学报》第15届国际研讨会为环境保护信息,10 - 12页,2001。视图:谷歌学术搜索
3. n .拉里奥·h·邓,w . Zhang et al .,“昆虫自动识别通过连接当地外观特点:直方图特征向量生成和区域检测可变形物体,”机器视觉和应用程序,19卷,不。2、105 - 123年,2008页。视图:出版商的网站|谷歌学术搜索
4. 麦克劳德,Ed。自动分类识别在分类学:理论、方法和应用美国佛罗里达州,CRC出版社,波卡拉顿,2007。
5. y周、l .凌和f . Rohlf”自动描述脉络的蚊子翅膀从数字化图像,”系统的生态,34卷,不。3,p。346年,1985年。视图:出版商的网站|谷歌学术搜索
6. 托非斯基,a .留在穴外“使用标准几何的形态学和形态测量学歧视三只蜜蜂亚种,”Apidologie,39卷,不。5,558 - 563年,2008页。视图:出版商的网站|谷歌学术搜索
7. f . Rohlf和j·阿奇”,比较四种ier方法在蚊子翅膀形状的描述(双翅目蚊科):“系统的生态,33卷,不。3,p。302年,1984年。视图:出版商的网站|谷歌学术搜索
8. w·汤普森对经济增长和形式英国剑桥,剑桥大学出版社,1945年。
9. 郑x, x,“快速叶静脉提取利用色相和强度信息,”《信息工程与计算机科学国际会议(ICIECS ' 09)2009年12月,页1 - 4,IEEE,。视图:出版商的网站|谷歌学术搜索
10. t . Ojala m . Pietikainen, t . Maenpaa”多分辨率灰度和旋转不变的纹理分类与局部二进制模式,”IEEE模式分析与机器智能,24卷,不。7,971 - 987年,2002页。视图:出版商的网站|谷歌学术搜索
11. 诉Kellokumpu j . Chen, g .赵和m . Pietikainen“RLBP:健壮的局部二进制模式,”英国机器视觉研讨会论文集(BMVC 13)122.1 - -122.10,页,BMVA出版社,2013年英国布里斯托尔。视图:谷歌学术搜索
12. n .中间人和b区格,“猪对人类检测”会议的程序在计算机视觉和模式识别,1卷,第893 - 886页,IEEE 2005。视图:谷歌学术搜索
13. x王、t·汉和严,“HOG-LBP人类探测器与部分遮挡处理”《IEEE 12计算机视觉国际会议(ICCV ' 09),页32-39,京都,日本,2009年9月。视图:出版商的网站|谷歌学术搜索
14. 郭z l . Zhang, d .张”的局部二进制模式运营商完成建模纹理分类,“IEEE图像处理,19卷,不。6,1657 - 1663年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet
15. b . Brkljačm . Panićd .Ćulibrk诉Crnojevićj . Ačanski和a . Vujić“自动悬停物种歧视,”学报第一国际会议模式识别应用程序和方法,卷2,页108 - 115,SciTePress, 2012。视图:谷歌学术搜索
16. 诉Vapnik,统计学习理论的本质施普林格,纽约,纽约,美国,2000年。
17. g . Bradski和a . Kaehler学习OpenCVO ' reilly Media,塞瓦斯托波尔,加州,美国,2007年。
18. m·霍尔·e·弗兰克,g .福尔摩斯b . Pfahringer p . Reutemann和威滕,“WEKA数据挖掘软件:一个更新”,ACM SIGKDD探索通讯,11卷,不。1,10 - 18,2009页。视图:出版商的网站|谷歌学术搜索
19. c c。Chang和C.-J。林,“LibSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,不。3,1-27,2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2014年弗拉基米尔Crnojević等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。