专利名称：基于背景和多特征数据库的作物害虫的检测方法
技术领域：
本发明属于视频监测和图像处理技术领域，是一种基于背景差分和结合多特征数据库对农田作物害虫进行检测识别的方法。
背景技术：
我国是一个农业大国，农业虫害也不时发生，因此农田作物害虫的监测、虫情灾害的统计预报工作十分重要。若监测预报准确及时，就可及早动手消灭害虫，减少农药用量。目前，广泛应用的是黑光灯诱捕和人工识别的方法来统计害虫的种类及密度，该方法劳动强度大，效率低，同时主观因素较大，影响了测报的准确性和时效性。因此，农田作物害虫的实时、准确的检测，是现代农业作物保护的一种必然应用趋势，也是当今数字农业需要研究和解决的问题。随着科技的发展和人们需求的增长，视频监控技术得到了飞速的发展，在智能监控、交通、农业等许多领域都有着非常广泛的应用。在视频监控系统中，运动目标检测是计算机视觉研究领域的一个重要课题。一般来说，运动目标检测有三种主要的方法:光流法、帧间差分法和背景差分法。光流法的优点在于可以在摄像机运动的前提下检测出运动目标，且不需要知道场景的任何信息，但光流法运算复杂度高，且抗噪声性能差，如果没有特别的硬件支持很难做到视频流的实时处理；帧间差分法非常适合于动态变化的环境，但帧间差分法对光线变化不敏感，一般不能完全提取完整的运动特征像素点，在运动实体内部容易产生空洞现象不利于进一步的对象分析和识别；背景差分法是运动检测中最常用的方法，在摄像机静止及背景相对固定的农田情况下能够很好的完整地分割出运动对象。但在实际应用中，由于场景光照变化、摄像机抖动等因素，背景需要进行实时更新与维护，因此背景差分法的难点在于背景的更新与重建。运动物体的检测是通过图像的关联，得到的运动物体。本发明提出了一种基于分块原理的背景提取算法，并利 用背景差分方法检测到运动的作物害虫，然后对检测结果进行形态学处理，以填补运动物体内部的空洞，减少噪声点并改善检测性能；最后提取各特征参数后，结合建立的作物害虫多特征数据库，从而准确地检测识别出害虫的种类。我国农作物常见的有以下种类的病虫害:稻纵卷叶螟、稻飞虱、豆天蛾、棉铃虫、甜菜叶蛾、玉米螟等，本发明利用计算机视频监测、图像检测与处理及识别技术，实现对农田中常见的多种害虫的种类的自动识别，是农业领域的新技术。
发明内容
针对现有技术的不足，本发明提出了一种基于背景差分法和结合多特征数据库的田间作物害虫的检测方法，本发明首先对视频图像进行了基于分块原理的背景重建，同时为适应背景的变化，对图像背景采用自适应更新，然后用背景差分法检测运动的作物害虫，获得作物害虫图像，并用数学形态法对害虫图像进行了空洞处理，提取出害虫形状各特征参数后，结合作物害虫多特征数据库，完成对农田田间作物害虫的检测和识别。
本发明的基于背景和多特征数据库的作物害虫的检测方法，其特征是包含以下具体步骤:( I)获得农田视频图像；(2)通过视频图像，获得背景图像，具体算法如下:(a)首先获得帧数为N的视频序列ainit ；(b)求得视频序列ainit的平均值aavg ；(c)对序列ainit和平均值aavg进行Sobel边缘提取并分块及选出背景块b⑴；(d)将得到的b(i)组合得到一幅完整的背景图像B，并定时更新背景；(3)将图像当前帧与背景图像进行差分运算，得到运动作物害虫图像，并作二值化处理；(4)提取作物害虫各特征参数；(5)结合已建立的作物害虫多特征数据库，完成害虫的检测识别。背景重建算法结合了平均法和分块方法。首先对图像进行Sobel边缘检测，对检测值大于Ts的点判为边缘点。Sobel算子是一种一阶微分算子，利用相邻像素间的梯度值，根据一定的阈值来得到图像边缘的典型方法，方法简单、处理快速，检测结果好，所得边缘光滑、连续。在背景图像的处 理中，首先对序列ainit和平均值aavg进行Sobel边缘提取得到‘
和< ，将检测结果值中大于Ts的点判定为边缘点。并把〃和 分成16X16的小块序
列 /，/)和同时统计每个小块中的边缘点个数。其中i为每帧的小块序号，i =1，2，...，[h/16] [w/16]，j为视频序列的帧数，j=l, 2...N，h为视频序列的垂直分辨率，w为视频序列的水平分辨率。对每帧中的小块i,都将心(O)块中的Sobel边缘点数<(/，./)和tCg(0块中的Sobel边缘点数:《&(()进行比较，挑选出与相差最小的块作为背景块，如果二者的差值小于门限Tp，则将它设为背景块b(i)，取为，否则背景块，即:=
权利要求
1.一种基于背景和多特征数据库的作物害虫的检测方法，其特征是包含以下具体步骤: (1)获得农田视频图像； (2)通过视频图像，获得背景图像，具体算法如下: Ca)首先获得帧数为N的视频序列ainit ； (b)求得视频序列ainit的平均值aavg； (c)对序列ainit和平均值aavg进行Sobel边缘提取并分块及选出背景块b(i)； (d)将得到的b(i)组合得到一幅完整的背景图像B，并定时更新背景； (3)将图像当前帧与背景图像进行差分运算，得到运动作物害虫图像，并作二值化处理； (4)提取作物害虫各特征参数； (5)结合已建立的作物害虫多特征数据库，完成害虫的检测识别。
2.根据权利要求1所述的基于背景和多特征数据库的作物害虫的检测方法，其特征是:在步骤(2)中对视频序列及平均值进行Sobel边缘提取并分块及选出背景块的计算中，算法是: (1)首先对序列ainit和平均值aavg进行Sobel边缘提取得到和，将检测结果值中`大于Ts的点判定为边缘点；并把心和<^分成16 X 16的小块序列和<vg(0，同时统计每个小块中的边缘点个数；其中i为每帧的小块序号，i = 1,2,..., [h/16] *[w/16],j为视频序列的帧数，j=l, 2...N, h为视频序列的垂直分辨率，w为视频序列的水平分辨率； (2)对每帧中的小块i，都将.< 力',J')块中的Sobel边缘点数^从刀和丨^⑴块中的sobei边缘点数<;(/)进行比较，挑选出与< (ο相差最小的块作为背景块，如果二者的差值小于门限Τρ，则将它设为背景块b (i)，取为，否则背景块为 ，即:aZJU) = argmin|a^(i,y)-fl^g(0| ,.\aZt(iJ)-<Pvg(^\<TP b(j) — II。
⑴，I(i, j) - (01 > Tp
3.根据权利要求1所述的基于背景和多特征数据库的作物害虫的检测方法，其特征是:在步骤(4)提取作物害虫各特征参数中，提取了面积、周长、复杂度、长宽比、矩形度和圆形度6个形状特征参数，其参数的具体计算是: (O复杂度C:是描述作物害虫形状复杂性的一种度量，具体计算公式为: C = L2/4 31 A 式中L、A、C分别是作物害虫的周长、面积、复杂度； (2)长宽比K:k = U /r K是指图像的最小外接矩形的长和宽的比值，长L'为害虫目标外接矩形边界上最远两点之间的距离，宽W'为边界上垂直于长轴的最远两点之间的距离； (3)矩形度R:矩形度是指害虫轮廓的面积与最小外接矩形的长和宽的乘积之比；计算公式: R = A/(L/ ff/ )，式中:A是害虫面积； (4)圆形度SP:是描述作物害虫的圆形性特征，计算为:SP = IVrc A代表作物害虫内切圆的半径，r。代表作物害虫外接圆的半径，两个圆的圆心都在区域的重 心上。
全文摘要
本发明公开一种基于背景差分法和结合多特征数据库的田间作物害虫的检测方法，本发明首先对视频图像进行了基于分块原理的背景重建，同时为适应背景的变化，对图像背景采用自适应更新，然后用背景差分法检测运动的作物害虫，获得作物害虫图像，并用数学形态法对害虫图像进行了空洞处理；提取出害虫形状各特征参数后，结合作物害虫多特征数据库，完成对农田田间作物害虫的检测和识别。实验结果表明该方法能很好地检测到农田作物害虫，可有效地应用于作物害虫的检测和防范。
文档编号G06K9/46GK103246886SQ20131020985
公开日2013年8月14日 申请日期2013年5月30日 优先权日2013年5月30日
发明者汪建, 卢常芳, 杨文翰 申请人:四川农业大学, 汪建