肖德琴　張玉康　范梅紅　潘春華　葉耀文　蔡家豪

(1.華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院， 廣州 510642； 2.廣東省農(nóng)業(yè)大數(shù)據(jù)工程技術(shù)研究中心， 廣州 510642；3.廣州東升農(nóng)場有限公司， 廣州 511470)

0　引言

無線圖像傳感器網(wǎng)絡(luò)以其對視頻、圖像等大信息媒體的感知與處理優(yōu)勢，催生了視覺感知技術(shù)在工業(yè)界和學(xué)術(shù)界的空前發(fā)展，導(dǎo)致視覺感知的圖像識別技術(shù)成為各界應(yīng)用的熱點[1-2]。近年來，視覺感知技術(shù)在害蟲識別[3-14]、作物長勢分析[15]、作物病理診斷[16]等農(nóng)業(yè)領(lǐng)域得到了廣泛重視。農(nóng)業(yè)害蟲圖像識別也成為近年來的研究熱點。

在害蟲圖像識別領(lǐng)域，目前主要是通過對誘捕板害蟲進行計數(shù)和對綠色植物葉面的害蟲進行計數(shù)。張水發(fā)等[3]、胡雅輝等[4]和MURAKAMI等[10]研究了綠葉表面的蔬菜害蟲圖像，對薊馬或煙粉虱的識別率相對較高，但是識別的害蟲類型相對單一，而且需要人工翻轉(zhuǎn)每個葉面，不利于自動化識別應(yīng)用。ESPINOZA等[6]和SUN等[12]關(guān)于誘捕板害蟲的識別均有較好的識別精度。

針對當(dāng)前大田環(huán)境下害蟲圖像識別技術(shù)存在種類單一和背景過于理想化的不足[13-16]，以及對大田環(huán)境下薊馬、煙粉虱等蔬菜害蟲進行識別計數(shù)的空缺，本文在對比分析以往邊緣檢測和閾值分割的經(jīng)典算法基礎(chǔ)上，以南方蔬菜重大害蟲為研究對象，探索一種在大田環(huán)境下使用黃色誘捕板對蔬菜害蟲進行監(jiān)測計數(shù)的新方法，提出一種基于結(jié)構(gòu)化隨機森林的害蟲圖像分割算法和利用不規(guī)則結(jié)構(gòu)的特征提取算法。進一步結(jié)合背景去除、干擾目標去除和檢測模型計數(shù)子算法，集成設(shè)計基于視覺感知的蔬菜害蟲計數(shù)算法(Vegetable pest counting algorithm based on visual perception，VPCA-VP)，在現(xiàn)場復(fù)雜環(huán)境下使害蟲識別達到3類以上。

1　VPCA-VP算法的體系結(jié)構(gòu)

VPCA-VP算法主要包括害蟲圖像預(yù)分割、背景去除、干擾害蟲去除、不規(guī)則特征提取和檢測計數(shù)5大模塊，算法流程圖如圖1所示。

預(yù)分割模塊中，針對大田現(xiàn)場圖像的復(fù)雜環(huán)境，本文使用結(jié)構(gòu)化隨機森林子算法對害蟲圖像進行預(yù)分割，獲得圖像中所有對象的輪廓；然后采用背景去除子算法去掉黃板以外的干擾背景，獲得只有黃板區(qū)域內(nèi)的圖像；再應(yīng)用干擾害蟲去除子算法去除大型害蟲部分肢體的干擾；最后運用不規(guī)則特征提取子算法形成3維特征向量，并使用閾值判定子算法對害蟲進行分類計數(shù)。

2　VPCA-VP算法設(shè)計與實現(xiàn)

2.1　預(yù)分割處理

本文提出了一種基于結(jié)構(gòu)化隨機森林的分割算法，該算法采用監(jiān)督學(xué)習(xí)方式對害蟲圖像進行分割。美國伯克利大學(xué)的BSDS500圖像數(shù)據(jù)庫[17]為圖像分割和邊緣檢測提供了一個共享的圖形庫，該圖像數(shù)據(jù)庫包括12 000個人工分割圖像和1 000個Corel數(shù)據(jù)庫圖像，涵蓋了物體、動物和害蟲等多個領(lǐng)域的圖像信息，國內(nèi)外很多學(xué)者使用BSDS500數(shù)據(jù)庫做各個領(lǐng)域的分割，例如徐良玉等[18]用其進行海天線檢測，ZITNICK等[19]用其對動物進行跟蹤。本文以BSDS500圖像數(shù)據(jù)庫為訓(xùn)練集，使用CIE-LUV的3個色彩空間、2種梯度大小(原始分辨率和原始分辨率的一半)[20]和8個方向(每個梯度有4個方向)[21]，結(jié)合樣本空間的自相似性描述子，將樣本圖像轉(zhuǎn)換成7 228維的特征向量，進一步利用向量轉(zhuǎn)換和降維技術(shù)得到256維的輸出向量[22]。特征向量和輸出向量用于訓(xùn)練單棵決策樹，最終完成隨機森林的訓(xùn)練。

圖1　VPCA-VP算法流程圖Fig.1　Flowchart of VPCA-VP algorithm

經(jīng)過多次測試發(fā)現(xiàn)，本實驗中隨機森林的子樹個數(shù)T為4時效果比較好，本文基于隨機森林的害蟲圖像生成流程算法如下：

輸入：訓(xùn)練集D=(X,Y),X是樣本的屬性集，Y是對應(yīng)樣本的標簽集

輸出：訓(xùn)練好的隨機森林模型

GrowRandomTree(D)

fortto |T| do

隨機選取固定數(shù)量的屬性集合Xsub，結(jié)合標簽集Y形成訓(xùn)練集Dt

訓(xùn)練隨機森林的單棵決策樹

end for

return random forest

結(jié)合害蟲圖像對訓(xùn)練完成的隨機森林進行測試，分割效果如圖2所示，本算法不僅可以準確分割黃板邊緣，而且害蟲對象的邊緣也能準確分割出來。

2.2　背景去除

直接提取出來的黃板區(qū)域是不包括黃板邊緣的像素，實際實驗中發(fā)現(xiàn)很多害蟲集中在黃板邊緣上，所以需要對黃板區(qū)域進行微量膨脹來補充損失的黃板邊緣信息。由于原圖在農(nóng)場大田環(huán)境下采集，包含的背景比較多，因此，本文算法先需要除去黃板以外的植物和建筑物等其他背景，以獲取只有黃板的二值圖像。具體算法如下：

輸入：預(yù)分割圖像

輸出：背景去除后的圖像

getDelBlackground(I)

把圖像I作取反操作，得到圖像I1

對I1進行填充操作，凸顯黃板區(qū)域，獲得圖像I2

新建立一個空白圖像，選取圖像I2的黃板放在空白圖像上，形成圖像I3

對I3進行膨脹操作，彌補邊界的損失，得到圖像I4

returnI4

首先以圖2為研究對象，把圖2進行取反操作，得到圖3a；然后對圖3a進行填充操作，得到圖3b；最后對圖3b中黃板區(qū)域的連通域進行選擇，存放在另外一個新建的圖像，得到圖3c。為了后面能夠獲取到黃板邊界的分割圖，需要補充黃板掩碼圖的缺陷，可對圖3c進行膨脹操作得到黃色誘捕板的掩碼圖，膨脹算法選取尺寸為20×20的正方形結(jié)構(gòu)元素作為計算算子，結(jié)果如圖3d所示。再把圖2初步分割的結(jié)果與圖3d的掩碼圖進行與運算，可去掉黃板區(qū)域以外的建筑物、天空等背景圖像，最后得到只有黃色誘捕板的分割圖像，如圖3e所示。

圖2　結(jié)構(gòu)化隨機森林分割圖Fig.2　Segmentation diagrams of structured random forests

圖3　去除背景過程Fig.3　Process of removing background

2.3　干擾害蟲的去除

識別害蟲時可能會把體積較大害蟲的部分肢體當(dāng)成本文需要識別的害蟲，為了排除超大型害蟲的干擾，再一次提高后面害蟲識別的精度，本文設(shè)計了如下干擾害蟲去除算法。

輸入：已經(jīng)去除背景的分割圖像

輸出：已經(jīng)去除干擾害蟲的分割圖像

圖4　去掉大型害蟲干擾過程Fig.4　Process of removing interference of large pest

getDelOtherPest(I)

對圖像I進行凸包擬合，得到只有大型害蟲的凸包擬合圖像I1

對圖像I1中除了凸包區(qū)域外其他區(qū)域漫水填充成灰色，獲得圖像I2

對圖像I2進行二分操作，灰色區(qū)域變成黑色，非灰色區(qū)域變成白色，形成圖像I3

根據(jù)I3對I進行操作，I3為黑色區(qū)域位置則對應(yīng)保留I中原來像素，否則變成黑色像素，最終得到圖像I4

returnI4

首先，對圖3e進行凸包擬合，找到凸包面積較大的區(qū)域，得到如圖4a所示結(jié)果；其次，對凸包擬合的圖像使用漫水填充算法進行標記，圖像上分別有灰色背景，黑色的害蟲內(nèi)部區(qū)域和白色的害蟲邊界，而且大型害蟲輪廓還包含有子輪廓，如圖4b所示；然后，對圖4b進行二分操作，把灰色背景變成黑色，其他的顏色全部變成白色，得到了圖4c的大型害蟲掩碼圖；最后，根據(jù)圖4c大型害蟲的掩碼圖，對圖3e進行操作，如果是圖4c的白色區(qū)域，則把圖3e對應(yīng)區(qū)域的像素變成黑色，這樣就能去掉黃色誘捕板內(nèi)大型害蟲的干擾，得到只有小型害蟲的分割圖像，如圖4d所示。由此，獲得了只有小型害蟲的分割圖像，為后面的識別盡可能地排除了干擾。

2.4　不規(guī)則特征提取

害蟲圖像具有全局特征，如果對整張圖像進行特征提取，這個圖像特征將包括害蟲、黃板甚至是遠處的建筑物等很多對象信息。經(jīng)典的做法是只計算每個分割對象矩形區(qū)域的特征，使特征區(qū)域只包含單個對象，這不可避免地帶來了對象以外的像素干擾，降低了該對象特征的代表性，如圖5所示。

圖5　傳統(tǒng)的特征提取子輪廓Fig.5　Feature extraction of sub contour by traditional method

本文使用一種新的算法對不規(guī)則圖像進行特征提取，使提取出來的特征只有害蟲對象特征，并排除其他像素特征的干擾。先把彩色圖像轉(zhuǎn)換成灰度圖，然后使用掩碼圖運算的形式對害蟲對象進行像素提取，最后使用特征值計算紋理能量、對比度、熵、均勻度、相關(guān)度、顏色平均值、方差、能量、熵、區(qū)域面積、離心率和周長的特征值。特征提取算法如下：

輸入：只有單個輪廓的分割圖像和原圖像的灰度圖

輸出：12維的特征向量

GetFeatureVector(I,Iori)

對圖像I的輪廓使用漫水填充算法得到圖像I2

把I2與原圖的灰度圖做與運算，取出只有單個對象的灰度圖I3

計算I3的灰度共生矩陣，并進行二次統(tǒng)計計算紋理的能量、對比度、熵、均勻度和相關(guān)度

計算I3圖像的顏色直方圖，并進行二次統(tǒng)計求得顏色平均值、方差、能量和熵

計算I3中唯一輪廓的區(qū)域面積、離心率和周長

return featureVector

此算法首先提取圖像的灰度圖，然后根據(jù)掩碼圖計算灰度圖的特征值，效果如圖6所示。根據(jù)提取出來的12個特征，使用SPSS對特征進行主成分分析[23]，獲得了面積、離心率和周長3個主要特征。

圖6　特征提取子輪廓Fig.6　Feature extraction of sub contour

2.5　檢測計數(shù)

由于本文計數(shù)的害蟲是薊馬、煙粉虱和實蠅，根據(jù)上一節(jié)的主成分分析，本文識別算法所采用的特征向量用面積、周長和離心率來表示，在實際算法執(zhí)行過程中，發(fā)現(xiàn)計算輪廓周長效果并不明顯，所以進一步去除了周長特征，為提高精度，本算法加上了第4主成分——顏色平均值，最后選擇的特征是面積S、離心率e和顏色平均值avh。進一步根據(jù)害蟲的特征分別設(shè)置相應(yīng)的閾值，若滿足條件S0

輸入：面積、離心率、顏色平均值

輸出：各種害蟲的數(shù)量

CalPestNumber(S,e,avh)

for 1 to AllContour

如果是煙粉虱，則煙粉虱計數(shù)加1，進入end for

如果是薊馬，則薊馬計數(shù)加1，進入end for

如果是實蠅，則實蠅計數(shù)加1，進入end for

其他類型害蟲計數(shù)加1，進入end for

end for

return pestNumber

3　實驗與分析

3.1　算法應(yīng)用測試

本文實驗環(huán)境是在自然光照環(huán)境下對田間誘捕害蟲的黃色誘捕板進行采樣識別，采用佳能EOS T2i單反相機進行微距拍攝，拍攝時相機與黃板的平視距離為50 cm，像素為3 500萬，拍攝地點在廣州市天河區(qū)柯木塱南路28～30號(113.412 671°E,23.190 265°N)，實驗拍攝情況如圖7所示，拍攝時間是14：30—17：00。本文采用辣椒地作為實驗環(huán)境，在辣椒苗期開始使用黃板誘捕，根據(jù)作物的長勢及時調(diào)整懸掛高度，保持色板高于作物15～30 cm，每公頃懸掛450～750張黃板，黃板尺寸為24.5 cm×19.5 cm，太陽光照強烈和溫和條件下都有采集圖像，同時黃色粘板本身又有一些粘液的干擾，圖像環(huán)境相對復(fù)雜，提高了計算機算法識別的難度。

本算法在Matlab和C++環(huán)境下進行分析測試，其中C++使用OpenCV 3.0的圖像處理庫。本實驗使用53幅圖像對薊馬和實蠅進行計數(shù)，在黃板膠體和強光影響下，實驗對煙粉虱計數(shù)的效果不佳，對30幅光照強度相對較弱的圖像進行煙粉虱計數(shù)研究，總共83幅圖像，算法效果較好，應(yīng)用測試結(jié)果如圖8所示。

3.2　算法的常規(guī)度量分析

對VPCA-VP算法的計量精度進行分析。本文選取了薊馬、煙粉虱和實蠅為識別對象，對這3種害蟲的計數(shù)結(jié)果與人工計數(shù)進行對比，其性能分析結(jié)果用混淆矩陣表示，結(jié)果如圖9所示。

圖7　實驗部署Fig.7　Experimental implementation

圖8　單張圖像計數(shù)的界面Fig.8　Graphical interface for single picture count

由圖9可知，薊馬識別正確率為93.19%，煙粉虱識別正確率為91%，實蠅識別正確率為100%。煙粉虱的識別性能相對較低，識別正確率只有91%，經(jīng)過分析發(fā)現(xiàn)，主要的影響因素是黃色誘捕板上面的膠體發(fā)生了一些光照的反射，因為本文的檢測模型是通過顏色特征、邊界特征和區(qū)域特征來確定的，光照的反射使得膠體呈現(xiàn)出類似煙粉虱的圖像，進而產(chǎn)生了誤差。

圖9　VPCA-VP算法的性能分析結(jié)果Fig.9　Performance analysis results of VPCA-VP algorithm

3.3　算法的相對誤差分析

為分析VPCA-VP算法的相對誤差，本文對每張黃板的計數(shù)結(jié)果進行分析，把人工計算害蟲的數(shù)量作為橫坐標，對應(yīng)害蟲的相對誤差作為縱坐標，采用散點圖方式描述分布結(jié)果，如圖10所示。

由圖10a可知，薊馬的誤差范圍在-12.23%～8.17%之間波動，平均誤差為-1.40%；由圖10b可知，煙粉虱的識別誤差為-25%～25%，平均誤差為0.89%；由圖10c可知，實蠅相對誤差波動較大，誤差從0～100%波動。由圖10可得，薊馬和煙粉虱識別誤差在可以接受范圍內(nèi)，而實蠅因為體積較大本來很容易識別，但是由于樣本數(shù)量少，每個黃板實蠅數(shù)量平均不到1個，一旦出現(xiàn)一個實蠅變形，誤差就急劇上升。盡管如此，當(dāng)前監(jiān)測實蠅的總平均誤差為8%，也在可接受范圍內(nèi)。

3.4　算法計數(shù)和人工計數(shù)的對比分析

將VPCA-VP算法與人工計數(shù)的方法進行比較。參考每塊黃板的結(jié)果數(shù)據(jù)，把人工計算害蟲的數(shù)量作為橫坐標，算法計算對應(yīng)害蟲的數(shù)量作為縱坐標，繪制散點圖，并且對每個數(shù)據(jù)進行線性回歸擬合[23]，畫出每塊黃板結(jié)果數(shù)據(jù)的回歸直線，結(jié)合回歸直線和散點的分布對本文算法進行分析，結(jié)果如圖11所示。

圖10　算法的相對誤差Fig.10　Relative error of algorithm

圖11　算法計數(shù)和人工計數(shù)的回歸模擬Fig.11　Regression simulation of algorithm counting and manual counting

由圖11可知，除了實蠅有個別離群點之外，3種害蟲的算法計數(shù)和人工計數(shù)基本符合線性模型，也就是說算法總體精度較為可靠。從圖11a可知，離散點基本貼近回歸直線，所以算法對薊馬計數(shù)的結(jié)果和人工計數(shù)結(jié)果基本一致，薊馬的決定系數(shù)R2為0.98，算法精度較高；相比于圖11a，圖11b中的離散點也基本貼近回歸直線，煙粉虱的決定系數(shù)R2為0.97。從圖11c可知，實蠅的決定系數(shù)R2為0.94，擬合程度相對較差，這是由于每塊黃板的實蠅數(shù)量較少，只要一個遺漏就會產(chǎn)生較大的偏離，但多數(shù)情況算法都能找到實蠅，而且找到的基本都是對的，所以總體性能相對也是可以接受的。

4　結(jié)束語

對隨機森林分割算法加以改進，結(jié)合不規(guī)則結(jié)構(gòu)的特征提取算法，實現(xiàn)了一個基于視覺的害蟲圖像計數(shù)算法，該算法實現(xiàn)了對煙粉虱、薊馬和實蠅的計數(shù)，算法的平均識別正確率為94.89%，VPCA-VP算法能夠在純大田環(huán)境下對害蟲進行快速計數(shù)，可為農(nóng)業(yè)害蟲快速識別計算提供技術(shù)支持。

1李道亮,楊昊.農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)研究進展與發(fā)展趨勢分析[J/OL].農(nóng)業(yè)機械學(xué)報,2018,49(1):1-22.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20180101&flag=1.DOI：10.6041/j.issn.1000-1298.2018.01.001.

LI Daoliang, YANG Hao. A state-of-the-art review for Internet of things in agriculture[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2018,49(1):1-22. (in Chinese)

2殷建軍,潘春華,肖克輝，等.基于無線圖像傳感器網(wǎng)絡(luò)的農(nóng)田遠程監(jiān)測系統(tǒng)[J/OL].農(nóng)業(yè)機械學(xué)報,2017,48(7):286-293.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170736&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.07.036.

YIN Jianjun, PAN Chunhua, XIAO Kehui, et al. Remote monitoring system for farmland based on wireless image sensor network[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017,48(7):286-293. (in Chinese)

3張水發(fā)，王開義，劉忠強，等. 基于離散余弦變換和區(qū)域生長的白粉虱圖像分割算法[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(17): 121-128.

ZHANG S F, WANG K Y, LIU Z Q, et al. Algorithm for segmentation of whitefly images based on DCT and region growing[J]. Transactions of the CSAE, 2013, 29(17): 121-128. (in Chinese)

4胡雅輝，高靈旺. 煙粉虱成蟲密度自動計數(shù)系統(tǒng)[J]. 應(yīng)用昆蟲學(xué)報, 2011, 48(1): 84-87.

HU Y H,GAO L W. An automatic counting system for surveying density ofBemisiatabaciadults[J]. Chinese Journal of Applied Entomology, 2011,48(1):84-87.(in Chinese)

5陳梅香，楊信廷，石寶才,等. 害蟲自動識別與計數(shù)技術(shù)研究進展與展望[J]. 環(huán)境昆蟲學(xué)報, 2015, 37(1):176-183.

CHEN M X, YANG X T, SHI B C, et al.Research progress and prospect of technologies for automatic identifying and counting of pests[J].Journal of Environmental Entomology, 2015,37(1): 176-183. (in Chinese)

6ESPINOZA K, VALERA D L, TORRES J A, et al. Combination of image processing and artificial neural networks as a novel approach for the identification of Bemisia tabaci and Frankliniella occidentalis on sticky traps in greenhouse agriculture[J]. Computers & Electronics in Agriculture, 2016, 127: 495-505.

7FUKATSU T, WATANABE T, HU H, et al. Field monitoring support system for the occurrence ofLeptocorisachinensisDallas (Hemiptera: Alydidae) using synthetic attractants, field servers, and image analysis[J]. Computers & Electronics in Agriculture, 2012, 80(1): 8-16.

8GASSOUMI H, PRASAD N R, ELLINGTON J J. Neural network-based approach for insect classification in cotton ecosystems[C]∥Las Cruces, New Mexico:New Mexico State University,2000.

9LI Y, XIA C, LEE J. Detection of small-sized insect pest in greenhouses based on multifractal analysis[J]. Optik-International Journal for Light and Electron Optics, 2015, 126(19): 2138-2143.

10MURAKAMI S, HOMMAK, KOIKE T. Detection of small pests on vegetable leaves using GLCM[C]∥2005 ASAE Annual Meeting, ASAE Paper 053136,2005.

11SHARIFF A R M, AIK Y Y, HONG W T, et al. Automated identification and counting of pests in the paddy fields using image analysis[C]∥Computers in Agriculture and Natural Resources, 2006.

12SUN Y, CHENG H, CHENG Q, et al. A smart-vision algorithm for counting whiteflies and thrips on sticky traps using two-dimensional Fourier transform spectrum[J]. Computer & Digital Engineering, 2007, 153(2): 82-88.

13XIA C, CHONG T S, REN Z, et al. Automatic identification and counting of small size pests in greenhouse conditions with low computational cost[J]. Ecological Informatics, 2015, 29: 139-146.

14TIRELLI P, BORGHESE N A, PEDERSINI F, et al. Automatic monitoring of pest insects traps by Zigbee-based wireless networking of image sensors[C]∥2011 Instrumentation and Measurement Technology Conference,2011: 1-5.

15韓文霆，李敏，陳微. 作物數(shù)字圖像獲取與長勢診斷的方法研究[J]. 農(nóng)機化研究, 2012,34(6): 1-6.

HAN W T, LI M, CHEN W. Methods of image acquisition and analysis for crop conditions diagnose[J]. Journal of Agricultural Mechanization Research, 2012,34(6): 1-6. (in Chinese)

16MACHADO B B, ORUE J P M, ARRUDA M S, et al. BioLeaf: a professional mobile application to measure foliar damage caused by insect herbivory[J]. Computers & Electronics in Agriculture, 2016, 129: 44-55.

17MARTIN D R, FOWLKES C, TAL D, et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[C]∥Proceedings of 8th IEEE International Conference on Computer Vision,2002, 2: 416-423.

18徐良玉,馬錄坤,謝燮,等. 基于結(jié)構(gòu)森林邊緣檢測和Hough變換的海天線檢測[J]. 上海大學(xué)學(xué)報:自然科學(xué)版,2017,23(1):47-55.

XU L Y, MA L K, XIE X, et al. Sea-sky line detection based on structured forests edge detection and Hough transform[J]. Journal of Shanghai University:Natural Science Edition, 2017,23(1):47-55.(in Chinese)

19ZITNICK C L, DOLLAR P. Edge boxes: locating object proposals from edges[C]∥European Conference on Computer Vision, 2014,8693:391-405.

20LOWE D G, LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

21DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2005,2005: 886-893.

22LIM J J, ZITNICK C L, DOLLAR P. Sketch tokens: a learned mid-level representation for contour and object detection[C]∥Computer Vision and Pattern Recognition,2013: 3158-3165.

23李小勝,陳珍珍. 如何正確應(yīng)用SPSS軟件做主成分分析[J]. 統(tǒng)計研究,2010,27(8):105-108.

LI X S, CHEN Z Z. Correctly using SPSS software for principal components analysis[J]. Statistical Research, 2010,27(8):105-108.(in Chinese)