^中的内积，1彡u彡L，1彡V彡Z，L、Z、c以及d均为正整数；
[0083] 步骤S22 :将式*
I改写为J = (Ηβ _Τ)τ(Ηβ -T)，通过求解 最小化平方损失函数获取ELM极限学习机的网络参数，即通过求解最小二乘解>获取ELM 极限学习机的网络参数，使得：
[0084]
[0085] 并进一步得： CN 105139023 A I兄明书 9/12 页
[0086]
[0087] 其中：H+= (HtH) 1Ht0
[0088] 在本实施例中，在ELM极限学习机的网络参数获取时，针对训练数据样本（h, t)， 构建一个有L个隐层单元的单隐层前向神经网络：
，其中，au为 输入权重，bu为隐层单元偏置值，β u表示连接第u个隐层单元和网络之间的输出权重， G (au，bu，h)表示第i个隐层对应于样本X的隐层单元的输出，且在本实施例中，G (&1，匕，h) 的表达式为：G (au, bu, h) = g (au · h+bu)，其中，g为激活函数，au · h代表输入权重au和样本 h在艮中的内积。假设存在Z个互异的数据样本{(hu，tu)} GRcXRd，构建一个具有L个隐 层单元的单隐层网络以趋近于零的误差来逼近这Z个互异的数据样本，即存在a u，bu和β u， ιι=1，2···，?，使得
.，.将上述公式简记为Ηβ = Τ， 其中，H称为隐层单元输出矩阵。然而，在多数情况下，由于实际上的隐层单元个数远小于 互异的训练样本个数（L〈〈N)，很难实现构建的具有L个隐层单元的单隐层网络能够以趋近 于零的误差逼近这N个互异的数据样本，因此，训练样本的网络输出和实际输出之间具有 一定的误差。在这种情况下可以将式子修改为Ηβ = T+E，
，并定义平方损失函
，+ 数： 并将其改写为J = (!^-!^(!^-!^，那么就可以通过对最 小化平方损失函数的求解来实现ELM网络参数的训练问题。也即通过寻找最小二乘解I， 使得！"A-Hlmin Il///：?-；! 6求得々=^吓-1||"々-7>"17'，矿=汨如记。在本 β β 实施例中，该ELM的隐层个数为单隐层，设置的隐层结点个数分别为500个到1000个不等。
[0089] 进一步的，在本实施例中，在所述步骤S3中，如图1所示，按还包括以下步骤： [0090] S31 :待测试种子图像识别采用的是滑动窗口检测机制，针对图像分辨率过高带 来的机器消耗问题，本实施例中采用一种无损压缩图像算法对待测试种子图像进行无损压 缩，记待测试种子图像的原图像为F(o, p)，大小为MXN，缩小后的图像为G(o'，p'），大小为 Ic1MXk2N ;
[0091] 计算待测试种子图像像素中的采样间隔Δ〇和ΔΡ:
g (〇, p) = f ( Δ O · 〇, Δ ρ · ρ)，其中g (〇, ρ)表示的是采样之后待测试种子图像 中的各个子块的均值，并得出相临两个采样点之间所包含的原图像的子块，即： CN 105139023 A I兄明书 10/12 页
;其中，1彡ο彡M，1彡p彡N，Ic1, k2均为缩小倍 数，1彡O彡MI，1彡P彡k2N，当Ic1= k 2时为按比例缩小，当k # k 2为不按比例缩小，且 k'l，k2〈l ;在本实施例中，较佳的，所选取的原图的分辨率大小为3696*2448,通过该方法 对图片进行缩放，缩小的倍数Ii1= 0. 7, k 2= 0. 6。
[0092] S32:采用滑动窗口机制对待测试种子图像进行分类检测识别，选取窗口像素、滑 动块大小、单元大小以及滑动步长；较佳地，在本实施例中，选取的窗口大小为25*25像素， 其中滑动块（Block)大小为10*10,单元（Cell)大小为5*5,滑动步长为5*5。在同一大小 的窗口下，对待测试种子图像进行分层缩放，采用步骤Sl中的方式，对每层缩放后、滑动窗 口中待测试种子图像的多尺度融合特征信息进行提取；较佳地，在本实施例中，所选取的检 测缩放尺度大小为1. 2倍，分别进行6层的尺度缩放，即分6层分别对待测试种子图像进行 缩放，每层对应的方法倍数为1. 2倍；
[0093] 较佳地，在本实施例中，采用的步骤Sl中所提供的提取样本种子图像的多尺度局 部HOG特征以及全局分布的HSV特征的方法，提取待测试种子图像的多尺度融合特征信息， 且具体采用采用步骤Sll至S16所提供的多尺度局部HOG特征提取方法以及全局分布的 HSV特征的提取方法；
[0094] 将所提取的待测试种子图像的多尺度融合特征信息输入集成分类模型，采用均等 权重投票表决的方式进行投票表决，且在该投票过程中，集成分类模型中每一个分类器的 投票权重均相同，并且各个分类器之间相互独立；
[0095] S33:多尺度条件下对待测试种子图像进行滑动窗口扫描时会出现多区域混叠现 象，这样便会导致一幅待测种子图像中存在着多个大小不一并且相互重叠的识别窗口映射 到同一个种子对象。因此，为了提高识别的精度，必须对这些同一对象上的多个重叠窗口进 行局部融合，在本实施例中，采用基于模糊聚类的局部窗口融合方法，对多尺度条件下待测 试种子图像进行滑动窗口分类检测识别过程中产生的多区域窗口混叠进行局部融合，获取 待测试种子图像的分类检测结果。
[0096] 进一步的，在本实施例中，在所述步骤S33中，所述基于模糊聚类的局部窗口融合 方法通过如下步骤实现：
[0097] S331 :记U = U1, X2,…，xn}，表示的是待分类检测窗口集合，其中待分类检测的第 i个窗口 Xi,通过窗口质心横坐标Xix以及窗口质心纵坐标X iy进行描述，X ix= X it+Wi，Xiy = yit+hi，且待分类检测窗口 Xi= {xmymWDhJ，{xit，yit}表示第i个滑动窗口的左上角横坐 标以及纵坐标的组合表示，W 1表示第i个滑动窗口的宽，Ii1表示第i个滑动窗口的高。采 ? V* 用最大法归一化对用以表征所述待分类检测窗口集合的模糊矩阵进行归一化：f， Mj= max(X $ x2I，...，xnI)，将模糊矩阵压缩到[0, 1]区间上，即归一化后的Xu'的取值在 [0, 1]之间，其中，Xu为所述模糊矩阵中第I行，第J列的元素 ，X 1;'为经最大法归一化后的 模糊矩阵中第I行，第J列的元素。
[0098] S332 :通过计算模糊相似矩阵R= (IYj)nxn中的元素!Tu，确定待分类检测窗口集合 U的模糊相似矩阵R = (Aj)nxn;且采用如下方式计算元素 r lj:
[0099]
[0100] 元素^i表示待分类检测窗口 X i和待分类检测窗口 X郝相似度，也即待分类检测 窗口 X1和待分类检测窗口 L的相似度系数，P为惩罚因子，且P为一常数，用于调节待分类 窗口之间质心距离以及重叠域；
[0101] 相似度函数overlap (Xi, Xj) = area (Xi η X J表示窗口重叠域，且该相似度函数 overlap (Xi, Xj)通过以下方式确定：
[0102]
[0103] 且由上述方式定义的相似度函数Overlap(XhX)综合考虑到领域窗口之间的重 叠域以及质心距离，这两个因素是导致领域窗口是否可以进行局部融合的关键。
[0104]
-_为窗口重叠密度，即窗口重叠域与质心距离的比值；当 窗口之间的重叠域较大并且质心距离较小时，则表示待分类窗口的相似度越高，便越有可 能聚合为同一类。
[0105] S333 :根据模糊相似矩阵R = (IYj)nxn，求解模糊相似矩阵R = (IYj)nxn的传递闭包 t (R)，并通过有限次平方自相合运算，得到模糊相似矩阵R = (Γι]) nXn的模糊等价矩阵R、
[0106] S334 :通过预设最优值λ，获取待分类检测窗口集合U关于预设最优值λ截等价 矩阵《的商集If/i§，进而获取所有待分类检测窗口的聚类结果；通过每个待分类检测窗 口对应的聚类结果，获取每个聚类结果所对应的窗口集合；本实施例中在融合时候只需要 给出一个预设最优值λ进行融合就可以得到分类结果，该预设最优值λ的确定可以通过 多次实验来筛选。
[0107] S335:对于隶属于同一个类别的多个窗口，先计算每个聚类结果所对应的窗口集 合的质心；采用高斯密度分布，通过加权平均获取窗口集合中各个窗口的宽度和高度，且距 离窗口集合质心越近的窗口，该窗口的权重越大；进而得出每个聚类结果对应的窗口集合 经局部融合后的窗口位置。
[0108] 特别地，在上述步骤中，从步骤S331到步骤S334中，待检分类测窗口 X1S X j中的 i以及j分别代表的是在窗口集合之中，这些窗口的序号。模糊矩阵中元素 Xu以及模糊相 似矩阵，则I或i代表的是一个矩阵的行标号，J或j代表的是一个矩阵的列标号。
[0109] 此外，Xu表示的是原始的模糊矩阵的元素，即用以表征待分类检测窗口集合U的 矩阵，且I取值是I < I < n，J取值是1或2。该模糊矩阵是一个η行2列的矩阵，矩阵中η 代表的是待分类检测窗口集合中窗口的个数。由于其对应表征待分类检测窗口集合U，则对 于U中的第i个窗口 X1，在模糊矩阵中通过元素&;对应进行表征；具体地，I与窗口 X i的序 号i对应，J取值1代表的是第i个窗口的质心横坐标，J取值为2代表的是第i个窗口的质 心纵坐标。而X u'表示的是归一化以后的模糊矩阵，这里的I取值同样是是I < I < n，这 里的J取值同样是1或者2。而Γι]表示的是模糊相似矩阵，在这里1彡i彡n，1彡j彡n， 它是一个η阶矩阵，代表的是矩阵中第i个元素和第j个元素的相似程度或者说第i个窗 口和第j个窗口的相似程度。
[0110] 如图2所示，为本发明一实施例中的实验结果表，为了验证算法的有效性，本次实 验从农业公司所提供的玉米种子图像数据集中，随机抽取了 100张玉米种子图像，分别是 深受广大农业主欢迎的奥玉311，滑玉986,鑫玉35玉米种子，每张图片上种子数量在1000 颗或者1500颗，共130000颗玉米种子进行测试。测试的衡量指标有检测的时间消耗（单 位为秒），内存