基于kap样本优化的knn卷钢图片数据的卷刚状态分类识别方法
【专利摘要】本发明涉及一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，KAP是一种快速高效的聚类算法，通过计算特征之间的相互关系来聚类，通过聚类选取各类样本中具有代表性的特征样本组成新的样本空间，通过固定KAP算法中的参数K，保证新的样本空间中各个类样本数目的均衡。利用PCA算法对特征进行降维，在保证分类精度的情况下提高来方法的运行速度。本发明可以实现在复杂自然环境背景下对基于线阵CCD图片的卷钢装载状态进行分类识别。该方法具有很高的分类精度和较低的误分率，同时较快的分类速度也满足来实际需要。
【专利说明】基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法
【技术领域】
[0001]本发明属于图片处理和模式识别领域，涉及一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，对铁路货检中的卷刚装载状态进行分类识别。
【背景技术】
[0002]货物装载加固是保证铁路运行安全和货物安全的重要措施。列车运行是在动态状态下的，如装载加固不良则会产生货物移动、滚动、倾覆或者坠落、倒塌现象，甚至导致列车颠覆。在各种运载货物中，卷钢是目前货运比重最大，运输危险系数最高的货物之一。现阶段对于卷钢的装载运输主要是靠超偏载系统的检测，手段相对单一，鉴于目前在车站内卷钢监控人工检查困难的现实，同时为落实《关于加强卷钢装运安全工作的通知》(铁运〔2010〕110号)要求，加强对卷钢发生窜滚或位移的发现手段。需要在调车作业编/发(牵出)线咽喉安装铁路卷钢货车识别与预警系统。因此，如何自动的对卷钢装载状态进行快速分类识别，是目前铁路货运智能化系统的一个关键问题和前提条件。
【发明内容】
[0003]要解决的技术问题 [0004]为了避免现有技术的不足之处，本发明提出一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，解决在复杂自然条件下自动识别卷刚装载状态的分类问题。
[0005]技术方案
[0006]一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，其特征在于步骤如下:
[0007]步骤1、构建卷钢装载状态的特征样本空间:
[0008]步骤I)、提取SURF特征向量集合:根据卷刚图片，将不同装载状态设定为NC类，表示为 ?Α|?=1，2，3...，Ν0}；
[0009]以每一类分别随机挑出60幅卷刚图片作为各个类的训练图片，首先压缩类Ci中的每一幅训练图片OPij得到图片Pij,使得Pij的长边长度为1000像素，Pij的短边长度Sij=OSijX lOOO/OLij，其中OLx表示图片OPx的长边长度，OSx表示图片OPx的短边长度。
[0010]然后提取Pij的SURF特征，得到一个nf X 208维度的矩阵的特征集合Fij ；
[0011]Fij= {f1； f2,..., fnf}T
[0012]其中:i表示卷钢状态类，j表示该类中第j个训练图片，fP f2,…，fnf表示SURF特征描述子，是一个208维的列向量；nf表示图片Pij提取得到的SURF特征点个数；
[0013]所述卷刚图片为采用线阵CCD技术获得的铁路货运列车的卷钢数据图片；
[0014]步骤2)、用KAP算法对提取的SURF特征集合Fij进行聚类，得到的K个类中心，分别用cfk表示,k=l, 2，...，K ;用CFij表示cfk的集合:
[0015]CFij=Icf1, cf2,…cfK}T[0016]以CFij作为Fij的代表性特征加入样本空间G，
[0017]所述G是一个NFX 208维度的矩阵，每一行表示一个SURF特征描述子，NF为KAP聚类后的全部特征点个数，NC类中的每类有NI幅图片，则NF = NCXNIXK ；
[0018]所述KAP算法在聚类后会自动选出每一类的代表性特征，称为exemplar，CFij为exemplar的集合,迭代过程如下:
【权利要求】
1.一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，其特征在于步骤如下: 步骤1、构建卷钢装载状态的特征样本空间: 步骤I)、提取SURF特征向量集合:根据卷刚图片，将不同装载状态设定为NC类，表示为{A|i=l，2，3...，NC}； 以每一类分别随机挑出60幅卷刚图片作为各个类的训练图片，首先压缩类Ci中的每一幅训练图片OPij得到图片Pij,使得Pij的长边长度为1000像素，Pij的短边长度Sij=OSijX 1000zOLij，其中OLx表示图片OPx的长边长度，OSx表示图片OPx的短边长度。 然后提取Pij的SURF特征，得到一个nfX 208维度的矩阵的特征集合Fij ；
Fij=Ifi, f2,…，4f}T 其中:i表示卷钢状态类，j表示该类中第j个训练图片，f1； f2,…，fnf表示SURF特征描述子，是一个208维的列向量；nf表示图片Pij提取得到的SURF特征点个数； 所述卷刚图片为采用线阵CCD技术获得的铁路货运列车的卷钢数据图片； 步骤2)、用KAP算法对提取的SURF特征集合Fij进行聚类，得到的K个类中心，分别用cfk表示，k=l, 2，…，K ;用CFij表示cfk的集合:
CFij=Icf1, cf2, ---CfJ1 以CFu作为Fu的代表性特征加入样本空间G， 所述G是一个NFX 208维度的矩阵，每一行表示一个SURF特征描述子，NF为KAP聚类后的全部特征点个数，NC类中的每类有NI幅图片，则NF = NCXNIXK ； 所述KAP算法在聚类后会自动选出每一类的代表性特征，称为exemplar，CFij为exemplar的集合,迭代过程如下:
【文档编号】G06K9/62GK103632164SQ201310612999
【公开日】2014年3月12日 申请日期:2013年11月25日 优先权日:2013年11月25日
【发明者】俞大海, 韩军伟, 王东阳, 郭雷 申请人:西北工业大学