一种基于LDA文档主题生成模型的车辆二级维护管理方法与流程

技术特征：

1.一种车辆二级维护管理方法，其特征在于，包括：

步骤1，基于车辆二级维护图像各主题图像样本进行LDA模型训练，获得各主题图像样本中各主题的特征向量；利用局部敏感哈希算法识别待处理车辆二级维护图像中各主题的统计直方图；

步骤2，基于所述各主题图像样本视觉单词的特征向量和待处理车辆二级维护图像中各主题的统计直方图，对所述待处理车辆二级维护图像进行分类。

2.如权利要求1所述的方法，其特征在于，所述步骤1中基于车辆二级维护图像各主题图像样本进行LDA模型训练，获得各主题图像样本视觉单词的特征向量还包括：基于车辆二级维护图像各主题图像样本进行LDA模型训练，获得所述样本所视觉单词的所属主题和主题分布情况，从而形成图像样本中各主题的特征向量。

3.如权利要求1所述的方法，其特征在于，所述步骤1中利用局部敏感哈希算法识别待处理车辆二级维护图像中各主题的统计直方图还包括：

步骤101，采用多尺度分块方法对所述待处理车辆二级维护图像进行分块，并对所有图像分块进行特征描述；

步骤102，利用局部敏感哈希算法将所述得到的图像块特征表述信息进行聚类，从而得到视觉词典；

步骤103，对所述图像块进行视觉词典映射，获得图像块的视觉单词统计直方图。

4.如权利要求1所述的方法，其特征在于，所述步骤2还包括：利用SPM模型对所述待处理车辆二级维护图像进行分类。

5.如权利要求1所述的方法，其特征在于，所述步骤2还包括：以空间金字塔形式对所述待处理车辆二级维护图像进行分类。

6.如权利要求3所述的方法，其特征在于，所述步骤101中对所有图像分块进行特征描述还包括：提取所有图像块SIFT特征及颜色直方图特征。

7.如权利要求6所述的方法，其特征在于，所述步骤102还包括：利用局部敏感哈希算法进行映射变换将所述得到的图像块特征表述信息划分为多个子集实现聚类，形成视觉词典Dict；用ω_k表示其中一个基本单词，V表示单词总数，则视觉词典可表示为：{ω_k|ω_k∈H,k＝1,2...,V}。

8.如权利要求7所述的方法，其特征在于，所述步骤103还包括：对所述图像块进行视觉词典映射，并获取图像块的视觉单词统计直方图；映射的过程即对使用相对距离最小的视觉单词代替原特征向量X，如果距离计算采用欧式距离表示，则映射的过程可表示如下：

$\begin{array}{ccc}{\mathrm{\α}}_j=1& s.t.& j=\underset{k\<V}{\arg min}\left|\right|X-{\mathrm{\ω}}_k|{|}^2\end{array}.$

9.如权利要求4所述的方法，其特征在于，所述步骤基于所述各主题图像样本视觉单词的特征向量和待处理车辆二级维护图像中各主题的统计直方图，利用SPM模型对所述待处理车辆二级维护图像进行分类还包括：基于所述各主题图像样本视觉单词的特征向量和待处理车辆二级维护图像中各主题的统计直方图，利用SPM模型得图像主题特征空间的匹配程度函数表示为：

$\begin{array}{c}{k}^L(X,Y)=I^l+\underset{l=0}{\overset{L-1}{\Σ}}\frac{1}{2^{L-l}}(I^l-I^{l+1})\\ =\frac{1}{2^L}{I}^0+\underset{l=1}{\overset{L}{\Σ}}\frac{1}{2^{L-l+1}}{I}^l\end{array},$

其中L为尺度数，I^l为尺度为l时匹配总数即主题直方图相交。

10.如权利要求9所述的方法，其特征在于，所述步骤2后还包括：利用所述匹配程度函数，训练SVM分类器参数。