一种基于支持向量机的施工道路污染检测方法
【专利摘要】本发明公开了一种基于支持向量机的施工道路污染检测方法，该方法首先采集道路图像并对对道路图像进行特征提取，然后选取最佳的特征和参数r,c并训练支持向量机模型，最后进行施工道路清洁度的预测判断；本发明通过主成分分析降维和寻取最纯道路块的方法，提取道路的速度更快，精度更大，从而使分类结果更加准确。本方法一共提取12个特征，不同的施工道路能自动的选择最优特征和参数，从而适用绝大多数的施工道路，可移植性强。本发明的准确率很高，具有指导工方及时清扫道路、杜绝因道路污染导致危险事故发生的实际意义。
【专利说明】一种基于支持向量机的施工道路污染检测方法
【技术领域】
[0001]本发明涉及图像处理及城市环境风险监测预警【技术领域】，尤其涉及一种基于支持向量机的施工道路污染检测方法。
【背景技术】
[0002]施工道路由于施工和经常有车辆的经过的原因，很容易布满灰尘，严重的影响市容市貌和行人的健康。施工道路受灰尘污染的频率高和不确定性，导致人力监测的困难，因此需要一种准确高效的施工道路污染检测方法。
[0003]目前的施工道路污染检测主要基于图像处理中的图像分割方法，图像分割的方法有很多，比如区域增长法，聚类分割等，这些方法都不能完全的把道理部分和非道路部分分割开，分割的速度不快，无法做到对施工道路的实时检测；在特征选择方面，不同道路的最佳特征可能不一样，一种模型很难适用所有的施工道路。
【发明内容】
[0004]本发明的目的在于针对目前图像分割速度慢且不精确，模型单一等缺陷，提供一种基于支持向量机的施工道路污染检测方法，通过主成分分析降维和寻取最纯道路块的方法，提取道路的速度更快，精度更大，从而达到分类结果更加准确；通过提取12个特征，能自动的选择最优特征和参数，从而适用绝大多数的施工道路。
[0005]本发明是通过以下技术方案实现的:一种基于支持向量机的施工道路污染检测方法，该方法包括如下步骤:
[0006]步骤1:采集道路图像，将采集的图像作为训练集，并人为将训练集分为干净和不干净两个集合。位于干净集合的图像称为正样本，位于不干净集合的图像称为负样本，训练集中样本的个数是N。
[0007]步骤2:对道路图像进行特征提取，包含如下子步骤:
[0008](2.1)简单分割道路与非道路部分:由于摄像头是固定的，对每张图片可以统一的除去非道路部分；用η表示道路区域的个数；用A[m，η]定义一个m行η列的矩阵A ；A(y, x)表示在矩阵A中第y行第X列的值;A(k)表示矩阵A的第k行，是一个行向量;AT表示A的转置矩阵。
[0009](2.2)颜色空间转换:把原颜色空间转化到LUV颜色空间，用LUVs [η, 3]记录道路像素的LUV颜色值，LUVs (k)表示对应第k个道路像素点的LUV颜色值。
[0010](2.3)主成分分析降低维数，把3维的颜色空间降到2维；采用如下方法:对LUVsT*LUVs采用雅可比方法进行特征值特征向量分解，即有:LUVsT*LUVs=V* Λ 2*VT，PC[η,2]是LUVs*V的前两列，即道路颜色的主成分，用PC[i]表示矩阵PC的第i行。
[0011](2.4) Meanshift 聚类分害I]:首先定义一个矩阵 S[256，256]，
S(.v,.r) = Σ;.'_丨11 (/_,()) =.v且 P c (i，I) =y}，其中 I {true} =1，I {false} =0。在矩阵 S 上做meanshift分割，首先规定一个大小为nW*nW的矩形窗口，方法如下:[0012](2.4.1)在S中找一个非零元A，若A不存在，跳到步骤(2.4.4)。
[0013](2.4.2)在S中，计算以A为中心大小为nW*nW矩形窗口内的质心B。
[0014](2.4.3)如果A等于B，记录下中心点A值，在S内所有以A为中心窗口内的元素都设为零，回到步骤(2.4.1)。如果A不等于B，把B值赋给A，回到步骤(2.4.2)。
[0015](2.4.4)得到K个中心点Centers [k, 2],定义一个向量Tags [η]记录道路像素点的
类标签，
【权利要求】
1.一种基于支持向量机的施工道路污染检测方法，其特征在于，该方法包括如下步骤: 步骤1:采集道路图像，将采集的图像作为训练集，并人为将训练集分为干净和不干净两个集合。位于干净集合的图像称为正样本，位于不干净集合的图像称为负样本，训练集中样本的个数是N。 步骤2:对道路图像进行特征提取，包含如下子步骤: (2.1)简单分割道路与非道路部分:由于摄像头是固定的，对每张图片可以统一的除去非道路部分；用η表示道路区域的个数；用A[m，η]定义一个m行η列的矩阵A ；A(y, x)表示在矩阵A中第y行第X列的值;A(k)表示矩阵A的第k行，是一个行向量;AT表示A的转置矩阵。 (2.2)颜色空间转换:把原颜色空间转化到LUV颜色空间，用LUVs[n，3]记录道路像素的LUV颜色值，LUVs (k)表示对应第k个道路像素点的LUV颜色值。 (2.3)主成分分析降低维数，把3维的颜色空间降到2维；采用如下方法:对LUVsT*LUVs采用雅可比方法进行特征值特征向量分解，即有:LUVsT*LUVs=V* Λ 2*VT，PC[n，2]是LUVs*V的前两列，即道路颜色的主成分，用PC[i]表示矩阵PC的第i行。 (2.4) Meanshift聚类分割:首先定义一个矩阵S[256，256]，S(x,y) = Σ::'」I {m/,0) = X且 P C (i，I) =y}，其中 I {true} =1，I {false} =0。在矩阵 S 上做meanshift分割，首先规定一个大小为nW*nW的矩形窗口，方法如下: (2.4.1)在S中找一个非零元A，若A不存在，跳到步骤(2.4.4)。 (2.4.2)在S中，计算以A为中心大小为nW*nW矩形窗口内的质心B。 (2.4.3)如果A等于B，记录下中心点A值，在S内所有以A为中心窗口内的元素都设为零，回到步骤(2.4.1)。如果A不等于B，把B值赋给A，回到步骤(2.4.2)。 (2.4.4)得至Ij K个中心点Centers [k, 2]，定义一个向量Tags [η]记录道路像素点的类标签，Tags[i]=argjmin( | PC (i)-center (j) | ) (i=0, 1......η -1, j=0, I,......k -1)。分割成了 K个类，同类元素有相同的类标签。 (2.5)选取道路类:每个道路部分的元素点都对应一个LUV颜色和类标签，分别记录在LUVs和Tags中，需找到真到的道路点，除去车子行人这些像素点，即找到真正道路的类标签tag。遵循两个原则:道路的面积大和颜色比较统一，也就是个数多和颜色
方差小的特点。对任意的类标签i，有
【文档编号】G06K9/46GK103778437SQ201410026324
【公开日】2014年5月7日 申请日期:2014年1月21日 优先权日:2014年1月21日
【发明者】陆涛, 张子健, 陆波, 梁思源, 周丁, 王元平 申请人:中科怡海高新技术发展江苏股份公司, 无锡中科智远科技有限公司, 浙江成功软件开发有限公司