一种基于融合特征和SVM结合的羊角弓区域定位方法与流程

本发明属于交通安全工程技术领域，特别是一种基于融合特征和svm结合的羊角弓区域定位方法。

背景技术：

羊角弓位于滑板两侧，用于改善受流质量，如果羊角缺失，会造成受电弓受力不均匀，进而出现滑板断裂等严重事故，羊角弓的工作状态检测对受电弓-接触网系统的替换、维护维修具有重要意义。

国外对接触网检测系统的研究起步较早，经过多年探索实践，拥有了较为完整的故障检测体系、故障处理体系和故障评价体系。国外对接触网检测系统的研究侧重点各不相同，法国深入研究了弓网动态弹性检测系统的相关技术，德国对检测弓网接触压力形成了较完善的检测体系，日本的弓网离线、接触线磨耗检测技术较为成熟。国内对羊角弓缺陷的研究较少，主要以人工检测方法为主。西南交大的朱晓恒针对采集的受电弓图像，采用图像二值法对羊角弓区域进行对比分析，能够初步判定缺陷状态。莫圣阳团队基于3d视觉检测技术进行了受电弓滑板磨耗的研究，采用高速三维相机、激光发射器，构建出了三维机器视觉系统。总体来说，现有的羊角弓区域定位方法实现复杂，准确率不高，需要寻求一种简单有效的羊角弓区域定位方法。

技术实现要素：

本发明的目的在于提供一种基于融合特征和svm结合的羊角弓区域定位方法，用以简单准确地对羊角弓区域进行定位。

实现本发明目的的技术解决方案为：一种基于融合特征和svm结合的羊角弓区域定位方法，包括以下步骤：

步骤1、训练样本收集：训练样本包括正样本和负样本，正样本的图片是羊角弓正常状态，负样本的图片是羊角弓缺失状态或者是随机裁取的未知物体；

步骤2、lbp特征提取：计算步骤1收集的训练样本中每个像素点的像素值与其邻域的关系，构成局部二进制模式直方图，来提取lbp特征；

步骤3、hog特征提取：将步骤1收集的训练样本，分割成包含多个像素点的单元，然后对每个单元中每个像素点的边缘或者梯度求取方向直方图，整合所有的方向直方图，构成hog特征描述器；

步骤4、特征融合：将步骤2提取的lbp特征和步骤3提取的hog特征，使用串行融合技术进行融合，生成lbp-hog融合特征方向直方图；

步骤5、svm分类器训练：将步骤4获得的lbp-hog融合特征送到svm分类器中进行训练，获取训练参数；

步骤6、多尺度滑动窗口扫描定位：采用多尺度滑动窗口扫描目标图像，通过步骤5中训练好的svm分类器进行预测，实现羊角弓区域的定位。

进一步地，步骤2中所述的计算步骤1收集的训练样本中每个像素点的像素值与其邻域的关系，构成局部二进制模式直方图，来提取lbp特征，具体如下：

步骤2.1、将步骤1收集的图像分成4×4区域；

步骤2.2、对于区域内的每个像素点，选定其灰度值作为lbp算子的阈值，将3×3邻域内的其他像素点的灰度值与lbp算子的阈值进行比对，灰度值比阈值大的像素点置为1，灰度值比阈值小的像素点置为0；然后将3×3邻域内的8个点生成一个8位二进制数，将二进制数转换为十进制数，即得到每个像素点的lbp值；

步骤2.3、计算每个区域的直方图，即每个lbp值出现的频率，得到16个lbp直方图；

步骤2.4、将16个直方图用统一的直方图进行描述；特征图大小为80×60像素，将其分成4×4块，生成的向量为4×4×256＝4096维。

进一步地，步骤3中所述的将步骤1收集的训练样本，分割成包含若干像素点的单元，然后对每个单元中每个像素点的边缘或者梯度求取方向直方图，整合所有的方向直方图，构成hog特征描述器，具体如下：

步骤3.1、编辑图像的gamma曲线，公式为：

i(x,y)＝i(x,y)^gamma(1)

其中i(x,y)表示每个像素点的像素值，gamma＝1/2；

步骤3.2、计算图像中每个像素点横纵坐标的梯度方向值，进而获取该像素点的梯度；

设定gx为x方向梯度，gy为y方向梯度，[-1,0,1]为中心模版算子，像素点(x，y)的灰度值为h(x,y)，则像素点(x,y)的梯度公式为：

gx(x,y)＝h(x+1,y)-h(x-1,y)(2)

gy(x,y)＝h(x,y+1)-h(x,y-1)(3)

设定g(x,y)为像素点(x，y)的灰度大小，θ为像素点(x，y)的灰度方向，则：

步骤3.3、将整幅图像分割成单元格，每个单元格大小是10×10像素；梯度直方图选用9个区间，统计每个像素点的梯度权值，绘制每个单元格的梯度直方图，得到9维特征向量的梯度直方图；将每2×2个单元格合并成一个块，归一化每个单元格的特征向量，则每个块的特征向量维数为2×2×9＝36；

步骤3.4、将整幅图像的hog特征进行合并，得到整幅图像hog特征；由于每个单元格的大小是10×10，一个块包含2×2个单元格，所以整幅图像的hog特征的维数为9×4×(8-1)×(6-1)＝1260。

进一步地，步骤4中所述的将步骤2提取的lbp特征和步骤3提取的hog特征，使用串行融合技术进行融合，生成lbp-hog融合特征方向直方图，具体如下：

设定lbp特征空间为a，hog特征空间为b，存在两个特征向量α∈a和β∈b，采用串行融合，得到：

其中，γ为融合后的特征向量，θ为权重系数；

设定融合后的矩阵维数为f，则：

f＝dim(a)+dim(b)(7)

采用串行融合技术对羊角弓特征进行融合，生成lbp-hog特征方向直方图；由lbp特征向量的维数4096，hog特征向量的维数1260，可得融合后的lbp-hog特征向量维数为5356。

进一步地，步骤5中所述的将步骤4获得的lbp-hog融合特征送到svm分类器中进行训练，获取训练参数，具体如下：

设定训练样本的数量为900个，将900个lbp-hog融合特征送入svm分类器进行训练，在正训练的过程中，分别把900个样本分为两组，每组包括300个正样本和600个负样本，训练阶段如下：

把第一组的300个正样本与600个负样本放入svm训练后，接着用第二组的样本集对svm进行测试，得到测试结果，把测试结果中误判为正样本的数据放入第一组的负样本中；重新进行svm分类器的训练和测试过程，把测试结果中误判为正样本的数据放入第一组的负样本中，重复上述过程，得到一个最终的svm分类器。

进一步地，步骤6中所述的采用多尺度滑动窗口扫描目标图像，通过步骤5中训练好的svm分类器进行预测，实现羊角弓区域的定位，具体如下：

对目标图像进行二值化，得出0和255两种灰度值，由于背景色是黑色，羊角弓颜色是白色，所以检测的目标是灰度值为255的区域；选用大小为k×l的窗口，窗口内图像的像素灰度值为h(xi，yj)，则灰度值为255的占比为：

式中，η为预判断的阈值，取值为η＝0.5；对灰度值为255的占比大于0.5的窗口区域进行lbp-hog特征提取，然后通过训练好的svm分类器进行预测，得到候选矩形窗口；采用多尺度滑动窗口进行检测，当检测到多个目标时，合并候选窗口，最终提取出羊角弓区域。

本发明与现有技术相比，其显著优点为：(1)将lbp特征和hog特征的融合特征送到svm分类器进行训练，使得定位的准确率大大提高；(2)具有定位准确率高、易于实施的优点。

附图说明

图1是本发明中基于融合特征和svm结合的羊角弓区域定位方法的流程示意图。

图2是本发明中的正样本示例图。

图3是本发明中的负样本示例图。

图4是本发明中lbp-hog特征图。

图5是本发明中候选窗口合并示意图。

具体实施方式

结合图1，本发明中所提出的基于融合特征和svm结合的羊角弓区域定位方法，包括以下步骤：

步骤1、训练样本收集：训练样本包括正样本和负样本，正样本的图片是羊角弓正常状态，如图2所示，负样本的图片是羊角弓缺失状态或者是随机裁取的未知物体，如图3所示。

步骤2、lbp特征提取：计算步骤1收集的训练样本中每个像素点的像素值与其邻域的关系，构成局部二进制模式直方图，来提取lbp特征。具体如下：

步骤2.1、将步骤1收集的图像分成4×4区域；

步骤2.2、对于区域内的每个像素点，选定其灰度值作为lbp算子的阈值，将3×3邻域内的其他像素点的灰度值与阈值进行比对，灰度值比阈值大的像素点置为1，灰度值比阈值小的像素点置为0，然后将3×3邻域内的8个点生成一个8位二进制数，将二进制数转换为十进制数，即得到该每个像素点的lbp值；

步骤2.3、计算每个区域的直方图，即每个lbp值出现的频率，得到16个lbp直方图；

步骤2.4、将16个直方图用统一的直方图进行描述。

进一步地，本专利使用的特征图大小为80×60，分成4×4块，生成的向量为4×4×256＝4096维。

步骤3、hog特征提取：将步骤1收集的训练样本，分割成包含若干像素点的单元，然后对每个单元中每个像素点的边缘或者梯度求取方向直方图，整合所有的方向直方图，构成hog特征描述器。具体如下：

步骤3.1、为了实现输入图像的颜色空间标准化，编辑图像的gamma曲线，降低光照变化对图像空间的影响，更好地增强图像对比度。gamma压缩公式如下所示：

i(x,y)＝i(x,y)^gamma(1)

其中i(x,y)表示每个像素点的像素值，gamma＝1/2；

步骤3.2、计算图像中每个像素点横纵坐标的梯度方向值，进而获取该像素点的梯度；

设定gx为x方向梯度，gy为y方向梯度，[-1,0,1]为中心模版算子，像素点(x，y)的灰度值为h(x,y)，则像素点(x,y)的梯度公式为：

gx(x,y)＝h(x+1,y)-h(x-1,y)(2)

gy(x,y)＝h(x,y+1)-h(x,y-1)(3)

设定g(x,y)为像素点(x，y)的灰度大小，θ为像素点(x，y)的灰度方向，则：

步骤3.3、将整幅图像分割成单元格，每个单元格大小是10×10像素；梯度直方图选用9个区间，统计每个像素点的梯度权值，绘制每个单元格的梯度直方图，得到9维特征向量的梯度直方图；将每2×2个单元格合并成一个块，归一化每个单元格的特征向量，则每个块的特征向量维数为2×2×9＝36；

步骤3.4、将整幅图像的hog特征进行合并，得到整幅图像hog特征；

进一步地，本专利选用的单元格大小是10×10，一个块包含2×2个单元格，再把块进行合并，最终图像的hog特征的维数为9×4×(8-1)×(6-1)＝1260。

步骤4、特征融合：将步骤2提取的lbp特征和步骤3提取的hog特征，使用串行融合技术进行融合，生成lbp-hog融合特征方向直方图。具体如下：

设定lbp特征空间为a，hog特征空间为b，存在两个特征向量α∈a和β∈b，采用串行融合，得到：

其中，γ为融合后的特征向量，θ为权重系数；

设定融合后的矩阵维数为f，则：

f＝dim(a)+dim(b)(7)

采用串行融合技术对羊角弓特征进行融合，生成的lbp-hog特征方向直方图过程如图4所示。

进一步地，相机采集的大小为80×60图片，选择10×10大小的单元格，单元格合并成大小是2×2的块，lbp特征向量的维数是4×4×256＝4096，hog特征向量的维数是9×4×7×5＝1260，可得融合后的lbp-hog特征向量维数为5356维。

步骤5、svm分类器训练：将步骤4获得的lbp-hog融合特征送到svm分类器中，进行训练，获取训练参数。具体如下：

设定训练样本的数量为900，将900个lbp-hog融合特征送入svm分类器进行训练，在正训练的过程中，分别把900个样本分为两组，每组包括300个正样本和600个负样本，训练阶段如下：

把第一组的300个正样本与600个负样本放入svm训练后，接着用第二组的样本集对svm进行测试，得到测试结果，把测试结果中误判为正样本的数据放入第一组的负样本中；重新进行svm分类器的训练和测试过程，把测试结果中误判为正样本的数据放入第一组的负样本中，重复上述过程，最终得到一个精确的svm分类器。

步骤6、多尺度滑动窗口扫描定位：采用多尺度滑动窗口扫描目标图像，通过步骤5中训练好的svm分类器进行预测，实现羊角弓区域的定位。具体如下：

为减少多余计算，对目标图像进行二值化，得出0和255两种灰度值，由于背景色是黑色，羊角弓颜色是白色，所以检测的目标是灰度值为255的区域；选用大小为k×l的窗口，窗口内图像的像素灰度值为h(xi，yj)，则灰度值为255的占比为：

式中，η为预判断的阈值，取值为η＝0.5；对灰度值为255的占比大于0.5的窗口区域进行lbp-hog特征提取，然后通过训练好的svm分类器进行预测，得到候选矩形窗口；采用多尺度滑动窗口进行检测，当检测到多个目标时，合并候选窗口，如图5所示，红色部分是合并后的窗口，最终提取出羊角弓区域。

实施例1

本实施例为基于融合特征和svm结合的羊角弓区域定位方法。

表1hog特征识别结果表

结合表1，在hog特征提取的过程中可以发现，滑动窗口移动的步长大小，单元格(cell)大小、区域块(block)大小，会对检测精度产生影响，结果多次实验后，发现2×2大小的区域块(block)，10×10大小的单元格(cell)，移动步长为width/4时，hog特征识别效果比较好，识别结果如表1所示，其中误检率是检测错误的图片数/图片总数，漏检率是漏检的图片数/图片总数。

表2不同特征提取方法检测结果对比表

结合表2，采集5660张图片，分别用lbp特征提取方法、hog特征提取方法和本发明基于融合特征和svm结合的羊角弓区域定位方法进行羊角弓的定位识别，识别结果表2所示。可以看出，与lbp特征提取方法和hog特征提取方法两种算法相比较，本发明基于融合特征和svm结合的羊角弓区域定位方法准确率更高。