一種基于支持向量機(jī)的施工道路污染檢測方法
【專利摘要】本發(fā)明公開了一種基于支持向量機(jī)的施工道路污染檢測方法，該方法首先采集道路圖像并對對道路圖像進(jìn)行特征提取，然后選取最佳的特征和參數(shù)r,c并訓(xùn)練支持向量機(jī)模型，最后進(jìn)行施工道路清潔度的預(yù)測判斷；本發(fā)明通過主成分分析降維和尋取最純道路塊的方法，提取道路的速度更快，精度更大，從而使分類結(jié)果更加準(zhǔn)確。本方法一共提取12個特征，不同的施工道路能自動的選擇最優(yōu)特征和參數(shù)，從而適用絕大多數(shù)的施工道路，可移植性強(qiáng)。本發(fā)明的準(zhǔn)確率很高，具有指導(dǎo)工方及時清掃道路、杜絕因道路污染導(dǎo)致危險事故發(fā)生的實際意義。
【專利說明】一種基于支持向量機(jī)的施工道路污染檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理及城市環(huán)境風(fēng)險監(jiān)測預(yù)警【技術(shù)領(lǐng)域】，尤其涉及一種基于支持向量機(jī)的施工道路污染檢測方法。
【背景技術(shù)】
[0002]施工道路由于施工和經(jīng)常有車輛的經(jīng)過的原因，很容易布滿灰塵，嚴(yán)重的影響市容市貌和行人的健康。施工道路受灰塵污染的頻率高和不確定性，導(dǎo)致人力監(jiān)測的困難，因此需要一種準(zhǔn)確高效的施工道路污染檢測方法。
[0003]目前的施工道路污染檢測主要基于圖像處理中的圖像分割方法，圖像分割的方法有很多，比如區(qū)域增長法，聚類分割等，這些方法都不能完全的把道理部分和非道路部分分割開，分割的速度不快，無法做到對施工道路的實時檢測；在特征選擇方面，不同道路的最佳特征可能不一樣，一種模型很難適用所有的施工道路。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于針對目前圖像分割速度慢且不精確，模型單一等缺陷，提供一種基于支持向量機(jī)的施工道路污染檢測方法，通過主成分分析降維和尋取最純道路塊的方法，提取道路的速度更快，精度更大，從而達(dá)到分類結(jié)果更加準(zhǔn)確；通過提取12個特征，能自動的選擇最優(yōu)特征和參數(shù)，從而適用絕大多數(shù)的施工道路。
[0005]本發(fā)明是通過以下技術(shù)方案實現(xiàn)的:一種基于支持向量機(jī)的施工道路污染檢測方法，該方法包括如下步驟:
[0006]步驟1:采集道路圖像，將采集的圖像作為訓(xùn)練集，并人為將訓(xùn)練集分為干凈和不干凈兩個集合。位于干凈集合的圖像稱為正樣本，位于不干凈集合的圖像稱為負(fù)樣本，訓(xùn)練集中樣本的個數(shù)是N。
[0007]步驟2:對道路圖像進(jìn)行特征提取，包含如下子步驟:
[0008](2.1)簡單分割道路與非道路部分:由于攝像頭是固定的，對每張圖片可以統(tǒng)一的除去非道路部分；用η表示道路區(qū)域的個數(shù)；用A[m，η]定義一個m行η列的矩陣A ；A(y, x)表示在矩陣A中第y行第X列的值;A(k)表示矩陣A的第k行，是一個行向量;AT表示A的轉(zhuǎn)置矩陣。
[0009](2.2)顏色空間轉(zhuǎn)換:把原顏色空間轉(zhuǎn)化到LUV顏色空間，用LUVs [η, 3]記錄道路像素的LUV顏色值，LUVs (k)表示對應(yīng)第k個道路像素點的LUV顏色值。
[0010](2.3)主成分分析降低維數(shù)，把3維的顏色空間降到2維；采用如下方法:對LUVsT*LUVs采用雅可比方法進(jìn)行特征值特征向量分解，即有:LUVsT*LUVs=V* Λ 2*VT，PC[η,2]是LUVs*V的前兩列，即道路顏色的主成分，用PC[i]表示矩陣PC的第i行。
[0011](2.4) Meanshift 聚類分害I]:首先定義一個矩陣 S[256，256]，
S(.v,.r) = Σ;.'_丨11 (/_,()) =.v且 P c (i，I) =y}，其中 I {true} =1，I {false} =0。在矩陣 S 上做meanshift分割，首先規(guī)定一個大小為nW*nW的矩形窗口，方法如下:[0012](2.4.1)在S中找一個非零元A，若A不存在，跳到步驟(2.4.4)。
[0013](2.4.2)在S中，計算以A為中心大小為nW*nW矩形窗口內(nèi)的質(zhì)心B。
[0014](2.4.3)如果A等于B，記錄下中心點A值，在S內(nèi)所有以A為中心窗口內(nèi)的元素都設(shè)為零，回到步驟(2.4.1)。如果A不等于B，把B值賦給A，回到步驟(2.4.2)。
[0015](2.4.4)得到K個中心點Centers [k, 2],定義一個向量Tags [η]記錄道路像素點的
類標(biāo)簽，
【權(quán)利要求】
1.一種基于支持向量機(jī)的施工道路污染檢測方法，其特征在于，該方法包括如下步驟: 步驟1:采集道路圖像，將采集的圖像作為訓(xùn)練集，并人為將訓(xùn)練集分為干凈和不干凈兩個集合。位于干凈集合的圖像稱為正樣本，位于不干凈集合的圖像稱為負(fù)樣本，訓(xùn)練集中樣本的個數(shù)是N。 步驟2:對道路圖像進(jìn)行特征提取，包含如下子步驟: (2.1)簡單分割道路與非道路部分:由于攝像頭是固定的，對每張圖片可以統(tǒng)一的除去非道路部分；用η表示道路區(qū)域的個數(shù)；用A[m，η]定義一個m行η列的矩陣A ；A(y, x)表示在矩陣A中第y行第X列的值;A(k)表示矩陣A的第k行，是一個行向量;AT表示A的轉(zhuǎn)置矩陣。 (2.2)顏色空間轉(zhuǎn)換:把原顏色空間轉(zhuǎn)化到LUV顏色空間，用LUVs[n，3]記錄道路像素的LUV顏色值，LUVs (k)表示對應(yīng)第k個道路像素點的LUV顏色值。 (2.3)主成分分析降低維數(shù)，把3維的顏色空間降到2維；采用如下方法:對LUVsT*LUVs采用雅可比方法進(jìn)行特征值特征向量分解，即有:LUVsT*LUVs=V* Λ 2*VT，PC[n，2]是LUVs*V的前兩列，即道路顏色的主成分，用PC[i]表示矩陣PC的第i行。 (2.4) Meanshift聚類分割:首先定義一個矩陣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。在矩陣 S 上做meanshift分割，首先規(guī)定一個大小為nW*nW的矩形窗口，方法如下: (2.4.1)在S中找一個非零元A，若A不存在，跳到步驟(2.4.4)。 (2.4.2)在S中，計算以A為中心大小為nW*nW矩形窗口內(nèi)的質(zhì)心B。 (2.4.3)如果A等于B，記錄下中心點A值，在S內(nèi)所有以A為中心窗口內(nèi)的元素都設(shè)為零，回到步驟(2.4.1)。如果A不等于B，把B值賦給A，回到步驟(2.4.2)。 (2.4.4)得至Ij K個中心點Centers [k, 2]，定義一個向量Tags [η]記錄道路像素點的類標(biāo)簽，Tags[i]=argjmin( | PC (i)-center (j) | ) (i=0, 1......η -1, j=0, I,......k -1)。分割成了 K個類，同類元素有相同的類標(biāo)簽。 (2.5)選取道路類:每個道路部分的元素點都對應(yīng)一個LUV顏色和類標(biāo)簽，分別記錄在LUVs和Tags中，需找到真到的道路點，除去車子行人這些像素點，即找到真正道路的類標(biāo)簽tag。遵循兩個原則:道路的面積大和顏色比較統(tǒng)一，也就是個數(shù)多和顏色

方差小的特點。對任意的類標(biāo)簽i，有
【文檔編號】G06K9/46GK103778437SQ201410026324
【公開日】2014年5月7日 申請日期:2014年1月21日 優(yōu)先權(quán)日:2014年1月21日
【發(fā)明者】陸濤, 張子健, 陸波, 梁思源, 周丁, 王元平 申請人:中科怡海高新技術(shù)發(fā)展江蘇股份公司, 無錫中科智遠(yuǎn)科技有限公司, 浙江成功軟件開發(fā)有限公司