一种基于支持向量机的施工道路污染检测方法

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。

主权项

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n表示道路区域的个数；用A[m,n]定义一个m行n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；A^T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LUVs^T*LUVs采用雅可比方法进行特征值特征向量分解，即有：LUVs^T*LUVs=V*∧²*V^T，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]，且ＰＣ（i，1)=y}，其中1{true}=1,1{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）得到K个中心点Centers[k,2]，定义一个向量Tags[n]记录道路像素点的类标签，Tags[i]=arg_jmin(||PC(i)-center(j)||)(i=0,1……n‐1,j=0,1,……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：$\frac{\mathrm{fs}\left(\mathrm{tag}\right)}{\mathrm{fs}\left(\mathrm{tag}\right)+\mathrm{fs}\left(i\right)}+\frac{\left|\right|\mathrm{var}\left(i\right)\left|\right|}{\left|\right|\mathrm{var}\left(\mathrm{tag}\right)\left|\right|+\left|\right|\mathrm{var}\left(i\right)\left|\right|}\ge 1$,其中$\mathrm{fs}\left(i\right)={\Sigma }_{j=0}^{n-1}1\{\mathrm{Tags}\left(j\right)=i\}$计算类i的个数，var(i)计算类i的方差。（2.6）找到最纯的道路矩阵块：定义一个二维矩阵IR[iH，iW]，iH表示图像的高度，iW是图像的宽度。IR(y,x)=1表示像素点P(x,y)是在步骤2.1保留下的道路部分并且在步骤2.5其对应的类标签是tag，IS(y,x)=0，表示其他情况。取一个矩阵窗口（nH，nW），最纯的道路矩阵窗口则是在这个窗口内IR为1的个数最多。（2.7）提取颜色与纹理特征：由于道路的统一性，可以在找到的矩阵块内提取颜色与纹理特征。提取的颜色特征有LUV的3个分量的均值方差歪斜度$m_s=\frac{1}{{\delta }^3}\Sigma {(x_i-\bar{m})}^{3}p\left(x_i\right).$提取的纹理特征采用灰度共生矩阵，计算能量ASM=∑_i∑_jp(i,j)²,对比度CON=∑_nn²(∑_|i-j|=np(i,j))，相关度$\mathrm{IDM}={\Sigma }_i{\Sigma }_j\frac{p(i,j)}{1+{(i-j)}^2}.$一共是12个特征。（2.8）特征的缩放：提取的特征数据相差很大，为了防止大数值主导数据的波动，小数值被忽略，需要进行数据的缩放，也可以避免计算的难度。可采用简单的线性缩放，把特征值缩放到[‐1，1]上。（2.9）特征提取结束。得到提取出的一个12维特征向量X'。步骤3：选取最佳的特征和参数r,c：采用v‐交叉技术和高斯核函数k(x₁,x₂)=ex_p(-r||x₁-x₂||²)。支持向量机训练的数据来源是：(X_'⁽ⁱ⁾,Y⁽ⁱ⁾),i=1,2……N，其中X_'⁽ⁱ⁾是训练集中样本i经过步骤2所提取的特征向量，Y⁽ⁱ⁾=+1若样本i是正样本，Y⁽ⁱ⁾=-1若样本i是负样本。参数的选取采用网格遍历的方法，选取最佳的参数。特征的选择采用如下方法：第一个特征的选择：对每个特征进行训练，选取准确率最高的特征。第二个特征的选择：剩下的特征和第一个选取的特征组合进行训练，选取准确率最高的特征。以此下去，直到准确率达到满意为止，停止特征选择。步骤4：训练支持向量机模型：训练的数据是：(X⁽ⁱ⁾,Y⁽ⁱ⁾),i=1,2……N，，训练的参数是步骤3选取的最佳参数r,c。利用这些数据和参数训练支持向量机模型，并保存下来。步骤5：预测判断：提取摄像头拍摄的道路图像，对提取的图像按照步骤2的方法进行特征提取，选取步骤3所选取的特征X，利用步骤4保存下来的支持向量机模型进行预测判断，如果输出y=+1，则道路为干净，否则输出y=‐1，代表道路不干净。从而达到对路面洁净度检测的目的。