[發明專利]一種基于多通道特征融合和機器學習的漏水檢測方法

有效

• 申請號: 201711231503.X
• 申請日: 2017-11-29
• 公開（公告）號: CN107833221B
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 張海劍;蔡忠強;熊鑫誠;葛一徽;劉妍
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/254;G06K9/46;G06K9/62
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于多通道特征融合和機器學習的漏水檢測方法，其特征在于，包括如下步驟：

步驟1，獲取原始漏水檢測區域視頻，根據需要對原始視頻中的漏水檢測區域進行選取，選定結果記為待檢測視頻序列V_ROI；

步驟2，運動變化圖像塊提取，包括對步驟1得到的待檢測視頻序列，利用幀間差算法得到差分圖像，以固定尺寸且不重疊矩形框對差分圖像分塊，再對每一塊圖像的像素值進行累加統計，利用閾值提取得到待檢測視頻序列中的運動變化圖像塊集合；

步驟3，運動變化圖像塊分割，包括對步驟2獲得的運動變化圖像塊集合中每一個圖像塊進行有重疊的塊分割，得到待分類圖像塊集合；

對運動變化圖像塊集中的每個運動變化圖像塊均采用了N×N的滑動窗分塊，其中，W₁、H₁分別為不重疊矩形框的寬和高，設x方向滑動步長為S_x個像素，y方向的滑動步長為S_y個像素，則一個W₁×H₁的運動變化圖像塊可以分割為M個尺寸為N×N的待分類圖像塊，假設t時刻的待檢測視頻序列提取的運動變化區域圖像塊集合的元素數目為S，則能得到M*S個元素的待分類圖像塊集合其中i，j為待分類圖像塊的左上角坐標，W₂和H₂均為N；

步驟4，特征提取，包括對步驟3待分類圖像塊集合中每個待分類圖像塊分別進行特征提取，提取的特征包括梯度通道特征，HOG通道特征，LUV色彩空間的L通道特征，然后對以上三種通道特征分別進行歸一化，最后串聯融合得到多通道特征；

步驟4中HOG通道特征的提取方式如下，

①對輸入圖像進行灰度化處理，其中輸入圖像指待分類圖像塊集合中每個待分類圖像塊；

②采用Gamma校正法對輸入圖像進行顏色空間歸一化；

③計算圖像每個像素點的梯度幅值和梯度方向；

④將圖像劃分為多個尺寸為C1*C2像素的細胞單元cell，對每一個cell塊所有像素的梯度直方圖考慮梯度方向的情況下進行角度投影，投影策略為：首先將整個360度的圓等分成12個份，對角的兩份認為是一個bin，因此得到6個bin，每個bin包含60度；然后根據梯度幅值通道中每個像素點的梯度方向，以梯度幅值為權重在9個bin上投影，從而得到6個方向的細胞單元描述特征；

⑤將多個小的cell組合形成一個尺寸為B1*B2像素的圖像塊block，把一個block內的所有cell得到的細胞單元描述特征進行串聯得到一個block的HOG特征；

⑥將所有圖像塊的HOG特征串聯，組合形成表示整個輸入圖像的HOG特征；

對于HOG特征的提取，細胞單元cell尺寸為C1*C2像素，圖像塊block尺寸為B1*B2，block在x方向的滑動步長為S1，y方向的滑動步長為S2，圖像尺寸為64x128像素，則得到最后提取的HOG特征維度為：

Dimension_Hog＝[(64-B1)/S1+1]*[(128-B2)/S2+1]*(B1/C1)*(B2/C2)*6

其中，B1的取值是C1的整數倍，B2的取值是C2的整數倍；

步驟5，對漏水圖像和非漏水圖像構成的訓練樣本集合提取多通道特征，并利用SVM模型進行訓練得到分類器，然后利用分類器對每個待分類圖像塊進行二分類預測，分類結果為漏水圖像塊和無漏水圖像塊；

步驟6，對分類器得到的每一幀圖像內所有的漏水圖像塊采用非極大值抑制策略，取最高置信度的漏水圖像塊為最后的輸出結果，然后對一定數目連續幀中檢測出的漏水圖像塊的數目進行統計，完成最終的漏水檢測。