[發(fā)明專利]一種基于NCS、MS的相似物體實時檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010432326.7
• 申請日: 2020-05-20
• 公開（公告）號: CN111652292B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計）人: 王元峰;楊鳳生;王林波;曾惜;楊金鐸;王恩偉;王冕;王宏遠;劉暢;蘭雯婷;熊萱;龍思璇;馬庭樺;付濱
• 申請（專利權(quán)）人: 貴州電網(wǎng)有限責(zé)任公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06N3/08
• 代理公司: 南京禹為知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 劉小莉

1.一種基于NCS、MS的相似物體實時檢測方法，其特征在于：包括，

采集相似物體的圖像數(shù)據(jù)進行預(yù)處理，預(yù)處理所述圖像數(shù)據(jù)包括，消除所述圖像數(shù)據(jù)的噪聲點，設(shè)定檢測值，依次檢測所述圖像數(shù)據(jù)中的像素；將所述像素與鄰域內(nèi)其他像素進行比較，判斷是否為噪聲點，若是，則以所述鄰域內(nèi)所有像素灰度平均值替代，若否，則以原灰度值輸出，利用Sobel算子銳化去噪的所述圖像數(shù)據(jù)，結(jié)合加權(quán)平均增強圖像邊緣兩側(cè)的像素，利用差分近似微分策略將所述Sobel算子與所述圖像數(shù)據(jù)進行卷積完成檢測，找到圖像中局部亮度變化最顯著的部分像素的集合，根據(jù)所述圖像數(shù)據(jù)的灰度、顏色、幾何性質(zhì)將含義不同的圖像區(qū)域分開，選取閾值，利用灰度頻率分布信息進行二值化分割，獲得預(yù)處理完成的信息特征圖像；提取邊緣特征參數(shù)構(gòu)建樣本數(shù)據(jù)集，提取所述邊緣特征參數(shù)包括，基于邊緣結(jié)構(gòu)相似度引入選擇性搜索策略提取所述信息特征圖像中的特征參數(shù)候選區(qū)域并進行歸一化處理；利用多特征策略分割所述候選區(qū)域，生成分割區(qū)域集合；基于所述邊緣結(jié)構(gòu)相似度合并所述分割區(qū)域集合，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，利用七層的CNN網(wǎng)絡(luò)模型提取所述邊緣特征參數(shù)，構(gòu)建所述樣本數(shù)據(jù)集包括，隨機選取一半的所述邊緣特征參數(shù)，定義為訓(xùn)練集，剩余一半的所述邊緣特征參數(shù)定義為測試集；

將所述樣本數(shù)據(jù)集輸入識別模型內(nèi)進行訓(xùn)練，訓(xùn)練所述識別模型包括，

選取徑向基函數(shù)作為LSSVM的目標(biāo)函數(shù)，如下

其中，x＝{x₁；x₂；…；x₁₄}：所述訓(xùn)練集中影響識別因素的歷史數(shù)據(jù)幅頻特性向量組成的特性矩陣，y：所述訓(xùn)練集中影響識別因素的幅頻特性向量，σ：目標(biāo)向量，即所述訓(xùn)練集的分布或范圍特性；初始化懲罰參數(shù)和所述目標(biāo)向量，利用所述訓(xùn)練集對所述LSSVM進行訓(xùn)練，并用所述測試集進行測試；若所述識別模型未達到精度閾值要求，則根據(jù)誤差對所述懲罰參數(shù)和所述目標(biāo)向量進行賦值優(yōu)化，直至滿足所述精度閾值要求，形成所述識別模型，輸出識別結(jié)果，所述識別結(jié)果包括，是相似物體及不是相似物體；

利用決策模型對所述識別結(jié)果進行相應(yīng)物體編號的檢測分類，結(jié)合AI加速器實時推進檢測進程，輸出相應(yīng)的檢測結(jié)果；

將所述檢測結(jié)果導(dǎo)入貝葉斯分析模型內(nèi)進行二次驗證判定，利用移動終端或樹莓派顯示器實時顯示驗證結(jié)果及所述檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于NCS、MS的相似物體實時檢測方法，其特征在于：所述決策模型進行檢測分類包括，

基于SVM策略構(gòu)建所述決策模型，輸入所述識別結(jié)果，計算所述邊緣特征參數(shù)的LBP；

根據(jù)所述識別結(jié)果的兩種情況的特征分別構(gòu)造樣本矩陣和類別矩陣，且所述類別矩陣中的值為1和-1；

所述決策模型對所述樣本矩陣和所述類別矩陣進行SVM分類求解，獲得求解向量且與所述樣本數(shù)據(jù)集及所述物體編號相對應(yīng)，得到最終的分類決策函數(shù)；

利用所述分類決策函數(shù)對輸入的相似物體圖片進行檢測，結(jié)合AI加速器實時推進檢測進程，輸出相應(yīng)的所述檢測結(jié)果。

3.根據(jù)權(quán)利要求2所述的基于NCS、MS的相似物體實時檢測方法，其特征在于：所述二次驗證判定包括，

將所述檢測結(jié)果輸入所述貝葉斯分析模型內(nèi)；

對所述相似物體圖片的特征向量、目標(biāo)向量和求解向量進行融合處理和錯誤概率計算，如下，

P(B_i|A_i)＝B_i|A_i，i＝1,2,……，n

其中，B_i：第i個協(xié)同分析因子中被正確識別的特征參數(shù)個數(shù)，A_i：第i個協(xié)同分析因子中識別的特征參數(shù)個數(shù)；

若驗證結(jié)果概率大于等于0.5，則所述檢測結(jié)果正確；

若所述驗證結(jié)果概率小于0.5，則所述檢測結(jié)果錯誤。