[發(fā)明專利]一種基于SVM分類器和HOG特征的船舶圖像分類方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211510679.X
• 申請(qǐng)日: 2022-11-29
• 公開（公告）號(hào): CN115841592A
• 公開（公告）日: 2023-03-24
• 發(fā)明（設(shè)計(jì)）人: 吳映錚
• 申請(qǐng)（專利權(quán)）人: 上海船舶運(yùn)輸科學(xué)研究所有限公司
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/50
• 代理公司: 北京海虹嘉誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 11129
• 代理人: 高麗萍

1.一種基于SVM分類器和HOG特征的船舶圖像分類方法，其特征在于，包括以下步驟：

數(shù)據(jù)采集處理步驟：采集不同類型的船舶圖像數(shù)據(jù)，對(duì)船舶圖像數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的船舶圖像數(shù)據(jù)進(jìn)行打標(biāo)簽分類，并根據(jù)已打標(biāo)簽的船舶圖像數(shù)據(jù)生成帶有標(biāo)簽信息的訓(xùn)練集和測(cè)試集；

特征向量提取步驟：分別對(duì)訓(xùn)練集和測(cè)試集中的船舶圖像進(jìn)行HOG特征提取，得到訓(xùn)練集中船舶圖像的HOG特征向量集合和測(cè)試集中船舶圖像的HOG特征向量集合；

模型建立步驟：將訓(xùn)練集中代表船舶圖像數(shù)據(jù)分類類型的標(biāo)簽信息和訓(xùn)練集中船舶圖像的HOG特征向量集合導(dǎo)入至SVM分類器中進(jìn)行訓(xùn)練，得到SVM多分類模型；

圖像分類步驟：將測(cè)試集中某個(gè)船舶圖像的標(biāo)簽信息和HOG特征向量分別輸入至SVM多分類模型中，SVM多分類模型對(duì)該船舶圖像所屬船舶類別采用投票形式進(jìn)行自動(dòng)計(jì)數(shù)，將票數(shù)最多的船舶類別作為該測(cè)試集船舶圖像的類別，并將該船舶圖像的類別與該船舶圖像的標(biāo)簽信息進(jìn)行匹配以判斷圖像識(shí)別是否正確，若匹配成功，則圖像識(shí)別正確，將該船舶圖像的類別自動(dòng)進(jìn)行保存。

2.根據(jù)權(quán)利要求1所述的基于SVM分類器和HOG特征的船舶圖像分類方法，其特征在于，所述特征向量提取步驟中，HOG特征提取具體包括：

s1：對(duì)船舶圖像中每個(gè)像素點(diǎn)的顏色通道分量按照一定的權(quán)值進(jìn)行加權(quán)平均處理得到各個(gè)像素點(diǎn)的灰度值，并對(duì)灰度值進(jìn)行歸一化處理，得到圖像矩陣；

s2：對(duì)圖像矩陣中的每個(gè)像素值進(jìn)行Gamma處理，得到Gamma處理后的圖像像素值；

s3：根據(jù)Gamma處理后的圖像像素值計(jì)算出每個(gè)像素點(diǎn)的水平方向梯度和垂直方向梯度，根據(jù)水平方向梯度和垂直方向梯度計(jì)算出每個(gè)像素點(diǎn)的梯度方向；

s4：將船舶圖像分解成若干個(gè)細(xì)胞單元，每個(gè)細(xì)胞單元包括多個(gè)像素點(diǎn)，并將梯度方向量化為特定數(shù)量的直方圖通道，各個(gè)直方圖通道分別代表不同的梯度方向，基于特定數(shù)量的直方圖通道對(duì)細(xì)胞單元中的各個(gè)像素點(diǎn)進(jìn)行加權(quán)投票，將梯度的大小作為投影，依次以投影量為權(quán)值疊加到不同的梯度方向代表的直方圖上；

s5：提取船舶圖像的每個(gè)細(xì)胞單元，根據(jù)細(xì)胞單元設(shè)定區(qū)間尺寸，并將每個(gè)細(xì)胞單元中特定數(shù)量的直方圖通道的梯度進(jìn)行串聯(lián)得到特征向量維數(shù)，作為該區(qū)間的局部特征，對(duì)檢測(cè)窗口中所有重疊的區(qū)間進(jìn)行局部特征的收集，并將收集的局部特征整合成船舶圖像的HOG特征向量。

3.根據(jù)權(quán)利要求1或2所述的基于SVM分類器和HOG特征的船舶圖像分類方法，其特征在于，所述SVM多分類模型包括多個(gè)SVM分類器，測(cè)試集中已打標(biāo)簽的船舶圖像數(shù)據(jù)作為船舶圖像樣本分為若干類，任意兩類船舶圖像樣本之間設(shè)計(jì)有一個(gè)SVM分類器，將任意兩類船舶圖像樣本中的船舶圖像的標(biāo)簽信息和HOG特征向量集合輸入至SVM多分類模型的各相應(yīng)SVM分類器中，每個(gè)SVM分類器對(duì)各個(gè)船舶圖像所屬船舶類別采用投票形式進(jìn)行自動(dòng)計(jì)數(shù)，將票數(shù)最多的船舶類別作為該測(cè)試集船舶圖像的類別。

4.根據(jù)權(quán)利要求1或2所述的基于SVM分類器和HOG特征的船舶圖像分類方法，其特征在于，所述數(shù)據(jù)采集處理步驟中，所述預(yù)處理包括去除不符合要求的圖像、圖像尺度歸一化和數(shù)據(jù)增強(qiáng)。

5.根據(jù)權(quán)利要求1或2所述的基于SVM分類器和HOG特征的船舶圖像分類方法，其特征在于，所述數(shù)據(jù)采集處理步驟采集的船舶圖像數(shù)據(jù)包括漁船、集裝箱船、軍艦和郵輪。