CN103778437B

CN103778437B - 一种基于支持向量机的施工道路污染检测方法

Info

Publication number: CN103778437B
Application number: CN201410026324.2A
Authority: CN
Inventors: 陆涛; 张子健; 陆波; 梁思源; 周丁; 王元平
Original assignee: WUXI ZHONGKE ZHIYUAN TECHNOLOGY Co Ltd; ZHEJIANG SUCCESS SOFTWARE DEVELOPMENT Co Ltd; ZHONGKE EHIGHER HI-TECH DEVELOPMENT JIANGSU Co Ltd
Current assignee: WUXI ZHONGKE ZHIYUAN TECHNOLOGY Co Ltd; ZHEJIANG SUCCESS SOFTWARE DEVELOPMENT Co Ltd; ZHONGKE EHIGHER HI-TECH DEVELOPMENT JIANGSU Co Ltd
Priority date: 2014-01-21
Filing date: 2014-01-21
Publication date: 2017-04-12
Anticipated expiration: 2034-01-21
Also published as: CN103778437A

Abstract

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。

Description

一种基于支持向量机的施工道路污染检测方法

技术领域

本发明涉及图像处理及城市环境风险监测预警技术领域，尤其涉及一种基于支持向量机的施工道路污染检测方法。

背景技术

施工道路由于施工和经常有车辆的经过的原因，很容易布满灰尘，严重的影响市容市貌和行人的健康。施工道路受灰尘污染的频率高和不确定性，导致人力监测的困难，因此需要一种准确高效的施工道路污染检测方法。

目前的施工道路污染检测主要基于图像处理中的图像分割方法，图像分割的方法有很多，比如区域增长法，聚类分割等，这些方法都不能完全的把道理部分和非道路部分分割开，分割的速度不快，无法做到对施工道路的实时检测；在特征选择方面，不同道路的最佳特征可能不一样，一种模型很难适用所有的施工道路。

发明内容

本发明的目的在于针对目前图像分割速度慢且不精确，模型单一等缺陷，提供一种基于支持向量机的施工道路污染检测方法，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，从而达到分类结果更加准确；通过提取12个特征，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。

本发明是通过以下技术方案实现的：一种基于支持向量机的施工道路污染检测方法，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SVD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]，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，nW由检测区域的大小决定，不小于2，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Centers[i]为矩阵Centers[K,2]第i行；定义一个一维向量Tags[n]，其中Tags[i]＝arg_j min(||PC[i]-center[j]||)(i＝0,1……n-1,j＝0,1,……k-1)，Tags[n]是记录道路像素点的类标签；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：其中计算类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)表示矩阵IR的第y行第X列。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，分别对分量的值做均值方差歪斜度其中x_i为LUV中的3个分量中的值。采用灰度共生提取的纹理特征得到灰度共生矩阵p[i,j]，计算能量ASM＝∑_i∑_j p(i,j)²,对比度CON＝∑_n n²(∑_|i-j|＝_n p(i,j))，相关度一共是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：采用支持向量机技术和高斯核函数k(x₁,x₂)＝exp(-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r,c。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95％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。

本发明的有益效果是：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。

附图说明

图1是本发明施工道路污染检测方法实现流程图；

图2是本发明对道路图片进行特征提取的流程图。

具体实施方式

如图1所示，本发明基于支持向量机的施工道路污染检测方法包括如下步骤：

步骤2：对道路图像进行特征提取。如图2所示包含如下子步骤：

(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，比如绿化带等。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，LUV颜色模型更符合人对颜色的感觉，弥补RGB颜色模型的不足。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SVD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]，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，nW由检测区域的大小决定，不小于2，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。

(2.4.4)得到K个中心点Centers[K,2]，定义Centers[i]为矩阵Centers[K,2]第i行；定义一个一维向量Tags[n]，其中Tags[i]＝arg_j min(||PC[i]-center[j]||)(i＝0,1……n-1,j＝0,1,……k-1)，Tags[n]是记录道路像素点的类标签；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：其中计算类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)表示矩阵IR的第y行第X列。IR(y,x)＝1表示像素点P(x,y)是在第一步保留下的道路部分并且在第五步其对应的类标签是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，分别对分量的值做均值方差歪斜度x_i为LUV中的3个分量中的值。采用灰度共生提取的纹理特征得到灰度共生矩阵p[i,j]，计算能量ASM＝∑_i∑_j p(i,j)²,对比度CON＝∑_n n²(∑_|i-j|＝n p(i,j))，相关度一共是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：采用支持向量机技术和高斯核函数k(x₁,x₂)＝exp(-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r,c。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。

Claims

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SVD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]，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，nW由检测区域的大小决定，不小于2，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Centers[i]为矩阵Centers[K,2]第i行；定义一个一维向量Tags[n]，其中Tags[i]＝arg_jmin(||PC[i]-center[j]||)(i＝0,1……n-1,j＝0,1,……k-1)，Tags[n]是记录道路像素点的类标签；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：其中计算类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)表示矩阵IR的第y行第X列；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，分别对分量的值做均值方差歪斜度x_i为LUV中的3个分量中的值；采用灰度共生提取的纹理特征得到灰度共生矩阵p[i,j]，计算能量ASM＝∑_i∑_jp(i,j)²,对比度CON＝∑_nn²(∑_|i-j|＝np(i,j))，相关度一共是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：采用支持向量机技术和高斯核函数k(x₁,x₂)＝exp(-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r,c；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。