[发明专利]一种基于多特征机器学习的水面垃圾识别方法

权利要求书

1.一种基于多特征机器学习的水面垃圾识别方法，其特征在于：包括以下步骤：

S1：识别模型初始化，生成一个内容为空的数据库系统，数据库系统包括贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据以及机器学习模型中的参数；

对于所述正例训练数据、反例训练数据、正例测试数据和反例测试数据的采集，采用船载摄像头拍摄的不同场景的视频，对不同的环境建立对应的线性表来映射，然后在视频中截取对应的帧作为采集的正例训练数据、反例训练数据、正例测试数据和反例测试数据；

S2：将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量，将正例图像的特征向量和反例图像的特征向量带入系统模型中训练，生成对应的知识库，然后采用测试数据对知识库进行检验，直到知识库满足要求为止；

所述初始化预处理包括以下步骤：

S21：采用改进的中值滤波算法突出边缘；

S22：采用图像显著性提取算法突出前景目标；

S23：通过otsu算法动态地提出阈值，分离前景目标和背景目标得到二值化图像；

S24：采用形态学运算修补前景目标边缘，通过基于连通域大小的分离方式，避免体积较小的前景目标的干扰；

所述提取对应的特征向量包括：

提取基于水面前景目标的RGB颜色模型描述子和边缘矩理论描述子相结合的特征，生成特征向量，RGB颜色模型：

Y＝a|R-R_A|+b|G-G_A|+c|B-B_A| (1)

式(1)中R_A、G_A、B_A分别表示水面背景平均RGB颜色空间，R、G、B表示当前像素点的颜色，a、b、c表示可调线性放大倍数；

边缘矩理论描述子模型：

a_i＝L_i+L_i+2-2L_i+1 (2)

式(2)表示相邻边缘点到边缘轮廓中心距离的二阶差分方程，其中L_i表示边缘轮廓中心到边缘的距离，i取0到Cnt-2，Cnt为外围边缘像素点数量，当a_i＜Threshold，则认为a_i等于0，则反应出目标边沿变化较小，其中Threshold为预定阈值，根据实际情况实验调节；

S3：将对应的知识库带入到识别系统中，通过船载摄像头动态地读取水面状况数据，再周期性的采集摄像头传输的图像数据，并且将其传输到上位机；

S4：上位机对图像数据进行与步骤S2中所述初始化预处理相同的预处理后，提取与建模时相同的特征向量，并将特征向量带入机器学习模型，机器学习模型读取对应的知识库，对新的特征向量做出判断，并将判断的结果以标记数据的形式输出。

2.根据权利要求1所述的基于多特征机器学习的水面垃圾识别方法，其特征在于：在步骤S3中，为满足系统实时性要求，无人船体行驶的速度V，采样周期T，满足关系式：TV≤0.2。

3.根据权利要求2所述的基于多特征机器学习的水面垃圾识别方法，其特征在于：在步骤S2中，对中值滤波中，根据像素点颜色与水面平均像素欧式距离的远近，赋予不同的权重；边缘修补形态学运算采用先膨胀后腐蚀的方式修补边缘，对于其中的滤波核，根据图像的远近采用动态大小的滤波核。