[发明专利]一种基于词袋模型和支持向量机的活塞姿态检测方法

权利要求书

1.一种基于词袋模型和支持向量机的活塞姿态检测方法，其特征在于：包括以下步骤：

步骤1)、制作活塞图像样本数据集：

1.1)制作活塞图像样本数据集，对不同姿态、不同光照强度下的活塞进行采样，得到包含裙部朝上，裙部朝下以及横卧三种姿态的活塞各n张a*b大小的标准二进制活塞图像样本，a、b的单位为mm，并为每个活塞图像样本设置一个活塞姿态类别标签，这些活塞图像样本和活塞姿态类别标签共同构成包含3n张图像的活塞图像样本数据集；

步骤2)、构建基于活塞图像样本图像特征的词袋模型：

2.1)提取活塞图像样本数据集中所有图像的N个图像特征点，N的值不固定，由具体的图像特征点提取算法和被提取图像特征点的图像确定，每一个图像特征点由一个矩阵来表示，称该矩阵为图像特征描述子，收集上述得到的N个图像特征描述子，得到N个矩阵；

2.2)构建视觉词典，使用步骤2.1)所得的N个矩阵，利用聚类方法得到M个聚类中心，每个聚类中心与步骤2.1)中得到的图像特征描述子也是同维数的矩阵，所得到聚类中心称为视觉单词，M个视觉单词按先后顺序组成了一个视觉词典；

2.3)获取活塞图像的词袋模型特征描述子，将步骤2.1)中得到的活塞图像样本数据集中单个活塞图像样本的所有图像特征描述子利用特征点匹配算法与步骤2.2)中得到的视觉词典中的视觉单词进行匹配，统计这些图像特征描述子与M个视觉单词匹配的结果，得到各个视觉单词在这些图像特征描述子中能匹配上的图像特征描述子的个数，将这些结果按视觉单词在视觉词典中的顺序组合得到一个1*M的矩阵，这个矩阵就是这个活塞图像的词袋模型特征描述子，利用这种方法获得活塞图像样本数据集中所有活塞图像样本的词袋模型特征描述子；

步骤3)、训练SVM分类器：

3.1)利用基于活塞图像样本图像特征的词袋模型与SVM结合的方式训练SVM分类器，输入数据为3n张活塞图像样本数据集中活塞图像样本的词袋模型特征描述子以及对应活塞图像样本的活塞姿态类别标签，对SVM分类器进行训练，最终得到训练好的SVM分类器；

步骤4)、用训练好的SVM分类器对未知活塞图像样本进行活塞姿态检测：

4.1)将未知活塞图像样本制作成a*b大小的标准二进制活塞图像样本，或直接采用a*b大小的标准二进制未知活塞图像样本；

4.2)利用与步骤2.1)中相同的图像特征点提取算法提取未知活塞图像样本的图像特征描述子，将提取出的未知活塞图像样本的图像特征描述子利用特征点匹配的算法与步骤2.2)中得到的视觉词典中的视觉单词进行匹配，统计匹配结果，得到未知活塞图像样本的词袋模型特征描述子；

4.3)未知活塞图像样本的词袋模型特征描述子输入步骤3)中训练好的SVM分类器中，输出未知活塞图像样本的预测活塞姿态类别标签，实现未知活塞图像样本的姿态检测。

2.根据权利要求1所述的一种基于词袋模型和支持向量机的活塞姿态检测方法，其特征在于：所述的步骤1)制作活塞图像样本数据集的同时，还制作活塞图像样本测试数据集，具体为：

1.2)制作多张a*b大小经随机虚化以及旋转处理的标准二进制活塞图像样本，并为每个活塞图像样本设置一个活塞姿态类别标签，这些活塞图像样本和活塞姿态类别标签共同构成活塞图像样本测试数据集。

3.根据权利要求1所述的一种基于词袋模型和支持向量机的活塞姿态检测方法，其特征在于：所述的步骤3)训练SVM分类器，还包括：

3.2)为检验训练效果，将3n张活塞图像样本数据集中活塞图像样本的词袋模型特征描述子输入训练好的SVM分类器中进行分类，得到这3n张活塞图像样本数据集中活塞图像样本的预测活塞姿态类别标签，并与步骤1.1)中为这些活塞图像样本设置的活塞姿态类别标签对比，绘制ROC曲线，得到活塞图像样本数据集的召回率。

4.根据权利要求2所述的一种基于词袋模型和支持向量机的活塞姿态检测方法，其特征在于：所述的步骤4.1)中将步骤1.2)中活塞图像样本测试数据集中的所有活塞图像样本均当做所需要的未知活塞图像样本。