[发明专利]水利工程复杂环境下的图像分析抗干扰方法

说明书

本发明公开了一种水利工程复杂环境下的图像分析抗干扰方法，S1，粗略筛选前景连通区域；S2，以非极大值抑制方法去除多余连通区；S3，图像特征提取；S4，基于SVM的分类处理，在S3得到所述图像特征值后，以图像特征值区分该前景区域是否为环境干扰；S5，使用所述分类模型去除环境干扰，分类模型将对每个外接矩形区域输出判断结果，若输出结果为0，则判定该外接矩形区域为环境干扰，将其从结果中删除；若输出结果为1，则将其保留。本发明有效的降低水利工程现场的外界干扰因素对算法结果的影响，降低算法误报，提高险情识别的准确率；能够在短时间内快速建立新的模型并投入使用，有较好的可拓展性。

技术领域

本发明涉及图像分析抗干扰方法，尤其是涉及水利工程复杂环境下的图像分析抗干扰方法。

背景技术

水利工程多处于野外地区，现场环境复杂，动物、植物、人员、车辆等各种外界非水文或地质干扰因素经常出现在工程场景内。因此，单纯的使用前景目标检测技术对水利工程险情信息进行监控，无法实现对外界干扰因素与实际工程险情进行有效区分，这就导致形成大量的误报信息，直接影响了水利工程的安全维护与抢险工作正常进行。

发明内容

本发明目的在于提供一种水利工程复杂环境下的图像分析抗干扰方法。

为实现上述目的，本发明采取下述技术方案：

本发明所述水利工程复杂环境下的图像分析抗干扰方法，包括下述步骤：

S1，粗略筛选前景连通区域：首先对被监测现场视频流图像处理后的前景二值图像提取每个连通区轮廓，然后计算每个所述连通区轮廓的外接矩形面积s；设定面积阈值t，如果st，则保存并进入下一步方法判断，若s≤t，则认为是噪声信息从结果中删除；

S2，以非极大值抑制（NMS）方法去除多余连通区：在S1得到的结果中包含多个所述外接矩形，多个外接矩形会导致外接矩形之间存在包含或大部分区域交叉的情况，因此应当去除多余的矩形窗口；

S3，图像特征提取：使用HS直方图特征与HOG梯度特征作为图像描述特征；所述HS直方图特征只选择色相一个维度计算直方图，色相直方图参数bin=180；所述HOG梯度特征计算参数设置为：图像尺寸=64×128，滑动窗口尺寸=64×128，Block尺寸=16×16，Block_Stride=(8,8)，Cell尺寸=8×8，直方图bin=9，总特征维度为3780；对第S2结果中的各个外接矩型图像区域使用上述两个图像特征算子进行计算，得到每个外接矩形区域的图像特征值；

S4，基于SVM的分类处理：在S3得到所述图像特征值后，以图像特征值区分该前景区域是否为环境干扰；SVM是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器；SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面；对于线性可分的数据集来说，这样的超平面有无穷多个，但是几何间隔最大的分离超平面却是唯一的；在本方法中以SVM作为基础分类器进行分类，SVM训练学习步骤如下：

S41，收集样本图像：在本方法中，正负样本图像各收集500个，对收集的样本图样进行S 3的特征提取，形成样本特征集并标注，所述标注是指：环境干扰图像标记为0，非干扰图像标记为1；

S42，设定SVM学习参数：经过网格搜索调优后，所述SVM学习参数设定为：核方法=多项式内核，多项式次数=2，惩罚系数C=0.01；

S43，将所述样本特征集导入训练器中进行训练，最终得到分类模型；

S5，使用所述分类模型去除环境干扰：将分类模型用于S3的计算结果中，分类模型将对每个所述外接矩形区域输出判断结果，若输出结果为0，则判定该外接矩形区域为环境干扰，将其从结果中删除；若输出结果为1，则将其保留。

S2中，去除多余的矩形窗口步骤为：