[发明专利]一种基于椭圆度量学习的压板状态检测算法

权利要求书

1.一种基于椭圆度量学习的压板状态检测算法，其特征在于，包括以下步骤：

步骤1：采集压板的图像数据，并对数据进行处理；

步骤2：通过HSV颜色直方图和LBP直方图对压板的状态进变换，用滑窗法提取压板的MWM细节特征，并通过归一化标准化处理，得到组合特征向量；

步骤3：使用二次判别分析，用高斯概率模型拟合压板不同状态与正常状态样本特征之间的差值分布，并分别计算协方差矩阵∑₁、∑_E，通过求解公式(1)得到降维矩阵W，相应地由公式(2)得到椭圆型度量矩阵Ω(W)；公式(1)和公式(2)如下：

其中对初始特征x_i、x_j∈R^d，通过降维矩阵W∈R^d×r(rd)将初始高维(d维)特征向量映射到低维(r维)子空间中，与分别是新的特征子空间中类内和类间协方差矩阵；

步骤4：利用特征子空间椭圆型度量d_E(x,y)计算测试集和训练集之间的距离，取每个测试样本距离前5个样本的平均距离作为最后的判断依据。

2.根据权利要求1所述的一种基于椭圆度量学习的压板状态检测算法，其特征在于，所述步骤1中，通过摄像设备和照明设备对压板清晰的图像数据采集多组图像(大于100幅)，并从多组图像内随机抽取100幅图像作为训练样本。

3.根据权利要求1所述的一种基于椭圆度量学习的压板状态检测算法，其特征在于，所述步骤2中，对于每一幅样本图像(尺寸为880像素×120像素)采用10像素×10像素的子窗口，步长为5个像素扫描整幅图像，在每个子窗口中，将HSV颜色空间量化为512个颜色小区间，每个颜色小区间的直方图代表着其在子窗口中出现的概率；同时，每个子窗口也提取它的LBP统计直方图特征，对每个子窗口中的某个像素，将相邻的8个像素的灰度值与其进行比较，并将得出的数据进行进制的转换作为该像素点的LBP值，通过LBP值计算出每个子窗口的直方图，最后通过归一化标准化处理，得到组合特征向量。

4.根据权利要求1所述的一种基于椭圆度量学习的压板状态检测算法，其特征在于，所述步骤2中，将样本图像进行缩放，并提取MWM特征将缩放后提取的特征组合在一起，构成一个新的特征向量X＝(X₁,X₂,···,X_n)^T描述压板状态，并通过对数据特征向量X作归一化处理，归一化后的特征向量记为其中通过公式(3)计算，公式(3)如下：

5.根据权利要求1所述的一种基于椭圆度量学习的压板状态检测算法，其特征在于，所述步骤3中，给定可逆对称矩阵Ω＝R^n×n，得出x、y的双向性形式为公式(4)如下：

ω(x,y)＝x^TΩy (x、y∈Rⁿ) (4)

式中x、y——样本特征向量

ω——x、y关于Ω的双线性函数

令Eⁿ＝{x∈Rⁿ:ω_xy＞0}，定义为d_E:Eⁿ×Eⁿ→R⁺，椭圆型度量技术按公式(5)如下：

式中d_E(x,y)——样本下，x，y的椭圆型度量

i——虚数单位

ω_xx——x，x关于Ω的双线性函数

ω_yy——y，y关于Ω的双线性函数

k——曲率半径。