[发明专利]基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法

说明书

技术领域

本发明属于图片处理和模式识别领域，涉及一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，对铁路货检中的卷刚装载状态进行分类识别。

背景技术

货物装载加固是保证铁路运行安全和货物安全的重要措施。列车运行是在动态状态下的，如装载加固不良则会产生货物移动、滚动、倾覆或者坠落、倒塌现象，甚至导致列车颠覆。在各种运载货物中，卷钢是目前货运比重最大，运输危险系数最高的货物之一。现阶段对于卷钢的装载运输主要是靠超偏载系统的检测，手段相对单一，鉴于目前在车站内卷钢监控人工检查困难的现实，同时为落实《关于加强卷钢装运安全工作的通知》（铁运〔2010〕110号）要求，加强对卷钢发生窜滚或位移的发现手段。需要在调车作业编/发（牵出）线咽喉安装铁路卷钢货车识别与预警系统。因此，如何自动的对卷钢装载状态进行快速分类识别，是目前铁路货运智能化系统的一个关键问题和前提条件。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，解决在复杂自然条件下自动识别卷刚装载状态的分类问题。

技术方案

一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，其特征在于步骤如下：

步骤1、构建卷钢装载状态的特征样本空间：

步骤1）、提取SURF特征向量集合：根据卷刚图片，将不同装载状态设定为NC类，表示为{C_i|i=1,2,3…,NC}；

以每一类分别随机挑出60幅卷刚图片作为各个类的训练图片，首先压缩类C_i中的每一幅训练图片OP_ij得到图片P_ij，使得P_ij的长边长度为1000像素，P_ij的短边长度S_ij=OS_ij×1000/OL_ij，其中OL_x表示图片OP_x的长边长度，OS_x表示图片OP_x的短边长度。

然后提取P_ij的SURF特征，得到一个nf×208维度的矩阵的特征集合F_ij；

F_ij={f₁,f₂,…,f_nf}^T

其中：i表示卷钢状态类，j表示该类中第j个训练图片，f₁,f₂,…,f_nf表示SURF特征描述子，是一个208维的列向量；nf表示图片P_ij提取得到的SURF特征点个数；

所述卷刚图片为采用线阵CCD技术获得的铁路货运列车的卷钢数据图片；

步骤2）、用KAP算法对提取的SURF特征集合F_ij进行聚类，得到的K个类中心，分别用cf_k表示，k=1,2,…,K；用CF_ij表示cf_k的集合：

CF_ij={cf₁,cf₂,…cf_K}^T

以CF_ij作为F_ij的代表性特征加入样本空间G，

所述G是一个NF×208维度的矩阵，每一行表示一个SURF特征描述子，NF为KAP聚类后的全部特征点个数，NC类中的每类有NI幅图片，则NF＝NC×NI×K；

所述KAP算法在聚类后会自动选出每一类的代表性特征，称为exemplar,CF_ij为exemplar的集合，迭代过程如下：