[发明专利]一种仪表检测中基于支持向量机的仪表指针抖动的识别方法

权利要求书

1.一种仪表检测中基于支持向量机的仪表指针抖动的识别方法，其特征在于：具体是按照以下步骤进行的：

步骤一、将检测的仪表种类区分为各个仪表子类；

步骤二、对于各个仪表子类在进行检测前，获得正常情况下仪表表盘的清晰图片作为训练样本；

步骤三、将训练样本进行预处理；其中，所述预处理是指对于训练样本图像进行缩放、利用噪声抑制滤波器进行去噪处理；如果是灰度图像，则对于灰度图像进行二值化；

步骤四、对于预处理之后的图像进行特征提取，以获得图像的各个特征值构成的特征空间；其中，提取的图像特征包括指针的颜色特征、灰度特征、轮廓特征和位置特征；

步骤五、根据步骤四所获得的图像的特征空间利用SVM分类器进行训练，生成训练集的SVM训练模型；

步骤六、利用改进的网格搜索法选择惩罚参数C和RBF核参数中参数r的最优参数组合，根据这组最优参数得到最优的SVM训练模型；

步骤七、利用生成的训练集最优SVM训练模型对测试图像进行识别并进行分割；

步骤八、对于分割后的测试图像判定仪表指针是否发生抖动；即完成了一种仪表检测中基于支持向量机的仪表指针抖动的识别方法。

2.根据权利要求1所述一种仪表检测中基于支持向量机的仪表指针抖动的识别方法，其特征在于：步骤四中对于预处理之后的图像进行特征提取，以获得图像的各个特征值构成的特征空间的过程为：

(1)提取的颜色、灰度和位置特征值构成特征空间，提取轮廓特征来确定指针顶点的位置和指针的宽度；

(2)将提取的特征值构成的特征空间在Matlab中进行归一化处理。

3.根据权利要求2所述一种仪表检测中基于支持向量机的仪表指针抖动的识别方法，其特征在于：步骤五中根据步骤四所获得的图像的特征空间利用SVM分类器进行训练，生成训练集的SVM训练模型具体过程为：

(1)利用训练数据集对SVM模型进行训练确定一个分界线对训练数据集中的标签为-1和标签为1的两类训练样本完全分开，其中，在高维空间时分界线为超平面；

对于给定训练样本进行分类的超平面的公式为：

确定最优超平面需要满足：

subjecttoyj(wTxj+b)≥1-ξjξj≥0j=1,...,M]]>

M是输入训练样本的数量，ξ_j是松弛因子，w是权重向量，b是一个常数，惩罚参数C；

得到最终判别类别标签的函数公式：

y_i是第i个支持向量所对应的类别标签，α_i是第i个支持向量所对应的拉格朗日乘子，x_i为第i个支持向量，x_j是第j个输入训练样本，K为核函数；

(2)利用SVM将特征空间从低维空间映射到高维空间后，训练样本线性可分；通过核函数计算出在高维空间里的向量内积值；

此SVM模型选择径向基RBF核函数，K(x_i,x_j)＝exp(-r||x_i-x_j||²)，

其中，x_i是第i个支持向量,x_j是第j个输入训练样本。