[发明专利]一种基于多通道特征融合和机器学习的漏水检测方法

权利要求书

1.一种基于多通道特征融合和机器学习的漏水检测方法，其特征在于，包括如下步骤：

步骤1，获取原始漏水检测区域视频，根据需要对原始视频中的漏水检测区域进行选取，选定结果记为待检测视频序列V_ROI；

步骤2，运动变化图像块提取，包括对步骤1得到的待检测视频序列，利用帧间差算法得到差分图像，以固定尺寸且不重叠矩形框对差分图像分块，再对每一块图像的像素值进行累加统计，利用阈值提取得到待检测视频序列中的运动变化图像块集合；

步骤3，运动变化图像块分割，包括对步骤2获得的运动变化图像块集合中每一个图像块进行有重叠的块分割，得到待分类图像块集合；

对运动变化图像块集中的每个运动变化图像块均采用了N×N的滑动窗分块，其中，W₁、H₁分别为不重叠矩形框的宽和高，设x方向滑动步长为S_x个像素，y方向的滑动步长为S_y个像素，则一个W₁×H₁的运动变化图像块可以分割为M个尺寸为N×N的待分类图像块，假设t时刻的待检测视频序列提取的运动变化区域图像块集合的元素数目为S，则能得到M*S个元素的待分类图像块集合其中i，j为待分类图像块的左上角坐标，W₂和H₂均为N；

步骤4，特征提取，包括对步骤3待分类图像块集合中每个待分类图像块分别进行特征提取，提取的特征包括梯度通道特征，HOG通道特征，LUV色彩空间的L通道特征，然后对以上三种通道特征分别进行归一化，最后串联融合得到多通道特征；

步骤4中HOG通道特征的提取方式如下，

①对输入图像进行灰度化处理，其中输入图像指待分类图像块集合中每个待分类图像块；

②采用Gamma校正法对输入图像进行颜色空间归一化；

③计算图像每个像素点的梯度幅值和梯度方向；

④将图像划分为多个尺寸为C1*C2像素的细胞单元cell，对每一个cell块所有像素的梯度直方图考虑梯度方向的情况下进行角度投影，投影策略为：首先将整个360度的圆等分成12个份，对角的两份认为是一个bin，因此得到6个bin，每个bin包含60度；然后根据梯度幅值通道中每个像素点的梯度方向，以梯度幅值为权重在9个bin上投影，从而得到6个方向的细胞单元描述特征；

⑤将多个小的cell组合形成一个尺寸为B1*B2像素的图像块block，把一个block内的所有cell得到的细胞单元描述特征进行串联得到一个block的HOG特征；

⑥将所有图像块的HOG特征串联，组合形成表示整个输入图像的HOG特征；

对于HOG特征的提取，细胞单元cell尺寸为C1*C2像素，图像块block尺寸为B1*B2，block在x方向的滑动步长为S1，y方向的滑动步长为S2，图像尺寸为64x128像素，则得到最后提取的HOG特征维度为：

Dimension_Hog＝[(64-B1)/S1+1]*[(128-B2)/S2+1]*(B1/C1)*(B2/C2)*6

其中，B1的取值是C1的整数倍，B2的取值是C2的整数倍；

步骤5，对漏水图像和非漏水图像构成的训练样本集合提取多通道特征，并利用SVM模型进行训练得到分类器，然后利用分类器对每个待分类图像块进行二分类预测，分类结果为漏水图像块和无漏水图像块；

步骤6，对分类器得到的每一帧图像内所有的漏水图像块采用非极大值抑制策略，取最高置信度的漏水图像块为最后的输出结果，然后对一定数目连续帧中检测出的漏水图像块的数目进行统计，完成最终的漏水检测。