[发明专利]一种基于多示例的输电线路区域车辆类型的识别方法

说明书

技术领域

本发明涉及输电线路技术领域，更具体地，涉及一种基于多示例的输电线路区域车辆类型的识别方法。

背景技术

近年来，输电线路遭到人为过失破坏的问题越来越突出。例如：盲目施工、机耕作业、交通事故等。由于输电线路长期裸露在野外，具有面广、线长的特点，有的输电线路还处于人口密集地区，输电线路一旦遭受外力破坏，不仅影响电力企业的安全生产和人民群众的人身安全，给生活带来不可估量的损失，更重要的是制约国民经济的快速发展。输电线路监控任务的需求日益迫切。

目前，输电线路前端摄像头的数量规模日益增长，而目前主要采用人工的方式对监控视频进行查看。这种方式会造成监视人员疲乏，效率低下，不能及时发现输电线路及周边发生的异常情况。在图像处理技术和模式识别技术快速发展的情况下，利用智能化巡检替代人员巡视是必然趋势。

在传统学习框架中，一个样本代表一个示例，即样本和示例是一一对应关系，同时示例的标签全部已知或者全部未知；而在多示例学习中，一个样本被定义为一个包，其中包含了多个示例，即样本和示例是一对多的对应关系，同时样本(包)的标签已知但是示例的标签未知。所以多示例学习中的训练样本的歧义性与传统学习中样本的歧义性都完全不同，这使得传统学习方法难以解决多示例问题。

在传统视频监控中包括有目标区域(ROI)定位，特征提取，分类几个主要步骤。一般一个图像样本中有且仅有一个可疑的目标区域，使用特征提取办法，每个区域会提取出一个特征矢量，用以表示该区域的信息，如果定义每个图像为一个示例，那么每个示例都存在一个确定的标签以及一组特征矢量，最终的样本库中每个样本示例都具有确定的标签，基于以上样本库的分类问题为传统的单ROI样本分类。但是输电线路的视频监控中，很可能存在多个车辆，其中包含普通车辆，同时也包含需要报警的特种车辆。这样相对于传统情况，此种情况每幅图像中包含多个具有不确定标签的区域，致使样本库中的样本示例都没有标签，即样本库中缺失示例的标签信息。如果用传统分类方法则有以下情况：

普通车辆样本和特种车辆样本都含有大量的相似的信息，使得样本区分性受到严重影响，最终分类不理想。

发明内容

本发明为解决现有技术存在的无法在信息缺失的情况下对车辆类型进行识别的技术缺陷，提供了一种基于多示例的输电线路区域车辆类型的识别方法。

为实现以上发明目的，采用的技术方案是：

一种基于多示例的输电线路区域车辆类型的识别方法，包括以下步骤：

S1.通过训练样本和测试样本构建包结构，形成测试示例包和多个训练示例包，其中所述训练示例包可为正例示例包或反例示例包；

S2.分别计算测试示例包和每个训练示例包之间的Hausdorff距离，然后测试示例包选取距离最接近的数个训练示例包作为其投票集合；

S3.计算测试示例包与投票集合间基于距离加权的决策函数：

其中X为测试示例包，T_i为X投票集合中的训练示例包，其标签c_i为+1或-1，分别表示训练示例包为正例示例包或反例示例包；d(T_i,X)为训练示例包T_i与测试示例包X之间的距离函数；W_i(d(T_i，X))表示训练示例包T_i与测试示例包X之间的距离加权值；

S4.计算测试示例包与投票集合间基于离散度加权的决策函数：

S(T_i)表示训练示例包T_i的离散度加权值；

S5.综合的加权决策函数为：

S6.通过下式得出测试示例包的类别L(X)：

与现有技术相比，本发明的有益效果是：

本发明构造出适合于输电线路监控的包结构，进而成功地将多示例学习方法引入到此类图像的分类问题中，并解决了由于ROI提取算法不精确而造成的多ROI分类问题。在此类问题上，对车辆的分类效果相对于传统分类方法有较大的提高。

附图说明

图1为本发明提供的改进的Citation-kNN算法的示意图。

图2为距离加权方法所解决的一种样本分布图。

图3为离散度加权方法所解决的一种样本分布图。

图4为训练样本中存在噪声的示意图。

具体实施方式