[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

说明书

本发明公开了一种基于多通道特征融合和机器学习的漏水检测方法，首先选择漏水检测的区域得到待检测视频图像序列，然后对选定的待检测视频图像序列通过动态变化区域图像块提取和分割得到待分类图像块集合，对待分类图像块集合提取的特征包括梯度通道特征，HOG通道，LUV色彩空间的L通道特征，对样本集合中提取这三个特征归一化融合后进行SVM训练，得到一个分类器，将待分类图像块提取的特征集合输入分类器即可得到待预测漏水图片的分类结果，最后采用非极大值抑制的方法并进行简单的统计以及阈值控制得到最终的漏水检测结果。本发明具有非接触性，成本低的优点，并能对漏水的程度提供一定的信息，能够在一定条件下完成高精度的漏水检测。

技术领域

本发明属于视频监控系统中的图像处理领域，特别涉及用多通道特征融合和机器学习的方法进行漏水检测。

背景技术

漏水检测领域传统的技术大体可以分为两种，第一种是采用传感器技术，利用水的导电性或者漏水点产生声波和负压波等物理特性进行漏水检测，常见的漏水检测产品有传感电缆和漏水相关检测仪等；第二种采用红外热成像技术，在周围物体和水存在一定温差时，对热成像图像进行简单的图像分割完成漏水检测任务。近年来，图像识别技术应用于视频监控系统的发展如火如荼，Pascal Mettes等研究学者针对水体检测的工作取得了很好的效果，但采用图像处理技术处理光学视频进行的漏水检测工作几乎未有研究学者涉足。

在智能化工厂建设的浪潮中，许多传统工厂对采用自动化和智能化技术来对工厂设备进行异常情况检测有着极大的需求。工厂的异常情况检测中，管道等设备的漏水检测是重要一环。然而面对工厂复杂的电磁环境和实际需求，传统的检测方式存在着无法统计漏水速率以及硬件成本高等问题难以克服，难以满足要求。而本发明采用数字图像处理的手段能降低硬件成本并能在给出漏水判决结果的同时对漏水频率估计提供一定信息来解决工厂漏水检测问题。值得注意的是，水流或水滴存在着颜色透明的问题，所以本发明在背景和水流或水滴存在对比度的情况下，利用传统光学摄像头获取的监控视频，采取基于机器学习的方法进行漏水检测。基于机器学习的分类方法即利用已有被标记分类结果的样本，选取合适的图像特征表示样本的图像性质，将特征集合采用学习策略训练一个分类模型，一般使用的有监督分类器有SVM、Adaboost、Random forest等，最后把预测图像作为测试样本，利用已经训练好的模型对测试样本进行预测，从而完成对待预测样本的分类。

发明内容

本发明的目的在于提供一种基于多通道融合和机器学习的漏水检测方法，该方法能够在实际环境中完成高精度的漏水检测任务。

本发明提供的一种基于多通道融合和机器学习的漏水检测方法，具体包括以下步骤：

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；

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5，对漏水图片和非漏水图片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；