[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

摘要

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。

主权项

一种基于多通道特征融合和机器学习的漏水监测方法，其特征在于，包括如下步骤：步骤1，获取原始漏水监测区域视频，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VROI；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；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，完成最终的漏水监测。