申请/专利权人：大连海事大学

申请日：2020-12-31

公开（公告）日：2024-03-22

公开（公告）号：CN112733914B

主分类号：G06V20/05

分类号：G06V20/05;G06V10/764;G06V10/50;G06V10/44

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.05.21#实质审查的生效;2021.04.30#公开

摘要：本发明公开了一种基于支持向量机的水下目标视觉识别分类方法，包括：对拍摄到的原始水下图像进行图像预处理，包括将图像的多维度环境特征转换到HSV颜色空间进行去背景处理、解算得到包含目标的二值化图像；将二值化图像映射到原始水下图像中进行剪裁处理获得目标图像；提取目标物图像的HOG特征信息，通过计算和统计图像局部区域的梯度方向直方图从而构造HOG特征信息；以目标物和障碍物为标签信息基于HOG特征信息训练优化支持向量机，寻求最优分类方式从而对目标物和障碍物进行分类处理；采用水下航行器进行实验，通过真实环境实验和仿真分析验证所提出的基于支持向量机的水下目标视觉识别分类方法的有效性和稳定性。

主权项：1.一种基于支持向量机的水下目标视觉识别分类方法，其特征在于包括：对拍摄到的原始水下图像进行图像预处理，包括将图像的多维度环境特征转换到HSV颜色空间进行去背景处理、解算得到包含目标的二值化图像；将二值化图像映射到原始水下图像中进行剪裁处理获得目标图像；提取目标物图像的HOG特征信息，通过计算和统计图像局部区域的梯度方向直方图从而构造HOG特征信息；以目标物和障碍物为标签信息基于HOG特征信息训练优化支持向量机，寻求最优分类方式从而对目标物和障碍物进行分类处理；采用水下航行器进行实验，通过真实环境实验和仿真分析验证所提出的基于支持向量机的水下目标视觉识别分类方法的有效性和稳定性；以包含目标物的图像为正样本信息、包含障碍物的图像为负样本信息，对正负样本提取HOG特征信息，通过计算和统计图像局部区域的梯度方向直方图构成HOG特征，将图像分成多个单元格细胞，采集其中各像素点的梯度或边缘方向直方图并组合构成特征描述器，具体方式为：采用[-1,0,1]梯度算子对原图像做卷积运算得到x方向的梯度分量，采用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量；采用以下公式计算该像素点的梯度大小和方向，图像中像素点x,y的梯度为：Gxx,y＝Hx+1,y-Hx-1,y4Gyx,y＝Hx,y+1-Hx,y-15其中，Gxx,y，Gyx,y，Hx,y分别表示输入图像中像素点x,y处的水平方向梯度、垂直方向梯度和像素值，像素点x,y处的梯度幅值和梯度方向分别为 将图像分成若干个单元格细胞，每个单元格细胞为8×8个像素，将单元格细胞的梯度方向360度分成9个方向块来统计该8×8个像素的梯度信息，即zn＝[20n-1，20n，[180+20n-1，180+20n|n∈[1，9，如果像素的梯度方向αx,y∈zn，则在直方图第n个方向块的统计中加上1×Gx,y；在每个单元格细胞里，对所有像素的各个梯度方向区间进行直方图统计，得到9维的特征向量，每相邻的4个单元格细胞构成一个块，每个块的尺寸为16×16，把一个块内的特征向量联起来得到64维的特征向量，用块对样本图像进行扫描，扫描步长为一个单元，步长设置为8×8，最后将所有块的特征串联得到目标的HOG特征将目标物的HOG特征x1,x2,x3,…,xn和障碍物的HOG特征xn+1,xn+2,xn+3,…,xm分别带入到分类超平面fxi＝wTxi+b，使其满足： 式中，wT∈H超平面法向量，H表示内积空间，b∈R表示偏移量，yi表示类别，当yi＝1时标签为目标物，当yi＝-1标签为障碍物，在约束条件yiwTxi+b≥1,i＝1,2,…,m下，已有训练样本集中求解引入拉格朗日函数： α＝α1,α2,…,αn为拉格朗日乘子向量，通过对其对偶问题的求解求得最优的超平面参数为和b*，最后得到最优分类超平面函数为 通过将图像的HOG特征带入到最优分类超平面函数，若结果为正，则为目标物，反之则为障碍物，最后将识别结果映射到二值图像中。

全文数据：

权利要求：

百度查询： 大连海事大学 一种基于支持向量机的水下目标视觉识别分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD