基于电力基建作业图形数据库的违章特征提取方法技术

本发明专利技术公开了一种基于电力基建作业图形数据库的违章特征提取方法，包括以下步骤：包括以下步骤：对图形的像素进行归一化；将归一化后的图形输入基学习器内，在所述基学习器内进行HOG特征提取、SIFT特征提以及CNN特征提取；将特征提取完的图形进行集成学习，获得分类结果。本发明专利技术可以大大提高图像特征提取准确率。率。

【技术实现步骤摘要】
基于电力基建作业图形数据库的违章特征提取方法


[0001]本专利技术涉及电力
，尤其是一种基于电力基建作业图形数据库的违章特征提取方法。

技术介绍

[0002]目前，为提高电力基建现场的安全管理，降低事故的发生，电力基建现场的监管工作多以工作人员到现场进行监管为主。虽然这种监管方式在一定程度上降低了事故的发生，但是浪费了大量的人力和时间。但是现有的电力基建作业图形数据库的违章特征识别率低下，无法满足现在日益发展的社会状况。

技术实现思路

[0003]本专利技术要解决的技术问题是提供一种基于电力基建作业图形数据库的违章特征提取方法。
[0004]为解决上述技术问题，本专利技术所采取的技术专利技术如下。
[0005]本专利技术公开一种基于电力基建作业图形数据库的违章特征提取方法，包括以下步骤：
[0006]对图形的像素进行归一化；
[0007]将归一化后的图形输入基学习器内，在所述基学习器内进行HOG特征提取、 SIFT特征提以及CNN特征提取；
[0008]将特征提取完的图形进行集成学习，获得分类结果。
[0009]作为本专利技术的一种优选技术专利技术，HOG特征提取实现步骤包括训练阶段和测试阶段；
[0010]HOG特征提取的训练阶段：对于输入的待训练的已知标记的图形集，首先用HOG进行特征提取，用图形的HOG特征作为SVM的输入，根据图形已知的标记，计算损失函数，从而进行训练，其损失函数计算公式如下所示：
[0011][0012]其中N是训练样本图形的个数，c是SVM分类器分类的个数，P
ik
为第i张图形样本被预测到第k个类的概率，P
ik
为第i张图形样本实际为第k个类的概率；
[0013]其中HOG进行特征提取的步骤包括：灰度化与标准化；计算梯度；统计单元格内梯度；块内的归一化；得到图形特征描述。
[0014]作为本专利技术的一种优选技术专利技术，HOG特征提取的测试阶段：训练好的HOG 基分类器，输入任意一张图形，经过HOG基分类器，得到其类别。
[0015]作为本专利技术的一种优选技术专利技术，SIFT特征提实现步骤包括训练阶段和测试阶段；
[0016]SIFT特征提取的训练阶段：对于输入的待训练的已知标记的图形集，首先用SIFT
的方法进行特征提取后用Bag
‑
of
‑
Words模型进行聚集后所产生的特征，用这些特征作为SVM的输入，根据图形已知的标记，计算其损失函数，进行训练，由于都是SVM分类的结果，其损失函数计算过程与HOG的损失函数计算过程相同，如下所示：
[0017][0018]其中N是训练样本图形的个数，c是SVM分类器分类的个数，P
ik
为第i张图形样本被预测到第k个类的概率，P
ik
为第i张图形样本实际为第k个类的概率。
[0019]作为本专利技术的一种优选技术专利技术，SIFT特征提取的测试阶段：训练好的 SIFT基分类器，输入任意一张图形，经过HOG基分类器，得到其类别。
[0020]作为本专利技术的一种优选技术专利技术，CNN特征提实现步骤包括训练阶段和测试阶段；
[0021]CNN特征提取的训练阶段：在待训练的图形集上面进行训练CNN框架系统，由于已经进行了预训练，因此训练的目的只是对CNN系统里的参数进行略微的调整，使之更加适应目标图形集，损失函数计算公式如下所示：
[0022][0023]其中，N是训练样本图形的个数，c是SVM分类器分类的个数，P
ik
为第i 张图形样本被预测到第k个类的概率，P
ik
为第i张图形样本实际为第k个类的概率。
[0024]作为本专利技术的一种优选技术专利技术，CNN特征提取的测试阶段：训练好的CNN 基分类器，输入任意一张图形，经过CNN基分类器，得到其类别。
[0025]作为本专利技术的一种优选技术专利技术，所述集成学习包括简单平均法和加权投票法。
[0026]作为本专利技术的一种优选技术专利技术，所述简单平均法为：将每个基分类器得到的对每个类的结果进行简单的平均，取分类最高的类别作为分类结果。
[0027]作为本专利技术的一种优选技术专利技术，所述加权投票法为：以每个基分类器测试结果的正确率作为权重，对每个类进行加权平均，去得分最高的类别作为分类结果。
[0028]采用上述技术专利技术所产生的有益效果在于：本专利技术针对单独的图像特征提取分类算法各自有局限性的问题，本专利技术引入集成学习的思想，从中选取了卷积神经网络，方向梯度直方图和尺度不变特征变换三种优秀的图像分类算法进行集成学习，大大提高了图像特征提取准确率。
具体实施方式
[0029]以下实施例详细说明了本专利技术。本专利技术所使用的各种原料及各项设备均为常规市售产品，均能够通过市场购买直接获得。
[0030]在以下实施例的描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0031]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描
述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0032]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0033]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当。。。时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0034]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0035]在本申请说明书中描述的参考“一个实施例”或“一些实施例”意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0036]本专利技术公开一种基于电力基建作业图形数据库的违章特征提取方法，包括如下步骤：...

【技术保护点】

【技术特征摘要】
1.一种基于电力基建作业图形数据库的违章特征提取方法，其特征在于，包括以下步骤：对图形的像素进行归一化；将归一化后的图形输入基学习器内，在所述基学习器内进行HOG特征提取、SIFT特征提以及CNN特征提取；将特征提取完的图形进行集成学习，获得分类结果。2.根据权利要求1所述的一种基于电力基建作业图形数据库的违章特征提取方法，其特征在于：HOG特征提取实现步骤包括训练阶段和测试阶段；HOG特征提取的训练阶段：对于输入的待训练的已知标记的图形集，首先用HOG进行特征提取，用图形的HOG特征作为SVM的输入，根据图形已知的标记，计算损失函数，从而进行训练，其损失函数计算公式如下所示：其中N是训练样本图形的个数，c是SVM分类器分类的个数，P
ik
为第i张图形样本被预测到第k个类的概率，P
ik
为第i张图形样本实际为第k个类的概率；其中HOG进行特征提取的步骤包括：灰度化与标准化；计算梯度；统计单元格内梯度；块内的归一化；得到图形特征描述。3.根据权利要求2所述的一种基于电力基建作业图形数据库的违章特征提取方法，其特征在于：HOG特征提取的测试阶段：训练好的HOG基分类器，输入任意一张图形，经过HOG基分类器，得到其类别。4.根据权利要求3所述的一种基于电力基建作业图形数据库的违章特征提取方法，其特征在于：SIFT特征提实现步骤包括训练阶段和测试阶段；SIFT特征提取的训练阶段：对于输入的待训练的已知标记的图形集，首先用SIFT的方法进行特征提取后用Bag
‑
of
‑
Words模型进行聚集后所产生的特征，用这些特征作为SVM的输入，根据图形已知的标记，计算其损失函数，进行训练，由于都是SVM分类的结果，其损失函数计算过程与HOG的损失函数计算过程相同，如下所示：其中N是训练样本图形的个数，c...

【专利技术属性】
技术研发人员：王岩冰，张志晓，高山，刘洋，张伟伟，
申请(专利权)人：国网河北省电力有限公司建设公司，
类型：发明
国别省市：