基于支持向量机的绿色通道产品辅助判别方法技术

本发明专利技术公开一种基于支持向量机的绿色通道产品辅助判别方法，将采集的绿色通道车辆辐射图像进行线性变换后，采用Canny算子进行边沿检测；通过灰度共生矩阵提取上述边沿区域的局部纹理特征，作为支持向量机的输入特征；采用经过训练的具有季节和地域特征的支持向量机模型对绿色通道产品进行分类识别；用户拥有对识别结果的最后决策和判别权，判别结果作为样本用于后续训练。本发明专利技术通过辐射图像自动识别当前车辆的装载产品类别，以提高绿色通道检测准确率，减少图检员工作量。

【技术实现步骤摘要】
基于支持向量机的绿色通道产品辅助判别方法
本专利技术涉及图像处理和模式识别领域，具体涉及一种基于支持向量机的绿色通道产品辅助判别方法。
技术介绍
辐射成像技术广泛用于安检领域，如火车站、机场、码头等。上述应用场合一般都具有流动快，工作量大、实时性要求高的特点。随着辐射成像技术的发展和成熟，辐射图像的质量越来越高，辐射图像所能呈现被检物品的细节信息也越来越多，从而极大地帮助安全检查工作。为了建立顺畅、便捷的鲜活农产品流通网络，支持鲜活农产品运销，促进农民增收，国家制定了“绿色通道”政策。现在比较先进的绿色通道检测技术是利用数字辐射成像检测设备进行对车辆进行扫描成像，这种方法虽然有效缩短了鲜活农产品运输车辆的查验时间，提高合法运输车辆的通行效率。但是，对于现有的对绿通产品合法性判断主要是通过人为对辐射图像的观察判断，这依赖于图检员的经验积累和责任心，并且具有很大的主观性。在大流量过车的情况下，给图检员的工作带来很大压力。若能够充分利用辐射图像，利用计算机视觉的技术对图像的信息进行挖掘分析，建立一个智能化的辅助判别的方式，将有利于提高绿色通道产品判别的工作效率。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于支持向量机的绿色通道产品辅助判别方法，其能够实现对复杂背景下绿色通道中的绿通产品，自动根据其辐射图像进行产品种类准确识别，从而提高绿色通道产品判别的工作效率。为解决上述问题，本专利技术是通过以下技术方案实现的：一种基于支持向量机的绿色通道产品辅助判别方法，包括如下步骤：（1）收集现有绿色通道产品，并对每个绿色通道产品进行如下操作，即（1.1）采集绿色通道产品的典型辐射图像，并将典型辐射图像存入样本数据库中；（1.2）经验丰富的图检员手动录入典型辐射图像所属的绿色通道产品种类，使其形成产品种类标签存入样本数据库中；（1.3）分别对存入数据库中的典型辐射图像进行预处理，将典型辐射图像转化为灰度图像；（1.4）采用边缘检测算子对预处理后的图像进行检测，获取绿色通道产品的纹理并将其作为边沿检测区域；（1.5）在边沿检测区域中截取一个矩形窗口作为特征提取的典型样本；（1.6）采用灰度共生矩阵法对特征提取的典型样本进行特征提取，即提取典型样本图像的相关性Cor、对比度Con和熵Ent作为样本特征；（1.7）关联上述典型辐射图像的样本特征和产品种类标签，并生成特征文件存入样本数据库中；（2）训练支持向量机，即（2.1）构造采用径向基核函数的多分类支持向量机模型，然后读入绿色通道产品样本收集过程中生成的特征文件；（2.2）采用增量学习方式对多分类支持向量机模型进行训练；（2.3）保存新训练得到多分类支持向量机模型；（3）绿通检测中的辅助判别，即（3.1）采集当前实时绿色通道车辆的辐射图像，并将该实时辐射图像转换为灰度图像；（3.2）采用边缘检测算子对灰度图像进行边缘检测，从而获取与实际图像中尽可能接近的实际边沿；（3.3）选择绿色通道产品顶部与车厢空隙的交界部分区域作为边沿处理区域；（3.4）在边沿处理区域中截取一个矩形窗口作为特征提取的样本；（3.5）采用灰度共生矩阵法对样本进行特征提取，即提取样本图像的相关性Cor、对比度Con和熵Ent作为样本的支持向量；（3.6）人为设置惩罚系数，并将上述支持向量输入经过训练的多分类支持向量机对其模式识别，从而辨别产品种类，并输出检测结果。作为改进，在步骤（3.6）之后还进一步包括多分类支持向量机模型优化步骤，即（3.7）将所得检测结果即绿色通道车辆的辐射图像和产品种类存入样本数据库，使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型，以提高绿色通道产品识别准确率。作为进一步改进，在步骤（3.7）之后还进一步包括产品校验步骤，即（3.8）图检员根据经验判定所得检测结果出现错误时，则需要通过停车检查验证，纠正产品种类，并将该绿色通道车辆的辐射图像和纠正后的产品种类存入样本数据库，使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型，以提高绿色通道产品识别准确率。由于绿通产品(鲜活的蔬菜水果)是一种特殊的产品，它是随着季节和地域周期性的变化，因此为了避免不同的季节和不同的地区对绿通产品的分类准确率所产生的影响，首先，步骤（1）需要根据季节和地域的不同，收集不同季节和地域条件下的现有绿色通道产品；然后，步骤（2）需要根据季节和地域的不同，获得多个带有季节和地域标识的多分类支持向量机模型；最后，在后续步骤（3）中，需要根据季节和地域的不同，周期性的更换多分类支持向量机模型。在步骤（1.3）和（3.1）中，典型辐射图像和实时辐射图像均被转换为8位灰度图像。上述步骤（1.6）和（3.5）中，灰度共生矩阵的方向选取00，即水平方向，步长为5。步骤（2.2）所述的增量学习方式，即每次抽取剩余的绿色通道产品样本集中10%加入训练集，进行参数寻优与交叉验证，不断优化支持向量机模型。步骤（3.6）中，设定的惩罚系数C=100。与现有技术相比，本专利技术能够通过采集绿色通道中辐射图像来自动而准确地识别当前车辆装载产品的类别，从而极大地提高绿色通道产品判别的工作效率，减少图检员工作量。附图说明图1是本专利技术图像特征提取的流程图。图2是本专利技术支持向量机训练的流程图。图3是本专利技术的绿色通道产品辅助判别方法的流程图。具体实施方式一种基于支持向量机的绿色通道产品辅助判别方法，包括如下步骤：（1）需要根据季节和地域的不同，收集不同季节和地域条件下的现有绿色通道产品，并对每个绿色通道产品进行如下操作，参见图1，即（1.1）采集绿色通道产品的典型辐射图像，并将典型辐射图像存入样本数据库中。（1.2）经验丰富的图检员手动录入典型辐射图像所属的绿色通道产品种类，使其形成产品种类标签存入样本数据库中。（1.3）分别对存入数据库中的典型辐射图像进行预处理，将典型辐射图像转化为灰度图像。（1.4）采用Canny边缘检测算子对预处理后的图像进行检测，获取绿色通道产品的纹理并将其作为边沿检测区域。（1.5）在边沿检测区域中截取一个矩形窗口作为特征提取的典型样本。（1.6）采用灰度共生矩阵法对特征提取的典型样本进行特征提取，即提取典型样本图像的相关性Cor、对比度Con和熵Ent作为样本特征。（1.7）关联上述典型辐射图像的样本特征和产品种类标签，并生成特征文件存入样本数据库中。对于识别的准确率很大程度上依赖特征的选取。对于辐射图像这种识别对象具有一些典型特征。首先。辐射图像是16为灰度图像，计算机只能观看8位的图像，不同的转换方式会产生不同的感官效果。其次，辐射图像的灰度与被辐射物品的种类有关，对于鲜活农产品这种含水量比较高的产品来说，对射线的吸受率很高，含水量越高，厚度越厚，图像的颜色就越深；再次，辐射图像在绿通产品的上部边沿地方会呈现明显的纹理，对于不同的绿通产品其纹理也是各不相同的。附图2是辐射图像特征提取算法的流程，本专利技术采用了灰度共生矩阵算法。这里的灰度共生矩阵相对原生的灰度共生矩阵做了优化。这些优化也是针对与辐射图像的特点而进行的。首先需要获得实时车辆的辐射图像，这里的图像是16位的灰度图。本专利技术采用了线性转化将16位图像数据转化为8位图像数据，这样的转化可以在保留原来数据发布的同时获得比较好的。然本文档来自技高网...

【技术保护点】
基于支持向量机的绿色通道产品辅助判别方法，其特征是包括如下步骤：（1）收集现有绿色通道产品，并对每个绿色通道产品进行如下操作，即（1.1）采集绿色通道产品的典型辐射图像，并将典型辐射图像存入样本数据库中；（1.2）经验丰富的图检员手动录入典型辐射图像所属的绿色通道产品种类，使其形成产品种类标签存入样本数据库中；（1.3）分别对存入数据库中的典型辐射图像进行预处理，将典型辐射图像转化为灰度图像；（1.4）采用边缘检测算子对预处理后的图像进行检测，获取绿色通道产品的纹理并将其作为边沿检测区域；（1.5）在边沿检测区域中截取一个矩形窗口作为特征提取的典型样本；（1.6）采用灰度共生矩阵法对特征提取的典型样本进行特征提取，即提取典型样本图像的相关性Cor、对比度Con和熵Ent作为样本特征；（1.7）关联上述典型辐射图像的样本特征和产品种类标签，并生成特征文件存入样本数据库中；（2）训练支持向量机，即（2.1）构造采用径向基核函数的多分类支持向量机模型，然后读入绿色通道产品样本收集过程中生成的特征文件；（2.2）采用增量学习方式对多分类支持向量机模型进行训练；（2.3）保存新训练得到多分类支持向量机模型；（3）绿通检测中的辅助判别，即（3.1）采集当前实时绿色通道车辆的辐射图像，并将该实时辐射图像转换为灰度图像；（3.2）采用边缘检测算子对灰度图像进行边缘检测，从而获取与实际图像中尽可能接近的实际边沿；（3.3）选择绿色通道产品顶部与车厢空隙的交界部分区域作为边沿处理区域；（3.4）在边沿处理区域中截取一个矩形窗口作为特征提取的样本；（3.5）采用灰度共生矩阵法对样本进行特征提取，即提取样本图像的相关性Cor、对比度Con和熵Ent作为样本的支持向量；（3.6）人为设置惩罚系数，并将上述支持向量输入经过训练的多分类支持向量机对其模式识别，从而辨别产品种类，并输出检测结果。...

【技术特征摘要】
1.基于支持向量机的绿色通道产品辅助判别方法，其特征是包括如下步骤：(1)收集现有绿色通道产品，并对每个绿色通道产品进行如下操作，即(1.1)采集绿色通道产品的典型辐射图像，并将典型辐射图像存入样本数据库中；(1.2)经验丰富的图检员手动录入典型辐射图像所属的绿色通道产品种类，使其形成产品种类标签存入样本数据库中；(1.3)分别对存入数据库中的典型辐射图像进行预处理，将典型辐射图像转化为灰度图像；(1.4)采用边缘检测算子对预处理后的图像进行检测，获取绿色通道产品的纹理并将其作为边沿检测区域；(1.5)在边沿检测区域中截取一个矩形窗口作为特征提取的典型样本；(1.6)采用灰度共生矩阵法对特征提取的典型样本进行特征提取，即提取典型样本图像的相关性Cor、对比度Con和熵Ent作为样本特征；(1.7)关联上述典型辐射图像的样本特征和产品种类标签，并生成特征文件存入样本数据库中；(2)训练支持向量机，即(2.1)构造采用径向基核函数的多分类支持向量机模型，然后读入绿色通道产品样本收集过程中生成的特征文件；(2.2)采用增量学习方式对多分类支持向量机模型进行训练；(2.3)保存新训练得到多分类支持向量机模型；(3)绿通检测中的辅助判别，即(3.1)采集当前实时绿色通道车辆的辐射图像，并将该实时辐射图像转换为灰度图像；(3.2)采用边缘检测算子对灰度图像进行边缘检测，从而获取与实际图像中尽可能接近的实际边沿；(3.3)选择绿色通道产品顶部与车厢空隙的交界部分区域作为边沿处理区域；(3.4)在边沿处理区域中截取一个矩形窗口作为特征提取的样本；(3.5)采用灰度共生矩阵法对样本进行特征提取，即提取样本图像的相关性Cor、对比度Con和熵Ent作为样本的支持向量；(3.6)人为设置惩罚系数，并将上述支持向量输入经过训练的多分类支持向量机模型对其模式识别，从而辨别产品种类，并输出检测结果。2.根据权利要求1所述基于...

【专利技术属性】
技术研发人员：何倩，关明，赖海燕，蒋新花，王勇，杨辉华，李灵巧，刘勇，翟雷，
申请(专利权)人：广西交通投资集团有限公司，桂林电子科技大学，
类型：发明
国别省市：广西;45