2025《词袋模型的构建与训练分析案例》2800字.docxVIP

词袋模型的构建与训练分析案例

基于词袋模型的车辆地铁轴箱螺栓紧固状态检测主要分为两个部分：一部分利用训练集构建词袋模型获得训练好的分类器；另一部分则是将测试集带入词袋模型中，使用训练好的分类器进行检测，具体流程如图3-2所示，本节将对词袋模型的主要步骤展开详细讨论。

图3-2基于词袋模型的故障螺栓检测流程图

Figure3-2Flowchartoffaultyboltdetectionbasedonbagofwordsmodel

1.1特征提取

特征提取一般分为两个部分：特征点检测和描述特征点。本章提出的Harris-SIFT特征提取算法分为两步：首先通过Harris算法检测脱落螺栓图像中的特征点，其次通过SIFT算法对得到的特征点进行描述，获得描述向量。相对与直接使用SIFT算法提取特征和描述特征，本章提出的Harris-SIFT结合算法可以减少计算量，缩短时间，为后续检测提高效率。

（a）Harris算子

Harris算子是Harris在1988年提出的一种检测角点的特征算法。在现实世界里，物体的拐角，道路的十字路口、丁字路口等都是角点。在图像中，角点表示的是两个边缘的交点，学术定义为邻域内具有两个主方向的特征点。Harris算子检测的原理是使用一个固定的小窗口（一般为正方形）在图像上进行任意方向的滑动，通过比较滑动前后窗口中像素灰度的变化程度进而判定是否存在角点。

Harris算子的检测步骤可概括为5步：

（1）分别计算图像中像素点在水平和竖直方向上的梯度和；

（2）计算图像两个方向梯度的乘积，就是像素点对应位置上的元素积；

（3）将图像与高斯函数卷积，分别计算，，，获得像素点处的自相关矩阵；

(3-1)

（4）计算该像素点处的Harris响应值CRF；

(3-2)

其中，和分别是矩阵的行列式和直迹，为权值系数，是一个常数，一般为0.04~0.06。

（5）在以像素点为中心的3×3或5×5邻域内，判断点的值是否是该邻域内的最大值，若是，则将其标记为特征点;若不是，则判断下一点。

（b）SIFT算子

SIFT（ScaleInvariantFeatureTransform）算子时Lowe教授1999年，2004年改进的一个高效的局部特征提取算子，在局部特征提取研究中具有里程碑式的意义。SIFT算子在图像旋转、尺度变换、仿射变换和视角发生变化条件下具有很好的不变性。以下是SIFT算子的主要计算步骤：

（1）构建尺度空间：本文选择使用一组高斯函数对原始图像做卷积运算得到它的多尺度表示，一幅二维图像的尺度空间可以定义为：

(3-3)

(3-4)

其中，是尺度可变高斯函数，是原始图像，?表示做卷积运算，是尺度坐标，的大小决定图像被模糊的程度，值越大，得到的图像越模糊，其分辨率也越低。

（2）检测DoG尺度空间极值点，为了检测到尺度空间的极值点，需要构造高斯差分（DifferenceofGaussina，DoG）尺度空间，计算公式为：

(3-5)

极值点检测方法：在DOG尺度空间中，将每个像素点与它同尺度的8个相邻像素点和上下相邻尺度对应位置的9×2个像素点作比较，若该像素点比这26个领域点都大或都小，则该点就是局部极值点，然后去除不稳定的极值点。

（3）确定关键点的方向,首先选取关键点所属的局部区域图像，计算其邻域内的所有像素点处的梯度大小和方向。

(3-6)

(3-7)

然后，用直方图统计邻域像素的梯度方向。直方图范围是0~360度，设置30度一个区间，共10个区间，统计落在每个区间的梯度方向个数，直方图的峰值就是邻域梯度主方向，也就是该关键点的方向。

（4）生成关键点特征描向量，对关键点当前的尺度周围像素区域分块，计算分块内的梯度直方图，生成特征描述子。取关键点周围一个16×16的窗口作为邻域，如图3-3所示，其中红点表示的是关键点。计算该窗口内每个像素点的梯度方向和大小，然后将该窗口划分为16个的子区域，并统计每个子区域中不同方向梯度的大小。在统计过程中，我们将0~360°的方向缩减为8个方向，每个方向45°。最终，每个小方块中都可以获得一个由8个方向上梯度大小组成的8维特征矢量，而整个窗口则可以获得一个维特征矢量，该矢量就是最终特征点的描述向量。

图3-3特征点描述示意图

Figure3-3S