《一种多元异构水环境监测数据评价与预警方法.pdf》由会员分享，可在线阅读，更多相关《一种多元异构水环境监测数据评价与预警方法.pdf（15页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103324951 A (43)申请公布日 2013.09.25 CN 103324951 A *CN103324951A* (21)申请号 201310188041.3 (22)申请日 2013.05.20 G06K 9/66(2006.01) (71)申请人 北京工业大学 地址 100124 北京市朝阳区平乐园 100 号 (72)发明人 贾克斌 庞子涵 (74)专利代理机构 北京思海天达知识产权代理 有限公司 11203 代理人 刘萍 (54) 发明名称 一种多元异构水环境监测数据评价与预警方 法 (57) 摘要 一种多元异构水环境监测数据评价与预警方 法， 属。
2、于水质信息处理领域。移动目标提取中使 用背景减除的方法， 在每个像素点设置帧数计数 器， 当像素点判定为前景点时帧数计数器加 1， 当 大于某一设定阈值时， 将该像素点灰度值作为背 景点灰度值， 提取的前景点像素点数占全部像素 点数百分比为移动目标特征参数 ； 水面主体特征 参数提取将图像分成 1616 宏块， 将像素点个数 最多的灰度级占全部像素百分比超过 40% 的宏块 选出， 统计备选宏块最多的区间， 将区间内所有宏 块灰度平均值作为水面主题区域特征参数。其次 将两种特征参数和传感器采集的水质属性数据作 为特征向量， 建立特征向量和水环境安全等级的 关系。本发明在背景剧烈变化时能检测出运。
3、动目 标。 (51)Int.Cl. 权利要求书 2 页 说明书 8 页 附图 4 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书8页 附图4页 (10)申请公布号 CN 103324951 A CN 103324951 A *CN103324951A* 1/2 页 2 1. 一种多元异构水环境监测数据评价与预警方法， 其特征在于， 包括下述步骤 ： 网络摄像机采集现场环境视频图像数据， 传感器采集多属性水质监测数据， 形成异构 数据， 从视频图像中提取移动目标特征参数， 与水质各属性值组成特征向量， 利用支持向量 机， 即 Supporting Vect。
4、or Machine, SVM 进行分类器模型搭建， 建立异构数据与水环境安 全等级对应关系， 对当前水环境安全等级进行预判 ； 所述的提取移动目标特征参数， 其特征在于， 包括下述步骤 ： 步骤一 ： 读取前 M 帧图像 FT(x,y) (T=1,2,， M)， (x,y) 表示图像中像素点的坐标， FT(x,y) 表示像素点的灰度值 ； 步骤二 ： 为滤除高频噪声， 对前 M 帧图像 FT(x,y) (T=1,2,， M) 进行中值滤波处理， 采用二维方形窗口， 运算如下所示 ： Median() 函数将窗口中的每一个像素点的灰度值进行排序， 位于中间的数值作为输 出 ； 步骤三 ： 计算。
5、该 M 帧图像中每一像素点的平均亮度 0(x,y) 和亮度方差 ， 计 算如下所示 ： 0(x,y)表示像素点(x,y)处的灰度均值， 表示像素点(x,y)处的灰度方差 ； 由 0(x,y) 和 组成具有高斯分布的图像 B0(x,y) 作为初始背景图像， 同时为背景 图像 B0(x,y) 每一个像素点 (x,y) 设置一个图像帧数累计计数器 C(x,y)， 初始值都为 0 ； 步骤四 ： 当背景图像初始化完成之后， 读取第 T 帧图像 FT(x,y)(TM)， 设此时的背景图 像为 BT(x,y)， 其平均亮度为 T(x,y) 亮度方差为 ， 按照公式 （1） 对图像 FT(x,y) 进行中值。
6、滤波处理得到 F T(x,y)， 对 F T(x,y) 和 BT(x,y) 中的亮度均值 T(x,y) 进行 差分运算， 得到差分图像 DT(x,y)， 运算如下所示 ： DT(x,y) 为图像 F T(x,y) 和 T(x,y) 差值的绝对值 步骤五 对差分图像 DT(x,y) 进行前景点与背景点分离， 计算过程如下所示 ： 式中 新得到的差分图像 D T(x,y) 中， 灰度值为 0 的像素点对应当前帧图像 F T(x,y) 与 背景图像BT(x,y)间没有发生变化的地方， 灰度值为254的像素点是当前帧图像FT(x,y) 与背景图像 BT(x,y) 间发生变化的地方， 这是由于目标运动产。
7、生的 ； 计算出灰度值为 254 的 权 利 要 求 书 CN 103324951 A 2 2/2 页 3 像素点数占整幅图像总像素点数的百分比 VT作为该第 T 帧图像 FT(x,y) 移动目标特征向 量 ； 于此同时， 所有灰度值为0的像素点(x,y)对应的累计计数器C(x,y)加1， 所有灰度值 为 254 的像素点 (x,y) 对应的累计计数器 C(x,y) 置为 0 步骤六 ： 背景更新 ： 在背景图像 BT(x,y) 中， 累计计数器 C(x,y) 为 0 的像素点 (x,y) 相 对应的 BT(x,y) 采取如下计算 ： 其中 为常数， 表示更新率， 0,1 累计计数器 C(x,。
8、y) 不为 0 的像素点 (x,y)， 相对应的 BT(x,y) 采取如下计算 ： 其中 NUM 为常数， NUM 50,300. 由 T+1(x,y)、 构成新的背景图像 BT+1(x,y) 步骤七 ： 重复步骤四、 五、 六， 直到所有的图像处理完毕 ； 将每幅图像 FT(x,y) 处理完成 后输出的该图像的移动目标特征向量 VT组成一个向量组作为水环境安全评价的一组特征 向量。 2. 根据权利要求 1 所述的一种多元异构水环境监测数据评价与预警方法， 其特征在 于， 还可以包括从视频图像中提取水面主体特征参数， 具体步骤如下 ： 步骤一 ： 读取第 K 幅图像 FK(x,y) (K=1,。
9、2,)， (x,y) 表示图像中像素点的坐标， FK (x,y) 表示像素点的灰度值， 按照像素点分割为 1616 大小的宏块 ； 步骤二 ： 对于每一个宏块， 利用灰度直方图计算出各个灰度级的像素点个数 ； 步骤三 ： 计算像素点个数最多的灰度级占全部像素点的百分比， 如果超过 40% 则认定 该宏块纹理平坦， 作为备选宏块， 并记录下该宏块中像素点个数最多的灰度级 ； 步骤四 ： 将该幅图像中所有的备选宏块找出， 按照灰度级 0-255 分为 N 个区间， N 3,6， 按照备选宏块中记录的像素点个数最多的灰度级， 统计 N 个区间内备选宏块的 个数， 选出个数最多的区间， 那么该区间内所。
10、有宏块组成的区域为水面主体区域， 并计算出 该区间内所有宏块的灰度平均值 YK， 作为第 K 幅图像的水面主体特征向量 ； 步骤五 ： 重复步骤一、 二、 三、 四， 直到所有的图像处理完毕 ； 将每幅图像处理完成后输 出的该图像的水面主体特征向量 YK组成一个向量组作为水环境安全评价的另一组特征向 量。 3. 根据权利要求 1 所述的一种多元异构水环境监测数据评价与预警方法， 其特征在于 所述的支持向量机核函数的选择， 采用高斯径向基核函数解决数据非线性问题。 权 利 要 求 书 CN 103324951 A 3 1/8 页 4 一种多元异构水环境监测数据评价与预警方法 技术领域 0001 。
11、本发明涉及一种利用支持向量机对多元异构水环境监测数据评价与预警的方法。 背景技术 0002 水环境监测体系的建设， 是保护水源地和干渠水质的重要手段， 对缓解水资源危 机， 改善受水区生态环境， 促进水源地生态文明建设具有重要战略意义。 0003 我国水环境质量评价起步较晚， 20 世纪 90 年代后各种数学方法的广泛应用使得 水质评价得到进一步发展。目前现有的水环境自动监测系统， 水质评价主要以单纯的针对 水质多属性值进行建模分类， BP 模型是水质评价最常用的人工神经网络， 利用最陡坡降法， 把误差函数最小化， 并调整人工神经元网格相应连接权， 直到网络误差最小化。视频监控 只是相对独立的。
12、监测现场环境的安全， 主要是通过监测移动目标来检测当前水环境安全状 况， 在目标检测中关于背景的获取与更新方面， 自适应背景模型估计算法适用于摄像机静 止的情形， 此方法是对背景图像中的每一个像素点建立分布模型， 并且随着时间推移对模 型参数进行更新， 根据运动目标像素的分布不符合背景像素分布模型的特点， 可以检测出 运动目标。单高斯背景模型法是背景消减法中的一种， 它是利用当前图像与背景图像的差 分来检测出运动区域的一种运动目标检测方法， 在背景更新的过程中， 只是对被判断为背 景的像素点进行了更新， 而被判为前景的像素点则不参与背景模型的更新， 导致对由静止 变为运动或运动变为静止的物体检。
13、测有误， 安全性能不高。 于此同时， 水质分析评价与现场 环境安全彼此独立， 各种数据资源没有充分整合和深度开发， 不能满足当前水环境安全监 测的要求。 0004 本发明设计了一种多元异构水环境监测数据评价与预警方法， 将多属性值的水质 数据和视频监控数据有效融合， 能够在背景剧烈变化时能很好的检测出运动目标， 具有自 动化和智能化的特点。 发明内容 0005 本发明的目的在于， 将以水环境视频影像数据和多属性水质数据为主的异构数据 进行有效的结合， 设计了适应复杂环境的运动目标提取算法， 将基于支持向量机的分类算 法引入异构数据的分析评价中， 完成对水环境安全评估， 达到智能数据处理和全面监。
14、测预 警的目的。 0006 多元异构水环境监测数据评价与预警的方法， 本发明采取的技术方案为 ： 0007 网络摄像机采集现场环境视频图像数据， 传感器采集多属性水质监测数据， 形成 异构数据， 从视频图像中提取移动目标特征参数， 与水质各属性值组成特征向量， 利用支持 向量机， 即 Supporting Vector Machine, SVM 进行分类器模型搭建， 建立异构数据与水环 境安全等级对应关系， 对当前水环境安全等级进行预判。 0008 在本发明所述的移动目标特征参数提取， 其特征在于， 包括下述步骤 ： 0009 步骤一 ： 读取前 M 帧图像 FT(x,y) (T=1,2,， 。
15、M)， (x,y) 表示图像中像素点的坐 说 明 书 CN 103324951 A 4 2/8 页 5 标， FT(x,y) 表示像素点的灰度值。 0010 步骤二 ： 为滤除高频噪声， 对前 M 帧图像 FT(x,y) (T=1,2,， M) 进行中值滤波 处理， 采用二维方形窗口， 运算如下所示 ： 0011 0012 Median() 函数将窗口中的每一个像素点的灰度值进行排序， 位于中间的数值作为 输出 0013 步骤三 ： 计算该M帧图像中每一像素点的平均亮度0(x,y)和亮度方差， 计算如下所示 ： 0014 0015 0016 0(x,y)表示像素点(x,y)处的灰度均值，表示像。
16、素点(x,y)处的灰度方 差。 由 0(x,y) 和组成具有高斯分布的图像 B0(x,y)作为初始背景图像， 同时为背 景图像 B0(x,y) 每一个像素点 (x,y) 设置一个图像帧数累计计数器 C(x,y)， 初始值都为 0。 0017 步骤四 ： 当背景图像初始化完成之后， 读取第 T 帧图像 FT(x,y)(TM)， 设此时 的背景图像为 BT(x,y)， 其平均亮度为 T(x,y) 亮度方差为， 按照公式 （1）对图 像 FT(x,y) 进行中值滤波处理得到 F T(x,y)， 对 F T(x,y) 和 BT(x,y) 中的亮度均值 T(x,y) 进行差分运算， 得到差分图像 DT(。
17、x,y)， 运算如下所示 ： 0018 0019 DT(x,y) 为图像 F T(x,y) 和 T(x,y) 差值的绝对值 0020 步骤五 对差分图像 DT(x,y) 进行前景点与背景点分离， 计算过程如下所示 ： 0021 0022 式中 0023 新得到的差分图像DT(x,y)中， 灰度值为0的像素点对应当前帧图像FT(x,y) 与背景图像 BT(x,y) 间没有发生变化的地方， 灰度值为 254 的像素点是当前帧图像 F T(x,y) 与背景图像 BT(x,y) 间发生变化的地方， 这是由于目标运动产生的。计算出灰度值 为 254 的像素点数占整幅图像总像素点数的百分比 VT作为该第 。
18、T 帧图像 FT(x,y) 移动目标 特征向量。 0024 于此同时， 所有灰度值为254的像素点(x,y)对应的累计计数器C(x,y)加1， 所有 灰度值为 0 的像素点 (x,y) 对应的累计计数器 C(x,y) 置为 0 0025 步骤六 ： 背景更新 ： 在背景图像 BT(x,y) 中， 累计计数器 C(x,y) 为 0 的像素点 (x,y) 相对应的 BT(x,y) 采取如下计算 ： 说 明 书 CN 103324951 A 5 3/8 页 6 0026 0027 0028 其中 为常数， 表示更新率， 0,1 0029 累计计数器 C(x,y) 不为 0 的像素点 (x,y)， 相。
19、对应的 BT(x,y) 采取如下计算 ： 0030 0031 0032 0033 其中 NUM 为常数， NUM 50,300. 0034 由 T+1(x,y)、构成新的背景图像 BT+1(x,y) 0035 步骤七 ： 重复步骤四、 五、 六， 直到所有的图像处理完毕。将每幅图像 FT(x,y) 处理 完成后输出的该图像的移动目标特征向量 VT组成一个向量组作为水环境安全评价的一组 特征向量。 0036 本发明还可以包括从视频图像中提取水面主体特征参数， 所述的水面主体特征参 数提取， 其特征在于， 包括下述步骤 ： 0037 步骤一 ： 读取第K幅副图像FK(x,y) (K=1,2,)， 。
20、(x,y)表示图像中像素点的坐 标， FK(x,y) 表示像素点的灰度值， 按照像素点分割为 1616 大小的宏块。 0038 步骤二 ： 对于每一个宏块， 利用灰度直方图计算出各个灰度级的像素点个数。 0039 步骤三 ： 计算像素点个数最多的灰度级占全部像素点的百分比， 如果超过 40% 则 认定该宏块纹理平坦， 作为备选宏块， 并记录下该宏块中像素点个数最多的灰度级。 0040 步骤四 ： 将该幅图像中所有的备选宏块找出， 按照灰度级 0-255 分为 N 个区间， N 3,6， 按照备选宏块中记录的像素点个数最多的灰度级， 统计 N 个区间内备选宏块的 个数， 选出个数最多的区间， 那。
21、么该区间内所有宏块组成的区域为水面主体区域， 并计算出 该区间内所有宏块的灰度平均值 YK， 作为第 K 幅图像的水面主体特征向量。 0041 步骤五 ： 重复步骤一、 二、 三、 四， 直到所有的图像处理完毕。将每幅图像处理完成 后输出的该图像的水面主体特征向量 YK组成一个向量组作为水环境安全评价的另一组特 征向量。 0042 作为监测移动目标的补充， 利用统计出现次数最多的灰度级的个数可以快速找到 水面主体的位置， 通过计算备选宏块的灰度均值不仅可以监测水体颜色的变化， 更可以在 水面有静止的漂浮物体的情况下保持较好的准确性。 0043 本发明所述的 SVM 分类器模型的搭建， 其特征在。
22、于所述的支持向量机核函数的选 择， 采用高斯径向基核函数解决数据非线性问题。 0044 采用 SVM 分类器在理论上可以得到全局最优的解析解， 对于水质安全分类评价中 说 明 书 CN 103324951 A 6 4/8 页 7 各个特征向量值的非线性问题， 高斯径向基核函数形式简单， 鲁棒性强， 能够把非线性的样 本映射到更高维的特征空间中， 参数数目少， 在较少的时间下可以获得比较高的准确性。 附图说明 0045 图 1 移动目标特征参数提取流程图 0046 图 2 背景图像结构图 0047 图 3 初始化完成后的背景图像结构图 0048 图 4 差分图像结构图 0049 图 5 输出的差。
23、分图像结构图 0050 图 6 更新后的背景图像结构图 0051 图 7 宏块分割后的原始图像 0052 图 8 标出备选宏块后的图像 0053 图 9 标出水面主体区域后的图像 0054 图 10 原始采集的第 100 帧图像 0055 图 11 原始采集的第 160 帧图像 0056 图 12 原始采集的第 220 帧图像 0057 图 13 单高斯背景算法提取的第 100 帧图像 0058 图 14 单高斯背景算法提取的第 160 帧图像 0059 图 15 单高斯背景算法提取的第 220 帧图像 0060 图 16 本发明算法提取的第 100 帧图像 0061 图 17 本发明算法提取。
24、的第 160 帧图像 0062 图 18 本发明算法提取的第 220 帧图像 具体实施方式 0063 本发明中通过网络摄像机采集到的视频格式为 mpeg 视频图像， 分辨率为 640480， 帧率为 30 帧每秒， 以下结合附图对本发明进一步详细阐述。 0064 本发明的具体实施步骤如下 ： 0065 第一步 ： 将网络摄像机采集的视频数据和传感器采集的各个属性值存储在数据库 中。视频为 mpeg 格式的视频图像， 分辨率为 640480， 帧率为 30 帧每秒。 0066 第二步 ： 提取移动目标特征参数， 具体流程如图 1 所示， 首先初始化背景图像， 格 式如图 2 所示， 背景图像与采。
25、集的视频图像分辨率一致， 每个像素点有三个值， 分别是灰度 均值 ， 灰度方差 2 和图像帧数计数器 C， 初始值都为 0. 0067 第三步 ： 从数据库中提取前 10 帧图像 FT(x,y) (T=1,2,， 10)， (x,y) 表示图像 中像素点的坐标， FT(x,y) 表示像素点的灰度值。对每幅图像分别进行中值滤波处理， 采用 二维方形窗口 （本例中采用的是 33） ， 运算如下所示 ： 0068 0069 Median() 函数将窗口中的每一个像素点的灰度值进行排序， 位于中间的数值作为 输出， 例如 Median(2,1,5,7,12)= Median(1,2,5,7,12)=5。
26、 说 明 书 CN 103324951 A 7 5/8 页 8 0070 第四步 ： 计算该10帧图像中每一像素点的平均亮度0(x,y)和亮度方差 ， 计算如下所示 ： 0071 0072 0073 0(x,y)表示像素点(x,y)处的灰度均值，表示像素点(x,y)处的灰度方 差。 由 0(x,y) 和组成具有高斯分布的图像 B0(x,y)作为初始背景图像， 同时为背 景图像B0(x,y)每一个像素点(x,y)设置一个图像帧数累计计数器C(x,y)， 初始值为0。 计 算完成后的得到 B0(x,y) 如图 3 所示。 0074 第五步 ： 当背景图像初始化完成之后， 读取第 T 帧图像 FT(。
27、x,y)(T10)， 设此时的 背景图像为 BT(x,y)， 其平均亮度为 T(x,y) 亮度方差为， 按照公式 （1）对图像 FT(x,y) 进行中值滤波处理得到 F T(x,y)， 对两帧图像 F T(x,y) 和背景图像 BT(x,y) 中 的亮度均值 T(x,y) 进行差分运算， 得到差分图像 DT(x,y)（如图 4 所示） ， 运算如下所示 ： 0075 0076 DT(x,y) 为图像 F T(x,y) 和 T(x,y) 差值的绝对值 0077 第六步 ： 对差分图像 DT(x,y) 进行前景点与背景点分离， 计算过程如下所示 ： 0078 0079 式中 0080 新得到的差分。
28、图像 D T(x,y) 中， 灰度值为 0 的像素点对应当前帧图像 BT(x,y) 与背景图像 BT(x,y) 间没有发生变化的地方， 灰度值为 254 的像素点是当前帧图像 BT(x,y) 与背景图像 BT(x,y) 间发生变化的地方， 这是由于目标运动产生的。计算出灰度值为 254 的像素点数占整幅图像总像素点数的百分比VT作为该第T帧图像FT(x,y)移动目标特征向 量。由图 4 进行前景点与背景点分离之后得到的结果如图 5 所示， 灰度值为 254 的像素点 数为 3， 占整幅图像总像素点数的 25%， 那么该幅图像的移动目标特征向量为 0.25. 0081 于此同时， 所有灰度值为2。
29、54的像素点(x,y)对应的累计计数器C(x,y)加1， 所有 灰度值为 0 的像素点 (x,y) 对应的累计计数器 C(x,y) 置为 0 0082 第七步 ： 背景更新， 在背景图像 BT(x,y) 中， 累计计数器 C(x,y) 为 0 的像素点 (x,y) 相对应的 BT(x,y) 采取如下计算 ： 0083 0084 0085 其中 为常数， 表示更新率， 0,1， 本例中 =0.5 说 明 书 CN 103324951 A 8 6/8 页 9 0086 累计计数器 C(x,y) 不为 0 的像素点 (x,y)， 相对应的 BT(x,y) 采取如下计算 ： 0087 0088 008。
30、9 0090 其中 NUM 为常数， 本例中 NUM=100. 0091 由 T+1(x,y)、构成新的背景图像 BT+1(x,y) 0092 设图 3 为原背景图像 BT(x,y)， 那么经过背景更新之后生成的新的背景图像如图 6 所示， 所有判定为背景点的 T(x,y) 和都按照公式 （6） （7） 进行更新， 图像帧数累 计计数器清0， 所有判定为前景点像素点， 图像帧数累计计数器加1之后都没有超过100， 所 以 T(x,y) 和不进行更新。 0093 第八步 ： 重复第五、 第六、 第七步， 直到所有的图像处理完毕。将每幅图像 FT(x,y) 处理完成后输出的该图像的移动目标特征向量。
31、 VT组成一个向量组作为水环境安全评价的 一组特征向量。本例中以 300 帧图片作为一组进行移动目标特征参数提取。至此移动目标 特征向量提取完毕。 0094 第九步 ： 提取水面主体特征参数， 从数据库中读取第 K 幅副图像 FK(x,y) (K=1,2,)， (x,y)表示图像中像素点的坐标， FK (x,y)表示像素点的灰度值， 按照像素 点分割为 1616 大小的宏块， 如图 7 所示。 0095 第十步 ： 对于每一个宏块， 利用灰度直方图计算出各个灰度级的像素点个数。 0096 第十一步 ： 计算像素点个数最多的灰度级占全部像素点的百分比， 如果超过 40% 则认定该宏块纹理平坦， 。
32、作为备选宏块， 并记录下该宏块中像素点个数最多的灰度级。 以表 1 为例， 六个宏块中每个宏块个数最多的灰度级所占全部像素百分比已经全部列出， 有 4 个 宏块超过 40%， 该 4 个宏块作为备选宏块， 如图 8 所示。 0097 表 1 宏块灰度级统计表 0098 说 明 书 CN 103324951 A 9 7/8 页 10 0099 第十二步 ： 将该幅图像中所有的备选宏块找出， 按照灰度级 0-255 分为 4 个区间， 即 0-63、 64-127、 128-191、 192-255， 按照备选宏块中记录的像素点个数最多的灰度级， 统计 4 个区间内备选宏块的个数， 选出个数最多的。
33、区间， 那么该区间内所有宏块组成的区域为水 面主体区域， 并计算出该区间内所有宏块的灰度平均值YK， 作为第K幅图像的水面主体特征 向量。 0100 表 2 备选宏块统计表 0101 0102 表 2 所示的是图 8 中 4 个备选宏块按灰度区间个数统计的结果， 可以看出区间 128-191 内宏块个数最多， 那么这三个宏块表示的就是水面主体区域， 如图 9 所示。同时计 算这三个宏块的灰度平均值为 144， 则该幅图像的水面主体特征向量为 144. 0103 第十三步 ： 重复第九步到第十二步， 直到所有的图像处理完毕。 将每幅图像处理完 成后输出的该图像的水面主体特征向量 YT组成一个向量。
34、组作为水环境安全评价的另一组 特征向量。本例中以 300 帧图片作为一组进行水面主体特征参数。至此水面主体特征向量 提取完毕。 0104 第十四步 ： 必须选择同一时间段内视频图像和水质监测数据， 提取移动目标特 征向量和水面主体特征向量， 与水质监测数据中的各个属性值作为 SVM 分类的输入部 分。分别选取等级为安全、 低危险和高危险三种情况下的视频图像数据和水质监测数 据训练集各 500 组， 每组有 30 个移动目标特征向量， 30 个水面主体特征向量和 20 种 水质属性值构成， 对 SVM 分类器进行训练， 核函数采用的是高斯径向基核函数， 形式为 K(|x-xc|)=exp(-|x。
35、-xc|2/22)， xc为核函数中心， 为函数的宽度参数， 通过不断调整 xc和 使得分类的正确率达到最大值， 本例中 xc=350， =0.4。 说 明 书 CN 103324951 A 10 8/8 页 11 0105 第十五步 ： SVM 分类器训练完成之后就可以进行分类选择， 将同一时间内的移动 目标特征向量， 水面主体特征向量和 20 种水质属性值输入分类器， 根据输出的等级结果对 当前环境安全进行判别， 完成分析与预警的功能。 0106 实验结果 ： 0107 在实验中对本发明中提出的移动目标特征向量提取进行了检验， 所有实验在配置 为Intel (R) Pentium (R) 。
36、4 CPU 3.00GHz 2.99GHz, 1.00GB内存的PC机上独立执行。 在 静止物体突然开始运动的情况， 能够比较准确的找到移动目标。图 10、 图 11、 图 12 分别为 采集的一组视频图像中第 100、 160 和 220 帧图像， 按照传统的单高斯背景法提取的运动图 像如图13、 图14和图15所示， 可以看到原来静止的船突然开始运动， 由背景变为前景， 单高 斯背景法没有及时更新背景导致检测不出移动目标， 采用本发明提取的运动图像如图 16、 图 17 和图 18 所示， 黑色部分为检测出的运动目标， 可以看到比较完整的船体轮廓。 0108 表 3 水质分析评价表 010。
37、9 0110 本实验支持向量机训练和预测使用的是 libSVM 软件包， 在 20 种水质属性值中选 取了具有代表性的总磷、 氨氮、 六价铬和溶解氧四种属性作为测试用例， 如表 3 所示， 相比 于正常情况， 等级为低危险的船只移动在移动目标特征参数上有极大变化， 而高危险的水 面漂浮物在水面主体特征参数上有很大变化， 重金属超标时六价铬会异常偏高， 而富营养 化时不仅水质属性值中总磷、 氨氮和溶解氧有变化外， 水面主体特征参数也会变化。 与传统 单独依靠水质属性值来判断水环境安全相比， 该发明将多属性水质监测数据与视频图像数 据有机结合， 利用移动目标特征提取， 在水面主体特征参数的辅助下， 完成对水环境安全的 评估。 说 明 书 CN 103324951 A 11 1/4 页 12 图 1 说 明 书 附 图 CN 103324951 A 12 2/4 页 13 图 2 图 3 图 4 图 5 说 明 书 附 图 CN 103324951 A 13 3/4 页 14 图 6 图 7 图 8 图 9 图 10 图 11 图 12 说 明 书 附 图 CN 103324951 A 14 4/4 页 15 图 13 图 14 图 15 图 16 图 17图 18 说 明 书 附 图 CN 103324951 A 15 。