1.一种变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：包括以下步骤：S1：获取特征点，计算出特征点区域的主方向，进行坐标变换，再将方向分为8个方向，计算出周围4×4区域的方向描述子，从而形成128维描述向量；

S2：根据步骤S1的128维描述向量，采用K-means聚类，设计词库数量为1000，从而生成词频向量；

S3：将最初缺陷图片从RGB格式转为HSV格式，按通道在每块图像上提取一阶、二阶和三阶颜色矩特征，从而形成颜色矩特征向量；

S4：将步骤S2的词频向量与步骤S3的颜色矩特征向量分别输入SVM进行训练，按照不同的兴趣区域以及计算出的可信度，得到对应的融合模型，从而实现准确分类。

2.根据权利要求1所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S1中，所述特征点的检测采用FAST算法，与周围点进行比较，找出差异大的角点。

3.根据权利要求2所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S1具体包括以下步骤：S11：通过FAST算法检测特征点：

其中p为候选特征点，I为像素的灰度值，t为阈值，x是以P为中心，r为半径的圆周上的任意一点像素值；

由公式(1)得到，每个像素点都有一个状态与之相对应，通过计算状态为darker或brighter的像素点的个数，如果个数大于n，则该点被视为特征点；

S12：采集缺陷图像特征点后，得到以每个特征点为中心的16×16的窗口，将该窗口梯度直方图划分为8个方向，计算出16×16区域的主方向，进行坐标变换，从而达到旋转不变性；

S13：再将窗口划分为16个4×4的patch，计算每个像素的梯度值，其计算如公式(2),(3)所示：S14：再将各patch上的梯度直方图划分为8个方向，计算每个梯度方向的累积值并形成一个种子点，每个种子点有8个方向的向量，则每个特征共有16个种子，最终得到16×8＝

128维向量作为特征点的描述向量。

4.根据权利要求3所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S2中，采用K-means聚类对训练的缺陷照片所得的向量进行词库训练，得到1000数量的词库，然后将每张照片所有的128维描述向量进行词频计算，从而生成词频向量。

5.根据权利要求4所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S3中，所述颜色矩特征向量如公式(4),(5),(6)所示：

6.根据权利要求5所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S4中，所述SVM类型为C类支持向量分类机，SVM的内核类型为基于径向的函数，gamma＝0.50625，C＝312.5；term_crit＝cvTermCriteria(CV_TERMCRIT_ITER,1000,

0.000001)。

7.根据权利要求6所述的变速鼓零件缺陷图像特征提取以及检测分类方法，其特征在于：步骤S4中，所述融合模型公式如(7),(8)所示：其中Pw为词频向量计算出的可信度，Pc为颜色矩计算出的可信度，k1为自适应参数，不同零件k1不同，x，y分别为缺陷中心点所在的坐标，r为像素点数，k为自适应参数，k＝104，i为区域位置，ki为每个区域i的参数，i从1到5对应的ki为6.25、7.25、8.25、9.25、10.25；

采用加权计算出最终的可信度，当可信度大于阈值0.92，则能判断出缺陷。