基于Hough变换和深度学习的条形码识别

为了解决复杂背景下条形码不易定位识别的难题,提出一种基于Hough变换和深度学习相结合的方法对条形码进行校正定位。首先对待检测图像进行灰度化、高斯模糊以及边缘检测等预处理;然后利用Hough变换检测条形码图像中的线段,进行旋转校正,校正后的图像经Yolov5对条形码进行识别和提取,完成条形码的识别分割。文中方法对不同样式条形码均有较好的识别效果,旋转校正的精确度达到99.31%,识别平均精确度达到99.40%,召回率达到99.79%,推理时间为10.5 ms。提出的方法可对任意角度倾斜进行校正,识别条码具有较高的准确率,对条形码定位识别具有一定的应用价值。

基于模糊Hough变换的增强现实目标位姿监测算法

针对增强现实技术在工业辅助装配应用领域的几何一致性与鲁棒性需要,本文提出一种利用基站天线板表面点特征进行快速位姿检测与跟踪的理论模型,通过模糊概率Hough变换将不同帧的同名点匹配问题转化为特征空间中的近似向量投票问题。监测算法使用颜色及边缘信息提取特征点,避免复杂的特征描述子,同时提高算法的运算效率及对于光照、遮挡等复杂情况的鲁棒性。实验结果表明:本文提出的目标位姿检测方法能有效适应实际工作场景,速度对比SIFT (scale-invariant feature transform)自然特征点提取与匹配方法具有明显优势,对于光照、遮挡等干扰因素的适应性则强于Holcon纹理匹配方法。

基于Hough变换的圆检测方法

总结了圆检测的几种常用方法,如经典HT、随机HT和广义HT。结合几种方法的优缺点,提出了一种基于经典HT的改进Hough变换圆检测方法。该方法先对图像进行预处理,如灰度化、去噪滤波、边缘检测以及运用数学形态学等,然后进行Hough变换。其主要思想是用多维数组来代替经典的循环过程。把Hough变换应用到织物防水性能自动测试的真实图像中,通过对经典Hough变换与改进后的Hough变换的比较,可以看出检测速度有所提高,检测精度也达到了令人满意的程度。

基于改进随机Hough变换的圆形目标检测算法

圆形目标检测在各个领域得到了广泛应用.为了提高规则圆的检出效率、降低不规则圆的漏检率,文章提出了一种改进随机Hough变换的圆形目标检测算法.算法首先用区域增长和RGB二值分割等算法对不同背景的图像进行二值分割和去噪处理,接着对连通域分割的特征区域用具有圆形性特征的边缘点进行候选圆的检测和验证.实验对比结果表明,本文算法可以显著提高规则圆的检出效率、降低不规则圆的漏检率,算法计算量小、运行速度快、鲁棒性强.

基于优化Hough变换的铆接高度差亚像素检测方法研究

针对飞机铆接高度差的检测问题,提出了一种优化的Hough变换铆接高度差亚像素检测方法。该方法首先通过空间域点运算的灰度变换法对采集的铆接孔图像进行增强处理,然后利用局部阈值分割法进行图像分割,采用Canny算法进行边缘粗提取,再利用优化的Hough变换进行亚像素级的边缘精细提取,提取出铆接孔和铆钉钉头的圆环区域,最后结合RANSAC算法进行圆拟合,利用开发算子get_current_region_z()分别提取内外圆环区域的高度平均值,再通过函数height_Z()将所得的高度平均值作差即可得到铆接表面的高度差。经试验证明,该检测方法亚像素精确定位能力强,检测结果准确率高、稳定性好,重复测量精度可达到±10μm。

多角度探测模式下结合Hough变换与SVR的墙后目标定位算法

多普勒穿墙雷达在定位墙后目标时,存在以下两个难点:(1)准确获取频率混叠区域目标瞬时频率;(2)通过获取精确的墙体参数来减小墙体对定位造成的影响。针对以上问题该文提出了一种结合Hough变换和支持向量回归-BP神经网络的目标定位算法。该文首先设计了一种多视角融合穿墙目标探测模型框架,通过获取不同视角下的目标位置来提供辅助估计墙体参数信息;其次,结合差分进化算法和切比雪夫插值多项式提出了一种目标瞬时频率曲线的高精度提取和估计算法;最后,利用估计的墙体参数信息,提出了一种基于BP神经网络的目标运动轨迹补偿算法,抑制了障碍物对目标定位结果的扭曲影响,实现了对墙后目标的精确定位。实验结果表明,相较于传统的短时傅里叶方法,该文所述方法可以准确提取时频混叠区域的目标瞬时频率曲线并减小墙体造成的影响,从而实现墙后多目标的准确定位,整体定位精度提升了约85%。

基于改进Hough变换的消弧线圈接地配电网故障选线新方法

针对配电网在电压过零点和高阻故障时刻选线不准确的问题,提出一种适用于谐振接地系统单相接地故障的选线新方法,利用优化后的变分模态分解对各馈线零序功率进行处理,遴选出与原始零序功率相关强度最高的本征模态函数IMF(k),将IMF(k)转换为JPG格式的二维图像,再利用Hough变换检测技术,得到故障起始阶段IMF(k)的拟合直线及夹角;对各支路模态量拟合直线夹角进行比对处理,将最小综合相关系数值对应的馈线确定为故障馈线;仿真结果表明:该方法不受接地电阻、故障相角、噪声干扰、数据缺失等因素的影响,验证了所提方法的有效性。

基于改进Canny算法和Hough变换的脉冲氩弧焊坡口边缘提取研究

针对脉冲氩弧焊中被动光传感采集的图像存在光亮变换快,目标像素少,难以提取出坡口的问题,提出一种基于改进阈值选择和双阈值检测的Canny算法。通过中值滤波和双边滤波代替传统Canny算法中的高斯滤波对图像进行滤波,引入背景像素与前景像素的数量比改进Otsu算法的最大方差,计算得到了靠近坡口的梯度值的阈值,依据改进后的双阈值检测获得完整的坡口边缘信息,对边缘信息进行Hough变换提取出清晰的坡口边缘。实验结果表明,和传统Canny算法相比,改进后的Canny算法提取坡口成功率提高,获得的坡口边缘信息也更加完整。

基于Hough变换利用对称点检测圆

分析了传统Hough变换检测圆中一对多的映射关系导致性能下降的问题,总结了经典的Hough算法和其他研究人员提出的其它改进算法后,提出了采用圆的几何特征,利用圆周上两个对称点的中心为圆心,先检测出圆的圆心,然后检测半径的方法来检测圆。实验及分析证实该方法降低了Hough变换的转换的维度,比传统的Hough变换性能有较大的提高。

一种基于新三维随机Hough变换的航迹起始算法

针对雷达跟踪多目标时,目标点迹受杂波、噪声等因素影响,航迹起始难度大的问题,利用三维空间直线表示方法提出了一种4参数三维Hough变换算法。该算法是对传统二维Hough变换的拓展,它结合了传统的二维随机Hough变换理论,是一种新的三维随机Hough变换算法。通过该算法对理论数据和实测数据进行验证,结果表明,对于航迹区别较大的目标,该算法的航迹起始成功概率为98.5%;对于空间航迹相近的目标,该算法可成功将目标航迹从杂波中提取出来,虽然可能会出现航迹混淆,但利用目标先验信息可解决该问题,实现航迹起始。

基于改进的Hough变换及小波分解的废旧机织物密度检测

为实现机织物密度的高精度检测,方便后续废旧织物纱线拆解与回收工作,首先将采集的原始图像进行裁剪与滤波处理,并针对织物纱线间隙阴影范围过大容易造成直线误检的问题,对传统Hough直线检测算法进行改进,限定角度检索范围并增加距离检测函数bwdist,通过检测出的阴影连通区域中心线实现图像直线检测,进行图像偏角矫正。随后通过能量曲线的方法确定小波变换的最优分解级数,在小波变换中增加Graythred函数,确定二值化最佳阈值,提高经小波变换处理后图像的可识别精度,并设定0和1像素点比例关系确定最佳阈值,实现图像平滑处理。试验验证表明:与人工计数结果对比,算法改进前后经密的识别平均相对误差由5.14%降低至2.86%,纬密的识别平均相对误差由7.87%降低至4.61%。认为:通过对Hough直线检测和小波变换算法的改进,可以提高机织物密度的检测精度。

基于投影约束和随机采样Hough变换的虹膜分割方法

非合作式虹膜图像的采集导致图像中具有大量干扰和噪声,因此,提出基于投影约束和随机采样Hough变换的虹膜分割方法提取虹膜有效区域。对虹膜二值图像进行投影粗定位虹膜的外轮廓圆心和半径,通过圆心和半径确定虹膜的大致区域,在该区域上,使用随机采样的Hough变换确定虹膜的内外轮廓,从而提高了虹膜分割的准确性。实验证明,与现有方法相比虹膜分割方法错误指标E1和E2最多提高8%和20%,具有更低的错误率和较高的时间效率。

利用Hough渐开线变换的齿轮图像中心检测

针对目前基于机器视觉的齿轮参数测量和检测中,获取齿轮中心坐标这一关键步骤缺乏通用性的问题,提出了一种利用Hough渐开线变换的方法。首先,在图像坐标中建立齿轮渐开线齿廓的数学模型。接着,对齿轮的灰度图像进行卷积、边缘检测获得齿轮边缘图像和像素梯度角。最后,对边缘像素做Hough渐开线变换,得到最终的齿轮中心坐标。实验和仿真结果表明,按该方法求得的结果与真实坐标的标准差在1 pixel以内,对齿轮内孔形状无要求,可以作为一种有效的齿轮图像中心检测方法。

基于改进Hough变换的车道线自动识别算法

针对复杂路况环境中路面图像杂乱或因光照不均导致的车道线不易检测等问题,提出一种基于改进Hough变换的车道线检测算法。首先对采集到的原始图像预处理,利用Canny算子对图像进行边缘增强及区域提取;其次为进一步提高算法的检测时间及准确性,提出利用滑动窗口实现阈值的自适应选取;最后结合渐进概率提出了复杂路况下的车道线检测算法。仿真实验选取KITTI数据集,结果表明,所提算法能够准确提取路面车道线,克服了复杂背景、光照不均带来的影响,与同类算法相比,文中所提的渐进概率Hough变换算法检测时间短、准确率高,具有一定的实用性和优越性。

基于Hough变换的四旋翼无人机自主循迹系统设计

为保证无人机在飞行过程中实现高效、稳定的循迹控制,设计了一种基于Hough变换的四旋翼无人机自主循迹系统。该系统将无人机机载摄像机实时采集的Y1UY2V格式编码的图像转化为RGB图像,使用全局阈值对图像进行二值化处理,利用Canny边缘检测查找灰度图像中的边缘路径,对边缘检测后的图像进行二值形态学计算,通过Hough变换检测出直线和圆形,并将识别出的图像中路径特征转化为位置信息,利用一个约束动力学模型进行无人机自主循迹控制。以跟踪“Ω”字和“L”字形轨迹进行仿真和真机实验,结果表明,该方法具有较高的识别率和循迹精度,能够有效提高无人机的自主循迹能力。

一种新的快速Hough变换圆检测方法

Hough变换圆检测(HTCD)存在计算量大和占用内存空间大的缺点,严重影响了该方法的计算效率。提出了一种新的快速Hough变换圆检测(FHTCD)的新方法。首先通过下采样,得到缩小的图像;进行Hough变换圆检测,得到粗尺度的检测结果。将结果恢复到原始尺度,在其放宽的误差范围内建立新的参量空间;再次进行Hough变换,可以得到圆检测精确值。新的方法通过压缩和适度控制参量空间,大大减少了冗余信息带来的计算量,提高了检测效率。实验证明,新的方法计算所需的时间最多不到HTCD方法的1/15;在强抗干扰条件下,其检测速度优于随机圆检测方法,有较好的检测精度,能满足实时处理的要求。

基于改进随机Hough变换的瞳孔识别算法研究

随机Hough变换能够有效地识别图像中的圆形,但容易引入大量无效信息,这严重影响了瞳孔识别的效率。课题组提出了一种改进随机Hough变换的瞳孔识别算法,该算法首先在边缘图像上随机采样一点,然后在该点的连通域上寻找候选圆,最后利用一种确定候选圆的真假方法实现瞳孔识别。该改进方法不仅能有效解决随机Hough变换容易引入大量无效信息的问题,还能大大提高瞳孔识别的准确性和速度。

用点Hough变换实现圆检测的方法

给出了一种新的Hough 变换圆检测方法——点Hough变换（PHT）。该方法根据圆 周上任意两条不平行弦的中垂线相交与圆心的几何性质，同时选取曲线上3点进行计算，将 传统Hough变换圆检测时的三维参量统计变成一维参量统计，极大地降低了计算复杂性和对 资源的需求。为了克服任意选取组合点可能带来的计算量增加及统计结果的分散程度提高, 文中提出了点的选择方法。合成图和实际图像的实验结果表明，该方法用于普通图像中圆检 测时快速、稳定、准确。

基于hough变换的角度检测和特征识别

hough变换是图像处理中直线检测的一种常用算法,但是标准hough变换运算量大,处理速度慢。本文针对具体实例对标准hough,动态广义hough的映射策略和时空指标作了深入研究,并在动态广义hough算法实现上作了一些改进。最后,利用hough变换和质心相结合的方法实现图像的特征识别。

基于改进随机Hough变换的混合圆/椭圆快速检测方法

针对随机Hough变换 (RHT)在复杂图像中检测圆时随机采样所造成的大量无效采样和无效累积问题 ,提出了一种新的基于连续曲线段的RHT(CRHT)混合圆 椭圆检测方法 ,它首先利用连续的边缘曲线段来优先决定随机采样点的数据 ,再利用不准确的梯度方向信息来决定是按照圆还是椭圆对采样到的几个点进行参数累积 ,一方面它较好地解决了标准RHT检测中无效采样概率大、无效积累时间多的问题 ,另一方面也解决了圆与椭圆的混合检测问题。实验结果表明本文的算法具有较高的计算速度 。