融合分层连续梯度特征的高铁隧道漏缆卡扣检测

基于局部二值模式的深度挖掘算法和多特征融合算法是提取铁路隧道漏缆卡扣特征的有效方法,但它们存在描述子表述性不强且特征维度过高的问题。提出分层连续梯度二值模式,能够实现卡扣轮廓特征的尺度变换并降低描述子的特征维度,提高故障卡扣图像的分类准确率。首先采用改进的中心对称局部二值模式和根据全局灰度均值获得的自适应阈值,计算采样圆域的梯度方向特征,得到完整的初步梯度方向特征图;然后在此特征图上进行两次连续的下采样迭代,并分别提取这两幅下采样特征图的连续梯度特征;最后,将这两层不同尺度的连续梯度特征串联作为描述子,用支持向量机完成漏缆卡扣图像的故障检测任务。实验结果表明,本文所提算法的召回率和精准度分别达到了0.923和0.857,相较于局部二值模式、中心对称局部二值模式、以及该系列的多种变体算法有明显的优势。

基于MD-LBP关联方向特征的铁路隧道漏缆卡扣检测算法

全路段跟车拍摄隧道漏缆卡扣图像再进行逐张排查,是实现卡扣故障检测的重要手段.针对目前LBP、CS-LBP等相关变体算法存在描述子质量不佳、特征维度过高的问题,提出MD-LBP关联方向特征提取算法实现故障卡扣的检测工作.该算法首先对输入图像进行高斯滤波预处理,根据图像的全局灰度均值得到图像的自适应阈值;其次计算图像的三层MD-LBP特征图结构,依次经过两次下采样分别得到Cell主方向特征和Block主方向特征;然后再在Block特征图上提取关联方向特征,并以此作为描述子;最后通过SVM区分故障卡扣,完成检测工作.实验还对比了LBP、HOG等9种特征描述子的检测情况,结果表明该算法不仅特征维度低,并且检测故障卡扣的召回率和精准度都达到了85%.

面向多元场景的轻量级行人检测

多元场景中行人检测是当前计算机视觉领域的研究热点,尽管备受关注的深度学习能够提供很高的检测精度,但随之而来的高复杂度运算严重限制了其在可移动平台上的部署。为此,本文提出了一种面向多元场景的轻量级行人检测算法。该算法首先构建深、浅层特征融合网络以学习多尺度行人的纹理特性;然后设计了跨维特征引导注意力模块,用于保留特征提取过程中通道间、空间内的交互信息。最后基于剪枝策略去除模型中的冗余通道,以降低算法复杂度。此外,本文还设计了自适应Gamma矫正算法,以消减多元场景下光照、阴影等外界干扰对检测结果的影响。实验结果表明,本文所提方法在检测精度相当的条件下,能将模型大小压缩至10 MB,处理速度可达93 Frame/s,明显优于当前主流方法。