基于颜色差异特征与边缘复杂度的输电铁塔螺栓螺帽目标检测算法

螺栓作为输电铁塔上的重要部件,其安装状态正确与否对于铁塔的安全质量至关重要,但目前针对刚搭建完成仍未投入使用的铁塔螺栓安装状态的计算机自动检测方法的研究相对空白,工程实践中仍采用人工检测的方式。因此,针对此类铁塔提出了一种新的螺栓安装状态自动检测算法,该算法将深度学习与数字图像处理方法相结合,在Faster-RCNN网络目标定位的基础上,提出了一种基于颜色差异特征与边缘复杂度的螺栓及空洞目标检测算法,并据此实现对螺栓安装状态的检测。该算法提出了一种基于HSV颜色空间的颜色差异特征算子,可以量化反映图片的整体颜色变化。同时,该算法还提出了包含边缘连通域个数、边缘连通域质心分散度及边缘连通域质心区域分布比的边缘复杂度特征集,可量化表征图片中目标的边缘复杂度。通过对在国家电网施工现场铁塔底部实地拍摄的271张图像(包含2304个目标)进行验证,表明所提出算法的准确率可达86.24%;与单一的深度学习目标检测方法相比,有效提高了目标识别准确率,有望为铁塔上存在安全隐患的未安装部件的及时识别提供一种新的解决方案。

基于MSER的自适应学习自然场景文本检测

自然场景下的文本检测分为提取候选区域和滤除非文本两个阶段.在候选区域提取阶段,针对最大稳定极值区域(Maximally Stable Extremal Regions,MSER)算法对噪声、模糊敏感,检测性能不高的问题,提出改进的MSER算法,首先通过梯度图增强图像字符边缘,然后采用MSER算法提取文本区域,最后利用多机制抑制策略进行粗过滤.在非文本滤除阶段,针对候选域中非文本区域过滤不彻底的问题,提出基于SVM的多特征自适应权值融合的非文本滤除算法,首先对标识样本库提取HOG、统一化LBP、颜色感知差异(Color Perception Difference,CPD)特征,使用提出的权值计算公式自适应分配权重融合三种特征,然后采用粒子群算法寻找SVM最优参数训练分类器,最后将候选区域送入训练好的分类器滤除非文本.实验结果表明,改进的文本检测算法能够达到理想的检测效果.

基于彩色二进制局部不变特征的图像配准

提出了一种适用于彩色图像的局部不变特征配准方法。特征点提取阶段,提出了快速分割测试特征颜色差异(CDo FAST)特征点检测方法,计算图像的颜色不变量,以此为输入在尺度空间检测FAST极值点,在极值点附近对高斯差分算子(Do G)值进行插值和拟合,以最终确定特征点的位置和尺度。特征描述符生成阶段,提出了一种新的彩色二进制局部不变特征(CBLID),采样点邻域结构类似于人眼视觉的重叠,通过统计方向图生成二进制链码,具备旋转、尺度缩放、光照不变性和抗噪性能。通过计算汉明距离进行匹配并结合随机抽样一致性(RANSAC)算法去除误匹配点,计算出待配准图像间的变换关系。实验表明,所提算法针对彩色图像能够获得比传统的尺度不变特征变换(SIFT)、快速稳健特征(SURF)和DAISY更高的配准精度,同时算法的运行时间也较短,在测试图片上耗时仅为SIFT的10%和12%。