应用LSD和聚类的海天/岸岛线检测算法

红外图像舰船目标检测中,目标通常位于海天/岸岛线附近,预先检测出海天/岸岛线,确定舰船目标的潜在区域,可减少目标检测过程中的搜索范围,降低数据处理量,提高检测速度。针对传统的海天/岸岛线检测算法对不同背景图像适应性差的问题,分析了海天/岸岛线特征,提出了应用LSD线段检测算法和聚类的海天/岸岛线检测算法。首先通过LSD线段检测算法获取图像中局部直线轮廓,然后通过K-均值聚类获取潜在海天/岸岛线区域,最后通过分析潜在海天/岸岛线区域纹理特征确定真实的海天/岸岛线位置。实验结果表明,该方法对多种背景下海天/岸岛线检测适应性强,检测精度高。

LDA与LSD相结合的车道线分类检测算法

提出一种车道线分类检测算法。首先采用LDA对道路图像进行有针对性的灰度化,以便更好地区分车道线与道路。采用LSD算法检测灰度图像中的直线部分并确定车道线的方向。在此基础上,选取符合车道线灰度范围内的像素点。对远距离的像素点采用抛物线拟合,近距离的像素点采用直线拟合。同时,将检测到的车道线进行虚线实线的分类标记。最后结合视频序列的连续性对检测结果进行反向验证。实验结果证明,提出的方法对直道弯道检测均有很好的效果。算法的处理速度为每秒10帧左右,采用的测试视频的帧率为每秒15帧,基本满足实时性的要求。

基于LSD聚类拟合与KF的轨道检测算法

针对传统无人机巡检中视觉轨道识别的识别效率低、精度差的问题,提出了一种基于LSD的约束聚类拟合与卡尔曼滤波相结合的轨道线检测算法。首先针对由于镜头视角造成的视角畸变,采用IPM算法矫正,并通过LSD算法检测出轨道轮廓,在轨道间距约束将LSD检测结果进行聚类并进行最小二乘拟合得到轨道直线。然后根据轨道几何特征和无人机动力学特性建立数学模型,并结合卡尔曼滤波器对轨道坐标信息进行跟踪估计,以保证算法的稳定性和鲁棒性。采用无人机采集多个场景的轨道图像作为测试样本,对检测算法与其他算法进行对比实验。实验结果表明,本文轨道识别算法优于其他算法,其轨道准确识别率达到92.49%,识别速率达到23frame/s,满足轨道检测的稳定性和实时性要求。

基于信息熵的自适应高斯金字塔的LSD算法改进

针对LSD(Line Segment Detector)算法在对图像中连续的边缘进行提取时,结果中常常呈现线段不连续的问题,提出一种基于信息熵的自适应高斯金字塔的LSD改进算法。该算法首先通过计算处理后的图像与原图之间的互信息熵,确定高斯金字塔的层数与层内图像数量,构建出自适应高斯金字塔;其次使用改进的大津阈值,根据图像的梯度峰值将图像分割成不同区域并计算相应梯度阈值,分离出图像背景;最后根据梯度角度寻找线段,并通过赫尔姆霍兹准则验证线段。仿真结果表明,该算法解决了LSD算法提取线段不连续的问题;与其他流行算法Hough变换(Hough Transform)、PPHT(Progressive Probabilistic Hough Transform)、LSWMS(Line Segment detection using Weighted Mean Shift)、LSD、EDLines比较,能提取出更多有意义的线段。

基于OpenCV和LSD的车牌识别系统研究

传统车牌识别系统存在图像清晰度不够、识别时间长等问题,有时无法成功识别车牌。为解决这一问题,文章采用OpenCV开放源代码计算机视觉库和线段检测器(Line Segment Detector,LSD)设计了一套新型车牌识别系统。首先,对图像进行灰度化预处理,并使用LSD算法快速检测图像中的直线。其次,采用轮廓跟踪方法识别车牌轮廓,并使用基于垂直投影的分割方法来分割车牌字符。最后,采用基于模板匹配的方法识别车牌号码。经过验证,该系统在处理车牌图片模糊和光线较暗的情况下依然能够高效处理,并且能够保持较高的成功率。

基于LSD的具有特定特征的三维物体轮廓提取算法

提出一种基于LSD的具有特定特征的三维物体轮廓提取算法,该算法主要用于检测结构环境中的特定目标,提取其轮廓目的在于计算出目标的位姿信息,便于机器人作业抓取.针对具有特定特征的三维物体,算法首先对物体进行基于LSD的外轮廓提取,其次再对原始图像进行基于改进的Prewitt梯度算子的边缘提取,并删除经边缘提取后外轮廓特征信息,再进行基于LSD的物体内轮廓提取,从而实现物体的轮廓提取.基于LSD的轮廓提取算法包括提取梯度图像,LSD线段检测,直线段的分类和轮廓的拟合四个步骤.在直线段分类中,提出了利用极坐标表示线段特征,利用极径和极角对线段进行有效分类的方法.为了进一步证明三维轮廓提取算法的有效性,以长方体为例,详细地阐述了该算法的具体步骤.