融合PHOG和BOW-SURF特征的接触网绝缘子缺陷检测方法

绝缘子图像中存在的噪声对提取绝缘子细节纹理特征具有较大影响,单个特征描述子不能描述绝缘子的更多细节纹理特征,而提取到绝缘子细节纹理特征的多少直接影响了绝缘子缺陷检测的精度和速度.针对以上问题,提出改进快速导向滤波算法和融合PHOG与BOW-SURF特征来实现绝缘子缺陷的精确检测.首先,采用改进的快速导向滤波算法对接触网绝缘子原始图像进行滤波;然后,提取绝缘子滤波后图像的PHOG和BOW-SURF特征;最后,将两者融合后送入SVM分类器进行训练,实现绝缘子缺陷的检测.实验结果表明,该方法检测绝缘子缺陷的精度为100%,平均每张图像的处理时间为0.039s,为接触网悬挂状态检测监测装置对图像分析及缺陷检测奠定了必要的基础.

Hu和PHOG特征融合的路面标志识别方法

对路面交通标识采用支持向量机的方法进行识别,在支持向量机识别交通标志时,需要提取图像的特征进行训练和识别,在Hu不变矩和PHOG特征提取方法的基础上,给出了基于Hu不变矩和低维的PHOG相融合的特征提取方法,该方法在进行路面交通标识识别时,有更好的识别率,仿真结果验证了算法的有效性.

基于Gist特征与PHOG特征融合的多类场景分类

Gist特征是根据稀疏网格划分提取图像全局特征,它可以很好地描述单一场景,但是对于同一图像可能包含的多个场景,该特征的区分性能有所下降;而PHOG特征,提取的是图像局部轮廓特征,对Gist特征有一定的补充.本文以此提出基于Gist特征与PHOG特征融合的场景分类技术,首先分别提取图像的Gist特征和PHOG特征,然后将两种特征串接起来形成融合特征,最后使用SVM分类器进行场景训练和分类.在OT数据集上,考察了单一特征的分类精度和融合特征的分类精度,以及训练样本数对分类性能的影响,通过实验对比发现特征融合能够有效地提高场景分类的正确率.

基于特征融合的变电设备类型及故障识别算法研究

针对机器视觉智能巡检中,红外图像下变电站设备类型多、故障状态难以准确判别的问题,提出一种基于FastPCA和PHOG特征加权融合的电气设备类型及其故障状态识别算法。引入K-means算法完成红外图像分割;提取分割图像的FastPCA和PHOG特征并加权融合成新的混合描述子;将新的描述子作为训练好的SVM分类器的输入向量,实现目标巡检设备类型及故障的识别分类。试验结果表明:该算法在兼顾较高速度的基础上识别准确率也有明显提升,并且当现场运行环境改变时能快速地添加训练的新样本,尤其适合小样本下的机器学习。

特征融合与PSO优化SVM的交通标志分类

为有效提高交通标志分类的准确度,提出一种基于特征融合与PSO优化支持向量机分类器参数的交通标志分类方法。首先提取标志图像形状的局部HOG特征信息和描述图像粗略轮廓的全局Gist特征信息,采用并行的方式把这两种特征融合;再通过PSO算法优化SVM分类器参数,提高SVM分类器分类性能;最后SVM分类器进行交通标志训练与分类。试验结果表明:本文并行的特征融合与PSO优化SVM参数分类方法精确度比单一的PHOG和Gist特征的交通标志分类方法分别提高9.048%、0.952%,比串行的特征融合方法提高了8.095%。