1 北京交通大学机械与电子控制工程学院, 北京 100044
2 北京交通大学载运工具先进制造与测控技术教育部重点实验室, 北京 100044
为实现高速铁路周界侵限检测系统自动识别轨道区域的功能,提出了一种自适应的图像分割与识别算法。计算了每个场景的直线特征极大值以调节自适应参数,提出了新的基于边界点权重及区域面积的聚类组合规则,将碎片化区域快速组合成局部区域;简化了卷积神经网络,通过对卷积核进行预训练并在损失函数中增加稀疏项来提高特征图的差异性。在不使用显卡的前提下,对比实验结果表明所提算法的像素准确率最高(95.9%),计算时间最短(2.5 s),网络参数约为0.18×10
6个,在分割精准度、识别准确率、计算时间、人工操作复杂度和系统硬件成本等之间找到了有效平衡点,提高了铁路周界侵限检测系统的自动化程度和工作效率。
图像处理 场景分割 场景识别 多尺度边缘检测 卷积神经网络
1 合肥工业大学 计算机与信息学院，合肥 230009
2 中国科学院安徽光学精密机械研究所，合肥 230031
3 中国科学技术大学 自动化学院，合肥 230027
现有场景分割方法主要依赖于图像亮度、颜色和纹理等特征，然而在雾天图像中提取这些特征将变得困难且不稳定.基于此本文提出了适用于雾天图像场景分割的特征矢量，以及相应的特征提取算法.特征矢量由目标偏振度、深度和颜色三部分组成.特征提取算法分别为：用去相关的方法从图像偏振度分离出大气偏振度和目标偏振度；根据雾天退化模型和雾天图像偏振表示形式推导出场景深度信息；利用两幅偏振图像求出非偏振彩色图像，从而得到场景的颜色信息.将这些特征构成的特征矢量用于基于图的分割算法中，并从两个方面比较了仅使用颜色特征和使用本文特征矢量的分割结果.最后得出结论：对于雾天图像而言，这些特征比通常的颜色特征更加有效和鲁棒.
图像处理 场景分割 特征提取 偏振度 深度图 Image processing Scene segmentation Feature extraction Degree of polarization Depth map
