图像的角点检测研究综述

角点检测是图像处理和模式识别领域的基本课题,它在运动估计、形状分析、3D重建等方面都有重要的应用.本文对角点检测方法进行了详细阐述及分类--基于灰度强度的方法、基于边缘轮廓的方法、基于角点模型的方法,并将现有方法的优缺点进行了总结,指出了存在的问题及进一步的研究方向,预期为图像角点检测提供参考和借鉴.     

基于各向异性高斯核的角点检测

提出一种基于各向异性高斯方向导数滤波器提取图像粗轮廓检测角点的方法。首先利用多方向的各向异性高斯方向导数滤波器提取图像多方向的灰度变化信息,然后利用像素间梯度相关性提取图像粗轮廓。最后在提取的图像粗轮廓的基础上构造自相关矩阵并求解其特征值,利用特征值归一化的乘积做为角点的测度。实验证明本算法具有噪声鲁棒性及角点定位准确性。     

一阶全卷积遥感影像倾斜目标检测

目的 主流深度学习的目标检测技术对自然影像的识别精度依赖于锚框设置的好坏,并使用平行于坐标轴的正框表示物体位置,而遥感影像中地物目标具有尺寸多变、分布密集、长宽比悬殊且朝向不定的特点,更宜通过与物体朝向一致的斜框表示其位置。本文试图结合无锚框和斜框检测技术,在遥感影像上实现高精度目标识别。方法 使用斜框标注能够更为紧密地贴合目标边缘,有效减少识别干扰因素。本文基于单阶段无锚框目标检测算法：一阶全卷积目标检测网络(fully convolutional one-stage object detector,FCOS),通过引入滑动点结构,在遥感影像上实现高效率、高精度的斜框目标检测。与FCOS的不同之处在于,本文改进的检测算法增加了用于斜框检测的两个分支,通过在正框的两邻边上回归滑动顶点比率产生斜框,并预测斜框与正框的面积比以减少极端情况下的检测误差。结果 在当前最大、最复杂的斜框遥感目标检测数据集DOTA (object detection in aerial images)上对本文方法进行评测,使用ResNet50作为骨干网络,平均精确率(mean average precision,mAP)达到74.84%,相比原始正框FCOS算法精度提升了33.02%,相比于YOLOv3(you only look once)效率提升了38.82%,比斜框检测算法R³Det (refined rotation RetinaNet)精度提升了1.53%。结论 实验结果说明改进的FCOS算法能够很好地适应高分辨率遥感倾斜目标识别场景。     

公路沥青路面施工过程中常见的问题与控制措施

文章介绍了公路沥青路面施工过程中常见的问题,提出了控制提高公路沥青混凝土路面质量的一些有效措施。