基于HED网络的快速纸张边缘检测方法

HED网络是目前边缘检测性能较好的深度学习网络模型之一,但使用HED网络进行纸张边缘检测时,检测速度较慢,达不到实时性要求。在保证检测精度的前提下,本文提出一种基于HED网络的快速纸张边缘检测方法。将轻量级网络MobileNetV2作为HED主干网,并去除MobileNetV2网络的后2个bottleneck模块和输出通道数较大的卷积层,进一步加快检测速度。此外,去除网络中的池化层,增加一个步长为1的5×5卷积层,提高检测精度。本文制作包含多种情况的纸张数据集MPDS,将本文方法在MPDS上进行训练和测试。实验结果表明,本文提出的模型将ODS和OIS指标分别提高到了0.867和0.876,检测速度可达42.68 FPS,本文方法可以快速准确地进行纸张边缘检测,满足桌面增强系统对纸张检测的要求。     

基于边缘检测的快速纸张检测方法

结合普通纸笔交互方式对纸张检测的实时性和鲁棒性的要求，提出了一种基于边缘检测的快速纸张检测方法。在边缘检测阶段，提出了跨层特征融合的快速纸张边缘检测方法。在HED主干网上添加线性瓶颈逆残差块和融入高效通道注意力的B-ECA块，大幅度减少了参数量，增加了显著特征的权重;分阶段融合各阶段各层特征，保留了更多的边缘特征;对高阶段特征上采样，并与低阶段特征进行跨层特征融合，解决了边缘模糊的问题。在自建的MPDS数据集上进行训练和测试，相较于HED方法，提出的纸张边缘检测方法在ODS和OIS指标上分别提高了8.1%和6.6%，检测速度由22.08 fps提高到了39.02 fps。在纸张提取阶段，提出了基于纸张结构约束的纸张提取方法。依次对纸张边缘进行基于非极大值抑制的边缘细化、直线检测与筛选、结构约束的纸张顶点提取，最终提取出只包含纸张的图像。实验结果表明，在各种复杂桌面环境及遮挡情况下，提出的纸张提取方法均可以快速、准确地提取完整的纸张图像，可以为普通纸笔交互方法提供交互基础。