摘要：针对边缘图像中的圆形可能局部畸变的情况 ,提出了利用边缘分段拟合进行圆形检测的两步法 详细描述了该算法的具体步骤 ,并与随机Hough变换 (RHT)进行了对比实验 实验结果表明 ,文中算法鲁棒性强 。

摘要：交通标志检测是影响交通标志识别速度和正确率的重要因素.采用一种HSI自适应阈值粗分割方法获取场景图像的红色二值图,克服固定阈值分割算法受光照等外界因素影响较大的缺点.然后进行连通区域标记,排除了部分非禁令标志红色区域,并对多个相连禁令标志作有效分割,提取出禁令标志的候选区域.最后,通过分析候选区域外边缘的圆形相似度参数,确定了禁令标志区域.复杂道路环境下的场景实验表明:本方法具有较高的鲁棒性.

摘要：为改善当前金属工件装配检测存在的成本高、效率低等问题,提出一种对复杂圆形金属工件适应性更高的零件检测方法。在图像增强阶段,引入自适应分数阶微分增强,结合图像梯度特征,突出工件的细节和纹理信息,提升后续检测的准确度。对于圆形轮廓的金属工件,引入极坐标转换,与传统的直角坐标处理方法相比,其具有效率高、处理过程清晰、不易出错的特点。在阈值检测阶段,通过长度阈值和灰度相关属性阈值对零件数量和类型进行判断。实验结果表明,该方法能准确地定位到圆形工件的弹簧区域,快速检测出弹簧零件区域的装配情况,大幅减少无效定位和不必要的计算,具有时效性高、准确性强的优点,可应用于该金属组件的自动化装配检测。

摘要：移动机器人可借助交通标志牌进行定位,文中提出了一种基于颜色分割和局部LPT变换的交通标志牌检测算法。首先利用交通标志牌的颜色特征预分割出潜在的交通标志区域,然后通过局部LPT空间变换,然后根据变换后的图像特征进行形状检测,检测出圆形的交通标志牌。实验结果表明了算法的有效性。

摘要：道路交通标志检测是智能交通系统的重要组成部分,精确快速识别圆形交通标志对保障交通安全有非常关键的作用.本文将子种群概念引入人工蜂群(artificialbeecolony,ABC)算法中,提出了一种基于子种群多峰值优化算法(species-based artificial bee colony,SABC)应用于圆形交通标志的检测.SABC的关键在于多个子种群按照人工蜂群算法同时搜索多个最优解.作为比较,引入了基于子种群的遗传算法(species-basedgeneticalgorithm,SGA)和基于子种群的粒子群优化算法(species-based particle swarm optimization,SPSO).5个多峰值函数用于验证3种算法的多峰值优化性能,其结果证明SABC具有更高的准确性和更快的运行速度,成功率为100%,精度均低于10-4,运行时间均在0.3 s以内.然后,将多圆检测视为多峰值优化问题,并将SABC应用于多圆检测,设计了完整的检测算法.最后,在德国交通标志数据集(German traffic sign recognition benchmarks,GTSRB)的圆形交通标志上测试所提出的圆形检测算法.实验结果表明,所提算法能够以良好的性能定位圆形交通标志.

摘要：目前,最热门的技术无非是机器学习和人工智能,OpenCV是开源的计算机视觉和机器学习库,是计算机视觉领域学者和开发人员的首选工具,本文设计了一种检测圆形的嵌入式综合方案,即结合拥有完善操作系统的树莓派2代、带USB接口的高速摄像头实时捕获图像并得出结果。实验结果表明,此方法效果良好、准确便捷、操作简单,是一种可行的方案。

摘要：为了在不干扰正常训练的情况下,实现数字铅球系统中的"力-姿"信息同步,提出了一种基于图像特征的非侵入式同步方法。采集高速图像序列后,利用圆度特征判决铅球出手帧,通过ROI设置及关键帧预判等方法提高算法效率,实验中对比分析了参数设置对算法效率的影响。实验结果表明,算法实现了高速高清图像的实时处理,同步准确率达到93.1%,有效地满足了辅助训练的需要。