摘要：为提升在复杂环境下智能物流分拣系统中条形码检测的精度和速度,提出一种基于多尺度特征的条形码快速检测算法。采用深度学习中主流one-stage目标检测器作为基础框架,通过级联不同特征融合层和压缩层实现语义信息充分提取,在不同特征提取层分别嵌入膨胀卷积和深度可分离卷积,对特征提取效果和速度进行有效优化提升。将算法应用于实际分拣现场数据进行测试分析,与已有的YoLo-v3和Vgg-SSD网络等进行对比,该算法在准确度和速度方面具有明显优势,能够较好解决实际应用问题。

摘要：目的路网密度是一个地区交通可达性的重要指标,获取影像中的道路像元是计算路网密度的首要环节。本文利用高分遥感影像中城市主干道路光谱特征沿道路方向趋向一致的特性,提取城市主干道路。方法通过分析像元点的角度纹理图,根据最小灰度方差所在方向设计2维Gabor滤波器。用滤波值数组作为每个像元的表征,借助k均值聚类分割策略将道路像元提取出来,并细化为主干道路网。结果以完全率、正确率和提取质量作为精度评价指标,以k均值聚类作为分割策略,当分割对象分别为灰度值、灰度共生矩阵、多通道2维Gabor滤波值及本文采用的特征向量时,评价结果分别为0.45、0.51、0.37,0.62、0.70、0.54,0.58、0.66、0.52及0.72、0.78、0.65;以Hough变换法作为提取策略时,评价结果分别为0.41、0.56和0.34;以多尺度分割法作为提取策略时,评价结果分别为0.41、0.56和0.34。由此可知,采用相同分割策略,本文采用的分割对象相较其他对象可以获得更好的分类精度。相较传统的基于线状或面状特征的分类手段,本文方法在精度方面亦具有一定的优势。结论本文提出了一种全新的道路像元提取方法,通过构造特定方向的2维Gabor滤波值数组进行影像分割。实验表明该方法具有较好的抗噪性和普适性,广泛适用于GF-1、GF-2、IKONS、Quick Bird及其他传感器获取的高分辨率遥感影像。