*SoftwareX 8（2018）43原始软件出版物电力线场景识别的特征提取、选择与分类编码Ömer Emre Yetgin*，Ömer Nezih Gerek土耳其阿纳多卢大学电气和电子工程系ar t i cl e i nf o文章历史记录：2016年12月28日收到2017年10月26日接受保留字：DCT特征提取/选择分类电力线导线识别a b st ra ct电力线和电缆的探测和避让是飞机飞行安全的关键问题。尽管在图像分析文献中有各种改进，但大多数安全问题取决于飞行员的视觉能力。其目的是，适当的场景检测方法可以帮助飞行员点燃警报。 所提出的工作基本上认为基于频率的功能（在实值离散余弦变换- DCT域）作为候选人的签名存在的电力线的图像。由于DCT提供了沿所有频率的频谱分布，采用域搜索方法来查看DCT样本中携带最多签名的位置。开发的软件搜索大多数候选DCT区域，将它们与其他基于显著性的流行方法（如LBP和HOG）的性能进行比较，并测试通过各种分类器来表达他们的能力。 图像预处理和特征提取部分在MATLABTM R2013b仿真环境下实现，分类步骤在WEKA 3.8.0上实现。形成一个流程图，其中预处理顺序执行，并同时提取特征，最后，输出馈送到WEKA环境进行分类评估。©2017由Elsevier B.V.这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）的网站上进行了介绍。代码元数据当前代码版本1.0此代码版本使用的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-17-00002MATLAB R2013b（8.2.0.701）许可证编号：898112，64位GNU通用公共许可证（WEKA）使用的代码版本控制系统程序代码语言使用MATLAB R2013b，WEKA 3.8.0编译要求，操作环境依赖性MATLAB R2013b，WEKA 3.8.0 Mac OS X如果可用，链接到开发人员文档/手册https://github.com/oeyetgin/SOFTX-DCT-FEATURE.git问题支持电子邮件ongerek@anadolu.edu.tromeremreyetkin@gmail.com1. 介绍该软件试图自动将场景（从飞机上看到的场景）分类为包含电源线和电缆的场景[1]。建议的工作是比较各种特征提取和选择策略，分类器的选择和计算速度的评价。特征选择原文DOI：http://dx.doi.org/10.1016/j.dsp.2017.10.012。通讯作者。电子邮件地址：omeremreyetkin@gmail.com（E. E. Yetgin），ongerek@anadolu.edu.tr（Ö.N. Gerek）。https://doi.org/10.1016/j.softx.2017.10.0072352-7110/©2017由Elsevier B. V.发布分类精度的目标是有助于精度;计算速度评估的目标是在电缆进入飞行视野的情况下实现飞机的及时预警系统[2]。解决上述问题的经典方法是使用图像处理和视觉技术。有趣的是，大多数文献都关注在这项工作中，我们认为这个问题是一个分类问题，需要描述这是一篇CC BY-NC-ND许可下的开放获取文章（www.example.com/）http://creativecommons.org/licenses/by-nc-nd/4.0可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx44E.叶金Gerek / SoftwareX 8（2018）43Fig. 1. 提出了用于执行电力线场景识别的软件的布局[1]。图二. 特征搜索组合。从红外（IR）或可见光图像中提取特征。所提出的软件应用简单的预处理（缩放和灰度转换），然后是基于DCT的特征的穷举搜索[6]和替代方法（即，局部二进制模式- LBP [7]和梯度直方图- HOG[8]）。搜索对应于将特征部分馈送到各种分类器（朴素贝叶斯、随机森林和SVM）以获得大数据集上的测试结果。实验同时解决了哪些特征方法给出了更好的分类结果;围绕哪个变换系数域;以及使用哪个特定分类器。一个简单的算法布局如图所示。1.一、本特刊的DSP部分提供了详细的信号处理解释[1]。本文的其余部分简要说明了软件组件，并通过实验观察强调了软件的影响整体搜索考虑了DCT的谱变换（在不同的变换块和大小）和两种替代和流行的特征方法（LBP和HOG）。总体实验组合如图2所示。该图还指出了在哪个阶段使用了哪些编程平台。该软件和某些图像样本可以在Part-B（元数据）链接中找到。2. 软件框架2.1. 软件构架开发的实验软件使用MATLAB R2013b [9]执行预处理、特征提取（DCT、LBP和HOG）和特征域选择分类阶段使用WEKA3.8.0平台[10]。显然，平台的选择是由于可用性和易用性的限制。更快和更专用的软件实现也可以使用本文提出的软件算法思想容易地尽管如此，当在具有16 GB RAM和Mac OS X操作系统（如第B部分：元数据所示）的基于2.8 GHz i7的普通笔记本电脑上运行时，即使是这样的模拟和解释平台也提供了令人满意的快速实施时间（比要求快两个数量级 我们认为，由于对于兼容性，使用具有兼容硬件的其他操作系统应该获得类似的结果。2.2. 软件功能和实施图2以图片形式显示了程序的主要功能。当考虑DCT情况时，E.叶金Gerek / SoftwareX 8（2018）4345×图三. ARFF格式WEKA输入。图四、 WEKA知识流程图。预处理和特征提取步骤由五个模块组成;目录和图像读取，RGB到YCbCr 转 换 ， 选 择 Y 分 量 ， 高 斯 平 滑 滤 波 （ 3 × 3 大 小 和 1sigma），归一化（0和1之间）和2-D DCT模块。这五个模块之间的过程是顺序的用于特征选择步骤的软件由五个模块组成;使用低通优先级的DCT域选择（经典选择- CS）、使用高通优先级的DCT域选择（反向选择- RS）、使用所有DCT范围的DCT域选择（基于补丁的选择-PB）。此外，本发明还两种流行的特征选择方法（LBP和HOG）也被应用于各种块大小以进行比较。这些步骤不需要彼此的输出，因此它们被设计为以并行的方式工作。一旦对数据库中的图像进行了预处理、特征提取（使用某种方法）和特征选择（以某种尺寸），就通过平坦化特征矩阵（相对于预定方法）来形成长度数据向量选择CS和RS的平坦化作为Z字形策略（类似于JPEG风格），46E.叶金Gerek / SoftwareX 8（2018）43+××图五. 分类结果的一个例子。表1特征提取/选择方法选择的特征大小成功的数据库成功的分类器经典选择4× 4可见随机森林（69，58%）经典选择8×8可见随机森林（69，95%）基于补丁的选择16× 16红外SVM（96，20%）基于补丁的选择32× 32红外SVM（96，30%）基于斑块的选择64×64红外随机森林（97，38%）经典选择128× 128红外SVM（96，88%）而对于PB，使用基于块的Z字形扫描对于4 × 4块，A的大小为16，对于8× 8块，A的大小为64，等等。包括标签向量（以将具有电力线的图像识别为1并且将干净图像识别为0），总体数据大小变为Mx（A1）。 该数据被馈送到使用WEKA 3.8.0平台运行的分类器，因此大小指示符被添加到WEKA兼容文件的头部分（ARFF格式），如图所示。3.第三章。最后，分类器步骤由三个模块组成：朴素贝叶斯，随机森林和SVM（具有LibLINEAR内核），如图4所示。每个模块独立工作以执行10倍二进制分类[11图5以“. txt”格式显示了WEKA输出的样本分类性能结果3. 影响和结论由于直升机在城市地区的使用越来越多，近距离飞行到电力电缆是一个重要的问题。民事和武装部队当局都报告说，大多数直升机坠毁仍然是由于电线。因此，一些研究人员通过获得在图像中找到和强调线条的方法来解决这个问题[2在随附的DSP论文[1]中提出的方法是一种新颖的方法，该方法确定视图帧内是否存在电源线。这种新方法预计将吸引飞行员作为一个警告系统，因此将产生很大的影响。我们的方法的总体特征分类器选择性能在联合特刊的DSP部分中给出[1]。结果可总结于表1中。该表表明，如果允许较大的特征尺寸，则应选择IR图像。DCT功能整体表现优异LBP和HOG，但无论是特定的特征块选择方法，也没有任何特定的分类器算法始终给出更好的结果。最大实验结果以粗体突出显示使用上述运行平台，可以观察到运行时很容易满足响应时间约束。在其最大速度下，直升机需要1预计该软件将有助于为其他应用程序中的不同功能比较提供致谢这项工作得到了阿纳多卢大学科学研究项目委员会的支持，资助号为1508F598。作者要感谢土耳其电力传输公司提供的电力线视频。作者还感谢Bilal KARTAL博士和Yusuf BAYKKAYA在技术问题上的宝贵支持。引用[1] 耶金·厄默·埃姆雷，盖雷克·厄默·内兹.基于DCT特征的真实航拍图像中电力线场景自动识别。J DigitSignal Process2017[2] Yetgin Ömer Emre，Zekeriya Schientürk，Gerek Ömer Nezih.飞机电力线避让的线路检测方法比较2015年第九届[3] Gandhi T，Yang MT，Kasturi R，Camps O，Coraor L，McCandless J.飞机飞行路径中障碍物的检测。IEEE TransAerosp Electron Syst2003;39（1）：176-91.[4] Avizonis P，Barron B.低成本电线检测系统。载于：数字航空电子系统会议，1999年1月。p. 3.C.3-1-3.E.叶金Gerek / SoftwareX 8（2018）4347[5] Kurdila A，Nechyba M，Prazenica R，Dahmen W，Binev P，DeVore R，SharpleyR.（2004）基于视觉的微型飞行器控制。在：会议决策和控制。[6] Nasir Ahmed ， Natarajan T ， Kamisetty R Rao. 离 散 余 弦 变 换 IEEETransComput1974;100（1）：90-3.[7] 蒂莫·奥哈拉，皮蒂凯宁·马蒂，曼帕·托皮.基于局部二值模式的多分辨率灰度和旋转不变纹理分类。IEEE TransPatternAnal Mach Intell2002;24.7：971-87.[8] 纳夫尼特·达拉尔，崔格斯·比尔。用于人体检测的定向梯度直方图。在：IEEE计算机协会计算机视觉和模式识别会议，第1卷。IEEE;2005年。[9] MATLABTM，http://www.mathworks.com，2016.[10] WEKA，http://www.cs.waikato.ac.nz/ml/weka/，2016年。[11] 凯文·墨菲 朴素贝叶斯分类器。 不列颠哥伦比亚大学; 2006年。[12] 里奥·布莱曼随机森林 MachLearning 2001;45.1：5-32.[13] 科琳娜·科尔特斯瓦普尼克·弗拉基米尔支持向量网络。MachLearning1995;20.3：273-97.
我的内容管理
展开
