点击我爱计算机视觉标星，更快获取CVML新技术

在很多计算机视觉任务中需要用到形状分析，尤其是直线检测和圆检测用的最多。比如工业检测中检测元器件（OpenCV中有经典的电阻电容识别的例子），生物图像检测圆形细胞核位置，机器人识别圆形导航标志，交通标志检测识别特定形状的标志等。

这个方向在学术界虽然看起来不像通用目标检测那么火，但其在传统图像分析、机器视觉中的应用却非常广泛。因为现实生活和工业生产中，人们感兴趣的目标往往是形状规则的。

提到直线和圆的检测，也许你立刻会想到霍夫变换，但如果要检测的形状是椭圆呢？可能大多数人就没接触过了。但椭圆检测还是很有必要的，一方面现实中存在很多椭圆形物体，另一方面圆形物体如果拍摄角度不正往往图像中就呈现椭圆形，所以椭圆的检测也非常有意义。

椭圆检测较圆检测复杂度更大，表征一个圆形仅需要3个参数，表征一个椭圆则需要5个参数，搜索空间骤增，更易于受到噪声干扰，使得使用类似霍夫变换的方法计算量增加，检测结果也不尽如人意。

现在好了，一篇前几天刚刚投稿模式识别顶级期刊PAMI的文章《High-quality Ellipse Detection Based on Arc-support Line Segments》提出了一种新的算法，并且开源了代码，给出了一个相当漂亮的解决方案。

作者信息：

第一作者Changsheng Lu（卢长胜）目前是东南大学的硕士生。

下图是作者给出的与先前算法检测结果比较示例：

拍摄的是电话座机的圆形按键（因拍摄角度倾斜较大故呈椭圆形），（a）为原图，（b）为Ground Truth，（c）-（g）为其他算法检测结果，（h）为该文提出的算法检测结果，结果还是很不错的，速度也是相当快。

又好又快的算法没理由不火的！

算法原理

作者提出了一种称之为Arc-support Line Segments（也许可以翻译为“弧支撑线段”）的概念，他是椭圆中一小段圆弧两个端点形成的“直线段”，不同于普通直线段，它来自于弧支撑区域，分布像曲线一样变化。它实际上应该是弧的一小段，只是在这里局部近似为直线段。

作者使用LSD算法检测这些Arc-support Line Segments，然后基于此由粗到细构建椭圆检测的筛选机制。

主要流程包括：

1）将检测到的Arc-support Line Segments连接并分组；

2）初始椭圆候选集合生成；

3）椭圆聚类，将可能来自同一个椭圆的候选者合并；

4）候选椭圆验证，剔除质量不高的椭圆。

下图较好地表达了上述过程（点击放大查看更佳）：

（a）为原始图像，（b）为提取出的42个Arc-support Line Segments（请注意它们是直线），（c）通过连接得到的20个arc-support组，（d）13个初始生成的椭圆，（e）通过聚类后得到的10个候选椭圆，（f）经过椭圆质量验证最后得到的2个椭圆。

实验结果

作者在三个真实世界数据集上进行了实验，如下图所示：

在所有的precision 、recall、F-measure三种度量指标（9个比较结果）上，该文提出的算法有8个结果是最好的，速度也接近最快的算法的速度。

下面是一些检测结果不同算法对比示例：

作者同时比较了椭圆的定位精度，在三个数据库中有两个定位精度达到最好，在PCB  dataset的精度是第二好。

精确定位结果示例：

重点来啦！

论文地址：

https://arxiv.org/abs/1810.03243

代码地址：

https://github.com/AlanLuSun/High-quality-ellipse-detection

（Matlab实现的）

论文代码下载：

在“我爱计算机视觉”公众号对话界面回复“椭圆检测”，即可收到该文及代码的百度云下载地址。

你觉得本文对你有帮助吗？欢迎留言～

长按关注我爱计算机视觉

【点赞与转发】就是一种鼓励