[論文レビュー] Arc-support Line Segments Revisited: An Efficient and High-quality Ellipse Detection

Changsheng Lu, Siyu Xia+2 more|arXiv (Cornell University)|Oct 8, 2018

Image and Object Detection Techniques参考文献 39被引用数 4

ひとこと要約

本稿では、現実世界の画像における検出のロバスト性を向上させるために、弧支持線分（arc-support LSs）を用いた効率的で高精度な楕円検出手法を提案する。極性や勾配方向といった幾何的特徴を活用することで、弧支持グループを形成し、制約付きフィッティングにより初期楕円を生成し、階層的クラスタリングと検証を経て候補を精錬する。3つの公開データセットにおいて最先端のFスコアを達成し、競争力ある速度を実現した。

ABSTRACT

Over the years many ellipse detection algorithms spring up and are studied broadly, while the critical issue of detecting ellipses accurately and efficiently in real-world images remains a challenge. In this paper, we propose a valuable industry-oriented ellipse detector by arc-support line segments, which simultaneously reaches high detection accuracy and efficiency. To simplify the complicated curves in an image while retaining the general properties including convexity and polarity, the arc-support line segments are extracted, which grounds the successful detection of ellipses. The arc-support groups are formed by iteratively and robustly linking the arc-support line segments that latently belong to a common ellipse. Afterward, two complementary approaches, namely, locally selecting the arc-support group with higher saliency and globally searching all the valid paired groups, are adopted to fit the initial ellipses in a fast way. Then, the ellipse candidate set can be formulated by hierarchical clustering of 5D parameter space of initial ellipses. Finally, the salient ellipse candidates are selected and refined as detections subject to the stringent and effective verification. Extensive experiments on three public datasets are implemented and our method achieves the best F-measure scores compared to the state-of-the-art methods. The source code is available at https://github.com/AlanLuSun/High-quality-ellipse-detection.

研究の動機と目的

• ノイズ、部分的隠蔽、ぼやけ、複雑なエッジを持つ現実世界の画像において、楕円を正確かつ効率的に検出する課題に対処すること。
• 産業用途に適した高精度と計算効率の両立を図る手法を開発すること。
• 極性、勾配方向、弧支持構造といった幾何的特徴を活用して、楕円検出のロバスト性を向上させること。
• 変動する角度カバー範囲を持つ不完全な楕円（楕円弧）の検出を可能とすること。
• 誤検出を低減しつつ局所化精度を維持する自己キャリブレーション型の高精度検証メカニズムを提供すること。

提案手法

• 複雑な曲線を単純化しながら凸性と極性を保持するため、弧支持線分を抽出し、非楕円的構造をフィルタリングする。
• 幾何的制約と極性の一貫性を用いて、同じ楕円に属すると考えられる線分を反復的に連結することで、弧支持グループを形成する。
• 初期楕円は、2つの補完的な戦略（局所的顕著性に基づく選択とグローバルなペアグループ探索）により生成され、3つの新しい幾何的制約によってガイドされる。
• 初期楕円群は5次元パラメータ空間において階層的クラスタリングを用いて処理され、類似した楕円をグループ化し、重複を低減する。
• 幾何的および強度ベースの制約を用いた厳密な検証ステップにより、誤検出を排除し、最終的な検出を精錬する。
• 自己キャリブレーション型の精錬プロセスにより、エッジサポートに基づいて反復的に楕円パラメータを最適化することで、局所化精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 弧支持線分は、複雑な画像における非楕円的エッジをフィルタリングしつつ、楕円的構造を効果的に表現できるか？
• RQ2 極性と勾配方向の情報は、楕円検出のロバスト性と効率性を向上させるためにどのように活用できるか？
• RQ3 提案手法は、角度カバー範囲が異なる不完全な楕円（楕円弧）をどの程度検出できるか？
• RQ4 本手法は、Fスコアと処理時間の両面で最先端の手法を上回る高精度かつ高効率性を達成できるか？
• RQ5 局所的およびグローバルな初期楕円生成戦略の組み合わせは、検出の完全性を向上させるとともに、誤検出を低減するか？

主な発見

• 提案手法は3つの公開データセットにおいて、既存の最先端の楕円検出手法を上回る最高のFスコアを達成した。
• 半長軸が20ピクセル未満で、軸比が0.25程度の小さな楕円も正常に検出できたが、極めて小さな楕円や偏平な楕円は依然として挑戦的である。
• 楕円の向きに依存しない検出性能を示し、テストした全90°の向きで一貫した成功を収めた。
• 可変パラメータ $ T_{ac} $ の活用により、165°の角度カバー範囲を持つ楕円弧でさえ検出可能であり、不完全な楕円に対するロバスト性を示した。
• 画像のスケーリングを2倍にすることで検出性能が向上し、検出マップにおける失敗領域が減少した。これにより、スケーラビリティが示された。
• 極性に基づくフィルタリングにより、弧支持LSを絞ることで、明るい帯または暗い帯を持つ楕円のターゲット検出が可能になり、再処理を必要としない。