[论文解读] 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 4

一句话总结

本文提出了一种高效且精确的椭圆检测方法，利用弧支撑线段（arc-support LSs）以提升真实图像中检测的鲁棒性。通过利用极性与梯度方向等几何特征，该方法形成弧支撑组，通过约束拟合生成初始椭圆，并借助分层聚类与验证步骤对候选椭圆进行精炼，在三个公开数据集上实现了最先进的F-measure得分，同时保持了较高的处理速度。

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.

研究动机与目标

• 解决在存在噪声、遮挡、模糊和杂乱边缘的真实图像中准确且高效检测椭圆的挑战。
• 开发一种在高检测精度与计算效率之间取得平衡的方法，适用于工业应用。
• 利用极性、梯度方向和弧支撑结构等几何特征，提升椭圆检测的鲁棒性。
• 实现对具有可变角度覆盖范围的不完整椭圆（椭圆弧）的检测。
• 提供一种自校准的高精度验证机制，在保持定位精度的同时减少误报。

提出的方法

• 该方法提取弧支撑线段，以简化复杂曲线，同时保留凸性与极性，过滤掉非椭圆结构。
• 通过迭代连接可能属于同一椭圆的线段，利用几何约束与极性一致性，形成弧支撑组。
• 通过两种互补策略生成初始椭圆：基于局部显著性的选择与全局成对组搜索，二者均受三个新型几何约束引导。
• 在五维参数空间中使用分层聚类对初始椭圆集合进行聚类，以分组相似椭圆并减少冗余。
• 通过严格的验证步骤，结合几何与强度约束，拒绝误报并优化最终检测结果。
• 通过自校准的精炼过程，基于边缘支持迭代优化椭圆参数，提升定位精度。

实验结果

研究问题

• RQ1 弧支撑线段是否能有效表示椭圆结构，同时在复杂图像中过滤掉非椭圆边缘？
• RQ2 如何利用极性与梯度方向信息提升椭圆检测的鲁棒性与效率？
• RQ3 所提方法在多大程度上能够检测具有不同角度覆盖范围的不完整椭圆（椭圆弧）？
• RQ4 该方法是否能同时实现高精度与高效率，在F-measure与处理时间上超越现有最先进方法？
• RQ5 局部与全局初始椭圆生成策略的结合在多大程度上提升了检测完整性并减少了误报？

主要发现

• 所提方法在三个公开数据集上均取得了最高的F-measure得分，优于现有最先进的椭圆检测方法。
• 该方法成功检测到半长轴小至20像素、轴比低至0.25（如0.25）的椭圆，尽管极小或扁平椭圆仍具挑战性。
• 检测性能与椭圆方向无关，在所有测试的90°方向上均保持一致的高成功率。
• 得益于可配置参数$ T_{ac} $，该方法可检测角度覆盖低至165°的椭圆弧，展现出对不完整椭圆的强鲁棒性。
• 图像放大两倍可提升检测性能，减少检测图中的失败区域，表明方法具备良好的可扩展性。
• 通过基于极性的弧支撑LS过滤，实现极性特定的检测，可针对性检测亮带或暗带椭圆，无需重新处理。