CN103914830A - 直线检测方法和装置 - Google Patents
直线检测方法和装置 Download PDFInfo
- Publication number
- CN103914830A CN103914830A CN201410063121.0A CN201410063121A CN103914830A CN 103914830 A CN103914830 A CN 103914830A CN 201410063121 A CN201410063121 A CN 201410063121A CN 103914830 A CN103914830 A CN 103914830A
- Authority
- CN
- China
- Prior art keywords
- detected
- straight line
- pixel
- alternative
- histogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 claims description 47
- RKTYLMNFRDHKIL-UHFFFAOYSA-N copper;5,10,15,20-tetraphenylporphyrin-22,24-diide Chemical compound [Cu+2].C1=CC(C(=C2C=CC([N-]2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3[N-]2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 RKTYLMNFRDHKIL-UHFFFAOYSA-N 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000004513 sizing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000009466 transformation Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 241001212149 Cathetus Species 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Abstract
本公开是关于一种直线检测方法和装置,属于图像处理领域。所述方法包括:获取图像中各个像素点的梯度直方图特征集,所述梯度直方图特征集用于反映像素点所在局部的直线特性;根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向;根据所述备选方向确定所述待检测直线的精确方向和位置。本公开解决了相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题;本公开提供的直线检测方法并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。
Description
技术领域
本公开涉及图像处理领域,特别涉及一种直线检测方法和装置。
背景技术
直线和几何形状的检测是图像处理领域的一个重要课题。在现实场景中,由于有大量的直线和几何形状,因此实现快速、准确的直线和几何形状的检测方法对图像处理来说具有重要意义。
几何形状的检测方法通常是基于直线检测方法而产生的。在相关技术中,直线检测一般使用霍夫变换的方法。霍夫变换定义了和图像成对偶关系的参数空间,图像中的一条直线对应于参数空间中的一个点,而图像中的一个点对应于参数空间中的一条正弦曲线。通过上述对应关系可知,图像中的一条直线上的若干个共线点对应于参数空间中相交于同一点的若干条正弦曲线。据此,检测图像中共线点最多的直线的问题,就转换为了检测参数空间中相交于一点的正弦曲线数量最多的峰值点的问题,与该峰值点对应的直线即为所要检测的图像中的直线。
发明人在实现本公开的过程中,发现上述方式至少存在如下缺陷:在上述基于霍夫变换的直线检测方法中,由于需要在图像中采样若干个共线点,因此首先需要将图像进行二值化,也即得到由黑、白像素点组成的二值图像,然后在二值图像中采样若干个共线点。然而,图像的二值化对参数较为敏感,其仅适合边缘强度较强,也即直线与图像中的其它区域间的灰度值存在明显差异的直线的检测;当边缘强度较弱或者存在噪音干扰时,会导致直线断裂,并且严重影响检测结果的准确度。
发明内容
为了解决相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题,本公开实施例提供了一 种直线检测方法和装置。所述技术方案如下:
第一方面,提供了一种直线检测方法,所述方法包括:
获取图像中各个像素点的梯度直方图特征集,所述梯度直方图特征集用于反映像素点所在局部的直线特性;
根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向;
根据所述备选方向确定所述待检测直线的精确方向和位置。
可选的,所述获取图像中各个像素点的梯度直方图特征集,包括:
对于每一个所述像素点(i,j),计算所述像素点的方向梯度集g(i,j),所述方向梯度集g(i,j)包括所述像素点在K个方向上的方向梯度值,所述像素点在任一方向上的方向梯度值是指所述像素点在所述方向上与相邻像素点之间的灰度值之差的绝对值,K≥2;
根据所述像素点的方向梯度集g(i,j)计算所述像素点的梯度直方图特征集h(i,j)。
可选的,所述根据所述像素点的方向梯度集g(i,j)计算所述像素点的梯度直方图特征集h(i,j),包括:
分别计算所述像素点在所述K个方向上的局部梯度值k方向上的局部梯度值等于所述像素点所在局部内所有像素点在所述k方向上的方向梯度值之和,其中,k表示方向;
计算所述像素点的平均梯度值hnorm(i,j),所述平均梯度值hnorm(i,j)等于所述像素点的各个所述局部梯度值的平方和的开方;
将所述局部梯度值除以所述平均梯度值hnorm(i,j)得到所述像素点在所述k方向上的梯度直方图特征hk(i,j);
将所述K个方向上的梯度直方图特征的集合确定为所述像素点的梯度直方图特征集h(i,j)。
可选的,所述方法还包括:
对于每一个所述像素点(i,j),检测所述平均梯度值hnorm(i,j)是否小于预定平均值Tnorm;
若检测结果为所述平均梯度值hnorm(i,j)小于所述预定平均值Tnorm,则将所述像素点的梯度直方图特征集h(i,j)中的各个梯度直方图特征置零。
可选的,所述根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,包括:
对于每一个所述像素点,选取所述梯度直方图特征集中数值最大的梯度直方图特征所对应的方向为所述像素点所在局部的主方向;
统计各个所述像素点所在局部的主方向在所述K个方向上的投票数量;
选取与所述投票数量超过投票阈值的方向相垂直的方向为所述待检测直线的备选方向。
可选的,所述根据所述备选方向确定所述待检测直线的精确方向和位置,包括:
对于每一个所述备选方向,生成至少一条与所述备选方向平行的扫描线;
分别计算每条扫描线的匹配距离,所述扫描线的匹配距离用于反映所述扫描线与所述待检测直线的接近程度;
选取匹配距离最小的所述扫描线为备选直线;
根据所述备选直线确定所述待检测直线的精确方向和位置。
可选的,所述分别计算每条扫描线的匹配距离,包括:
对于每一条所述扫描线,在所述扫描线上采样获取n个采样点,n≥1;
计算各个所述采样点的梯度直方图特征集与所述备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离;
将所述n个采样点的匹配距离求和得到所述扫描线的匹配距离。
可选的,所述根据所述备选直线确定所述待检测直线的精确方向和位置,包括:
以所述备选直线为中轴线,生成预定大小的矩形区域;
在所述矩形区域的垂直于所述备选直线的两边,分别选取u个和v个点,并将两边上的点两两连线得到u*v条线段,u≥1,v≥1;
分别计算所述u*v条线段中的每一条线段的匹配距离,所述线段的匹配距离用于反映所述线段与所述待检测直线的接近程度;
选取匹配距离最小的线段所属的直线为所述待检测直线。
可选的,所述方法还包括:
对于任意一条所述待检测直线,检测所述图像中是否存在满足第一预定条件的第二待检测直线,所述第一预定条件包括所述第二待检测直线与所述待检 测直线的交点在所述图像内且两者的夹角小于夹角阈值;
若检测结果为存在满足所述第一预定条件的第二待检测直线,则将所述第二待检测直线添加至备选直线集;
对于所述备选直线集中的任意两条所述第二待检测直线,检测是否存在满足第二预定条件的第三待检测直线,所述第二预定条件包括所述第三待检测直线不同于所述待检测直线、所述第三待检测直线与两条所述第二待检测直线均相交且两个交点均在所述图像内;
若检测结果为存在满足所述第二预定条件的第三待检测直线,则将所述待检测直线、两条所述第二待检测直线以及所述第三待检测直线组成的四边形添加至备选矩形集;
对于所述备选矩形集中的每一个四边形,计算所述四边形的匹配距离,所述四边形的匹配距离用于反映所述四边形与待检测矩形的接近程度,所述四边形的匹配距离等于所述四边形的四条边所对应的线段的匹配距离之和;
将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为所述待检测矩形。
第二方面,提供了一种直线检测装置,所述装置包括:
特征获取模块,用于获取图像中各个像素点的梯度直方图特征集,所述梯度直方图特征集用于反映像素点所在局部的直线特性;
备选确定模块,用于根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向;
精确确定模块,用于根据所述备选方向确定所述待检测直线的精确方向和位置。
可选的,所述特征获取模块,包括:梯度计算单元和特征计算单元;
所述梯度计算单元,用于对于每一个所述像素点(i,j),计算所述像素点的方向梯度集g(i,j),所述方向梯度集g(i,j)包括所述像素点在K个方向上的方向梯度值,所述像素点在任一方向上的方向梯度值是指所述像素点在所述方向上与相邻像素点之间的灰度值之差的绝对值,K≥2;
所述特征计算单元,用于根据所述像素点的方向梯度集g(i,j)计算所述像素点的梯度直方图特征集h(i,j)。
可选的,所述特征计算单元,包括:局部梯度子单元、平均梯度子单元、 特征计算子单元和特征确定子单元;
所述局部梯度子单元,用于分别计算所述像素点在所述K个方向上的局部梯度值k方向上的局部梯度值等于所述像素点所在局部内所有像素点在所述k方向上的方向梯度值之和,其中,k表示方向;
所述平均梯度子单元,用于计算所述像素点的平均梯度值hnorm(i,j),所述平均梯度值hnorm(i,j)等于所述像素点的各个所述局部梯度值的平方和的开方;
所述特征计算子单元,用于将所述局部梯度值除以所述平均梯度值hnorm(i,j)得到所述像素点在所述k方向上的梯度直方图特征hk(i,j);
所述特征确定子单元,用于将所述K个方向上的梯度直方图特征的集合确定为所述像素点的梯度直方图特征集h(i,j)。
可选的,所述装置还包括:平均检测子单元和特征置零子单元;
所述平均检测子单元,用于对于每一个所述像素点(i,j),检测所述平均梯度值hnorm(i,j)是否小于预定平均值Tnorm;
所述特征置零子单元,用于若检测结果为所述平均梯度值hnorm(i,j)小于所述预定平均值Tnorm,则将所述像素点的梯度直方图特征集h(i,j)中的各个梯度直方图特征置零。
可选的,所述备选确定模块,包括:方向选取单元、投票统计单元和备选选取单元;
所述方向选取单元,用于对于每一个所述像素点,选取所述梯度直方图特征集中数值最大的梯度直方图特征所对应的方向为所述像素点所在局部的主方向;
所述投票统计单元,用于统计各个所述像素点所在局部的主方向在所述K个方向上的投票数量;
所述备选选取单元,用于选取与所述投票数量超过投票阈值的方向相垂直的方向为所述待检测直线的备选方向。
可选的,所述精确确定模块,包括:扫描生成单元、扫描匹配单元、扫描选取单元和精确确定单元;
所述扫描生成单元,用于对于每一个所述备选方向,生成至少一条与所述备选方向平行的扫描线;
所述扫描匹配单元,用于分别计算每条扫描线的匹配距离,所述扫描线的匹配距离用于反映所述扫描线与所述待检测直线的接近程度;
所述扫描选取单元,用于选取匹配距离最小的所述扫描线为备选直线;
所述精确确定单元,用于根据所述备选直线确定所述待检测直线的精确方向和位置。
可选的,所述扫描匹配单元,包括:采样获取子单元、采样匹配子单元和采样求和子单元;
所述采样获取子单元,用于对于每一条所述扫描线,在所述扫描线上采样获取n个采样点,n≥1;
所述采样匹配子单元,用于计算各个所述采样点的梯度直方图特征集与所述备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离;
所述采样求和子单元,用于将所述n个采样点的匹配距离求和得到所述扫描线的匹配距离。
可选的,所述精确确定单元,包括:矩形生成子单元、线段生成子单元、线段匹配子单元和线段选取子单元;
所述矩形生成子单元,用于以所述备选直线为中轴线,生成预定大小的矩形区域;
所述线段生成子单元,用于在所述矩形区域的垂直于所述备选直线的两边,分别选取u个和v个点,并将两边上的点两两连线得到u*v条线段,u≥1,v≥1;
所述线段匹配子单元,用于分别计算所述u*v条线段中的每一条线段的匹配距离,所述线段的匹配距离用于反映所述线段与所述待检测直线的接近程度;
所述线段选取子单元,用于选取匹配距离最小的线段所属的直线为所述待检测直线。
可选的,所述装置还包括:
第一检测模块,用于对于任意一条所述待检测直线,检测所述图像中是否存在满足第一预定条件的第二待检测直线,所述第一预定条件包括所述第二待检测直线与所述待检测直线的交点在所述图像内且两者的夹角小于夹角阈值;
直线备选模块,用于若检测结果为存在满足所述第一预定条件的第二待检测直线,则将所述第二待检测直线添加至备选直线集;
第二检测模块,用于对于所述备选直线集中的任意两条所述第二待检测直 线,检测是否存在满足第二预定条件的第三待检测直线,所述第二预定条件包括所述第三待检测直线不同于所述待检测直线、所述第三待检测直线与两条所述第二待检测直线均相交且两个交点均在所述图像内;
矩形备选模块,用于若检测结果为存在满足所述第二预定条件的第三待检测直线,则将所述待检测直线、两条所述第二待检测直线以及所述第三待检测直线组成的四边形添加至备选矩形集;
匹配计算模块,用于对于所述备选矩形集中的每一个四边形,计算所述四边形的匹配距离,所述四边形的匹配距离用于反映所述四边形与待检测矩形的接近程度,所述四边形的匹配距离等于所述四边形的四条边所对应的线段的匹配距离之和;
矩形确定模块,用于将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为所述待检测矩形。
本公开实施例提供的技术方案的一些有益效果可以包括:
通过获取图像中各个像素点的梯度直方图特征集,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,然后根据备选方向确定待检测直线的精确方向和位置,其中,梯度直方图特征集用于反映像素点所在局部的直线特性;解决了相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题;与背景技术中涉及的相关直线检测方法相比,本实施例提供的直线检测方法并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚地说明本公开的实施例,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种直线检测方法的流程图;
图2A是根据另一示例性实施例示出的一种直线检测方法的流程图;
图2B是根据另一示例性实施例示出的一种直线检测方法在特征计算过程中涉及的示意图;
图2C是根据另一示例性实施例示出的一种直线检测方法在直选选取过程中涉及的示意图;
图3是根据一示例性实施例示出的一种直线检测装置的示意图;
图4是根据另一示例性实施例示出的一种直线检测装置的示意图;
图5是根据一示例性实施例示出的一种用于直线检测的装置的框图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开作进一步地详细描述,显然,所描述的实施例仅仅是本公开一部份实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
首先需要说明的是,本公开所涉及的电子设备可以是手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面3)播放器、膝上型便携计算机和台式计算机等等。同时,电子设备包含有图像采集组件,比如摄像头。
图1是根据一示例性实施例示出的一种直线检测方法的流程图,本实施例以该直线检测方法应用于电子设备中来举例说明。该直线检测方法可以包括如下步骤:
在步骤102中,获取图像中各个像素点的梯度直方图特征集,梯度直方图特征集用于反映像素点所在局部的直线特性。
在步骤104中,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向。
在步骤106中,根据备选方向确定待检测直线的精确方向和位置。
综上所述,本实施例提供的直线检测方法,通过获取图像中各个像素点的梯度直方图特征集,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,然后根据备选方向确定待检测直线的精确方向和位置,其中,梯度直方图特征集用于反映像素点所在局部的直线特性;解决了相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题;与背景技术中涉及的相关直线检测方法相比,本实施例提供的直线检测方法并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。
图2A是根据另一示例性实施例示出的一种直线检测方法的流程图,本实施例以该直线检测方法应用于电子设备中来举例说明。该直线检测方法可以包括如下步骤:
在步骤201中,生成图像的灰度图。
在进行直线检测之前,电子设备首先将采集的图像进行灰度化,生成图像的灰度图。灰度分为256阶,任一像素点(i,j)的灰度值I(i,j)∈[0,255]。
在步骤202中,获取图像中各个像素点的梯度直方图特征集。
电子设备获取图像中各个像素点的梯度直方图特征集,梯度直方图特征集用于反映像素点所在局部的直线特性。
本步骤可以包括如下两个子步骤:
第一,对于每一个像素点(i,j),计算像素点的方向梯度集g(i,j)。
对于每一个像素点(i,j),电子设备计算像素点的方向梯度集g(i,j)。一个像素点的方向梯度集包括该像素点在K个方向上的方向梯度值,像素点在任一方向上的方向梯度值是指该像素点在该方向上与相邻像素点之间的灰度值之差的绝对值,K≥2。K的取值根据实际需求预先设定,K值越大,直线检测的结果越精确。为了减少计算量,在通常情况下K取4或8即可。
请结合参考图2B,假设有图像I,其大小为M*N(M和N分别表示图像I在水平方向和垂直方向上的像素点数量),M≥1,N≥1。对于图像中的任一像素点(i,j),i∈[0,M],j∈[0,N],其对应的方向梯度集记为g(i,j)。
同时假设K=4,该4个方向分别为与水平方向呈0°、45°、90°以及135°夹 角的方向,且像素点(i,j)在上述4个方向上的方向梯度值分别记为g0(i,j)、g45(i,j)、g90(i,j)和g135(i,j)。则:
g(i,j)={g0(i,j),g45(i,j),g90(i,j),g135(i,j)},其中,
g0(i,j)=|I(i+1,j)-I(i,j)|;
g45(i,j)=|I(i-1,j-1)-I(i,j)|;
g90(i,j)=|I(i,j-1)-I(i,j)|;
g135(i,j)=|I(i+1,j-1)-I(i,j)|;
I(i,j)表示像素点(i,j)的灰度值,I(i,j)∈[0,255]。
在实际应用中,可以将图像中的边界像素点不予考虑。其中,边界像素点是指在图像四周边缘的像素点,如图2B中黑色线框21以外的区域中所包含的像素点。
第二,根据像素点的方向梯度集g(i,j)计算该像素点的梯度直方图特征集h(i,j)。
电子设备根据像素点的方向梯度集g(i,j)计算该像素点的梯度直方图特征集h(i,j)。
首先需要了解的是,如果图像中存在一条直线,沿直线方向各像素点的灰度值变化缓慢或者不变;而与直线方向相垂直的方向,各像素点的灰度值会存在突变。正是利用这一特性,在求得像素点的方向梯度集g(i,j)之后,引入像素点的梯度直方图特征集h(i,j)。
像素点的梯度直方图特征集h(i,j)反映了像素点所在局部的直线特性,该直线特性包括像素点所在局部内是否存在待检测直线以及待检测直线的大致方向中的第一种或者全部两种。其中,待检测直线的大致方向是指待检测直线所接近的方向,比如:若待检测直线所接近的方向为45°的邻域范围,则待检测直线的大致方向为45°。
上述第二个子步骤还包括如下几个子步骤:
(1)分别计算像素点在K个方向上的局部梯度值
电子设备分别计算像素点在K个方向上的局部梯度值k表示方向。像素点(i,j)在k方向上的局部梯度值等于像素点所在局部内所有像素点在k方向上的方向梯度值之和。在本实施例中,
其中,R为平均半径,其取值根据实际需求预先设定,比如R=4。请结合参考图2B,R的取值也决定了像素点(i,j)所在局部22的范围,像素点(i,j)所在局部22中包含的像素点数量等于(2R+1)*(2R+1)。比如,当R=4时,像素点(i,j)所在局部22的范围为以像素点(i,j)为中心的9*9=81个像素点所组成的区域。
(2)计算像素点的平均梯度值hnorm(i,j)。
电子设备计算像素点的平均梯度值hnorm(i,j)。平均梯度值hnorm(i,j)等于像素点的各个局部梯度值的平方和的开方。在本实施例中,
(3)将局部梯度值除以平均梯度值hnorm(i,j)得到像素点在k方向上的梯度直方图特征hk(i,j)。
电子设备将局部梯度值除以平均梯度值hnorm(i,j)得到像素点在k方向上的梯度直方图特征hk(i,j)。在本实施例中,
(4)将K个方向上的梯度直方图特征的集合确定为像素点的梯度直方图特征集h(i,j)。
电子设备将K个方向上的梯度直方图特征的集合确定为像素点的梯度直方图特征集h(i,j)。像素点(i,j)的梯度直方图特征集记为h(i,j),梯度直方图特征集h(i,j)包括像素点(i,j)在K个方向上的梯度直方图特征。在本实施例中,
h(i,j)={h0(i,j),h45(i,j),h90(i,j),h135(i,j)}。
由此可以看出,hk(i,j)的值越大,表明沿k方向各像素点的灰度值变化越明显,很有可能存在突变。据此可以推测,与k方向相垂直的方向为待检测直线的大致方向。
需要说明的是,为了降低噪声或者光照等因素的干扰,同时减小计算量,在计算像素点的平均梯度值hnorm(i,j)之后,还可以检测平均梯度值hnorm(i,j)是否小于预定平均值Tnorm,若检测结果为平均梯度值hnorm(i,j)小于预定平均值Tnorm,则将像素点的梯度直方图特征集h(i,j)中的各个梯度直方图特征置零。因为预定平均值Tnorm反映了像素点所在局部在各个方向上的整体梯度情况,当hnorm(i,j)偏小时,说明该局部内的边缘强度很弱,可能是因为噪声 或者光照等因素所造成的相邻像素点间的灰度变化,并不是因为该局部内存在待检测直线而造成的相邻像素点间的灰度变化;所以,当hnorm(i,j)小于预定平均值Tnorm时,将像素点的梯度直方图特征集h(i,j)中的各个梯度直方图特征均置为0。
在步骤203中,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向。
电子设备根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向。
本步骤可以包括如下几个子步骤:
第一,对于每一个像素点,选取梯度直方图特征集中数值最大的梯度直方图特征所对应的方向为像素点所在局部的主方向。
在步骤202中已经介绍,hk(i,j)的值越大,表明沿k方向各像素点的灰度值变化越明显,很有可能存在突变。据此可以推测,与k方向相垂直的方向为待检测直线的大致方向。
因此,电子设备选取梯度直方图特征集h(i,j)中数值最大的梯度直方图特征所对应的方向为像素点所在局部的主方向,该主方向与局部中直线的方向接近垂直。
第二,统计各个像素点所在局部的主方向在K个方向上的投票数量。
电子设备确定图像中每一个像素点所在局部的主方向之后,整图统计各个像素点所在局部的主方向在K个方向上的投票数量。
比如,该统计结果可以是:a个像素点所在局部的主方向为0°、b个像素点所在局部的主方向为45°、c个像素点所在局部的主方向为90°以及d个像素点所在局部的主方向为135°;其中,a、b、c、d分别为整图统计后在4个方向上的投票数量,且假设b>a>c>d。
第三,选取与投票数量超过投票阈值的方向相垂直的方向为待检测直线的备选方向。
电子设备各个像素点所在局部的主方向在K个方向上的投票数量之后,检测各个方向上的投票数量是否大于投票阈值。在实际应用过程中,投票阈值的大小可以结合图像的大小、电子设备的数据处理能力以及对直线检测精度的要求等因素综合考虑后进行设定。
之后,电子设备筛选出投票数量超过投票阈值的至少一个方向,并将与筛选得到的方向相垂直的方向作为待检测直线的备选方向。由于投票数量超过投票阈值的方向反映了图像中各个局部的主方向,而各个局部的主方向是与图像中的直线接近垂直的,因此需要选取与投票数量超过投票阈值的方向相垂直的方向为待检测直线的备选方向。
经过本步骤之后,在通常情况下可以从K个方向中筛选出1至2个方向作为待检测直线的备选方向。在后续步骤中,电子设备将通过粗尺度以及细尺度的计算、分析最终确定待检测直线的精确方向和位置。
在本实施例中,假设b>投票阈值>a>c>d,而投票数量b对应的主方向为45°,所以选取135°方向为待检测直线的备选方向。
在步骤204中,对于每一个备选方向,生成至少一条与该备选方向平行的扫描线。
对于每一个备选方向,电子设备生成至少一条与该备选方向平行的扫描线。请结合参考图2C,假设大小为M*N的图像中的直线L如图所示。经过上述步骤201至步骤203之后,可以确定出待检测直线的备选方向为135°。方向为135°的扫描线26布满整个图像,相邻扫描线26之间的距离可以结合图像的大小、电子设备的数据处理能力以及对直线检测精度的要求等因素综合考虑后进行设定。
在步骤205中,分别计算每条扫描线的匹配距离。
电子设备分别计算每条扫描线的匹配距离,扫描线的匹配距离用于反映扫描线与待检测直线的接近程度。具体来讲,本步骤包括如下几个子步骤:
第一,对于每一条扫描线,在扫描线上采样获取n个采样点,n≥1。
对于每一条扫描线,电子设备在扫描线上采样获取n个采样点,n≥1。可选的,电子设备在每一条扫描线上均匀采样获取n个采样点。请结合参考图2C,在本实施例中,假设电子设备在每一条扫描线上均匀采样获取10个采样点27。
第二,计算各个采样点的梯度直方图特征集与备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离。
电子设备计算各个采样点的梯度直方图特征集与备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离。在上述步骤202中,电子设备已经获取了图像中各个像素点的梯度直方图特征集。此时,电子设备根据各个采样 点的坐标,从各个像素点的梯度直方图特征集中查找获取各个采样点的梯度直方图特征集。
模板梯度直方图特征集记为Templates,s∈{0,45,90,135}。在一种可能的实施方式中,
Template0={1,0,0,0};
Template45={0,1,0,0};
Template90={0,0,1,0};
Template135={0,0,0,1}。
另外,在本实施例中假设获取的n个采样点分别为(x0,y0)、(x1,y1)、…、(xi,yi)、…、(xn-1,yn-1)。则,采样点(xi,yi)的梯度直方图特征集与备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离dist[h(xi,yi),Templates]=dist[h(xi,yi),Template45]=|h0(xi,yi)-0|+|h45(xi,yi)-1|+|h90(xi,yi)-0|+|h135(xi,yi)-0|。
第三,将n个采样点的匹配距离求和得到扫描线的匹配距离。
电子设备将n个采样点的匹配距离求和得到扫描线的匹配距离。
在步骤206中,选取匹配距离最小的扫描线为备选直线。
电子设备在计算得到各条扫描线的匹配距离之后,选取匹配距离最小的扫描线为备选直线。请结合参考图2C,在本实施例中假设过O和P两点的扫描线为匹配距离最小的扫描线,也即将过O和P两点的扫描线选取为备选直线。
结合图示可以看出,确定备选直线之后,可以大致地确定待检测直线L在图像中的大体位置。然后,通过后续步骤207的细尺度的计算、分析最终确定出待检测直线L在图像中的精确方向和位置。
在步骤207中,根据备选直线确定待检测直线的具体方向和位置。
电子设备根据备选直线确定待检测直线的具体方向和位置。
本步骤可以包括如下几个子步骤:
第一,以备选直线为中轴线,生成预定大小的矩形区域。
以备选直线为中轴线,电子设备生成预定大小的矩形区域。请结合参考图2C,可以在备选直线上选取O、P两点,线段OP的长度即为矩形区域的长。在实际应用过程中,线段OP的长度应尽量选取地较大。之后,分别过O、P两点 作备选直线的垂线段AB和CD;其中,O为AB中点且P为CD中点。线段AB、CD的长度即为矩形区域的宽。在实际应用中,线段AB、CD的长度可以选取为相邻扫描线之间的距离的两倍。
第二,在矩形区域的垂直于备选直线的两边,分别选取u个和v个点,并将两边上的点两两连线得到u*v条线段,u≥1,v≥1。
在通常情况下,u和v可以取相等的值,比如u=v=8。此时,将两边上的点两两连线可以得到8*8=64条线段。
第三,分别计算u*v条线段中的每一条线段的匹配距离。
电子设备分别计算u*v条线段中的每一条线段的匹配距离,线段的匹配距离用于反映线段与待检测直线的接近程度。线段的匹配距离越小,表明线段与待检测直线越接近;反之,线段的匹配距离越大,表明线段与待检测直线越偏离。
与计算扫描线的匹配距离类似,对于u*v条线段中的每一条线段,在线段上采样获取若干个采样点;计算各个采样点的梯度直方图特征集与线段实际方向上的模板梯度直方图特征集之间的匹配距离;将n个采样点的匹配距离求和得到线段的匹配距离。其中,线段实际方向上的模板梯度直方图特征集可以根据线段在K个方向上的投影距离按权重分配模板梯度直方图特征集中各个梯度直方图特征的大小。
第四,选取匹配距离最小的线段所属的直线为待检测直线。
电子设备计算得到各条线段的匹配距离之后,选取匹配距离最小的线段所属的直线为待检测直线。
当然,在电子设备的计算处理能力允许的情况下,可以将u和v的值选取地较大,以此更为精确地确定出待检测直线的精确方向和位置。
在上述步骤201至步骤207中,详细介绍了图像中直线的检测。与背景技术中涉及的相关直线检测方法相比,本实施例提供的直线检测方法并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。下面,将具体介绍如何在本实施例提供的直线检测方法的基础上,对图像中的矩形进行检测。
在步骤208中,对于任意一条待检测直线,检测图像中是否存在满足第一预定条件的第二待检测直线。
对于任意一条待检测直线,电子设备检测图像中是否存在满足第一预定条件的第二待检测直线。电子设备从图像中检测获取第二待检测直线的方法可以参照上述步骤201至步骤207中涉及的直线检测方法,检测获取第二待检测直线之后,继续检测每一条第二待检测直线是否符合第一预定条件。其中,第一预定条件包括第二待检测直线与待检测直线的交点在图像内且两者的夹角小于夹角阈值。
求两直线间的夹角可以通过如下公式进行计算:夹角θ=|arctan(aL1)-arctan(aL2)|,其中aL1和aL2分别为直线L1和直线L2的斜率。夹角阈值可以较为粗略地设定,比如3弧度。
在步骤209中,若检测结果为存在满足第一预定条件的第二待检测直线,则将第二待检测直线添加至备选直线集。
若检测结果为存在满足第一预定条件的第二待检测直线,则电子设备将第二待检测直线添加至待检测直线的备选直线集。待检测直线的备选直线集中包含有所有满足第一预定条件的第二待检测直线。
在步骤210中,对于备选直线集中的任意两条第二待检测直线,检测是否存在满足第二预定条件的第三待检测直线。
对于备选直线集中的任意两条第二待检测直线,电子设备检测是否存在满足第二预定条件的第三待检测直线。第二预定条件包括第三待检测直线不同于待检测直线、第三待检测直线与两条第二待检测直线均相交且两个交点均在图像内。
在步骤211中,若检测结果为存在满足第二预定条件的第三待检测直线,则将待检测直线、两条第二待检测直线以及第三待检测直线组成的四边形添加至备选矩形集。
若检测结果为存在满足第二预定条件的第三待检测直线,则电子设备将待检测直线、两条第二待检测直线以及第三待检测直线组成的四边形添加至备选矩形集。备选矩形集中包含有所有可能为待检测矩形的四边形。
在步骤212中,对于备选矩形集中的每一个四边形,计算四边形的匹配距离。
对于备选矩形集中的每一个四边形,电子设备计算四边形的匹配距离。四边形的匹配距离用于反映四边形与待检测矩形的接近程度,四边形的匹配距离 越小,表明四边形与待检测矩形越接近;反之,四边形的匹配距离越大,表明四边形与待检测矩形越偏离。
四边形的匹配距离等于四边形的四条边所对应的线段的匹配距离之和。其中,四边形的任意一条边所对应的线段的匹配距离可以参照上述步骤207中的第三个子步骤中的方法,不再赘述。
在步骤213中,将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为待检测矩形。
电子设备将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为待检测矩形。
综上所述,本实施例提供的直线检测方法,通过获取图像中各个像素点的梯度直方图特征集,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,然后根据备选方向确定待检测直线的精确方向和位置,其中,梯度直方图特征集用于反映像素点所在局部的直线特性;解决了相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题;与背景技术中涉及的相关直线检测方法相比,本实施例提供的直线检测方法并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。
另外,本实施例在直线检测的基础上还提供了一种矩形检测方法,通过构造所有可能为待检测矩形的四边形之后,分别计算各个四边形的匹配距离,并将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为待检测矩形;实现了图像中诸如卡片、票据、书本等矩形形状的检测,提高了本公开提供的直线检测方法和矩形检测方法的实际应用范围。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是根据一示例性实施例示出的一种直线检测装置的示意图,该直线检测装置可以通过软件、硬件或者两者的结合实现电子设备的部分或者全部。该直线检测装置可以包括:特征获取模块310、备选确定模块320和精确确定模块330。
特征获取模块310,用于获取图像中各个像素点的梯度直方图特征集,所述 梯度直方图特征集用于反映像素点所在局部的直线特性。
备选确定模块320,用于根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向。
精确确定模块330,用于根据所述备选方向确定所述待检测直线的精确方向和位置。
综上所述,本实施例提供的直线检测装置,通过获取图像中各个像素点的梯度直方图特征集,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,然后根据备选方向确定待检测直线的精确方向和位置,其中,梯度直方图特征集用于反映像素点所在局部的直线特性;解决了相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题;本实施例提供的直线检测装置并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。
图4是根据另一示例性实施例示出的一种直线检测装置的示意图,该直线检测装置可以通过软件、硬件或者两者的结合实现电子设备的部分或者全部。该直线检测装置可以包括:特征获取模块310、备选确定模块320、精确确定模块330、第一检测模块332、直线备选模块334、第二检测模块336、矩形备选模块338、匹配计算模块340和矩形确定模块342。
特征获取模块310,用于获取图像中各个像素点的梯度直方图特征集,所述梯度直方图特征集用于反映像素点所在局部的直线特性。
所述特征获取模块310,包括:梯度计算单元310a和特征计算单元310b。
所述梯度计算单元310a,用于对于每一个所述像素点(i,j),计算所述像素点的方向梯度集g(i,j),所述方向梯度集g(i,j)包括所述像素点在K个方向上的方向梯度值,所述像素点在任一方向上的方向梯度值是指所述像素点在所述方向上与相邻像素点之间的灰度值之差的绝对值,K≥2。
所述特征计算单元310b,用于根据所述像素点的方向梯度集g(i,j)计算所述像素点的梯度直方图特征集h(i,j)。
所述特征计算单元310b,包括:局部梯度子单元310b1、平均梯度子单元310b2、平均检测子单元310b3、特征置零子单元310b4、特征计算子单元310b5 和特征确定子单元310b6。
所述局部梯度子单元310b1,用于分别计算所述像素点在所述K个方向上的局部梯度值k方向上的局部梯度值等于所述像素点所在局部内所有像素点在所述k方向上的方向梯度值之和,其中,k表示方向。
所述平均梯度子单元310b2,用于计算所述像素点的平均梯度值hnorm(i,j),所述平均梯度值hnorm(i,j)等于所述像素点的各个所述局部梯度值的平方和的开方。
所述平均检测子单元310b3,用于对于每一个所述像素点(i,j),检测所述平均梯度值hnorm(i,j)是否小于预定平均值Tnorm。
所述特征置零子单元310b4,用于若检测结果为所述平均梯度值hnorm(i,j)小于所述预定平均值Tnorm,则将所述像素点的梯度直方图特征集h(i,j)中的各个梯度直方图特征置零。
所述特征计算子单元310b5,用于将所述局部梯度值除以所述平均梯度值hnorm(i,j)得到所述像素点在所述k方向上的梯度直方图特征hk(i,j)。
所述特征确定子单元310b6,用于将所述K个方向上的梯度直方图特征的集合确定为所述像素点的梯度直方图特征集h(i,j)。
备选确定模块320,用于根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向。
所述备选确定模块320,包括:方向选取单元320a、投票统计单元320b和备选选取单元320c。
所述方向选取单元320a,用于对于每一个所述像素点,选取所述梯度直方图特征集中数值最大的梯度直方图特征所对应的方向为所述像素点所在局部的主方向。
所述投票统计单元320b,用于统计各个所述像素点所在局部的主方向在所述K个方向上的投票数量。
所述备选选取单元320c,用于选取与所述投票数量超过投票阈值的方向相垂直的方向为所述待检测直线的备选方向。
精确确定模块330,用于根据所述备选方向确定所述待检测直线的精确方向和位置。
所述精确确定模块330,包括:扫描生成单元330a、扫描匹配单元330b、 扫描选取单元330c和精确确定单元330d。
所述扫描生成单元330a,用于对于每一个所述备选方向,生成至少一条与所述备选方向平行的扫描线。
所述扫描匹配单元330b,用于分别计算每条扫描线的匹配距离,所述扫描线的匹配距离用于反映所述扫描线与所述待检测直线的接近程度。
所述扫描匹配单元330b,包括:采样获取子单元330b1、采样匹配子单元330b2和采样求和子单元330b3。
所述采样获取子单元330b1,用于对于每一条所述扫描线,在所述扫描线上采样获取n个采样点,n≥1。
所述采样匹配子单元330b2,用于计算各个所述采样点的梯度直方图特征集与所述备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离。
所述采样求和子单元330b3,用于将所述n个采样点的匹配距离求和得到所述扫描线的匹配距离。
所述扫描选取单元330c,用于选取匹配距离最小的所述扫描线为备选直线。
所述精确确定单元330d,用于根据所述备选直线确定所述待检测直线的精确方向和位置。
所述精确确定单元330d,包括:矩形生成子单元330d1、线段生成子单元330d2、线段匹配子单元330d3和线段选取子单元330d4。
所述矩形生成子单元330d1,用于以所述备选直线为中轴线,生成预定大小的矩形区域。
所述线段生成子单元330d2,用于在所述矩形区域的垂直于所述备选直线的两边,分别选取u个和v个点,并将两边上的点两两连线得到u*v条线段,u≥1,v≥1。
所述线段匹配子单元330d3,用于分别计算所述u*v条线段中的每一条线段的匹配距离,所述线段的匹配距离用于反映所述线段与所述待检测直线的接近程度。
所述线段选取子单元330d4,用于选取匹配距离最小的线段所属的直线为所述待检测直线。
第一检测模块332,用于对于任意一条所述待检测直线,检测所述图像中是否存在满足第一预定条件的第二待检测直线,所述第一预定条件包括所述第二 待检测直线与所述待检测直线的交点在所述图像内且两者的夹角小于夹角阈值。
直线备选模块334,用于若检测结果为存在满足所述第一预定条件的第二待检测直线,则将所述第二待检测直线添加至备选直线集。
第二检测模块336,用于对于所述备选直线集中的任意两条所述第二待检测直线,检测是否存在满足第二预定条件的第三待检测直线,所述第二预定条件包括所述第三待检测直线不同于所述待检测直线、所述第三待检测直线与两条所述第二待检测直线均相交且两个交点均在所述图像内。
矩形备选模块338,用于若检测结果为存在满足所述第二预定条件的第三待检测直线,则将所述待检测直线、两条所述第二待检测直线以及所述第三待检测直线组成的四边形添加至备选矩形集。
匹配计算模块340,用于对于所述备选矩形集中的每一个四边形,计算所述四边形的匹配距离,所述四边形的匹配距离用于反映所述四边形与待检测矩形的接近程度,所述四边形的匹配距离等于所述四边形的四条边所对应的线段的匹配距离之和。
矩形确定模块342,用于将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为所述待检测矩形。
综上所述,本实施例提供的直线检测装置,通过获取图像中各个像素点的梯度直方图特征集,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,然后根据备选方向确定待检测直线的精确方向和位置,其中,梯度直方图特征集用于反映像素点所在局部的直线特性;解决了相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题;本实施例提供的直线检测装置并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。
另外,本实施例在直线检测的基础上还提供了一种矩形检测装置,通过构造所有可能为待检测矩形的四边形之后,分别计算各个四边形的匹配距离,并将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为待检测矩形;实现了图像中诸如卡片、票据、书本等矩形形状的检测,提高了本公开提供的直线检测装置和矩形检测装置的实际应用范围。
需要说明的是:上述实施例提供的直线检测装置在检测图像中直线时,仅 以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的直线检测装置与直线检测方法的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图5是根据一示例性实施例示出的一种用于直线检测的装置500的框图。例如,装置500可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图5,装置500可以包括以下一个或多个组件:处理组件502,存储器504,电源组件506,多媒体组件508,音频组件510,输入/输出(I/O)的接口512,传感器组件514,以及通信组件516。
处理组件502通常控制装置500的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理元件502可以包括一个或多个处理器520来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件502可以包括一个或多个模块,便于处理组件502和其他组件之间的交互。例如,处理部件502可以包括多媒体模块,以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件506为装置500的各种组件提供电力。电力组件506可以包括电源管理系统,一个或多个电源,及其他与为装置500生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如 果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如,音频组件510包括一个麦克风(MIC),当装置500处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中,音频组件510还包括一个扬声器,用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器,用于为装置500提供各个方面的状态评估。例如,传感器组件514可以检测到装置500的打开/关闭状态,组件的相对定位,例如所述组件为装置500的显示器和小键盘,传感器组件514还可以检测装置500或装置500一个组件的位置改变,用户与装置500接触的存在或不存在,装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件514还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件516还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技 术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器504,上述指令可由装置500的处理器520执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种直线检测方法,所述方法包括:
获取图像中各个像素点的梯度直方图特征集,所述梯度直方图特征集用于反映像素点所在局部的直线特性;
根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向;
根据所述备选方向确定所述待检测直线的精确方向和位置。
综上所述,本实施例提供的装置,通过获取图像中各个像素点的梯度直方图特征集,根据各个像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,然后根据备选方向确定待检测直线的精确方向和位置,其中,梯度直方图特征集用于反映像素点所在局部的直线特性;解决了相关技术中所涉及的直线检测方法在边缘强度较弱或者存在噪音干扰时,会导致直线断裂以及检测结果不准确的问题;本实施例提供的直线检测装置并没有使用霍夫变换,也无需将图像进行二值化,充分避免了二值化所产生的误差的影响,提高了直线检测的准确度。
此外,典型地,本公开所述的电子设备可为各种手持终端设备,例如手机、个人数字助理(PDA)等,因此本公开的保护范围不应限定为某种特定类型的电子设备。
此外,根据本公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时, 执行本公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文所述的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能,但是这种实现决定不应被解释为导致脱离本公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、 快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
上述本公开实施例为公开的示例性实施例,但是应当注意,在不背离权利要求限定的本公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本公开的元素可以以个体形式描述或要求,但是也可以设想多个,除非明确限制为单数。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过 硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (18)
1.一种直线检测方法,其特征在于,所述方法包括:
获取图像中各个像素点的梯度直方图特征集,所述梯度直方图特征集用于反映像素点所在局部的直线特性;
根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向;
根据所述备选方向确定所述待检测直线的精确方向和位置。
2.根据权利要求1所述的方法,其特征在于,所述获取图像中各个像素点的梯度直方图特征集,包括:
对于每一个所述像素点(i,j),计算所述像素点的方向梯度集g(i,j),所述方向梯度集g(i,j)包括所述像素点在K个方向上的方向梯度值,所述像素点在任一方向上的方向梯度值是指所述像素点在所述方向上与相邻像素点之间的灰度值之差的绝对值,K≥2;
根据所述像素点的方向梯度集g(i,j)计算所述像素点的梯度直方图特征集h(i,j)。
3.根据权利要求2所述的方法,其特征在于,所述根据所述像素点的方向梯度集g(i,j)计算所述像素点的梯度直方图特征集h(i,j),包括:
分别计算所述像素点在所述K个方向上的局部梯度值k方向上的局部梯度值等于所述像素点所在局部内所有像素点在所述k方向上的方向梯度值之和,其中,k表示方向;
计算所述像素点的平均梯度值hnorm(i,j),所述平均梯度值hnorm(i,j)等于所述像素点的各个所述局部梯度值的平方和的开方;
将所述局部梯度值除以所述平均梯度值hnorm(i,j)得到所述像素点在所述k方向上的梯度直方图特征hk(i,j);
将所述K个方向上的梯度直方图特征的集合确定为所述像素点的梯度直方图特征集h(i,j)。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对于每一个所述像素点(i,j),检测所述平均梯度值hnorm(i,j)是否小于预定平均值Tnorm;
若检测结果为所述平均梯度值hnorm(i,j)小于所述预定平均值Tnorm,则将所述像素点的梯度直方图特征集h(i,j)中的各个梯度直方图特征置零。
5.根据权利要求2至4任一所述的方法,其特征在于,所述根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向,包括:
对于每一个所述像素点,选取所述梯度直方图特征集中数值最大的梯度直方图特征所对应的方向为所述像素点所在局部的主方向;
统计各个所述像素点所在局部的主方向在所述K个方向上的投票数量;
选取与所述投票数量超过投票阈值的方向相垂直的方向为所述待检测直线的备选方向。
6.根据权利要求1所述的方法,其特征在于,所述根据所述备选方向确定所述待检测直线的精确方向和位置,包括:
对于每一个所述备选方向,生成至少一条与所述备选方向平行的扫描线;
分别计算每条扫描线的匹配距离,所述扫描线的匹配距离用于反映所述扫描线与所述待检测直线的接近程度;
选取匹配距离最小的所述扫描线为备选直线;
根据所述备选直线确定所述待检测直线的精确方向和位置。
7.根据权利要求6所述的方法,其特征在于,所述分别计算每条扫描线的匹配距离,包括:
对于每一条所述扫描线,在所述扫描线上采样获取n个采样点,n≥1;
计算各个所述采样点的梯度直方图特征集与所述备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离;
将所述n个采样点的匹配距离求和得到所述扫描线的匹配距离。
8.根据权利要求6所述的方法,其特征在于,所述根据所述备选直线确定所述待检测直线的精确方向和位置,包括:
以所述备选直线为中轴线,生成预定大小的矩形区域;
在所述矩形区域的垂直于所述备选直线的两边,分别选取u个和v个点,并将两边上的点两两连线得到u*v条线段,u≥1,v≥1;
分别计算所述u*v条线段中的每一条线段的匹配距离,所述线段的匹配距离用于反映所述线段与所述待检测直线的接近程度;
选取匹配距离最小的线段所属的直线为所述待检测直线。
9.根据权利要求1至8任一所述的方法,其特征在于,所述方法还包括:
对于任意一条所述待检测直线,检测所述图像中是否存在满足第一预定条件的第二待检测直线,所述第一预定条件包括所述第二待检测直线与所述待检测直线的交点在所述图像内且两者的夹角小于夹角阈值;
若检测结果为存在满足所述第一预定条件的第二待检测直线,则将所述第二待检测直线添加至备选直线集;
对于所述备选直线集中的任意两条所述第二待检测直线,检测是否存在满足第二预定条件的第三待检测直线,所述第二预定条件包括所述第三待检测直线不同于所述待检测直线、所述第三待检测直线与两条所述第二待检测直线均相交且两个交点均在所述图像内;
若检测结果为存在满足所述第二预定条件的第三待检测直线,则将所述待检测直线、两条所述第二待检测直线以及所述第三待检测直线组成的四边形添加至备选矩形集;
对于所述备选矩形集中的每一个四边形,计算所述四边形的匹配距离,所述四边形的匹配距离用于反映所述四边形与待检测矩形的接近程度,所述四边形的匹配距离等于所述四边形的四条边所对应的线段的匹配距离之和;
将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为所述待检测矩形。
10.一种直线检测装置,其特征在于,所述装置包括:
特征获取模块,用于获取图像中各个像素点的梯度直方图特征集,所述梯度直方图特征集用于反映像素点所在局部的直线特性;
备选确定模块,用于根据各个所述像素点的梯度直方图特征集确定待检测直线的至少一个备选方向;
精确确定模块,用于根据所述备选方向确定所述待检测直线的精确方向和位置。
11.根据权利要求10所述的装置,其特征在于,所述特征获取模块,包括:梯度计算单元和特征计算单元;
所述梯度计算单元,用于对于每一个所述像素点(i,j),计算所述像素点的方向梯度集g(i,j),所述方向梯度集g(i,j)包括所述像素点在K个方向上的方向梯度值,所述像素点在任一方向上的方向梯度值是指所述像素点在所述方向上与相邻像素点之间的灰度值之差的绝对值,K≥2;
所述特征计算单元,用于根据所述像素点的方向梯度集g(i,j)计算所述像素点的梯度直方图特征集h(i,j)。
12.根据权利要求11所述的装置,其特征在于,所述特征计算单元,包括:局部梯度子单元、平均梯度子单元、特征计算子单元和特征确定子单元;
所述局部梯度子单元,用于分别计算所述像素点在所述K个方向上的局部梯度值k方向上的局部梯度值等于所述像素点所在局部内所有像素点在所述k方向上的方向梯度值之和,其中,k表示方向;
所述平均梯度子单元,用于计算所述像素点的平均梯度值hnorm(i,j),所述平均梯度值hnorm(i,j)等于所述像素点的各个所述局部梯度值的平方和的开方;
所述特征计算子单元,用于将所述局部梯度值除以所述平均梯度值hnorm(i,j)得到所述像素点在所述k方向上的梯度直方图特征hk(i,j);
所述特征确定子单元,用于将所述K个方向上的梯度直方图特征的集合确定为所述像素点的梯度直方图特征集h(i,j)。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:平均检测子单元和特征置零子单元;
所述平均检测子单元,用于对于每一个所述像素点(i,j),检测所述平均梯度值hnorm(i,j)是否小于预定平均值Tnorm;
所述特征置零子单元,用于若检测结果为所述平均梯度值hnorm(i,j)小于所述预定平均值Tnorm,则将所述像素点的梯度直方图特征集h(i,j)中的各个梯度直方图特征置零。
14.根据权利要求11至13任一所述的装置,其特征在于,所述备选确定模块,包括:方向选取单元、投票统计单元和备选选取单元;
所述方向选取单元,用于对于每一个所述像素点,选取所述梯度直方图特征集中数值最大的梯度直方图特征所对应的方向为所述像素点所在局部的主方向;
所述投票统计单元,用于统计各个所述像素点所在局部的主方向在所述K个方向上的投票数量;
所述备选选取单元,用于选取与所述投票数量超过投票阈值的方向相垂直的方向为所述待检测直线的备选方向。
15.根据权利要求10所述的装置,其特征在于,所述精确确定模块,包括:扫描生成单元、扫描匹配单元、扫描选取单元和精确确定单元;
所述扫描生成单元,用于对于每一个所述备选方向,生成至少一条与所述备选方向平行的扫描线;
所述扫描匹配单元,用于分别计算每条扫描线的匹配距离,所述扫描线的匹配距离用于反映所述扫描线与所述待检测直线的接近程度;
所述扫描选取单元,用于选取匹配距离最小的所述扫描线为备选直线;
所述精确确定单元,用于根据所述备选直线确定所述待检测直线的精确方向和位置。
16.根据权利要求15所述的装置,其特征在于,所述扫描匹配单元,包括:采样获取子单元、采样匹配子单元和采样求和子单元;
所述采样获取子单元,用于对于每一条所述扫描线,在所述扫描线上采样获取n个采样点,n≥1;
所述采样匹配子单元,用于计算各个所述采样点的梯度直方图特征集与所述备选方向相垂直的方向上的模板梯度直方图特征集之间的匹配距离;
所述采样求和子单元,用于将所述n个采样点的匹配距离求和得到所述扫描线的匹配距离。
17.根据权利要求15所述的装置,其特征在于,所述精确确定单元,包括:矩形生成子单元、线段生成子单元、线段匹配子单元和线段选取子单元;
所述矩形生成子单元,用于以所述备选直线为中轴线,生成预定大小的矩形区域;
所述线段生成子单元,用于在所述矩形区域的垂直于所述备选直线的两边,分别选取u个和v个点,并将两边上的点两两连线得到u*v条线段,u≥1,v≥1;
所述线段匹配子单元,用于分别计算所述u*v条线段中的每一条线段的匹配距离,所述线段的匹配距离用于反映所述线段与所述待检测直线的接近程度;
所述线段选取子单元,用于选取匹配距离最小的线段所属的直线为所述待检测直线。
18.根据权利要求10至17任一所述的装置,其特征在于,所述装置还包括:
第一检测模块,用于对于任意一条所述待检测直线,检测所述图像中是否存在满足第一预定条件的第二待检测直线,所述第一预定条件包括所述第二待检测直线与所述待检测直线的交点在所述图像内且两者的夹角小于夹角阈值;
直线备选模块,用于若检测结果为存在满足所述第一预定条件的第二待检测直线,则将所述第二待检测直线添加至备选直线集;
第二检测模块,用于对于所述备选直线集中的任意两条所述第二待检测直线,检测是否存在满足第二预定条件的第三待检测直线,所述第二预定条件包括所述第三待检测直线不同于所述待检测直线、所述第三待检测直线与两条所述第二待检测直线均相交且两个交点均在所述图像内;
矩形备选模块,用于若检测结果为存在满足所述第二预定条件的第三待检测直线,则将所述待检测直线、两条所述第二待检测直线以及所述第三待检测直线组成的四边形添加至备选矩形集;
匹配计算模块,用于对于所述备选矩形集中的每一个四边形,计算所述四边形的匹配距离,所述四边形的匹配距离用于反映所述四边形与待检测矩形的接近程度,所述四边形的匹配距离等于所述四边形的四条边所对应的线段的匹配距离之和;
矩形确定模块,用于将匹配距离最小的或者匹配距离小于匹配阈值的四边形确定为所述待检测矩形。
Priority Applications (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410063121.0A CN103914830B (zh) | 2014-02-22 | 2014-02-22 | 直线检测方法和装置 |
RU2015134095A RU2616539C2 (ru) | 2014-02-22 | 2014-08-15 | Способ и устройство для обнаружения прямой линии |
BR112014026245A BR112014026245A2 (pt) | 2014-02-22 | 2014-08-15 | método e dispositivo para detectar linha reta |
PCT/CN2014/084460 WO2015123973A1 (zh) | 2014-02-22 | 2014-08-15 | 直线检测方法和装置 |
KR1020147028760A KR101613637B1 (ko) | 2014-02-22 | 2014-08-15 | 직선검출방법, 장치, 프로그램 및 저장매체 |
MX2014012750A MX358505B (es) | 2014-02-22 | 2014-08-15 | Método y dispositivo para detectar una línea recta. |
JP2016503537A JP6007354B2 (ja) | 2014-02-22 | 2014-08-15 | 直線検出方法、装置、プログラム、及び記録媒体 |
US14/526,521 US9449245B2 (en) | 2014-02-22 | 2014-10-29 | Method and device for detecting straight line |
EP15275034.5A EP2911093B1 (en) | 2014-02-22 | 2015-02-13 | Method and device for detecting straight line |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410063121.0A CN103914830B (zh) | 2014-02-22 | 2014-02-22 | 直线检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914830A true CN103914830A (zh) | 2014-07-09 |
CN103914830B CN103914830B (zh) | 2017-02-01 |
Family
ID=51040486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410063121.0A Active CN103914830B (zh) | 2014-02-22 | 2014-02-22 | 直线检测方法和装置 |
Country Status (9)
Country | Link |
---|---|
US (1) | US9449245B2 (zh) |
EP (1) | EP2911093B1 (zh) |
JP (1) | JP6007354B2 (zh) |
KR (1) | KR101613637B1 (zh) |
CN (1) | CN103914830B (zh) |
BR (1) | BR112014026245A2 (zh) |
MX (1) | MX358505B (zh) |
RU (1) | RU2616539C2 (zh) |
WO (1) | WO2015123973A1 (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331876A (zh) * | 2014-10-09 | 2015-02-04 | 北京配天技术有限公司 | 直线检测、图像处理的方法及相关装置 |
CN104504684A (zh) * | 2014-12-03 | 2015-04-08 | 小米科技有限责任公司 | 边缘提取方法和装置 |
CN104574396A (zh) * | 2014-12-31 | 2015-04-29 | 深圳大学 | 一种直线检测方法及系统 |
WO2015123973A1 (zh) * | 2014-02-22 | 2015-08-27 | 小米科技有限责任公司 | 直线检测方法和装置 |
CN105163078A (zh) * | 2015-09-01 | 2015-12-16 | 电子科技大学 | 一种屏幕移出智能视频监测系统 |
CN105389802A (zh) * | 2015-10-20 | 2016-03-09 | 无锡日联科技股份有限公司 | 一种基于X-Ray图像的IC元器件缺陷检测方法 |
CN108288262A (zh) * | 2017-09-12 | 2018-07-17 | 深圳迈恩威智能科技有限公司 | 电源线圈线松检测方法、装置及计算机可读存储介质、终端设备 |
CN109117825A (zh) * | 2018-09-04 | 2019-01-01 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
CN109801300A (zh) * | 2017-11-16 | 2019-05-24 | 北京百度网讯科技有限公司 | 棋盘格角点的坐标提取方法、装置、设备及计算机可读存储介质 |
CN109918986A (zh) * | 2018-12-29 | 2019-06-21 | 山东财经大学 | 基于启发式混合细菌觅食算法的直线型结构物体检测方法 |
CN111141208A (zh) * | 2019-01-09 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
US10984588B2 (en) | 2018-09-07 | 2021-04-20 | Baidu Online Network Technology (Beijing) Co., Ltd | Obstacle distribution simulation method and device based on multiple models, and storage medium |
US11047673B2 (en) | 2018-09-11 | 2021-06-29 | Baidu Online Network Technology (Beijing) Co., Ltd | Method, device, apparatus and storage medium for detecting a height of an obstacle |
CN113160259A (zh) * | 2021-04-30 | 2021-07-23 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113262495A (zh) * | 2021-05-27 | 2021-08-17 | 南京比夫网络科技有限公司 | 一种基于人工智能的ai电竞运营机器人 |
US11126875B2 (en) | 2018-09-13 | 2021-09-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device of multi-focal sensing of an obstacle and non-volatile computer-readable storage medium |
US11205289B2 (en) | 2018-09-07 | 2021-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, device and terminal for data augmentation |
US11307302B2 (en) | 2018-09-07 | 2022-04-19 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for estimating an absolute velocity of an obstacle, and non-volatile computer-readable storage medium |
US11718318B2 (en) | 2019-02-22 | 2023-08-08 | Apollo Intelligent Driving (Beijing) Technology Co., Ltd. | Method and apparatus for planning speed of autonomous vehicle, and storage medium |
US11780463B2 (en) | 2019-02-19 | 2023-10-10 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus and server for real-time learning of travelling strategy of driverless vehicle |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429396B (zh) * | 2019-01-09 | 2023-08-22 | 银河水滴科技(北京)有限公司 | 一种图像检测方法及装置 |
US10977080B2 (en) | 2019-01-30 | 2021-04-13 | Bank Of America Corporation | Resource instrument for processing a real-time resource event |
KR102205325B1 (ko) * | 2019-06-14 | 2021-01-21 | 경북대학교 산학협력단 | 라인 검출 방법 |
KR102279177B1 (ko) * | 2019-07-04 | 2021-07-20 | 경북대학교 산학협력단 | 서브픽셀 라인위치 결정 장치 및 방법 |
KR102214482B1 (ko) * | 2019-07-05 | 2021-02-10 | 경북대학교 산학협력단 | 라인 연결 장치 및 방법 |
CN112232136B (zh) * | 2020-09-22 | 2023-05-05 | 北京紫光展锐通信技术有限公司 | 车辆安全带检测方法和装置、电子设备及存储介质 |
CN114723758B (zh) * | 2022-06-10 | 2022-11-15 | 惠州威尔高电子有限公司 | 一种MiniLED薄板全自动连线的生产质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120155745A1 (en) * | 2010-12-16 | 2012-06-21 | Electronics And Telecommunications Research Institute | Apparatus and method for extracting correspondences between aerial images |
CN102750703A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3923131B2 (ja) * | 1997-03-31 | 2007-05-30 | 富士フイルム株式会社 | 放射線画像の照射野認識方法および装置、並びに黒化処理方法および装置 |
US7085432B2 (en) | 2002-06-10 | 2006-08-01 | Lockheed Martin Corporation | Edge detection using Hough transformation |
JP5369175B2 (ja) * | 2008-05-22 | 2013-12-18 | オーチス エレベータ カンパニー | 映像によるエレベータドアの検出装置および検出方法 |
RU2484531C2 (ru) * | 2009-01-22 | 2013-06-10 | Государственное научное учреждение центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (ЦНИИ РТК) | Устройство обработки видеоинформации системы охранной сигнализации |
US20110026770A1 (en) * | 2009-07-31 | 2011-02-03 | Jonathan David Brookshire | Person Following Using Histograms of Oriented Gradients |
US20120169860A1 (en) * | 2010-06-30 | 2012-07-05 | Guan Lian | Method for detection of a body part gesture to initiate a web application |
JP5587137B2 (ja) * | 2010-10-29 | 2014-09-10 | キヤノン株式会社 | 測定装置及び測定方法 |
JP5652227B2 (ja) * | 2011-01-25 | 2015-01-14 | ソニー株式会社 | 画像処理装置および方法、並びにプログラム |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
WO2013029674A1 (en) * | 2011-08-31 | 2013-03-07 | Metaio Gmbh | Method of matching image features with reference features |
US9245194B2 (en) | 2012-02-06 | 2016-01-26 | Apple Inc. | Efficient line detection method |
CN102663395B (zh) | 2012-03-05 | 2013-11-06 | 西北工业大学 | 基于自适应多尺度快速离散Beamlet变换的直线检测方法 |
US9224205B2 (en) * | 2012-06-14 | 2015-12-29 | Qualcomm Incorporated | Accelerated geometric shape detection and accurate pose tracking |
US9183458B2 (en) * | 2012-07-19 | 2015-11-10 | Qualcomm Incorporated | Parameter selection and coarse localization of interest regions for MSER processing |
US9633436B2 (en) * | 2012-07-26 | 2017-04-25 | Infosys Limited | Systems and methods for multi-dimensional object detection |
US20140270479A1 (en) * | 2013-03-15 | 2014-09-18 | Sony Corporation | Systems and methods for parameter estimation of images |
CN103308056B (zh) | 2013-05-23 | 2015-09-16 | 中国科学院自动化研究所 | 一种道路标线检测方法 |
CN103914830B (zh) * | 2014-02-22 | 2017-02-01 | 小米科技有限责任公司 | 直线检测方法和装置 |
-
2014
- 2014-02-22 CN CN201410063121.0A patent/CN103914830B/zh active Active
- 2014-08-15 WO PCT/CN2014/084460 patent/WO2015123973A1/zh active Application Filing
- 2014-08-15 JP JP2016503537A patent/JP6007354B2/ja active Active
- 2014-08-15 RU RU2015134095A patent/RU2616539C2/ru active
- 2014-08-15 MX MX2014012750A patent/MX358505B/es active IP Right Grant
- 2014-08-15 BR BR112014026245A patent/BR112014026245A2/pt not_active IP Right Cessation
- 2014-08-15 KR KR1020147028760A patent/KR101613637B1/ko active IP Right Grant
- 2014-10-29 US US14/526,521 patent/US9449245B2/en active Active
-
2015
- 2015-02-13 EP EP15275034.5A patent/EP2911093B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120155745A1 (en) * | 2010-12-16 | 2012-06-21 | Electronics And Telecommunications Research Institute | Apparatus and method for extracting correspondences between aerial images |
CN102750703A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
Non-Patent Citations (1)
Title |
---|
张小虎等: ""一种基于梯度方向直方图的直线轮廓提取新方法"", 《光学技术》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9449245B2 (en) | 2014-02-22 | 2016-09-20 | Xiaomi Inc. | Method and device for detecting straight line |
WO2015123973A1 (zh) * | 2014-02-22 | 2015-08-27 | 小米科技有限责任公司 | 直线检测方法和装置 |
CN104331876A (zh) * | 2014-10-09 | 2015-02-04 | 北京配天技术有限公司 | 直线检测、图像处理的方法及相关装置 |
CN104504684B (zh) * | 2014-12-03 | 2017-05-24 | 小米科技有限责任公司 | 边缘提取方法和装置 |
CN104504684A (zh) * | 2014-12-03 | 2015-04-08 | 小米科技有限责任公司 | 边缘提取方法和装置 |
CN104574396B (zh) * | 2014-12-31 | 2017-05-24 | 深圳大学 | 一种直线检测方法及系统 |
CN104574396A (zh) * | 2014-12-31 | 2015-04-29 | 深圳大学 | 一种直线检测方法及系统 |
CN105163078A (zh) * | 2015-09-01 | 2015-12-16 | 电子科技大学 | 一种屏幕移出智能视频监测系统 |
CN105163078B (zh) * | 2015-09-01 | 2018-05-18 | 电子科技大学 | 一种屏幕移出智能视频监测系统 |
CN105389802B (zh) * | 2015-10-20 | 2018-07-03 | 无锡日联科技股份有限公司 | 一种基于X-Ray图像的IC元器件缺陷检测方法 |
CN105389802A (zh) * | 2015-10-20 | 2016-03-09 | 无锡日联科技股份有限公司 | 一种基于X-Ray图像的IC元器件缺陷检测方法 |
CN108288262B (zh) * | 2017-09-12 | 2020-05-15 | 东莞普视智能科技有限公司 | 电源线圈线松检测方法、装置及计算机可读存储介质、终端设备 |
CN108288262A (zh) * | 2017-09-12 | 2018-07-17 | 深圳迈恩威智能科技有限公司 | 电源线圈线松检测方法、装置及计算机可读存储介质、终端设备 |
CN109801300A (zh) * | 2017-11-16 | 2019-05-24 | 北京百度网讯科技有限公司 | 棋盘格角点的坐标提取方法、装置、设备及计算机可读存储介质 |
US11113546B2 (en) | 2018-09-04 | 2021-09-07 | Baidu Online Network Technology (Beijing) Co., Ltd. | Lane line processing method and device |
CN109117825A (zh) * | 2018-09-04 | 2019-01-01 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
CN109117825B (zh) * | 2018-09-04 | 2020-01-17 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
US11307302B2 (en) | 2018-09-07 | 2022-04-19 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for estimating an absolute velocity of an obstacle, and non-volatile computer-readable storage medium |
US10984588B2 (en) | 2018-09-07 | 2021-04-20 | Baidu Online Network Technology (Beijing) Co., Ltd | Obstacle distribution simulation method and device based on multiple models, and storage medium |
US11205289B2 (en) | 2018-09-07 | 2021-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, device and terminal for data augmentation |
US11519715B2 (en) | 2018-09-11 | 2022-12-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, device, apparatus and storage medium for detecting a height of an obstacle |
US11047673B2 (en) | 2018-09-11 | 2021-06-29 | Baidu Online Network Technology (Beijing) Co., Ltd | Method, device, apparatus and storage medium for detecting a height of an obstacle |
US11126875B2 (en) | 2018-09-13 | 2021-09-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device of multi-focal sensing of an obstacle and non-volatile computer-readable storage medium |
CN109918986B (zh) * | 2018-12-29 | 2021-06-22 | 山东财经大学 | 基于启发式混合细菌觅食算法的直线型结构物体检测方法 |
CN109918986A (zh) * | 2018-12-29 | 2019-06-21 | 山东财经大学 | 基于启发式混合细菌觅食算法的直线型结构物体检测方法 |
CN111141208B (zh) * | 2019-01-09 | 2021-08-27 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
CN111141208A (zh) * | 2019-01-09 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
US11780463B2 (en) | 2019-02-19 | 2023-10-10 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus and server for real-time learning of travelling strategy of driverless vehicle |
US11718318B2 (en) | 2019-02-22 | 2023-08-08 | Apollo Intelligent Driving (Beijing) Technology Co., Ltd. | Method and apparatus for planning speed of autonomous vehicle, and storage medium |
CN113160259A (zh) * | 2021-04-30 | 2021-07-23 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113160259B (zh) * | 2021-04-30 | 2024-01-30 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113262495A (zh) * | 2021-05-27 | 2021-08-17 | 南京比夫网络科技有限公司 | 一种基于人工智能的ai电竞运营机器人 |
Also Published As
Publication number | Publication date |
---|---|
MX358505B (es) | 2018-08-22 |
RU2616539C2 (ru) | 2017-04-17 |
BR112014026245A2 (pt) | 2017-06-27 |
EP2911093B1 (en) | 2017-08-23 |
CN103914830B (zh) | 2017-02-01 |
JP2016517100A (ja) | 2016-06-09 |
JP6007354B2 (ja) | 2016-10-12 |
RU2015134095A (ru) | 2017-02-16 |
US20150242699A1 (en) | 2015-08-27 |
KR20150108303A (ko) | 2015-09-25 |
WO2015123973A1 (zh) | 2015-08-27 |
US9449245B2 (en) | 2016-09-20 |
KR101613637B1 (ko) | 2016-04-19 |
MX2014012750A (es) | 2016-02-19 |
EP2911093A3 (en) | 2015-11-18 |
EP2911093A2 (en) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914830A (zh) | 直线检测方法和装置 | |
CN105069786B (zh) | 直线检测方法及装置 | |
CN105528606A (zh) | 区域识别方法及装置 | |
CN104021350A (zh) | 隐私信息隐藏方法及装置 | |
CN105139378A (zh) | 卡片边界检测方法及装置 | |
CN107832741A (zh) | 人脸特征点定位的方法、装置及计算机可读存储介质 | |
CN105528600A (zh) | 区域识别方法及装置 | |
CN104484871B (zh) | 边缘提取方法和装置 | |
CN109344832A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN105046260A (zh) | 图像预处理方法及装置 | |
CN105335713A (zh) | 指纹识别方法及装置 | |
CN104899610A (zh) | 图片分类方法及装置 | |
CN105427233A (zh) | 去除水印的方法及装置 | |
CN104504684A (zh) | 边缘提取方法和装置 | |
CN104918107A (zh) | 视频文件的标识处理方法及装置 | |
CN105354560A (zh) | 指纹识别方法及装置 | |
CN105205494A (zh) | 相似图片识别方法及装置 | |
CN106295499A (zh) | 年龄估计方法及装置 | |
CN105095860A (zh) | 字符分割方法和装置 | |
CN104268864A (zh) | 卡片边缘提取方法和装置 | |
CN105069089A (zh) | 图片检测方法及装置 | |
CN106228556A (zh) | 图像质量分析方法和装置 | |
CN104239879A (zh) | 分割字符的方法及装置 | |
CN106557755A (zh) | 指纹模板获取方法及装置 | |
CN104933700A (zh) | 一种进行图像内容识别的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |