形状识别之直线检测(LSD)
程序员文章站
2022-07-12 22:39:15
...
转自一篇基于直线检测的形状识别方法，不同于霍夫直线检测。
原文网址：https://blog.csdn.net/liujiabin076/article/details/74917605
LSD官网（源码下载）：http://www.ipol.im/pub/art/2012/gjmr-lsd/
LSD官网（在线测试）：http://demo.ipol.im/demo/gjmr_line_segment_detector/
作者检测四边形的思路主要为：
- 直线检测
- 直线聚类
- 直线筛选
- 交点计算
- 交点排序
=================以下为转发网址原内容====================
形状识别中常见的即是矩形框的识别，识别的主要步骤通常是：图像二值化，查找轮廓，四边形轮廓筛选等。当识别的目标矩形有一条边被部分遮挡，如图1所示，传统的识别方法就不能达到识别的目的。
图1
在这里，提供一种识别的思路,仅供参考。识别的最终目标就是想识别出身份证的四条边，通过计算四条边的交点最后得到四边形的轮廓。主要涉及的问题有如下几点：
- 直线检测
- 直线聚类
- 直线筛选
- 交点计算
- 交点排序
1.直线检测
常规直线检测方法即是Hough。这里推荐使用一种比较新的直线检测算法LSD。
算法的具体使用请参考网站提供的源码。
图2和图3分别是Hough直线检测与LSD直线检测的结果示意图。
对于LSD算法得到的结果，可以根据直线的长度进行初步的筛选，得到更好的检测结果，提高后期处理效率。如图4所示。
图2
图3
图4
2.直线聚类
由图4可以看出，身份证的每条边缘被分割成几段短线段，这里给出将每条边上的短线段聚为一类的方法。
在极坐标系下的一点(ρ,θ)(ρ,θ)即定义一条直线，其中ρρ表示极坐标原点到直线的距离，θθ为如图所示夹角。如图5。
图5
此时不难看出，身份证同一边上的线段应该具有相近的极坐标点。
具体做法是，先选取极坐标系的原点O为图像的重点（w/2,h/2）。建立笛卡尔坐标系x=u−w/2,y=h/2−vx=u−w/2,y=h/2−v;其中(u,v)(u,v)是图像坐标系。极坐标系(ρ,θ)(ρ,θ)与笛卡尔坐标系(x,y)(x,y)的转换关系为ρ=xcos(θ)+ysin(θ)ρ=xcos(θ)+ysin(θ)。因此，当已知一线段的两个端点(u1,v1),(u2,v2)(u1,v1),(u2,v2),即可求解出对应的(ρ,θ)(ρ,θ)。具体角度的计算请参考直线检测之极坐标表示。
代码如下：
//p[0] u1 p[1] v1
//p[2] u2 p[3] v2
Vec2d getPolarLine(Vec4d p )
{
if(fabs(p[0]-p[2]) < 1e-5 )//垂直直线
{
if(p[0] > 0)
return Vec2d(p[0],0);
else
return Vec2d(p[0],CV_PI);
}
if(fabs(p[1]-p[3]) < 1e-5 ) //水平直线
{
if(p[1] > 0)
return Vec2d(p[1],CV_PI/2);
else
return Vec2d(p[1],3*CV_PI/2);
}
float k = (p[1]-p[3])/(p[0]-p[2]);
float y_intercept = p[1] - k*p[0];
float theta;
if( k < 0 && y_intercept > 0)
theta = atan(-1/k);
else if( k > 0 && y_intercept > 0)
theta = CV_PI + atan(-1/k);
else if( k< 0 && y_intercept < 0)
theta = CV_PI + atan(-1/k);
else if( k> 0 && y_intercept < 0)
theta = 2*CV_PI +atan(-1/k);
float _cos = cos(theta);
float _sin = sin(theta);
float r = p[0]*_cos + p[1]*_sin;
return Vec2d(r,theta);
}- 将图4中检测到的所有直线线段利用极坐标表示，然后进行分类，同类的直线分配相同的标签号。然后对相同标签号的线段对应的极坐标进行加权平均，即为对应直线。
算法如下：
// vector<Vec2d> polarLines 是检测出的所有线段对应的极坐标表示
bool getIndexWithPolarLine(vector<int>& _index)
{
int polar_num = polarLines.size();
if(polar_num == 0)
{
return false;
}
_index.clear();
_index.resize(polar_num);
//初始化标签号
for (int i=0; i < polar_num;i++)
_index[i] = i;
for (int i=0; i < polar_num-1 ;i++)
{
float minTheta = CV_PI;
float minR = 50;
Vec2d polar1 = polarLines[i];
for (int j = i+1; j < polar_num; j++)
{
Vec2d polar2 = polarLines[j];
float dTheta = fabs(polar2[1] - polar1[1]);
float dR = fabs(polar2[0] - polar1[0]);
if(dTheta < minTheta )
minTheta = dTheta;
if(dR < minR)
minR = dR;
//同类直线角度误差不超过1.8°，距离误差不超过8%
if(dTheta < 1.8*CV_PI/180 && dR < polar1[0]*0.08)
_index[j] = _index[i];
}
}
return true;
}由于身份证边缘长度是大于一定阈值的，此时，如果同类线段的长度和小于某阈值，则可以剔除掉该线段。
如图6红色线段为LSD检测结果，红色直线为线段对应极坐标表示的直线。
图6
3.直线筛选
由图6可以看出，图中不仅有身份证边缘的直线，同样存在其他干扰直线，并且背景环境越复杂，干扰的直线会越多。此时就需要对直线进行筛选。这里进行筛选的思路是，采集图6中所示红色线段两侧的图像数据，计算颜色特征H,S,V。针对图6，手上的颜色特征明显区别于身份证边缘的特征，很容易去除。数据获取如图7所示,图中红色和蓝色区域即是对应线段的采集样本区域。
图7
具体代码如下，输入是一条线段，输出是布尔类型，表示该线段是否符合要求。
// 直线两侧采样，计算特征:亮度与对比度，色彩等
// Vec6d data:
// data[0] u1, data[1] v1 first line point
// data[2] u2, data[3] v2 second line point
// data[4] line width
// data[5] line length
// ksize 采样参数
bool lineSidesFeature(Mat _input，Vec6d data，int ksize )
{
//_input 输入的图像数据，为彩色图
Mat gray;
if(_input.channels() == 3)
cvtColor(_input,gray,CV_BGR2GRAY);
else
_input.copyTo(gray);
// Mat drawIm = _input.clone();
float x1 = data[0];
float y1 = data[1];
float x2 = data[2];
float y2 = data[3];
// line(_drawIm,Point2f(x1,y1),Point2f(x2,y2),Scalar(0,255,0));
// imshow("Sample line",drawIm);
// waitKey(10);
//直线左右两侧的灰度值
vector<int> left_side;
vector<int> right_side;
//灰度值和
int left_sum = 0;
int right_sum = 0;
//色调与饱和度
int left_H = 0;
float left_S = 0.0;
int right_H = 0;
float right_S = 0.0;
//彩色像素个数
int color_pix_num = 0;
//采样总数
int sample_num = 0;
//垂直直线？
int vertical = 0;
//直线斜率 截距
float _k = 0;
float _b = 0;
//计算直线表达式
if(fabs(x1-x2) < 1e-2) // x = b;
{
vertical = 1;
_b = x1;
}
else
{
_k = (y1-y2)/(x1-x2); //直线方程 kx + b = y;
_b= y1 - _k*x1;
}
// cout<<"vertical = "<<vertical<<endl;
// fabs(_k) > 1,采样的直线是水平的，对应图7中红色区域
// fabs(_k) < 1, 采样的直线是垂直的，对应图7中蓝色区域
int sample_line_type = fabs(_k) > 1 ? 1 : 0;
// cout<<"sample_line_type = "<< sample_line_type<<endl;
//设定采样点的起点，取线段端点，并且是x值最小或者y值最小，依据sample_line_type 的值，
//这样循环取下一个点时可以不断递增+1
float u1,u2;
int step = 1; // 这里step = 1，如果step = -1;那么起点又得是最大值。
if(vertical == 1)
{
if(y1 < y2)
{
u1 = y1;
u2 = y2;
}
else
{
u1 = y2;
u2 = y1;
}
}
else
{
if(sample_line_type == 1)
{
if(y1 < y2)
{
u1 = y1;
u2 = y2;
}
else
{
u1 = y2;
u2 = y1;
}
}
else
{
if(x1 < x2)
{
u1 = x1;
u2 = x2;
}
else
{
u1 = x2;
u2 = x1;
}
}
}
// cout <<"step = "<<step <<endl;
// 从直线的一个端点开始进行采样，该端点要么离图像坐标u最近，要么离图像坐标v最近，步长为step
// 得到采样点后，计算过该点垂直于直线的法线，法线上的点作为样本点。
// 在法线上采集的样本点个数为 2*ksize+ 1, 步进的方向依据直线的斜率决定是沿x方向还是y方向，步长为1。
for (float u = u1; u<= u2; u += step)
{
float v0 ;
float v1,v2;
//采样直线的斜率与截距
float sk,sb;
if(vertical == 1)
{
v0 = x1;
}
else
{
if(sample_line_type == 1)
{
v0 = (u - _b)/_k;
sk = -1/(1e-6 +_k);
sb = u - sk*v0;
}
else
{
v0 = _k*u + _b;
sk = -1/(1e-6 +_k);
sb = v0 - sk*u;
}
}
v1 = v0 - ksize;
v2 = v0 + ksize;
// cout<<"v1 = "<<v1<<", v2 = "<<v2<<endl;
if(vertical == 1)
{
line(_drawIm,Point2f(v1,u),Point2f(v2,u),Scalar(0,0,255));
}
else
{
if(sample_line_type == 1)
{
line(_drawIm,Point2f(v1,sk*v1 + sb),Point2f(v2,sk*v2 + sb),Scalar(0,0,255));
}
else
line(_drawIm,Point2f((v1-sb)/sk,v1),Point2f((v2-sb)/sk,v2),Scalar(255,0,0));
}
// sample_line_type = 1 ,点P0(v0,u)在直线上，垂直于该直线并过点P0，进行采样，按x方向步长为1进行步进，起点x = v1，终点x =v2;
// sample_line_tpye = 0, 点P0(u,v0)在直线上，垂直于该直线并过点P0，进行采样，按y方向步长为1进行步进, 起点y = v1, 终点y = v2。
for (float v = v1; v <= v2; v += 1)
{
sample_num++;
int x , y;
if(vertical == 1) //垂直线段
{
x = (int)v;
y = (int)u;
}
else
{
if(sample_line_type == 1) //“水平”采样,v按照x方向递增
{
x = (int)v;
y = (int)(sk*v + sb);
}
else //“垂直”采样， v按照y方向递增
{
x = (int)((v-sb)/sk);
y = (int)v;
}
}
//这一句很重要。
if(x < 0 || x > gray.cols-1 || y < 0 || y > gray.rows-1)
continue;
int nx = MAX(0,x);
nx = min(nx,gray.cols-1);
int ny = MAX(0,y);
ny = min(ny,gray.rows-1);
int val = gray.at<uchar>(ny,nx);
Vec3b pixel = _input.at<Vec3b>(ny,nx);
int b = pixel[0];
int g = pixel[1];
int r = pixel[2];
int _max = MAX(b,MAX(g,r));
int _min = MIN(b,MIN(g,r));
int C = _max - _min ;
float S = 0;
int H = 0;
if(C > 10)
{
S = (float)C/_max;
int vr = _max == r ? -1 : 0;
int vg = _max == g ? -1 : 0;
H = (vr & (g - b)) +
(~vr & ((vg & (b - r + 2 * C)) + ((~vg) & (r - g + 4 * C))));
H = (H * hdiv_table180[C] + (1 << (hsv_shift-1))) >> hsv_shift;
H += H < 0 ? 180 : 0;
//色度判断直线两边相似的颜色
if( S > 0.1 && H > 10 )
color_pix_num++;
}
if(vertical == 1)
{
if(nx > _b)
{
right_side.push_back(val);
right_sum += val;
right_H += H;
right_S += S;
}
else
{
left_side.push_back(val);
left_sum += val;
left_H += H;
left_S += S;
}
}
else
{
float d = _k*nx + _b - ny;
if(d > 0 )
{
right_side.push_back(val);
right_sum += val;
right_H += H;
right_S += S;
}
else
{
left_side.push_back(val);
left_sum += val;
left_H += H;
left_S += S;
}
}
} //v
}//u
int l_num = left_side.size();
int r_num = right_side.size();
// cout << l_num <<" "<< r_num << endl;
float left_mean = (float) (left_sum)/l_num;
float right_mean = (float) (right_sum)/ r_num;
float left_H_mean = (float)(left_H)/l_num;
float left_S_mean = (float)(left_S)/l_num;
float right_H_mean = (float)(right_H)/r_num;
float right_S_mean = (float)(right_S)/r_num;
float left_var = 0, right_var = 0;
for (int m = 0; m < l_num; m++)
{
left_var += (left_side[m] - left_mean)*(left_side[m] - left_mean);
}
if(l_num > 2)
left_var = sqrtf(left_var)/(l_num-1);
for (int n = 0; n < r_num; n++)
{
right_var += (right_side[n] - right_mean)*(right_side[n] - right_mean);
}
if(r_num > 2)
right_var = sqrtf(right_var)/(r_num-1);
cout<<"亮度： "<<left_mean <<" "<<right_mean<<endl;
cout<<"饱和度："<<left_S_mean<<" "<<right_S_mean<<" "<<fabs(left_S_mean - right_S_mean)/(1e-5+MAX(left_S_mean,right_S_mean))<<endl; // 筛选直线两侧颜色差异 参考值0.4
cout<<left_H_mean <<" "<<right_H_mean<<" "<<fabs(left_H_mean - right_H_mean)/(1e-5+MAX(left_H_mean,right_H_mean))<<endl; // 筛选直线两侧颜色差异 参考值 0.15
cout<<"方差/均值："<<left_var/left_mean<<" "<<right_var/right_mean<<endl; //筛选平滑区域
// imshow("Sample line",drawIm);
// waitKey(0);
return false;
}由于待测身份证的边缘邻域颜色特征是稳定的，可以作为初始经验值，当识别线段的颜色特征不符合经验值要求即可剔除掉，最后得到想要的边缘线段以及对应的极坐标表示直线。然而，有时候可能得到满足条件的直线比较多，此时可以考虑为每一类直线进行评分，然后根据得分排序，取出前4条得分最高的直线，大部分情况下都是所求边缘直线。具体情况可具体对待，此处不再展开。
4.交点计算
这里给出极坐标系下直线的求交点方法，这里主要注意两点：首先，两条直线不是平行的，其次，直线的交点在图像范围内。
Point2f polarLinesCorss(Vec2d l0, Vec2d l1，Size sz)
{
int w = sz.width;
int h = sz.height;
float r0 = l0[0];
float theta0 = l0[1];
float _cos0 = cos(theta0);
float _sin0 = sin(theta0);
float r1 = l1[0];
float theta1 = l1[1];
float _cos1 = cos(theta1);
float _sin1 = sin(theta1);
if(fabs(_cos0*_sin1 - _sin0*_cos1) < 1e-5) //两条平行的直线
return Point2f(0,0);
float y = (r0*_cos1 - r1*_cos0) / (_sin0*_cos1 - _cos0*_sin1);
float x = (r0*_sin1 - r1*_sin0) / (_cos0*_sin1 - _cos1*_sin0);
if(x > - w/2 && x < w/2 && y > -h/2 && y < h/2)
return Point2f(x+w/2,h/2-y);
else
return Point2f(0,0);
}5.交点排序
得到四个交点，此时点的顺序可能是错乱的，需要对点进行排序，起点选择为左上角的点，并按逆时针方向对点排序。方法如下：
// 以左上角点为起点逆时针排序
static void sortPoints(vector<Point2f> & points )
{
vector<Point2f> minXpoints;
vector<Point2f> maxXpoints;
minXpoints.push_back(points[0]);
minXpoints.push_back(points[1]);
maxXpoints.push_back(points[2]);
maxXpoints.push_back(points[3]);
for(int i =0; i< 2; i++)
{
float x = minXpoints[i].x;
if(x > maxXpoints[0].x)
{
if(x >= maxXpoints[1].x)
{
(maxXpoints[0].x > maxXpoints[1].x ) ? swap(maxXpoints[1],minXpoints[i]) : swap(maxXpoints[0],minXpoints[i]);
continue;
}
if(x < maxXpoints[1].x)
{
swap(maxXpoints[0],minXpoints[i]);
continue;
}
}
if(x <= maxXpoints[0].x)
if(x > maxXpoints[1].x )
{
swap(minXpoints[i], maxXpoints[1]);
}
}
if(minXpoints[0].y > minXpoints[1].y)
{
points[0] = minXpoints[1];
points[1] = minXpoints[0];
}
else
{
points[0] = minXpoints[0];
points[1] = minXpoints[1];
}
if(maxXpoints[0].y > maxXpoints[1].y)
{
points[2] = maxXpoints[0];
points[3] = maxXpoints[1];
}
else
{
points[2] = maxXpoints[1];
points[3] = maxXpoints[0];
}
}最后，检测结果如图8所示。
图8