1、場景需求

在計算機視覺領(lǐng)域，我們經(jīng)常需要做一些特殊的任務(wù)，而這些任務(wù)中經(jīng)常會用到直線檢測算法，比如車道線檢測、長度測量等。盡管直線檢測的任務(wù)看起來比較簡單，但是在具體的應(yīng)用過程中，你會發(fā)現(xiàn)這里面還是有很大的優(yōu)化空間，本文對常用的一些比較經(jīng)典的直線檢測算法進行匯總

2、Hough_line直線檢測算法

Hough變換是一個比較有名的計算機視覺處理算法，該算法可以用來做很多的任務(wù)，常用的任務(wù)包括直線檢測、圓檢測、橢圓檢測等，下面我們將對該算法進行簡單的分析并進行代碼實戰(zhàn)。

2.1 Hough_line實現(xiàn)步驟

步驟1-首先，它創(chuàng)建一個二維數(shù)組或累加器（用于保存兩個參數(shù)的值），并將其初始設(shè)置為零；

步驟2-用r來表示行，用θ來表示列；

步驟3-數(shù)組的大小取決于你所需要的精度。假設(shè)您希望角度的精度為1度，則需要180列（直線的最大度數(shù)為180）；

步驟4-對于r，可能的最大距離是圖像的對角線長度。因此，取一個像素精度，行數(shù)可以是圖像的對角線長度。

2.2 Hough_line代碼實戰(zhàn)

2.3 效果展示與分析

上圖展示了一些Hough_line算法的直線檢測效果。為了驗證該算法的有效性，我選擇了3個不同的具有挑戰(zhàn)性的場景，建筑物、答題卡和門。通過觀察上面的結(jié)果我們可以知道該算法基本上能夠檢測出圖中的直線，但是檢測的結(jié)果并不是很好，有很多重復(fù)和漏檢的情況。除此之外，該算法最大的缺點就是需要根據(jù)圖片去調(diào)節(jié)參數(shù)，關(guān)鍵的參數(shù)是lines = cv2.HoughLines(edges,1,np.pi/180, 200) 中的200，該值設(shè)置的越大圖片中檢測出來的直線數(shù)量會越少，你需要根據(jù)你自己的測試場景進行調(diào)節(jié)。

2.4 HoughP_line代碼實戰(zhàn)

HoughP_line是Hough_line算法的改進版，具有更快的速度和更好的效果。

2.5 效果展示與分析

上圖展示了一些HoughP_line算法的直線檢測效果。上圖都是使用lines = cv2.HoughLinesP(edges,1,np.pi/180, 80, 30, 10) 這個固定的參數(shù)來計算出結(jié)果的，通過觀察我們可以發(fā)現(xiàn)，HoughLinesP不僅使用起來比較方便，基本上不需要進行調(diào)節(jié)參數(shù)；除此之外，該算法能夠獲得更好的直線檢測效果。因此，當你想用Hough直線檢測算法，建議你優(yōu)先使用HoughP_line算法。

3、LSD直線檢測算法

LSD是opencv中集成的一個直線檢測算法，該算法的直線檢測效果優(yōu)于Hough算法，而且具有較好的檢測速度，推薦使用。

3.1 LSD算法簡介

LSD快速直線檢測算法是由Rafael Grompone、Jeremie Jackbowicz、Jean-Michel Morel于2010年發(fā)表在PAMI上的文獻《LSD:a Line Segment Dectctor》中提出的，該算法時間復(fù)雜度較霍夫變換低。LSD算法通過對圖像局部分析，得出直線的像素點集，再通過假設(shè)參數(shù)進行驗證求解，將像素點集合與誤差控制集合合并，進而自適應(yīng)控制誤檢的數(shù)量 。一般來說，要檢測圖像中的直線，最基本的思想是檢測圖像中梯度變化較大的像素點集，LSD算法也正是利用梯度信息和行列線（level-line）來進行直線檢測的。

3.2 LSD代碼實戰(zhàn)

3.3 效果展示與分析

上圖展示了一些LSD算法的直線檢測效果。通過觀察上面的結(jié)果，我們可以發(fā)現(xiàn)該算法的檢測結(jié)果遠遠優(yōu)于Hough和HoughP算法；除此之外，上述的檢測結(jié)果都是使用LSD算法的默認參數(shù)進行執(zhí)行，如果針對特定的參數(shù)進行調(diào)節(jié)，可以取得更好的結(jié)果，這種情況一般是在你的特定需求場景中對默認的一些參數(shù)進行微調(diào)操作，往往能獲得意想不到的結(jié)果。

上圖展示了LSD直線檢測算法的一些超參數(shù)，具體的細節(jié)請看該鏈接。需要說明的是該算法具有3中不同的模式，具體的模式如下圖所示，默認情況下使用模式2（即1），但是經(jīng)過測試我發(fā)現(xiàn)模式1（即0）通常輸出的效果會更好一些，具體的情況需要你根據(jù)你的場景進行分析。

4、FLD直線檢測算法

4.1 FLD算法簡介

FLD直線檢測算法是在該論文中被引入的，該論文中嘗試著使用直線特征來代替原始的SURF點特征進行建筑物識別。與點特征進行相比，線特征具有更容易發(fā)現(xiàn)和更好的魯棒性，線特征基本上不會受到光照、遮擋、視角變化的影響。下面展示了該算法的直線檢測效果，從圖中我們可以看出，線特征比點特征更好一些。

4.2 FLD算法代碼實戰(zhàn)

上圖展示了FLD直線檢測算法的檢測效果。通過觀察我們可以發(fā)現(xiàn)該算法具有很好的檢測效果，基本上可以檢測出圖中所有的直線，和LSD的性能類似，具體使用哪種算法需要你根據(jù)自己的應(yīng)用場景去進行選擇。

5、EDlines直線檢測算法

5.1 EDlines算法簡介

EDlines直線檢測算法是在該論文中提出的。本文提出了一個快速、無參數(shù)的線段檢測器，命名為EDLines (Akinlar and Topal, 2011)，它產(chǎn)生強大的和準確的結(jié)果，比最快的已知線段檢測器速度更快，達到11倍；換句話說，the LSD by Grompone von Gioi et al. (2008a,b, 2010). 我們的探測器還包括一個線的驗證步驟定于亥姆霍茲原理Helmholtz principle (Desolneux et al., 2008)，這讓它控制錯誤檢測的數(shù)量。EDLines得到的結(jié)果，我們看到的是，LSD非常相似，有所有主要的線段檢測，并有極少數(shù)誤報。此外， EDLines運行實時以炫目的速度為9.45毫秒，約10倍的速度比LSD對給定的圖像。

5.2 EDlines算法實現(xiàn)步驟

步驟1-首先，給定一個灰度圖像，運行新的邊緣檢測、邊緣繪制（ED）算法，產(chǎn)生一套干凈的，像素相鄰的鏈，我們稱之為邊緣。邊緣線段直觀地反應(yīng)對象的邊界。

步驟2-然后，利用直線度準則，即最小二乘直線擬合法，從生成的像素鏈中提取線段。

步驟3-最后，線的驗證步驟定于亥姆霍茲原理Helmholtz principle (Desolneux et al., 2008; Grompone von Gioi et al.,2008a)是用來消除虛假線段的檢測。

上圖展示了EDlines直線檢測算法的檢測效果。通過上面的觀察，我們可以發(fā)現(xiàn)：1）該算法能獲得和LSD類似的檢測結(jié)果；2）該算法抑制了一部分小的誤檢的直線；3）該算法具有更快的運行速度，是LSD的10倍左右。

6、LSWMS直線檢測算法

6.1 LSWMS算法簡介

LSWMS是一個直線檢測算法。本文介紹了一種精確且實時的直線檢測方法。以前的直線檢測方法都沒有使用到圖像場景的先驗知識，因而不需要對輸入的參數(shù)進行微調(diào)。該算法在檢測精度和檢測速度之間進行了折中，文中使用了一個高效的采樣方法來進行加速處理，然后，文中使用一種快速的直線增長算法基于bresenham算法用改進的mean-shift算法提供精確的線段，同時保持穩(wěn)健對抗噪音。測試了該策略的性能對于各種各樣的圖像，將其結(jié)果與流行的最新線段檢測方法。結(jié)果表明，我們的建議優(yōu)于這些工作同時考慮了結(jié)果和處理速度。

上圖展示的是LSWMS論文中的結(jié)果。由于作者提供的代碼需要在Ubuntu下編譯，我沒有去做這個工作，如果你感興趣你可以去運行在本文的3張測試圖片上面的效果。

7、CannyLines直線檢測算法

7.1 CannyLines算法簡介

CannyLines算法在該論文中被提出。本文提出了一種魯棒的線段檢測算法，有效地檢測出輸入圖像中的線段。首先，提出了一種無參數(shù)canny算子cannypf，通過自適應(yīng)地設(shè)置傳統(tǒng)canny算子的低閾值和高閾值，從輸入圖像中穩(wěn)健地提取邊緣映射。其次，提出了直接從邊緣地圖中提取共線點簇的有效像素連接和分割技術(shù)，并基于最小二乘法對初始線段進行擬合。第三，通過有效的擴展和合并，生成更長、更完整的線段。最后，根據(jù)helmholtz原理對檢測到的所有線段進行了驗證，該原理同時考慮了梯度方向和幅度信息。在一組有代表性的圖像上的實驗結(jié)果表明，與常用的兩種線段檢測器lsd和edline相比，我們提出的cannyline線段檢測器能夠提取出更有意義的線段，特別是在人造場景中。

上圖展示了CannyLines直線檢測算法的檢測效果。通過觀察上圖我們可以發(fā)現(xiàn)該算法能夠獲得更加準確的檢測結(jié)果，具有更少的誤檢。該算法主要是提高了邊緣檢測的效果，具體的效果如下所示：

8、MCMLSD直線檢測算法

8.1 MCMLSD算法簡介

MCMLSD算法出自于該論文。論文中提出了一個融合兩者優(yōu)點的概率算法。在第一階段，使用全局概率hough方法。在第二階段，在圖像域中分析每個檢測到的行，以定位在霍夫圖中生成峰值的線段。通過將搜索限制在一條直線上，線段的分布線上的點序列可以被建模為馬爾可夫鏈和概率最優(yōu)標簽使用標準動態(tài)規(guī)劃算法精確計算，在線性時間內(nèi)。馬爾可夫假設(shè)同時也產(chǎn)生了一種直觀的排名方法，它使用估計期望值的邊際后驗概率線段上正確標記的點的數(shù)目。評估由此產(chǎn)生的馬爾可夫鏈邊緣線段檢測器（mcmlsd）我們開發(fā)并應(yīng)用了一種新的定量方法控制分段不足和分段過量的評估方法。在YorkUrbanDB數(shù)據(jù)集的評價結(jié)果表明，所提出的MCMLSD方法優(yōu)于以相當大的優(yōu)勢達到最先進水平。

上圖展示了MCMLSD算法的檢測效果。通過上面的觀察，我們可以發(fā)現(xiàn)該算法取得了很好的檢測效果，但是美中不足的是該算法的運行速度比較慢，可能也和matlab代碼有關(guān)吧。

9、LSM直線檢測算法

9.1 LSM算法簡介

LSM算法不僅僅是一個直線檢測算法，同時也是一個直線合并算法。論文中提出了一種合并這些斷開的線段的算法，以恢復(fù)原始的感知準確的線段。該算法根據(jù)角度和空間接近度對線段進行分組。然后將每組中滿足新的自適應(yīng)合并準則的線段對依次合并成一條線段。重復(fù)此過程，直到不再合并行段。我們還提出了一種定量比較線段檢測算法的方法。在york-urban數(shù)據(jù)集上的結(jié)果表明，與最新的線段檢測算法相比，我們的合并線段更接近人類標記的地面真線段。

上圖展示了直線檢測算法LSM的檢測效果。左邊一列表示的是LSD的檢測結(jié)果，右邊一列表示的是LSM算法的優(yōu)化效果，圖中不同的顏色表示不同的直線。通過上面的觀察，我們可以發(fā)現(xiàn)LSM可以將一些間斷的直線合并成一條更長的直線，這在現(xiàn)實場景中具有很大的用處，但是我們也會發(fā)現(xiàn)LSM算法會錯誤的將一些直線進行合并，會造成一些誤差。

10、總結(jié)

本文對比較經(jīng)典的直線檢測算法進行了總結(jié)和分析。對于直線檢測這個任務(wù)而言，它在現(xiàn)實場景中具有很多的應(yīng)用，對于一個具體的場景，你可以根據(jù)自己的需要從本文中選擇出一個合適的直線檢測算法進行應(yīng)用，如果你的場景比較簡單，HoughP_line算法可能就可以滿足你的要求；如果你同時對速度和精度有要求，可以選擇使用EDlines等；如果你需要獲得盡可能長的直線，那么建議你使用LSM直線檢測算法。總而言之，最適合你的場景的算法才是最好的算法。