论文阅读——椭圆检测 2020：Arc Adjacency Matrix-Based Fast Ellipse Detection

这是一篇基于边缘连接方法的椭圆检测算法AAMED《Arc Adjacency Matrix-Based Fast Ellipse Detection》，核心思想是使用弧段邻接矩阵获得所有弧段的组合方法，然后使用提出的基于采样点的思想的验证方法进行验证。

论文公开了使用的9个数据集，并给出了AAMED在这9个数据集的检测结果，并提供了AAMED源代码，对应下载链接：AAMED算法

下面对该论文进行详细说明。

摘要

快速准确的椭圆检测算法在计算机视觉任务中至关重要。本文提出了一种基于弧段邻接矩阵的椭圆检测算法AAMED。首先，将提取出的边缘线分割成椭圆弧，之后构造有向的弧段邻接矩阵AAM，矩阵每个元素表示了3种邻接状态，并采用了曲率约束和区域约束来使得AAM变得稀疏。其次，通过双向遍历AAM，可以得到所有可能是真实椭圆候选的弧段组合，同时求出了基于累积因子CF的累积矩阵CM。CF与图像上下文无关，可以预先计算。CM与弧或弧的组合有关，可以通过CF的加法或减法进行计算，利用Jacobi方法对CM进行二次特征分解，有效地拟合出候选椭圆。最后，为了有效地消除虚假椭圆，给出了一个综合公式以计算验证分数，分数主要受自适应形状、切线相似性、分布补偿等约束条件的影响。实验表明，在Precision、Recall、F-measure和时间消耗方面，AAMED在9个数据集上的整体性能优于对比的方法。

1 介绍

（椭圆检测的应用和相关工作都说过了，这里不再进行说明）

椭圆检测目前仍有很大的改进空间。因为噪声、不完全和遮挡椭圆的存在，椭圆的边界被分割为多个弧段。组合尽可能多的来自同一个椭圆的弧段，是提升椭圆检测精度的有效手段。有效的组合条件，能够大量的减少候选弧段组合，能够提高椭圆的检测速度。

为了解决上述的问题，本文采用了基于边缘链接的方法来有效快速的检测椭圆。首先，根据椭圆的曲率与凸性提取出椭圆弧段。然后根据一对弧段之间的连接关系构造弧段的邻接矩阵AAM，然后从邻接矩阵搜索出所有可能的组合，得到候选组合。接着，对每个组合进行拟合验证，去除错误组合，得到候选椭圆，最后采用椭圆聚类的方法得到最终椭圆。

本文的创新点如下所示。

• 提出了一种基于有向图的AAM方法来描述任意两个弧的可组合性和序列邻接性。采用曲率约束和区域约束使AAM稀疏。在AAM的基础上，采用双向搜索策略可以找到更正确的组合。
• 基于累积因子CF的累积矩阵CM用于描述一个弧段组合，进而进行快速的椭圆拟合。CF与图像上下文无关，CM仅与弧段组合相关，一个椭圆能够使用基于Jacobi的方法通过两次特征分解拟合得到。
• 提出了自适应形状、切线相似性和分布补偿等约束条件，以获得椭圆验证分数。利用综合得分对拟合椭圆进行验证，有效地消除假椭圆。该验证方法仅需要一个阈值。

2 快速椭圆检测

算法流程图如下所示，流程很显然，从边缘弧段中分割出椭圆弧段，构造邻接矩阵并搜索所有弧段的组合，对每个组合进行快速拟合与验证，最后使用聚类方法去除重复椭圆。下面对每个阶段进行详细说明。

2.1 弧段提取

这步跟之前椭圆检测相关的博客中目的是一样的，从一个轮廓中提取出边缘弧段，图像模糊去噪，使用自适应Canny算法计算边缘，提取出没有分支的边缘，去除过短弧段，使用多边形逼近算法逼近边缘。

到这里，论文中有两点与传统方法不同

• 过短弧段的阈值是自适应的，$T_{edge}=\frac{2\sqrt{2}{\theta }_{arc}}{1-cos\left(\frac{{\theta }_{arc}}{2}\right)}$，其中${\theta }_{arc}$是一个阈值，论文中默认取值$\pi /3$，表示椭圆弧段的逼近段中的最大弯曲程度。
• 多边形逼近算法使用的是自适应多边形逼近算法。OpenCV中有多边形逼近算法，但是需要给一个阈值，2012年Prasad提出了自适应多边形逼近算法，没有提供C++版本，本文实现了C++版本的自适应逼近算法，并且进行了些优化，使得与OpenCV逼近算法速度相近。

边缘逼近之后，使用基于曲率和凸性的方法进行分割以得到椭圆弧段，这里与传统分割方法本质上思想一样，但是论文中使用了一个更加简洁的方法，将分割过程总结为一个公式。令一个逼近段表示为 { A k ∣ k = 1 , 2 , . . . N d } \{\textbf{A}_k|k=1,2,...N_{d}\} {Ak​∣k=1,2,...Nd​}，令${\text{v}}_k={\text{A}}_k-{\text{A}}_{k-1}$，所有成对的逼近线段之间的角度为 { θ i ∣ i = 2 , . . , N d − 1 , θ i ∈ ( − π , π ) } \{\theta_i|i=2,..,N_d-1, \theta_i\in(-\pi,\pi)\} {θi​∣i=2,..,Nd​−1,θi​∈(−π,π)}，其中${\theta }_i$是从${\text{v}}_k$到${\text{v}}_{k+1}$的角度。 逼近的轮廓的弧序列必须满足凸性$sign({\theta }_i)=sign({\theta }_{i+1})$，且曲率$|{\theta }_i|<{\theta }_{arc},1/{\lambda }_{arc}⩽|{\text{v}}_{i+1}|/|{\text{v}}_i|⩽{\lambda }_{arc}$。这样，这个问题就可以用下面一个公式涵盖了。
$$\{\begin{array}{l}\mathbf{\eta }=\frac{{\left[{\text{v}}_k\cdot {\text{v}}_{k+1},s{\text{v}}_k\times {\text{v}}_{k+1}\right]}^T}{|{\text{v}}_k{|}^2}\\ \left[\begin{array}{c}t\\ p\end{array}\right]=\left[\begin{array}{cc}1& -cot{\theta }_{arc}\\ 0& csc{\theta }_{arc}\end{array}\right]\cdot \mathbf{\eta }\end{array}$$

如果 $t>0,p>0$, $1/{\lambda }_{arc}<|\mathbf{\eta }|<{\lambda }_{arc}$, 就可以说${\text{A}}_{k+1}$ 和${\text{A}}_{k-1}$, ${\text{A}}_k$ 属于同一个弧段，然后继续判断下一组弧段，直到所有弧段判断完成，这样就得到了一组椭圆弧段。弧段提取出之后按照顺时针方向处理

2.1 弧段邻接矩阵AAM的构建

一个椭圆因为噪声遮挡等原因会被分割维多个椭圆弧段，但是，直接判断3个或者更多弧段是否来自同一个椭圆是非常困难的，而判断两个弧段是否能够组合是比较容易的。这里采用了区域约束和曲率约束的方法来判断一对弧段的邻接情况。

从图像中提取出一组椭圆弧段 { A ~ ( k ) ∣ k = 1 , 2 , . . , τ } \{\tilde{A}^{(k)}| k = 1,2,..,\tau\} {A~(k)∣k=1,2,..,τ}。对于任意弧段${\tilde{A}}^{(k)}$，令${\text{ A}}_i^{(k)}$是${\tilde{A}}^{(k)}$的第$i$个点，${\text{A}}_{-i}^{(k)}$是${\tilde{A}}^{(k)}$倒数第$i$个点。AAM $\text{L}$是一个$\tau$-by-$\tau$的非对称矩阵，其中 L i , j ∈ { − 1 , 0 , 1 } L_{i,j}\in\{-1,0,1\} Li,j​∈{−1,0,1}。令$D(i,j)=|{\text{A}}_1^{(j)}-{\text{A}}_{-1}^{(i)}|$，表示第i个弧段的尾点到第j个弧段的首点的距离。

$L_{i,j}$表示弧段${\tilde{A}}^{(i)},{\tilde{A}}^{(j)}$的连接性，和点${\text{A}}_{-1}^{(i)}$到点${\text{A}}_1^{(j)}$的邻接性。$L_{i,j}=-1$表示${\tilde{A}}^{(i)},{\tilde{A}}^{(j)}$不属于同一个椭圆，此时也有$L_{j,i}=L_{i,j}=-1$。$L_{i,j}=0$表示这两个弧段不邻接，不能直接判断${\tilde{A}}^{(i)},{\tilde{A}}^{(j)}$是否属于同一个椭圆。$L_{i,j}=1$表示这两个弧段邻接，可以认为属于同一个椭圆。在开始阶段，邻接矩阵AAM初始化为0。

关于邻接矩阵三个邻接属性的理解，下面给个示例

假如给个组合A，B，C，D

• 如果AD之间的邻接值为-1，那么这个组合不存在，也就说明AD不能同时存在在一个组合里面。
• 如果AD之间的邻接值为0，那么A和D不能同时组合，也就是不存在ADC，ADB这样的组合，但是ABD，ACD这样的组合是可以存在的。
• 如果AD之间的邻接值为1，就说明可以出现ADC和ADB这样的组合。

对于任意两个弧段${\tilde{A}}^{(i)},{\tilde{A}}^{(j)}$，如果$D(i,j)<D(i,i)$，说明${\text{A}}_1^{(j)}$邻接与${\text{A}}_{-1}^{(i)}$，那么就需要判断$L_{i,j}$是等于1还是等于-1，也就是连和不连，距离较远的弧段直接判定为0，在后续组合中验证即可。

论文中，使用了两个准则来判断连接性。这里避免繁琐的公式理解费劲，直接说思想，判断弧段是否相连时，主要判断对应的首尾点是否满足曲率和凸性，也就是判断是否互相在搜索区间里面。当然这种也有例外，对于那些首尾点特别近的，容易受到噪声等影响导致不满足椭圆几何性质，那么久直接将首尾点融合作为一个点，在相邻的两个点判断是否满足曲率即可。

按照上述思想，遍历所有弧段，即可获得邻接矩阵AAM。

2.3 基于AAM生成候选组合

这个部分是根据生成的AAM获得所有弧段的组合。

给定一个椭圆弧${\tilde{A}}^{(r)}$，弧段搜索的目的是找到所有包含${\tilde{A}}^{(r)}$的组合结果。令一组包含弧段${\tilde{A}}^{(r)}$的来自同一个椭圆的弧段序列为 { A ~ ( n p ) , A ~ ( n p − 1 ) , . . . , A ~ ( n 1 ) , A ~ ( r ) , A ~ ( m 1 ) , . . . , A ~ ( m q − 1 ) , A ~ ( m q ) } \{\tilde{A}^{(n_{p})}, \tilde{A}^{(n_{p-1})}, ..., \tilde{A}^{(n_1)}, \tilde{A}^{(r)}, \tilde{A}^{(m_1)},...,\tilde{A}^{(m_{q-1})},\tilde{A}^{(m_q)}\} {A~(np​),A~(np−1​),...,A~(n1​),A~(r),A~(m1​),...,A~(mq−1​),A~(mq​)}，其中${\tilde{A}}^{(r)}$为搜索根节点。定义集合 Φ r − = { n 0 , n 1 , n 2 , . . . , n p } , Φ r + = { m 0 , m 1 , m 2 , . . . , m q } \boldsymbol{\varPhi}^{r-} = \{n_0, n_1,n_2,...,n_p\}, \boldsymbol{\varPhi}^{r+} = \{m_0, m_1,m_2,...,m_q\} Φr−={n0​,n1​,n2​,...,np​},Φr+={m0​,m1​,m2​,...,mq​}，$r=m_0=n_0$。集合 Φ r ± = Φ r − ⋃ { r } ⋃ Φ r + \boldsymbol{\varPhi}^{r\pm} = \boldsymbol{\varPhi}^{r-}\bigcup \{r\}\bigcup\boldsymbol{\varPhi}^{r+} Φr±=Φr−⋃{r}⋃Φr+是一个椭圆弧组合，每个元素存的是弧段角标。下面这个公式，给出了一个组合应该具有的性质，也是后续进行搜索弧段的根据。

$$\{\begin{array}{ll}{L}_{n_i,n_{i-1}}=1,& \forall n_i\in {\Phi }^{r-}\\ L_{m_{j-1},m_j}=1,& \forall m_j\in {\Phi }^{r+}\\ L_{k,g}\ne -1,& \forall k,g\in {\Phi }^{r-}\bigcup {\Phi }^{r+}\end{array}$$

如果搜索之后的集合${\Phi }^{r-},{\Phi }^{r+}$满足上述公式，那么${\Phi }^{r\pm }$就构成了一个候选弧段组合。直接搜索弧段组合是非常困难的，因此弧段选择被拆分为3个步骤，分别是弧段前向搜索，弧段反向搜索，双向组合验证。

值得注意的是，上式有个潜在的属性 L k , g ∈ { 0 , 1 } , ∀ k , g ∈ Φ r ± L_{k,g}\in \{0,1\}, \forall k,g \in \boldsymbol{\varPhi}^{r\pm} Lk,g​∈{0,1},∀k,g∈Φr±。在搜索过程中，如果$\exists k,g\in {\Phi }^{r\pm }$ 满足$L_{k,g}=0$，那么就验证下这两个弧段有没有可能不属于同一个椭圆，如果验证不属于同一个椭圆那么$L_{k,g}=L_{g,k}=-1$。

下面，介绍基于根节点${\tilde{A}}^{(r)}$的三种搜索策略。

第一步：前向搜索。 前向搜索能够根据如下公式得到所有前向组合 I  ⁣ I + = { Φ 1 r + , Φ 2 r + , . . . , Φ N p r + } {\rm \textbf{I}\!\textbf{I}}^+ = \{\boldsymbol{\varPhi}^{r+}_1,\boldsymbol{\varPhi}^{r+}_2,...,\boldsymbol{\varPhi}^{r+}_{N_p}\} II+={Φ1r+​,Φ2r+​,...,ΦNp​r+​}，其中${\Phi }_i^{r+}$满足${\Phi }^{r+}$的定义， $N_p$表示前向搜索的组合个数。对于第$i$个组合，${\Phi }_i^{r+}$被初始化为 { m 0 } \{m_0\} {m0​}，搜索角标$m_i$初始化为$m_0$。然后找到下一个弧段 ${\tilde{A}}^{(m_{i+1})}$，这个弧段满足${\tilde{A}}^{m_i}\to {\tilde{A}}^{m_{i+1}}$，也就是$L_{m_i,m_{i+1}}=1$。如果这没有弧段${\tilde{A}}^{(m_k)}\nrightarrow {\tilde{A}}^{m_{i+1}}$，也就是 $L_{m_k,m_{i+1}}=-1,k=0,1,...,i$，这个弧段${\tilde{A}}^{m_{i+1}}$将会被压进${\Phi }_i^{r+}$，并且搜索角标设置为$m_{i+1}$，直到没有弧段能够被放进${\Phi }_i^{r+}$，这时候就得到一个前向弧段组合${\Phi }_i^{r+}$。这里使用了一个深度优先遍历的方法以获得所有的组合${\text{I}\text{I}}^{+}$

$$\{\begin{array}{l}{L}_{m_{j-1},m_j}=1,\forall m_j\in {\Phi }^{r+}\\ L_{m_k,m_g}\ne -1,\forall m_k,m_g\in {\Phi }^{r+}\end{array}$$

第二步：反向搜索。反向搜索的方法与第一步相似，主要不同点在于搜索策略的不同，下式是反向搜索策略公式。反向搜索能够获得所有组合 I  ⁣ I − = { Φ 1 r − , Φ 2 r − , . . . , Φ N a r − } {\rm \textbf{I}\!\textbf{I}}^- = \{\boldsymbol{\varPhi}^{r-}_1,\boldsymbol{\varPhi}^{r-}_2,...,\boldsymbol{\varPhi}^{r-}_{N_a}\} II−={Φ1r−​,Φ2r−​,...,ΦNa​r−​}，其中${\Phi }_i^{r-}$满足${\Phi }^{r-}$的定义，且$N_a$表示反向组合的个数。

$$\{\begin{array}{l}{L}_{n_i,n_{i-1}}=1,\forall n_i\in {\Phi }^{r-}\\ L_{n_k,n_g}\ne -1,\forall n_k,n_g\in {\Phi }^{r-}\end{array}$$

第三步：双向组合验证。经过上两步之后，能够得到两个集合 I  ⁣ I + = { Φ 1 r + , Φ 2 r + , . . . , Φ N p r + } {\rm \textbf{I}\!\textbf{I}}^+ = \{\boldsymbol{\varPhi}^{r+}_1,\boldsymbol{\varPhi}^{r+}_2,...,\boldsymbol{\varPhi}^{r+}_{N_p}\} II+={Φ1r+​,Φ2r+​,...,ΦNp​r+​}和 I  ⁣ I − = { Φ 1 r − , Φ 2 r − , . . . , Φ N a r − } {\rm \textbf{I}\!\textbf{I}}^- = \{\boldsymbol{\varPhi}^{r-}_1,\boldsymbol{\varPhi}^{r-}_2,...,\boldsymbol{\varPhi}^{r-}_{N_a}\} II−={Φ1r−​,Φ2r−​,...,ΦNa​r−​}。因此总共能够获得$N_b=N_p\cdot N_a$个双向组合。 I  ⁣ I ± = { Φ i , j r ± ∣ i = 1 , 2 , . . , N a , j = 1 , 2 , . . , N p } {\rm \textbf{I}\!\textbf{I}}^{\pm} = \{\boldsymbol{\varPhi}^{r\pm}_{i,j}| i=1,2,.., N_a, j = 1,2,.., N_p\} II±={Φi,jr±​∣i=1,2,..,Na​,j=1,2,..,Np​}按照组合的像素个数降序排序，${\Phi }_{i,j}^{r\pm }={\Phi }_i^{r-}\bigcup {\Phi }_j^{r+}$。任意不满足下面这个公式的组合${\Phi }_{i,j}^{r\pm }$将会被置为$\varnothing$。

$$L_{n_k,m_g}\ne -1,\forall n_k\in {\Phi }^{r-},m_g\in {\Phi }^{r+}$$

之后，一个弧段组合${\Phi }_{i,j}^{r\pm }$将会进行椭圆拟合，如果通过拟合，这个椭圆就会被放进候选椭圆中，在${\Phi }_{i,j}^{r\pm }$中的弧段将不会参加到任何组合中。遍历所有弧段${\tilde{A}}^{(r)}$将会得到所有候选组合。最后使用Prasad 和Leung的方法进行椭圆聚类，剔除重复椭圆，得到最终检测椭圆。

2.4 椭圆拟合

一般的椭圆公式为 ${\alpha }_1{x}^2+2{\alpha }_{2}xy+{\alpha }_3{y}^2+2{\alpha }_{4}x+2{\alpha }_{5}y+{\alpha }_6=0$，椭圆拟合问题转换为解决如下公式$\text{S}\mathbf{\alpha }=\lambda \text{C}\mathbf{\alpha }$，其中$\text{S}$是一个66矩阵，$\text{C}$是一个66约束矩阵，$\mathbf{\alpha }$是需要求解的向量，$\mathbf{\alpha }=[{\alpha }_1,...,{\alpha }_6{]}^T$。ElliFit方法约束了${\alpha }_3=1$，也就是$\text{C}$的元素 $C_{3,3}=1$，其他设置为0。

我们假设一个点集 { ( x i , y i ) ∣ i = 1 , 2 , . . . , N } \{(x_i,y_i)|i=1,2,...,N\} {(xi​,yi​)∣i=1,2,...,N}用于拟合一个椭圆。令${\text{a}}_i=[x_i^2,2x_i{y}_i,y_i^2,2x_i,2y_i,1]$，${\text{a}}_{1\to N}=[{\text{a}}_1^T,{\text{a}}_2^T,...,{\text{a}}_N^T{]}^T$。那么拟合矩阵$\text{S}={\text{a}}_{1\to N}^T{\text{a}}_{1\to N}={\sum }_{k=1}^N{\text{ a}}_k^T{\text{ a}}_k$，这样就引出如下的累计因子和累计矩阵的定义。

累计因子。给一个点$(x_i,y_i)$，矩阵${\text{a}}_i^T{\text{a}}_i$定义为累积因子${\text{ f}}_{x_i,y_i}$，也就是${\text{f}}_{x_i,y_i}={\text{a}}_i^T{\text{a}}_i$，${\text{ f}}_{x_i,y_i}$仅与点$(x_i,y_i)$有关与图像上下文无关。因此，累积因子${\text{ f}}_{x_i,y_i}$能够在检测之前进行初始化。

累积矩阵。所有相关点的累计因子的和就是累积矩阵${\text{F}}^s$，也就是${\text{F}}^s=\sum _{i=1}^N{\text{f}}_{x_i,y_i}$。一个弧段组合 Φ r ± = { r 1 , r 2 , . . . , r m } \boldsymbol{\varPhi}^{r\pm} = \{r_1,r_2,...,r_m\} Φr±={r1​,r2​,...,rm​}的拟合矩阵$\text{S}$就是在这个组合的每个弧段的累积矩阵${\text{F}}_i^s$ 的和，也就是$\text{S}=\sum _{i\in {\Phi }^{r\pm }}{\text{F}}_i^s$。

除此之外，论文中给出了一种求解方法，该方法能够通过两次的特征值特征向量分解来计算$\text{ S}\mathbf{\alpha }=\lambda \text{C}\mathbf{\alpha }$。这里给出详细过程，$\text{S}$是一个实对称矩阵，因此能够分解为${\text{Q}}^T\Lambda \text{Q}$，$\text{Q}$是一个由特征向量构成的正交矩阵，且$\Lambda$是有特征值构成的对角矩阵。令$\mathbf{\beta }={\Lambda }^{1/2}\text{Q}\mathbf{\alpha }$，拟合问题转变为${\Lambda }^{-1/2}\text{QC}{\text{Q}}^T{\Lambda }^{-1/2}\mathbf{\beta }=\text{M}\mathbf{\beta }=\frac{1}{\lambda }\mathbf{\beta }$。令${\mathbf{\beta }}^{\ast }$是$\text{M}$最大特征值对应的特征向量，则${\mathbf{\alpha }}^{\ast }={\text{Q}}^T{\Lambda }^{-1/2}{\mathbf{\beta }}^{\ast }$是最终拟合求解结果。

总结下这个小节想说明的事情。

• 从一个点集转换到拟合矩阵，涉及到大量的乘法加法计算，而一个预计算好的累计因子，能够大量的减少计算拟合矩阵所用的时间，提高最终检测速度。
• 提供了一个二次分解的求解方法，这样就能使用OpenCV提供的特征值分解方法进行求解，使得在C++实现变为可能。
• 每个弧段都对应一个累计矩阵，那么一个弧段组合就是这几个弧段的累积矩阵的加法，非常快的就能获得一个组合所需的拟合矩阵，极大减少了统计时间。

2.5 椭圆验证

拟合出一个椭圆之后，需要验证其是否为真椭圆，因此本文采用采样点${\text{V}}_i,i=1,2,..,N_v$的方法来进行验证。论文使用了4种指标，形状指标$SI$，位置指标$LI$，梯度指标$GI$和加权指标$WI$。验证得分$P_{score}$按照如下公式计算得到，其中${LI}_i,{GI}_i,{WI}_i$为第$i^{th}$个采样点的指标值。

$$P_{score}=SI\cdot \frac{\sum _{i=1}^{N_v}\left(0.5+{LI}_i\cdot {GI}_i\right)\cdot {WI}_i}{N_v\cdot \sum _{i=1}^{N_v}{WI}_i}$$

给定一个拟合椭圆$\tilde{E}$，令${\text{O}}_{\tilde{E}}$为椭圆中心点，${\theta }_{\tilde{E}}$为旋转角，$w_{\tilde{E}},h_{\tilde{E}}$为对应的半长短轴长。$\text{R}({\theta }_{\tilde{E}})$为对应的旋转矩阵，${\theta }_{{\text{V}}_i}$为采样点对应的采样角度。下面介绍4个指标。

形状指标。这个主要用于约束椭圆形状的，避免过扁或过小的椭圆，最终拟合公式如下所示。

$$SI=\{\begin{array}{ll}1& ,if\{\begin{array}{l}\frac{w_{\tilde{E}}{h}_{\tilde{E}}}{\sqrt{w_{\tilde{E}}^2+h_{\tilde{E}}^2}}>\frac{\sqrt{2}}{\sqrt{2}-1}\\ \sqrt{w_{\tilde{E}}{h}_{\tilde{E}}}⩾\frac{\sqrt{2}/2}{1-cos\left(\frac{{\theta }_{arc}}{2}\right)}\end{array}\\ 0& ,otherwise\end{array}$$

位置指标。如果第 $i^{th}$个采样点${\text{V}}_i$ 落在边缘点的一个8邻域上，则认为其满足位置指标，对应指标值${LI}_i=1$，否则${LI}_i=0$。

梯度指标。梯度指标主要是用于验证当前采样点的估计梯度${\text{l}}_i$和理论梯度${\text{g}}_i$的差异，下面公式给出计算梯度指标值的方法。

$${GI}_i=\frac{1}{2}-\frac{2}{\pi }{\theta }_{<{\text{l}}_i,{\text{g}}_i>}$$

加权指标。椭圆采样点是从极坐标出发，在角度轴均匀采样，这就导致采样点在图像上分布并不均匀（在长轴两端点多，短轴两端点少），因此对每个采样点，使用如下的加权指标进行加权，以提高验证精度，每个采样点的加权指标为${WI}_i=W({\theta }_{{\text{V}}_i})$。

$$W(\theta )=\frac{rR}{R^{2}co{s}^2\theta +r^{2}si{n}^2\theta }$$

采样点的采样方法是从拟合椭圆的极坐标出发的，采样点个数由如下公式计算得到。也就是，如果椭圆周长小于360，那么个数就是周长，否则就采360个点。

$$N_v=\{\begin{array}{ll}360& ,if(w_{\tilde{E}}+h_{\tilde{E}})\pi ⩾360\\ (w_{\tilde{E}}+h_{\tilde{E}})\pi & ,otherwise\end{array}$$

最终，如果$P_{score}>T_{val}$，$T_{val}$是验证阈值，那么就认为这个拟合椭圆是一个真椭圆，否则这个椭圆被认定为虚假椭圆。

3 实验部分

论文提供了大量实验，这里不一一叙述，仅列出比较重要的点。

• 在原有的2个仿真数据集(occluded, overlap，缺失椭圆和重叠椭圆)的基础上，补充了新的两个仿真数据集(concentric 和concurrent，同椭圆中心点和同交点 )，数据集已公开
• 在原有3个真实数据集上，公开了两个可见光和红外卫星数据集。
• 验证算法和标记工具是开源的。
• 提供了自动调参方法，这样就能解释实验中为什么要设置那样的默认参数，因为这是算出来。
• 该算法提供了C++和Python版本，方便使用。

下图给出了算法在9个数据集上的精度对比，该算法除了对缺失椭圆处理较差之外，其他表现整体良好。从论文的敏感度分析也能发现，将验证阈值设置地点，缺失椭圆的精度显著提升。

检测速度也是所有方法中整体上最快的。

下图是对应的检测结果，大部分都检测出来了。

个人总结

AAMED核心在于组合所有可能的弧段以提高检测精度，弧段邻接准则，弧段分割都是采用常用的方法。之前的弧段分割都是将其归类到多个象限中，这样尽管降低了组合难度，但是也会造成弧段的过分割。

AAMED能够在各种平台上使用，包括嵌入式平台（包括ARM和TX2平台），对于960*540的图片，嵌入式检测时间小于30ms。

关于未来改进趋势，我列如下几点进行说明。

• 速度问题。椭圆检测速度仍然需要提高，越快越好，当算法成熟时候，我认为一定能在1080P上的检测速度小于30ms。基于GPU的椭圆检测是趋势，目前椭圆检测算法好多依赖串行，并行化较难。
• 并行问题。搜索所有候选组合+椭圆拟合验证，我认为理论上，并行性已经很好了，对耗时进行分析，也发现大部分时间浪费在了Canny检测和边缘线提取上，几乎占用了一半的时间。（因为多边形逼近和弧段分割，是可以并行的），所以边缘线提取的并行处理问题有待解决，这个解决了，速度就快了。
• 改进方向。进过分析，我发现Canny算法会导致边缘被复杂背景带偏，导致曲率错误，弧段过分割，ELSD算法是椭圆弧段检测器，基于是梯度，并没有使用Canny，所以基于梯度的检测算法是趋势，但是多边形逼近，曲率计算等问题需要解决了。此外，AAMED对任意两个弧段的邻接性判断较为简单，后续可以提出一个更强的判断准则，以让矩阵变得更加稀疏有效。椭圆验证也需要加强，最好能够提出一个适合所有情况的验证方法，拟合出一个椭圆，判断其是还是不是，似乎很像深度学习的思路，但是深度学习如何训练，还有速度问题有待考虑，如果能解决验证问题，椭圆准确率会直线上升。

这个论文我觉得讲的还不是很清晰，但各位有不明白的地方或者有独特见解的欢迎讨论。