2021-08-17《A fast and effective ellipse detector for embedded vision applications》文章阅读笔记

《A fast and effective ellipse detector for embedded vision applications》椭圆检测文章阅读笔记

（做个笔记，简单记录一下）
本文主要贡献在于提出了一种快速有效的椭圆检测方法。
方法主要包含三个步骤：
（1）弧段提取
（2）椭圆检测
（3）后处理

一、弧段提取

弧段提取的流程为：
边界提取—>弧段检测—>弧段分类。

1、边界提取

在文章3.1.1小节中，提出边界点主要包含了x、y坐标以及梯度。作者选用了自适应的Canny边界检测器获取了一系列边界点，梯度由Sobel操作符计算得到。

2、弧段检测

丢弃分类边界上的边缘点，连接相同方向类别的边缘点形成弧。
定义弧的方向为该类边界点的方向。
一些凹凸性不够明显的弧段由于不能够很好表示弧段而被放弃，同样很短的弧段或者直线段也被丢弃。

3、弧段凹凸分类

弧段下方的区域称为U，弧段上方区域称为O
当U>O时，则为凸;
当U<O时，则为凹;
当U=O时，代表凹凸性无法决定，弧段将被丢弃。

函数D和C可以将弧段映射到对应的象限中。将象限分为四类原因在于该数量时能够计算凹凸性的最低数量。

二、椭圆检测

将候选椭圆定义为triplet，包含三个弧段，该triplet满足一系列的标准，并有可能来自同一个椭圆。
候选椭圆的参数将通过HF（霍夫变换）进行计算。

1、弧段挑选

定义包含了可能来自于同一个椭圆的两端弧为弧对。
triplet则也可以表示为两个弧对组成。
弧对需要满足凹凸性和相对位置约束，之后在两个弧共享同一个椭圆边界的假设基础上，计算椭圆中心。最终将会获取一个候选椭圆，该椭圆包含两对弧对，且拥有相同圆心。

[1]凹凸性约束

凹凸性约束使得每对弧由相连象限的弧段组成，且为逆时针连续。

[2]相对位置约束

相对位置约束将不连续的弧段丢弃。

[3]中心约束

（本人按照自己的理解随意取的约束名称）
该中心约束验证三个弧段是否在同一个椭圆上。或者相同意义上，两对弧对的椭圆圆心距离小于参数THcenter。

凹凸性约束和相对位置约束计算很快。第三个中心约束更加复杂，但是计算范围很窄，能够很好地提高获选椭圆的质量。

2、中心估计

估计椭圆中心原理：平行线段中心点共线。
两组平行弧中心相交的点为椭圆圆心。
需要生成两组相互之间不平行的平行弧。在真实的图像中，受到噪声的影响，平行弧的中点并不能很好地共线。
使用Theil-Sen估计器计算坡度。除此之外，采用中值方法来应对异常值。

3、参数估计

椭圆圆心为7个点坐标的中位数。除去两个弧对的中心点，他们的中值，以及四条平行弧中点连线两两相交的4个中点。
半轴比N=B/A，旋转p，半轴A和半轴B的计算。。。

三、后处理

验证候选弧以移除错误的检测。
同一个椭圆的边界，可能会有多个triplet检测。由于候选椭圆的数量远小于弧段数量，融合多个检测将比选找同一椭圆边界的多个弧段更为有效。

1、验证

设定了一个约束点与边界距离的方法。分数sigma在[0,1]之间，代表三个弧上的点与估计的椭圆的拟合程度。当分数sigma大于设定的THscore时，代表候选椭圆时和合理的。

2、聚类

使用文献[38]中的方法对同一个椭圆的多个有效检测进行聚类，评估两个椭圆的相似性。分别对比中心点距离，轴和旋转。所有有效检测的椭圆被降分排序，并一一对比每个类别的函数均值。选择最高分的椭圆作为该类别的中心。如果当前椭圆没有归到任何类别中，将作为新的类别单独存在。

四、创新点和对比讨论

（只记录参数选择的部分，这部分个人比较感兴趣）

1、边界和噪声移除

THlength控制在[2,32]之间，当该参数低于8时时间消耗非常严重，作者将其设置为16。数值越大，可选弧段越少，时间消耗越少。
THobb，如果相性定向边界框的最短边小于该参数，则定义为直线，不纳入考虑范围。原文设置为3，当大于3时，检测效果和时间消耗都会降低。

2、相对位置选择

该参数影响过小。

3、中心距离

中心距离计算公式：
对角线长度*Tcenters，当中心距离大于该计算数值时，抛弃。
Tcenters设置为0.02，当数值大于该值时，效果无显著提升但是时间消耗会极度增加。

4、平行弦数量

考虑更少的弦，且从弧上以规则间隔采样的边界点子集开始，减少执行时间，更好地估计圆心。Ns=16，选择范围为[8,32]。