Real-time Accurate Runway Detection based on Airborne Multi-sensors Fusion
2017
引言总结了2大思路,基于特征和基于模版,基于特征的方法有线特征比如Hough,LSD,Heuristic等等,点特征还有SIFT+HDR tree,纹理特征等等。还有基于模版的特征,和预先拍的照片比较,但是时间太长。
这篇论文融合了机场跑道先验信息,飞机自身传感器信息,来进行LSD线特征提取。其实就是根据飞机的位置和姿态和跑道的先验坐标信息,通过相机模型,把跑道投影到图像上,得到一个跑道的感兴趣区域(ROI)。
然后在ROI里用EDLSD线特征检测。再设置跑道线的投影作为初始估计,把两条估计线附件的短线,用最小二乘法,拟合成两条线。
但是,这个先验估计的准确性就非常重要,飞机本身的传感器输出的位姿对结果影响非常大。
最后再做检验,计算跑道夹角和消失点的位置是否在给定范围里。
总结就是已知姿态求ROI+LSD+已知姿态估计直线位置进行筛选。
Detection of Airport Runway Edges Using Line Detection Techniques
2011
用了卷积检测45度的直线
总结就是非常传统的Canny 边缘检测 + Hough 变换
Detection of Runway and Obstacles using Electro-optical and Infrared Sensors before Landing
2014
首先检测地平线
- 假设1:机场在地平线以下,并且基本上在图片中心
- 假设2:跑道线指向图片下方两个对角点
这个和第一篇是同一个期刊的,第一篇拿这个作为benchmark。这一篇提到了cat II
这一篇提出2个方法
第一个还是非常传统的Canny+Hough(这个确实太典了)
第二个是基于模版的方法,用互卷积提取区域,但是这个方法好像只能提取区域,不能提取边线。
An airport runway centerline location method for one-off aerial imaging system
2010
这个是航拍俯视图像,不是降落图像
还是经典的Canny+Hough配方嗷,这次又加了点什么料呢?
哦!源赖氏在检测完直线之后,对同方向的平行线长度又做了一个排序,其中用了NMS非极大值抑制,选出3个突出的线作为2个边线一个中线。但是作者妹有说如果有4个突出线咋办呢。我猜测是用等差数列来约束?
Airport Detection Based on Line Segment Detector
2012
这个也是航拍俯视图像,不是降落图像。
这篇论文介绍一种简单的检测机场大致区域的方法,先用LSD检测线特征,再做线段拼接,然后假设“机场的跑道线都是平行线而且很长,比周围的环境线条都要规则”,统计各个方向的线条中,累计长度最长的一个方向作为机场的线条。
文章在引言对比了4种方法,经典的Canny+Hough需要调参,Burn 1986的方法也是参数敏感,DEsolneux 2000,2008的方法耗时久。最后文章采用了LSD,这和我们想的一样嘛。
总结就是LSD+平行线总长度筛选
An Effective Lane Detection Algorithm for Structured Road in Urban
2013
这是车辆的车道线提取
先提取ROI。也是用预先的设置(上界是固定的比例,下界是车辆前端边界)粗估计路面区域。对粗估计区域每一行的灰度值(应该是吧)求平均。接下来的操作真的看不懂,文章直接把上界取成均值最小的一行。
再做LSD和Hough的比较,结果是Hough检测不太好,漏掉很多线,检测到很多杂线。和我们之前的看法一样。
然后是线段剔除。有3种方法,第一种直接设置一个定死的角度范围,并且要求线段的2个端点都位于图片的左侧或者右侧。第二种是对剩下的点,左侧和右侧分别用k-means各聚成2组。第三步是用Vanishing point来筛选,消失点通过计算被最多的直线经过的点来获得,离消失点距离远的点被筛除。
最后是跑道线提取,文章考虑了线段2个端点的x,y最值和角度最值。
总结就是ROI+LSD+角度筛选+Kmeans+消失点筛选+最值提取。
不用平行线长度是因为车辆跑道线比机场更多。