论文阅读汇总：机场跑道线检测方案（传统方法）

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。