顧及建筑物框架線的直線提取方法性能分析

摘要：圖像是人類認識世界的基礎數據之一，對人類社會的發展有著至關重要的作用，而直線是構建圖像最基本的元素，精確的建筑物框架線檢測對室內外自主導航領域的發展具有重要意義。目前主流的直線檢測方法有LSD、Hough以及基于卷積神經網絡的提取方法，為對采用三種方法對建筑物框架線提取性能進行分析，文章采用了多種場景下的圖像數據進行對比實驗，并分析直線檢測結果及影響因素。實驗結果表明，Hough變換效果在三中算法中效果最差，在Wireframe數據集測試中，與LSD相比，在兩個指標上分別提高了31%和20.2%。

關鍵詞：直線檢測；Hough變換；LSD；卷積神經網絡

doi：10.3969/J.ISSN.1672-7274.2023.07.029

中圖分類號：TP 751 " " " " " 文獻標志碼：A " " " " " " 文章編碼：1672-7274（2023）07-00-03

Performance Analysis of Line Extraction Methods Considering Building Frame Lines

ZHANG Jinsheng

（Guizhou Second Surveying and Mapping Institute， Guiyang 550000， China）

Abstract： Image is one of the basic data for humans to understand the world， and plays a crucial role in the development of human society. Straight lines are the most basic unit for constructing images. Accurate line detection is of great significance for the development of fields such as road recognition， building structure extraction， camera calibration， and so on. Currently， the mainstream line detection methods include LSD， Hough， and convolutional neural network based extraction methods. Multiple sets of comparative experiments are conducted using image data from multiple scenes to analyze line detection results and influencing factors. The experimental results show that Hough transform has the worst effect among the three algorithms， and in the Wireframe dataset test， compared with LSD， it has improved by 31% and 20.2% on the two indicators， respectively.

Key words： straight line detection; Hough transform; LSD; convolutional neural network

現階段，直線檢測已成為計算機視覺、三維重建、目標識別等圖像處理領域共同探究的技術問題，準確高效的直線提取算法在基于圖像的目標跟蹤、三維重建等領域有廣泛的應用[1]。在電力行業中，高壓線精確提取可為智能巡檢提供基礎數據[2]，在交通行業中，車道線的自動提取可為自動駕駛中的導航定位提供視覺約束。同時，直線提取作為計算機視覺及其圖像處理領域中的一個關鍵問題[3]，還可以用于材料裂紋檢測[4]、導航[5]、直線匹配[6]、道路提取[7]等方面。

1 " 直線提取算法

1.1 Hough變換直線提取算法

Hough變換是一種將笛卡兒坐標系轉換為霍夫坐標系的直線檢測方法，利用投票的方式選擇點集最多的直線作為目標直線。原理如圖1所示。

1.2 LSD算法

LSD算法根據圖像梯度的變化進行直線檢測，然后利用梯度方向和level-line確定線支撐區域。該算法主要包括圖像縮放、梯度計算、直線支撐域提取、支撐域矩形估計和直線驗證五個步驟。

（1）圖像縮放。LSD算法通過將原始圖像縮小為原來的80%，在直線檢測結果和保留圖像信息之間達到了很好的平衡。

（2）梯度計算。圖像梯度在2×2的模板上進行計算，像素點處的梯度計算公式為

（1）

式中，代表像素坐標為處像素的灰度值；為該點水平方向的梯度；為該點垂直方向的梯度；為該點的梯度幅值。像素的梯度方向為

（2）

（3）直線支撐域提取。初始狀態下選取梯度變化最大的像素點作為種子點，且該種子點未被標記，則初始直線支撐域的方向為該像素點的梯度方向。然后搜索該種子點的八鄰域，尋找與初始直線支撐域方向差小的像素點加入線支撐域并添加標記，計算新的線支撐域方向。

（4）支撐域矩形估計。獲得直線支撐域后，使用最小外接矩形表示該支撐域的范圍，計算出矩形對角線交點坐標、方向以及長度和寬度。

（5）直線驗證。為了保證精度，LSD算法會對初始檢測結果進行驗證。通過對矩形支撐域內每個像素點的梯度方向進行統計，判斷與矩形主軸方向一致的像素點的個數所占的比例是否超過設定的閾值。只有滿足條件的矩形支撐域才會被保留為最終的直線檢測結果。

1.3 L-CNN算法

L-CNN算法于2019年提出，包括主干網絡、連接點預測模塊、線段采樣模塊和線段校正網絡，可以對圖像中幾何特征較為明顯的線段或包含語義信息的線段進行檢測。

（1）主干網絡。主干網絡的作用是為后續的連接點預測模塊和線段采樣模塊提供語義特征，即對輸入圖像中包含的主要直線特征進行檢測與獲取，供后續的模塊使用。

（2）連接點預測模塊。連接點預測模塊的作用是尋找圖像中可能存在的端點的坐標。首先將輸入圖像劃分為個區域，若該區域內存在連接點，則判斷連接點在該區域內的相對位置。在數學上，連接點預測模塊的輸出可以表示為一個最大似然概率特征圖J和偏移量O。

（3）線段采樣模塊。線段采樣模塊的作用是利用上一模塊預測的端點計算出最佳端點的位置，從而生成線段。為了解決負樣本數量遠遠多于正樣本數量這一問題，設置了靜態線段采樣器和動態線段采樣器。通過靜態采樣器補充樣本，而動態采樣器則可以通過調節直線端點的位置達到提升線段檢測效果的目的。

（4）線段驗證網絡。在線段驗證網絡中定義LoI Pooling層，同時向主干網絡反向傳播梯度。然后通過一維最大池化層輸出特征向量，最后經扁平化后輸出。

2 " 模型評價指標

準確率代表被正確預測的概率；精確度代表預測為直線的結果中真實直線所占的比例；召回率代表實際為正樣本，預測為正樣本的概率，即預測的正確的直線與所有直線之比。在以往的算法中，通常使用以下兩個指標來評估檢測到的線框的質量：和。Junction AP為預測連接點與真實連接點的匹配性，是基于矢量化的線框定義的，是從所有測試圖像上檢測到的線段列表中計算的精度召回曲線下區域的面積。是精度-召回率曲線下的面積。代表，計算公式為

（3）

3 " 實驗結果對比分析

3.1 直線提取實驗

在本次直線提取實驗中，采用不同場景下的多張圖像進行實驗，三種算法的直線檢測結果如下所示，從左至右分別為Hough變換、LSD和L-CNN的直線檢測結果。

3.2 模型分析

由表1可以看出，在兩個數據集的測試中，Hough變換的各項指標都是最低的；LSD直線檢測算法可以識別出一定數量的框線，但是會對梯度變化較為明顯的紋理進行檢測，從而各項指標都低于L-CNN；而L-CNN算法設置了多個模塊對框線的特征進行學習并驗證其正確性，能夠準確地對框線進行檢測。

3.3 直線檢測數量分析

圖2中三種算法檢測到的線框數量分別為5、28、35，圖3中檢測到的框架線數量分別為5、10、22。綜合模型對比分析和直線數目統計結果可發現，由于L-CNN是一種端到端可訓練的網絡，在其網絡架構中應用了多重約束進行直線估計，提高了模型的精度和可靠性，相比于Hough和LSD可以提取出更為準確的結果，L-CNN模型具有更好的框架線檢測效果。

4 " 結束語

本文分別采用Hough變換、LSD和L-CNN三種算法進行建筑物框架線提取，對三種算法的框架線提取性能進行了分析。最終結果表明：L-CNN算法在綜合性能上略顯優勢，針對不同場景影像均能得到較好的直線提取結果，在Wireframe數據集的測試中，與LSD相比，在、兩個指標上分別提高了31%和20.2%，但是L-CNN檢測精度受構建模型影響，且網絡結構復雜，檢測時間較長。

參考文獻

[1] 孫俊鋒，丁少聞，張小虎，等．結合像素局部對比度的直線特征檢測算法[J]．國防科技大學學報，2017（6）：31-38.

[2] 吳巍，郭飛，郭毓，等．一種基于全卷積神經網絡的橫擔姿態測量方法[J]．華中科技大學學報（自然科學版），2018（12）：106-111.

[3] 董銀文，苑秉成，王航宇，等．一種有效的航拍圖像中直線提取算法[J]．武漢大學學報（信息科學版），2012（2）：160-164.

[4] 朱盼盼，李帥朋，張立強，等．基于多任務學習的高分辨率遙感影像建筑提取[J]．地球信息科學學報，2021（3）：514-523.

[5] 姜月霞，丁世宏，趙德安，等．農用拖拉機直線導航的有限時間飽和控制器設計[C]．第三十三屆中國控制會議論文集（B卷）．上海：上海系統科學出版社，2014.

[6] 虞凡，吳惠思，覃征，等．從圖像中快速檢測直線的并行算法[J]．西安交通大學學報，2006（12）：1370-1373，1387.

[7] 文貢堅，王潤生．從航空遙感影像圖像中自動提取主要道路[J]．軟件學報，2000（7）：957-964.