image-processing - 在 2D 点云中查找简单形状

Question

我目前正在寻找一种将简单形状(例如 T 形或 L 形)拟合到 2D 点云的方法。我需要的结果是形状的位置和方向。

我一直在研究几种方法，但大多数看起来都非常复杂，并且首先涉及构建和学习示例数据库。当我处理非常简单的形状时，我希望有一种更简单的方法。

Answer 1

通过说你不想进行任何训练，我猜你的意思是你不想进行任何特征匹配；特征匹配用于对图像中对象的姿势(位置和方向)进行良好的猜测，并且可以与 RANSAC 一起应用于您的问题，以猜测和验证有关对象姿势的良好假设。

最简单的方法是模板匹配，但这可能在计算上过于复杂(这取决于您的用例)。在模板匹配中，您只需循环遍历对象的可能位置及其可能的方向和可能的比例，然后检查模板(在该位置、方向和比例上看起来像 L 或 T 的云)匹配程度(或者您采样)可能的位置方向和比例是随机的)。如果您的点被组织起来(或者您通过例如将它们转换为像素来组织它们)，则模板的检查可以相当快地进行。

如果这太慢，有很多方法可以使模板匹配更快，我会向您推荐广义霍夫变换。在这里，在开始搜索模板之前，您在要查找的形状(T 或 L)的边界上循环，对于其边界上的每个点，您查看梯度方向，然后查看该点处的梯度方向和方向之间的角度。对象模板的原点以及到原点的距离。您将其添加到每个边界点的表(让我们称之为表 A)中，最终得到一个从梯度方向映射到对象原点的可能位置集的表。现在您设置了一个 2D 投票空间，它实际上只是一个 2D 数组(让我们称之为表 B)，其中每个像素包含一个数字，表示该位置的对象的投票数。然后，对于目标图像(点云)中的每个点，检查梯度并找到与该梯度相对应的表 A 中找到的一组可能的对象位置，然后为所有相应的点添加一票表 B(霍夫空间)中的对象位置。

这是一个非常简洁的解释，但知道寻找模板匹配和广义霍夫变换，您将能够在网络上找到更好的解释。例如。查看模板匹配和霍夫变换的维基百科页面。