Python / OpenCV - 在OpenCV中使用两种不同的Hough Line方法检测网球场中的线 - 得到不同的结果

Question

我尝试使用openCV和hough变换检测网球场的线路。我想找到水平线和垂直线，以找到交叉点，最后检测到网球场的角落。

这里是原始图片。

但我有一些问题。

1）我尝试使用HoughLineP。 代码如下：

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

edges = cv2.Canny(gray,100,200,apertureSize = 3)
lines = cv2.HoughLinesP(edges, 1, np.pi/2, 6, None, 50, 10);
for line in lines[0]:
    pt1 = (line[0],line[1])
    pt2 = (line[2],line[3])
    cv2.line(img, pt1, pt2, (0,0,255), 2)
cv2.imshow('dst',img)

return res

结果如下： Result of houghLineP

2）我尝试使用HoughLines 这里是代码

gray=cv2.cvtColor(res,cv2.COLOR_BGR2GRAY)

edges = cv2.Canny(gray,100,200,apertureSize = 3)


#Lignes
lines = cv2.HoughLines(edges,1,np.pi/70,110)
for rho,theta in lines[0]:
    if (np.pi/70 <= theta <= np.pi/7) or (2.056 < theta < 4.970) or (1.570 <= theta <= 1.600): #(2,6 <=theta <= 26) or (theta >118 and theta <= 285)

        a = np.cos(theta)
        b = np.sin(theta)
        x0 = a*rho
        y0 = b*rho
        x1 = int(x0 + 1000*(-b))
        y1 = int(y0 + 1000*(a))

        x2 = int(x0 - 1000*(-b))
        y2 = int(y0 - 1000*(a))

        cv2.line(res,(x1,y1),(x2,y2),(0,0,255),1)

结果如下： Result of houghLine

在第一种情况下，我只有很少的线条，我想要延长它们，但我没有找到...我尝试使用fitLine但它只适用于查找轮廓（findContours方法在这张图片中很糟糕）

在第二种情况下，它运作良好，但我有很多线，几乎相同，在右下方，我没有任何交叉点，以便检测角落......

也许我的方向不对......

你有什么想法可以有用吗？最后，我想只关注网球场的兴趣点。

ps：我做了一个计算水平线和垂直线之间交点的方法。

非常感谢，

Answer 1

看起来行HougLines输出包含你想要的行。您只需要过滤掉异常值。

为此，您可以使用您的网球场模型。你知道的是你有：

• 字段的外部限制，由大矩形
表示
• 两条走廊，由两条切割两侧矩形的线条代表
• 服务方块，每个由两条线代表，一条平行于服务线，一条平行于两侧

例如，您可以尝试从您必须过滤掉异常值的模型中获利。有些方法，如RANSAC，就是为此而制定的。基本思想是采用随机点，计算模型并检查数据是否合适。经过一些迭代后，最合适的是你寻找的模型。这是一种众所周知的方法（由Fischler于1986年首次发布），因此您可以找到很多文档。让我们采用一个可以为您工作的简单示例算法（可能有适应性）：

1. 在线交叉点内取4个随机点。计算将这些点映射到该字段的顶视图的透视投影P.您可以使用OpenCV的getPerspectiveTransform。现在，您可以在顶视图中找到该字段的模型。

2. 由于你有一个场地模型（根据网球规则），你可以说出线的其他交叉点（服务线与走廊线，服务广场......）应该在哪里顶视图。如果对这些点应用透视变换P ^ { - 1}的反转，则可以在图像空间中使用它们。

3. 检查是否达成共识：查找图像空间中线条与模型的最近交点。在这里，您应该有一个指标：距离小于x像素的线的交点数，或SSD。您将使用此指标对不同的模型进行评级。

4. 为您的模型评分：如果您定义的指标小于之前找到的最佳指标，那么现在这是您当前的最佳模型

5. 迭代。您所做的迭代次数与最终选择好模型的概率直接相关。查看Fischler和Bolls的开创性工作，以设置迭代次数。

在迭代结束时，您将找到最适合您数据的模型，即描述网球场的内点和不适合的异常值。请注意，此方法对于大量异常值（超过50％）是稳健的，但是获得良好结果的可能性仅是统计的（您可以通过调整迭代次数来设置结果的预期质量）。

希望这有帮助，

本