Python/OpenCV - 在 OpenCV 中使用两种不同的霍夫线方法检测网球场中的线 - 获得不同的结果

我正在尝试使用 openCV 和霍夫变换检测网球场中的线。我想找到水平线和垂直线，以便找到交点并最终检测网球场的角落。

Here the original image.

但我有一些问题。

1）我尝试使用 HoughLineP 。 这里的代码：

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：houghLineP 的结果 http://www.hostingpics.net/viewer.php?id=726975houghP.png

2）我尝试使用HoughLines 这是代码

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：霍夫线的结果 http://www.hostingpics.net/viewer.php?id=282743houghline.png

在第一种情况下，我只有很少的线条，我想过延长它们，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，它工作得很好，但我有很多线，几乎相同，在右下角，我没有任何交集来检测角点......

也许我走错路了...

您有一些想法或可行的东西吗？最后，我只想要与网球场有关的兴趣点。

ps : I did a method which calculate the intersection between the horizontal lines and the vertical lines.

非常感谢，

看起来HougLines 输出的行包含您想要的行。您只需要过滤掉异常值即可。

为此，您可以使用网球场的模型。您所知道的是您拥有：

• 字段的外部界限，由一个大矩形表示
• 两条走廊，由两条从侧面切割矩形的线表示
• 发球方格，同样由两条线表示，一条平行于发球线，一条平行于边

例如，您可以尝试从必须过滤掉异常值的模型中获利。有些方法，比如RANSAC http://en.wikipedia.org/wiki/RANSAC，就是为此而设计的。基本思想是采取随机点，计算模型并检查数据是否合适。经过几次迭代后，最适合的模型很可能就是您正在寻找的模型。这是一种众所周知的方法（由 Fischler 于 1986 年首次发布），因此您可以找到大量相关文档。让我们举一个适合您的简单示例算法（可能需要进行调整）：

1. 在线交叉点内随机取 4 个点。计算将这些点映射到场的顶视图的透视投影 P。您可以使用 OpenCV 的 getPerspectiveTransform 来实现此目的。现在，您已在俯视图中获得了该场的模型。

2. 由于您有场地模型（基于网球规则），因此您可以说出其他线的交叉点（服务线与走廊线、服务广场..）应该在顶视图上的位置。如果对这些点应用透视变换 P^{-1} 的逆，它们就会出现在图像空间中。

3. 检查一致性：寻找图像空间中与模型的线最接近的交点。这里你应该有一个度量：距离小于 x 像素的线的交叉点数量，或 SSD。您将使用此指标来评估不同的模型。

4. 对您的模型进行评分：如果您定义的指标小于之前找到的最佳模型，则这现在是您当前的最佳模型

5. 迭代。您进行的迭代次数直接关系到最终选择好模型的概率。查看 Fischler 和 Bolls 的开创性工作，了解如何设置迭代次数。

在这里，在迭代结束时，您将找到最适合您的数据的模型，即描述网球场的内部值和不描述网球场的异常值。请注意，此方法对于大量异常值（超过 50%）具有鲁棒性，但获得良好结果的机会只是统计性的（不过，您可以通过调整迭代次数来设置结果的预期质量）。

希望这可以帮助，

Ben