一种基于轮廓极端边界点的计算高效物体朝向估计方法

《Electronics》：Evaluation of Real-Time Orientation Estimation Methods for Various Biological Objects with Irregular Shapes

　　本文提出了一种计算高效的方法，用于识别具有不同几何形状的物体的朝向，并将其与其他流行的图像处理方法进行了比较。所提出的方法通过平均位于检测到的物体轮廓两侧的多个极端边界点来估计物体朝向，从而降低了个别边界点扰动对朝向估计的敏感性。与需要模型训练的基于学习的方法不同，所提出的方法直接作用于检测到的物体轮廓。在全部1870张图像上，该方法实现了样本加权汇总平均角度误差为16.17°，平均执行时间为34.28微秒，而在五个数据集上的宏平均角度误差为18.404°。所提出的方法可能适用于计算受限且具有形态依赖性精度约束的应用场景。所提出的技术针对五种已有的朝向估计方法进行了评估：椭圆拟合、主成分分析（PCA）、最小面积矩形、形态学骨架和霍夫变换。尽管霍夫变换实现了更高的整体角度精度，但所提出的方法所需的执行时间明显更少。在包含各种鱼类物种和植物叶片的1870张图像上进行了大量实验，覆盖了广泛的分辨率和结构复杂性。实验结果表明，在显著降低计算执行时间的同时，取得了可接受的精度。在基于回归树集成（ERT）的形状对齐应用中，朝向估计误差在±20°以内通常是可以接受的；因此，所提出的方法可以在此类场景中应用。