基于霍夫变换的图形检测：如何识别交通标识形状？

第一步：优化交点检测与过滤 #

你当前的交点计算基于无限直线，会产生大量不属于实际图形的交点（比如直线延长线的交点），可从以下维度优化：

1. 只计算直线段的实际交点 #

霍夫检测时需记录每条直线对应的线段端点（而非仅斜率和截距），通过线段相交算法判断两条线段是否真的相交，替代无限直线求交：

def segment_intersection(seg1, seg2):
    # seg1: (x1,y1,x2,y2), seg2: (x3,y3,x4,y4)
    x1,y1,x2,y2 = seg1
    x3,y3,x4,y4 = seg2

    # 计算分母，判断是否平行/重合
    den = (x1-x2)*(y3-y4) - (y1-y2)*(x3-x4)
    if den == 0:
        return None

    # 计算交点参数，判断是否在线段范围内
    t_num = (x1-x3)*(y3-y4) - (y1-y3)*(x3-x4)
    u_num = (x1-x3)*(y1-y2) - (y1-y3)*(x1-x2)
    t = t_num / den
    u = u_num / den

    if 0 <= t <= 1 and 0 <= u <= 1:
        x = x1 + t*(x2-x1)
        y = y1 + t*(y2-y1)
        return (x, y)
    return None

def find_valid_intersections(line_segments):
    intersections = []
    for i in range(len(line_segments)):
        for j in range(i+1, len(line_segments)):
            pt = segment_intersection(line_segments[i], line_segments[j])
            if pt is not None:
                intersections.append(pt)
    return intersections

2. 过滤图像外的交点 #

计算出交点后，直接丢弃坐标超出图像尺寸范围（如x∈[0, img_width]、y∈[0, img_height]）的点。

3. 聚类合并相近交点 #

霍夫检测的直线存在误差，同一顶点可能被检测为多个相近交点，用DBSCAN聚类合并距离小于阈值（2-5像素）的点：

from sklearn.cluster import DBSCAN
import numpy as np

def cluster_intersections(intersections, eps=3, min_samples=2):
    if not intersections:
        return []
    pts = np.array(intersections)
    db = DBSCAN(eps=eps, min_samples=min_samples).fit(pts)
    merged_pts = []
    for label in set(db.labels_):
        if label == -1:
            continue  # 丢弃噪声点
        cluster = pts[db.labels_ == label]
        center = cluster.mean(axis=0)
        merged_pts.append((center[0], center[1]))
    return merged_pts

第二步：基于顶点的几何图形识别 #

过滤后的顶点可用来匹配交通标识的几何特征，核心是验证顶点组合的约束条件：

1. 三角形检测 #

• 从合并后的顶点中选取3个点的组合
• 验证三边满足三角形不等式（允许小误差）
• 验证角度：交通标识三角形多为等腰/等边，检查是否有两个角度近似相等，或三个角度接近60°
• 验证闭合区域面积在合理范围内，过滤过小或过大的无效区域

2. 正方形/矩形检测 #

• 选取4个点的组合
• 计算所有点对距离，筛选出两组相等的对边长度、两组相等的对角线长度
• 验证相邻边夹角接近90°（通过向量点积判断：点积≈0则垂直）
• 验证对边斜率近似相等（允许小误差）

第三步：确定图形边界 #

识别出目标图形后，可通过以下方式确定边界：

• 直接用匹配到的顶点连接成闭合多边形，作为图形边界
• 保留构成该图形的所有原始线段，合并后得到精确边界
• 若需要更平滑的边界，可对顶点进行最小二乘法拟合

额外优化建议 #

• 霍夫直线检测阶段：过滤长度过短的直线，减少后续计算量；可根据交通标识尺寸范围设置直线长度阈值
• 预处理阶段：用膨胀/腐蚀操作增强边缘，减少噪声直线的检测
• 约束直线方向：交通标识的直线多为水平、垂直或45°/135°方向，可在霍夫累加器中优先统计这些方向的直线，提升检测精度

内容的提问来源于stack exchange，提问作者sky1099