DeepLSD消失点估计实战Progressive-X RANSAC与直线-VP交替优化全解析【免费下载链接】DeepLSDImplementation of the paper DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients项目地址: https://gitcode.com/gh_mirrors/de/DeepLSDDeepLSD 是一个开源的图像直线段检测框架CVPR 2023 论文实现它不仅擅长高精度直线提取还内置了基于Progressive-X RANSAC 的消失点Vanishing Point, VP估计能力。本文将带你从零理解它的消失点估计全流程如何用 Progressive-X 从直线集合中聚类出消失点以及直线—消失点交替优化如何让二者互相精化最后给出完整的命令行实战步骤与常用参数调优建议适合新手快速上手。什么是消失点估计为什么它很难在建筑、道路等透视场景中现实中相互平行的 3D 直线在图像上会汇聚到一个共同的消失点如地平线上的汇聚点。准确估计消失点是相机位姿估计、视觉定位和 3D 重建的关键前置步骤。难点在于 图像中的直线数量多、噪声大两条直线的交点组合爆炸式增长 大量交点是伪交点需要鲁棒算法从中筛选出真正的聚类中心 直线本身带有检测误差交点也会随之偏移需要联合精化。DeepLSD 的解决思路分三步检测直线 → Progressive-X 聚类消失点 → 直线与消失点交替优化精化。整体流程从图像到消失点的三步走DeepLSD 的核心网络是一个 VGG-UNet它不直接回归直线而是预测两个稠密场距离场DF每个像素到最近直线的距离角度场line_level每个像素处最近直线的方向。在此基础上项目通过经典 LSD 算法从场中抽取出直线段集合再进入消失点估计阶段。相关推理逻辑见 deeplsd/models/deeplsd_inference.py。三步流程概览步骤方法输出直线检测VGG-UNet 预测 DF/角度场 LSD 提取直线段集合消失点聚类Progressive-X RANSAC消失点 直线归属标签联合精化Ceres 非线性优化直线-VP 交替 5 轮精化直线 精化消失点Progressive-X RANSAC消失点是如何被找出来的Progressive-X 是论文 Progressive-x RANSAC 提出的鲁棒模型估计方法DeepLSD 通过第三方子模块集成在 third_party/progressive-x/ 中。与普通 RANSAC 暴力随机采样不同它有三个关键设计渐进式加速ProgressiveRANSAC 的采样步数max_iters不是固定的而是根据当前内点支持度逐步降低当模型越来越可靠时自动减少计算量X 型评分函数对每个假设模型这里由两条直线交点确定按内点数support打分支持度越高得分越高scoring_exponent可调节打分曲线形状⚖️直线长度加权DeepLSD 中每条直线的 RANSAC 权重与其长度成正比见 deeplsd/scripts/export_features.py 中的weights计算长直线更可信对估计结果影响更大。在 Python 侧入口函数为compute_vp_progressive_x先把直线按长度降序排列调用 C 绑定的findVanishingPoints完成聚类最后把支持度不足的模型标记为离群类label -1。而在 C 层的封装 line_refinement/vp_det.h 中compute_vps函数会做一道支持度过滤只有内点数量达到min_num_supports默认 10的消失点才会被保留——这是抑制虚假消失点的第一道防线。核心精髓直线-消失点交替优化这是 DeepLSD 相比检测完直线再估 VP的关键升级源码位于 line_refinement/line_vp_optim.cpp基于 Ceres 非线性优化器。算法执行5 轮交替迭代num_iter 5每一轮分两个子步骤第一步固定 VP优化直线端点对每一条直线在 Ceres 中构建一个只含 2 个自由度法向距离 朝向的优化问题包含三类残差项残差项作用权重参数DF 约束直线贴合网络的距离场端点吸附到真实边缘lambda_df默认 1.0角度约束直线方向对齐角度场lambda_grad默认 1.0VP 约束直线尽量汇聚到所属消失点lambda_vp默认 0.5其中 VP 约束让每条直线的朝向被其归属消失点拉拽保证全局几何一致性。第二步固定直线精化 VP 位置对每个消失点用所有投票给它的直线构建优化问题最小化直线中点到 VP 连线与直线之间的垂直距离。两个工程细节值得注意Cauchy 核鲁棒核CauchyLoss(0.5)配合直线长度缩放抑制异常直线对 VP 的干扰齐次坐标参数化VP 以 3 维齐次向量优化并施加SphereManifold/HomogeneousVectorParameterization流形约束防止归一化尺度漂移。两轮 VP 重分配assign_vps分别发生在直线精化前后每次把直线按其到各 VP 的距离容差threshold重新归属形成直线收敛 → VP 更准 → 直线更收敛的螺旋上升。实战三条命令跑通消失点估计首先克隆仓库含子模块并安装git clone --recurse-submodules https://gitcode.com/gh_mirrors/de/DeepLSD cd DeepLSD bash install.sh1. 导出直线与消失点以 York Urban 数据集为例配置文件 deeplsd/configs/export_york_urban.yaml 已开启use_vps与optimize_vps。添加--pred_vps参数即可让网络推理阶段顺带输出精化后的消失点python -m deeplsd.scripts.export_features \ deeplsd/configs/export_york_urban.yaml \ weights/deeplsd_md.tar \ yud_outputs \ --pred_vps 不加--pred_vps时脚本会用 Progressive-X 直接从检测出的直线离线估计 VP即前文的compute_vp_progressive_x路径可用来对比网络精化前/后的差异。2. 评估消失点精度评估脚本为 deeplsd/scripts/evaluate_vp_estimation.py支持york_urban和nyu两个数据集输出三类指标python -m deeplsd.scripts.evaluate_vp_estimation \ york_urban \ yud_outputs \ yud_evaluation \ deeplsdVP error预测 VP 与真实 VP 的最小距离像素随误差阈值1–8 px逐档统计计算逻辑在 deeplsd/evaluation/ls_evaluation.py 的get_vp_error中VP recall AUC不同阈值下召回率曲线下的面积衡量找齐消失点的能力VP consistency仅 York Urban判断同一消失点上的直线是否真的共点的一致性比例。常用参数速查与调优建议 ️参数默认值含义与调优建议threshold1.5直线归属 VP 的距离容差像素。噪声大的场景可适当调大max_iters100000RANSAC 初始最大迭代数越大越鲁棒但越慢min_num_supports10保留 VP 所需的最少支持直线数。直线稀疏时可调低避免漏检scoring_exponent1.0Progressive-X 打分指数影响支持度偏好的激进程度lambda_vp0.5交替优化中 VP 约束强度直线短、方向噪声大时可增大optimize_vpsTrue是否启用 5 轮直线-VP 交替优化关闭后仅做 1 轮直线精化迭代上限从 20 提升到 100以上参数在 deeplsd/models/line_refiner.py 的default_conf中集中定义C 侧默认值见 line_refinement/line_vp_optim.cpp 的PYBIND11_MODULE绑定段可按需覆盖。总结DeepLSD 的消失点估计是深度学习 经典鲁棒优化结合的典型范例网络提供稠密的距离/角度场保证直线检测的召回与鲁棒性⚡Progressive-X RANSAC以渐进式策略高效聚类出候选消失点直线-VP 交替优化让直线几何与消失点位置互相精化最终输出高精度结果。掌握这套流程后你可以将其直接扩展到视觉定位、相机位姿恢复和 3D 场景理解等任务中——而这一切只需要三条命令行就能跑起来。【免费下载链接】DeepLSDImplementation of the paper DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients项目地址: https://gitcode.com/gh_mirrors/de/DeepLSD创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
DeepLSD消失点估计实战Progressive-X RANSAC与直线-VP交替优化全解析【免费下载链接】DeepLSDImplementation of the paper DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients项目地址: https://gitcode.com/gh_mirrors/de/DeepLSDDeepLSD 是一个开源的图像直线段检测框架CVPR 2023 论文实现它不仅擅长高精度直线提取还内置了基于Progressive-X RANSAC 的消失点Vanishing Point, VP估计能力。本文将带你从零理解它的消失点估计全流程如何用 Progressive-X 从直线集合中聚类出消失点以及直线—消失点交替优化如何让二者互相精化最后给出完整的命令行实战步骤与常用参数调优建议适合新手快速上手。什么是消失点估计为什么它很难在建筑、道路等透视场景中现实中相互平行的 3D 直线在图像上会汇聚到一个共同的消失点如地平线上的汇聚点。准确估计消失点是相机位姿估计、视觉定位和 3D 重建的关键前置步骤。难点在于 图像中的直线数量多、噪声大两条直线的交点组合爆炸式增长 大量交点是伪交点需要鲁棒算法从中筛选出真正的聚类中心 直线本身带有检测误差交点也会随之偏移需要联合精化。DeepLSD 的解决思路分三步检测直线 → Progressive-X 聚类消失点 → 直线与消失点交替优化精化。整体流程从图像到消失点的三步走DeepLSD 的核心网络是一个 VGG-UNet它不直接回归直线而是预测两个稠密场距离场DF每个像素到最近直线的距离角度场line_level每个像素处最近直线的方向。在此基础上项目通过经典 LSD 算法从场中抽取出直线段集合再进入消失点估计阶段。相关推理逻辑见 deeplsd/models/deeplsd_inference.py。三步流程概览步骤方法输出直线检测VGG-UNet 预测 DF/角度场 LSD 提取直线段集合消失点聚类Progressive-X RANSAC消失点 直线归属标签联合精化Ceres 非线性优化直线-VP 交替 5 轮精化直线 精化消失点Progressive-X RANSAC消失点是如何被找出来的Progressive-X 是论文 Progressive-x RANSAC 提出的鲁棒模型估计方法DeepLSD 通过第三方子模块集成在 third_party/progressive-x/ 中。与普通 RANSAC 暴力随机采样不同它有三个关键设计渐进式加速ProgressiveRANSAC 的采样步数max_iters不是固定的而是根据当前内点支持度逐步降低当模型越来越可靠时自动减少计算量X 型评分函数对每个假设模型这里由两条直线交点确定按内点数support打分支持度越高得分越高scoring_exponent可调节打分曲线形状⚖️直线长度加权DeepLSD 中每条直线的 RANSAC 权重与其长度成正比见 deeplsd/scripts/export_features.py 中的weights计算长直线更可信对估计结果影响更大。在 Python 侧入口函数为compute_vp_progressive_x先把直线按长度降序排列调用 C 绑定的findVanishingPoints完成聚类最后把支持度不足的模型标记为离群类label -1。而在 C 层的封装 line_refinement/vp_det.h 中compute_vps函数会做一道支持度过滤只有内点数量达到min_num_supports默认 10的消失点才会被保留——这是抑制虚假消失点的第一道防线。核心精髓直线-消失点交替优化这是 DeepLSD 相比检测完直线再估 VP的关键升级源码位于 line_refinement/line_vp_optim.cpp基于 Ceres 非线性优化器。算法执行5 轮交替迭代num_iter 5每一轮分两个子步骤第一步固定 VP优化直线端点对每一条直线在 Ceres 中构建一个只含 2 个自由度法向距离 朝向的优化问题包含三类残差项残差项作用权重参数DF 约束直线贴合网络的距离场端点吸附到真实边缘lambda_df默认 1.0角度约束直线方向对齐角度场lambda_grad默认 1.0VP 约束直线尽量汇聚到所属消失点lambda_vp默认 0.5其中 VP 约束让每条直线的朝向被其归属消失点拉拽保证全局几何一致性。第二步固定直线精化 VP 位置对每个消失点用所有投票给它的直线构建优化问题最小化直线中点到 VP 连线与直线之间的垂直距离。两个工程细节值得注意Cauchy 核鲁棒核CauchyLoss(0.5)配合直线长度缩放抑制异常直线对 VP 的干扰齐次坐标参数化VP 以 3 维齐次向量优化并施加SphereManifold/HomogeneousVectorParameterization流形约束防止归一化尺度漂移。两轮 VP 重分配assign_vps分别发生在直线精化前后每次把直线按其到各 VP 的距离容差threshold重新归属形成直线收敛 → VP 更准 → 直线更收敛的螺旋上升。实战三条命令跑通消失点估计首先克隆仓库含子模块并安装git clone --recurse-submodules https://gitcode.com/gh_mirrors/de/DeepLSD cd DeepLSD bash install.sh1. 导出直线与消失点以 York Urban 数据集为例配置文件 deeplsd/configs/export_york_urban.yaml 已开启use_vps与optimize_vps。添加--pred_vps参数即可让网络推理阶段顺带输出精化后的消失点python -m deeplsd.scripts.export_features \ deeplsd/configs/export_york_urban.yaml \ weights/deeplsd_md.tar \ yud_outputs \ --pred_vps 不加--pred_vps时脚本会用 Progressive-X 直接从检测出的直线离线估计 VP即前文的compute_vp_progressive_x路径可用来对比网络精化前/后的差异。2. 评估消失点精度评估脚本为 deeplsd/scripts/evaluate_vp_estimation.py支持york_urban和nyu两个数据集输出三类指标python -m deeplsd.scripts.evaluate_vp_estimation \ york_urban \ yud_outputs \ yud_evaluation \ deeplsdVP error预测 VP 与真实 VP 的最小距离像素随误差阈值1–8 px逐档统计计算逻辑在 deeplsd/evaluation/ls_evaluation.py 的get_vp_error中VP recall AUC不同阈值下召回率曲线下的面积衡量找齐消失点的能力VP consistency仅 York Urban判断同一消失点上的直线是否真的共点的一致性比例。常用参数速查与调优建议 ️参数默认值含义与调优建议threshold1.5直线归属 VP 的距离容差像素。噪声大的场景可适当调大max_iters100000RANSAC 初始最大迭代数越大越鲁棒但越慢min_num_supports10保留 VP 所需的最少支持直线数。直线稀疏时可调低避免漏检scoring_exponent1.0Progressive-X 打分指数影响支持度偏好的激进程度lambda_vp0.5交替优化中 VP 约束强度直线短、方向噪声大时可增大optimize_vpsTrue是否启用 5 轮直线-VP 交替优化关闭后仅做 1 轮直线精化迭代上限从 20 提升到 100以上参数在 deeplsd/models/line_refiner.py 的default_conf中集中定义C 侧默认值见 line_refinement/line_vp_optim.cpp 的PYBIND11_MODULE绑定段可按需覆盖。总结DeepLSD 的消失点估计是深度学习 经典鲁棒优化结合的典型范例网络提供稠密的距离/角度场保证直线检测的召回与鲁棒性⚡Progressive-X RANSAC以渐进式策略高效聚类出候选消失点直线-VP 交替优化让直线几何与消失点位置互相精化最终输出高精度结果。掌握这套流程后你可以将其直接扩展到视觉定位、相机位姿恢复和 3D 场景理解等任务中——而这一切只需要三条命令行就能跑起来。【免费下载链接】DeepLSDImplementation of the paper DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients项目地址: https://gitcode.com/gh_mirrors/de/DeepLSD创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
算法精解与面试技巧)
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
