我正在寻找检测标记的距离和方向的方法。标记为L形；宽度和高度相等的两条线相连以形成L形。
为了检测方向和距离，我需要将相机上捕获的L形分成两行。
考虑到代码每帧需要运行多次，什么是轻量级的方法？
我已经使用此处描述的算法http://www.labbookpages.co.uk/software/imgProc/blobDetection.html实现了斑点检测。
我曾考虑过使用霍夫变换，但我担心执行每一帧都需要大量处理能力。最重要的是，我认为这不是这种情况下最准确的方法。我已经进行了适当的分析，以从单行中提取准确的 vector ，但是不确定如何将L形切成两行。
下图是相机如何捕捉L形的不同结果的图片。
我当时以为我可以分割L形，方法是用一条穿过质心和边界框中心的线将其分开，但这是行不通的。
关于如何实现的粗略头脑 Storm 草图:
最佳答案
扫描线!
请参阅Python 中的(更新的)演练here，其中包含图像以可视化方式显示我的数据之旅:)
跳到最后的“Scanlines”解决方案
扫描线
基本
假设条件
我假设您的示例图片中存在这些限制
标记您的二进制图像
您想首先知道哪个像素是哪个L的一部分，这是通过“标记”二进制图像完成的。
还计算每个体积的边界框，如下所示:
旋转坐标系
现在，真正的技巧是将每种形状从x / y正交系统更改为“L形参考”。
可以将其重新定义为X轴作为L的一个分支，将Y轴重新定义为另一分支。
一旦我们计算了一个到另一个的转换 vector ，我们就很安全了!
让我们考虑一下PCA方式
我们现在面临的问题(“估计数据集变化的最大轴”)是可以使用协方差特征 vector 的时刻。
我不会太深入地介绍它，但是您可以查看intro to PCA帖子以了解它。
该问题通常在更高的维度上定义(“给定50维数据集，计算出其中10个最大的变化轴”)，但可以通过单独考虑每种形状并指出每个像素来扩展到2D点云问题属于L的点是2D空间中的一个点。
但是，这将浪费计算能力，因为与PCA的常规情况相比，您的L点位置已经受到限制(它们在一条线上，没有随机分散)。这个问题涉及的线性代数的野兽在这个小问题上是过大的杀伤力
霍夫线，来抢救!
您只想在2D图像中找到线条？
对行(也称为“hough线”)使用Hough变换。
OpenCV拥有它。
再次介绍一下:OpenCV's python tutorial on Hough Lines
我使用了二进制图像的框架(因此，每行仅被更新一次)，并手动选择了我为算法提供给OpenCV的参数。
这就是行有时似乎与特定图像不完全匹配的原因，这是由于采样率和诸如=)
新希望
在您指出了计算速度的必要性之后，我想到了更多利用图像属性的技术。
兰萨克
我想到对数据使用RANSAC变体:毕竟，您希望将线拟合到点云中。
如您所知，基本技术是
RANSAC的一个很棒的介绍是this song(奇怪的是)
但我看到了并发症:
不用说，RANSAC不仅可以解决问题，而且我们可以将其用作灵感
扫描线!
让我们考虑一下Ls的边界框。
如果我们在
Y=0上水平 slice ，我们将拥有一维数组，并为True定义了一个连续区域那么，如果我们像这样间隔 slice 图像来定义L的 vector ，该怎么办？
将5％设置为基线，我们只是找到“哪个X-index是Y = 0值的一维数组的中心”，然后对
Y = 0.05 * img_width进行相同操作。 现在，我们有2个2D点定义了图像的第一行。
在另一侧重复，您将找到解决方案!
通过计算，您只是在
img_width长度数组中找到4个中值，每一个都是图像中连续的内存块(Heeeeelllo L2缓存命中!)。
同样，如果现在很难想象，请参阅code walkthrough的结尾部分