CN100538726C - 基于图像矢量化技术的服装样片自动录入装置 - Google Patents

Abstract

一种基于图像矢量化技术的服装样片自动录入装置，包括放置服装样片的平台、用于获取服装样片图片的数字摄像机和用于处理图像的计算机，所述平台上安装支架，所述数字摄像机安装在所述支架上，所述平台位于数字摄像机的视觉范围内，所述数字摄像机与计算机连接，对数码相机进行标定，再通过数字摄像机对平台上的服装样片进采集，将摄取的服装样片点阵图输入计算机，通过图像预处理，图像矢量化等算法将服装样片的点阵图转化为各种服装CAD软件能够识别的矢量图文件，便于服装样片后续的放码、排料、裁割。本发明操作简单、输入效率高、减少成本。

Description

基于图像矢量化技术的服装样片自动录入装置

技术领域

本发明涉及一种服装样片自动录入装置。

背景技术

服装CAD技术自产生以来，在国际服装业产生了深远的影响，它使服装企业提高了市场反应能力和竞争力。我国在上个世纪80年代引进、消化国外先进技术的过程中，研究开发了适合我国服装从业人员的CAD系统，经过二三十年的应用及发展，服装企业的经济效益得到了显著的提高。

但是现有的服装CAD系统在用基准服装样片进行放码时，普遍采用数字化仪输入的方法读入样片。数字化仪是一种图形输入设备，是由电磁感应板、游标和相应的电子电路组成，当使用者在电磁感应板上移动游标到指定位置，并将十字叉丝的交点对准数字化的点位时，按动的按钮，数字化仪则将此时对应的命令符号和该点的位置坐标值排列成有序的一组信息，然后通过接口(多用串行接口)传送到主计算机。

如果用数字化仪录入服装样片，需要有经验的制板师根据样片边缘逐点描绘，每次只能对一个样片单独进行输入和修改，手工操作费时耗力，效率低下，并且精度不高，这些都大大制约了服装企业生产效率和生产质量的提高，不利于企业版房制版的自动化。目前数字化仪价格居高不下，根据幅面的大小，价格在一万到三万不等，其昂贵的机器价格增加了了企业生产成本，影响了数字化仪的普及程度。

发明内容

为了克服已有现有的数字化仪的操作麻烦、效率低下、精度有限、价格较高等不足，本发明提供一种操作简单、输入效率和精度较高的基于图像矢量化技术的低成本服装样片自动录入装置。

本发明解决其技术问题所采用的技术方案是：

一种基于图像矢量化技术的服装样片自动录入装置，包括放置服装样片的平台、用于获取服装样片图片的数字摄像机和用于处理图像的计算机，所述平台上安装支架，所述数字摄像机安装在所述支架上，所述平台位于数字摄像机的视觉范围内，所述数字摄像机与计算机连接，所述计算机包括：

摄像机标定模块，用于校正数字摄像机的径向畸变，建立图像平面上的像素坐标系和空间点的世界坐标系之间的对应关系；

图像二值化分割及去噪模块，用于接收数字摄像机获取的图像，将所采集的彩色位图转换为二值图，并对二值图进行去噪；

图像轮廓提取跟踪模块，用于对二值图中每一点进行判断，如该点为黑，且它的8个相邻点都是黑色时，将该点删除，得到二值图的轮廓；

并从第一个边界点开始，跟踪图像的轮廓，记录边界点坐标值，跟踪完一条闭合曲线后删除一条，开始下一条闭合曲线的跟踪，直到完成所有的闭合曲线的跟踪；

轮廓特征点提取模块，用于根据坐标序列对每条闭合曲线提取特征点，P(k)为[X(k)，Y(k)]，表示闭合曲线的坐标点序列，把P(k)沿X方向和Y方向分解成两个独立的序列，得到两个离散的一维函数(k，X(k))和(k，Y(k))，其中，X(k)为P(k)在水平方向的变化，Y(k)为P(k)在竖直方向的变化，特征点为对应曲线中具有局部曲率极大值的点，在两个方向上分别寻找特征点，然后再将这两个方向上的特征点综合得到P(k)上的特征点集；

曲线矢量化拟合模块，用于将每两个特征点之间的曲线段采用样条曲线进行递归拟合。

作为优选的一种方案：在所述曲线矢量化拟合模块中，采用抛物线样条曲线作为拟合基元，通过不在同一直线上的三点：P₁，P₂，P₃，定义一条抛物线样条曲线的表达形式如下：

P(t)＝a₁+a₂t+a₃t²    0≤t≤1            (1)

其中，a₁，a₂，a₃为样条曲线的参数，抛物线样条过P₁，P₂，P₃三个点，并且有：

1)、抛物线段以P₁为起点，即当参变量t＝0时，曲线过P₁点；

2)、抛物线段以P₃为终点，即当参变量t＝1时，曲线过P₃点；

3)、当参变量t＝0.5时，曲线过P₂点，且其矢量等于P₃-P₁；

由以上三个条件得到方程组如下：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_1+a_2+a_3=P_3\\ a_1+0.5a_2+0.25a_3=P_2\end{array}\right.---\left(2\right)$

解得：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_2=4P_2-P_3-3P_1\\ a_3=2P_1+2P_3-4P_2\end{array}\right.---\left(3\right)$

将式(13)代入式(12)得：

P(t)＝(2t²-3t+1)P₁+(4t-4t²)P₂+(2t²-t)P₃ 0≤t≤1    (4)

由式(14)可得，当P₁，P₂，P₃在同一条直线上时，即2P₂＝P₁+P₃时，a₃＝0，P(t)是一个点向量，在二维平面上它包含了两个坐标值[x(t)，y(t)]，上述(14)得到不在一条直线上的三点：P₁(x₁，y₁)，P₂(x₂，y₂)和P₃(x₃，y₃)的抛物线方程；根据参变量t的取值，一一计算出位于曲线上的数据点，然后顺次连线绘出图形。

进一步，在曲线拟合过程中，以当前离散曲线段的起点、中点和末点构造一条抛物样条曲线，对当前曲线段进行拟合并进行误差计算，若本段拟合的误差小于给定的阈值，则返回；否则以当前曲线段的中点将曲线分为两部分再用同样的方法分别进行拟合。

作为优选的另一种方案：在所述图像二值化分割及去噪模块中，采用门限处理图像分割算法，门限处理的数学模型如下：

设原图像为f(x，y)，x和y为像素点在图像中的坐标，f(x，y)和g(x，y)为像素值，经过门限为T的分割处理后的图像为个g(x，y)，g(x，y)为二值图像，则有：

$g(x,y)=\left\{\begin{array}{cc}1,& f(x,y)\&GreaterEqual;T\\ 0,& f(x,y)<T\end{array}\right.---\left(5\right)$

其中，f(x，y)为灰度值在0到255之间的灰度图，g(x，y)为像素值是0或者1的二值图；

门限T通过自动迭代的方法选取，选取的步骤如下：

1)、选择一个T的初始估计值；

2)、T分割图像，生成两组像素：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于T的像素组成；

3)、对区域G1和G2中的所有像素值计算平均灰度值μ₁和μ₂；

4)、计算新的门限值：

$T=\frac{1}{2}({\mathrm{\&mu;}}_1+{\mathrm{\&mu;}}_2)---\left(6\right)$

5)、重复步骤(2)到(4)，直到逐次迭代所得的T值之差小于事先定义的参数T₀；

再用得到的T值分割图像，得到二值图。

作为优选的再一种方案：在所述图像轮廓提取跟踪模块中，轮廓跟踪的过程为：按照从左到右，从下到上的顺序搜索，找到第一个最左下方的边界点；然后，从第一个边界点起始，定义初始的搜索方向为沿左上方；如果左上方的点是白点，则为边界点，否则搜索方向顺时针旋转45度；这样一直到找到第一个白点为止；然后把这个白点作为新的边界点，在当前搜索方向的基础上逆时针旋转90度，继续用同样的方法搜索下一个边界点，直到返回最初的边界点为止；在搜索的过程中同时记录边界点坐标。

进一步，在所述轮廓特征点提取模块中，采用阈值q表示曲率大小，对于X方向的q值计算过程为：

对于离散的函数X＝X(k)：

 

k	0	1	2	...	n-1
						X	X(0)	X(1)	X(2)	...	X(n-1)

由插值原理可以得出离散函数X＝X(k)的二阶导数为：

$X\&prime;\&prime;\left(k\right)\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(7\right)$

又因为曲线上的二阶导数近似等于该点的曲率，所以，第k点的曲率：

${\mathrm{cvt}}_k\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(8\right)$

由于图像中存在噪声干扰，因此算法中的步长h取10，并且另q为曲率cvt的整数倍，取

q＝|h²×cvt|                              (9)

由(7)和(8)得

q_k≈X(k-10)-2X(k)+X(k+10)                (10)

Y方向的q值计算过程与X方向相同。

再进一步，在所述摄像机标定模块中，采用OpenCV标定算法，摄像机模型为针孔模型，像素坐标系和空间点的世界坐标系变换过程包括以下步骤：

1)、三维空间刚体变换：将世界坐标系中的坐标值P_w(x_w，y_w，z_w)，变换为摄像机坐标系中的坐标值P_c＝(x_c，y_c，z_c)如下：

$\begin{array}{ccc}\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\end{array}\right]=R\left[\begin{array}{c}{x}_w\\ y_w\\ z_w\end{array}\right]+t& R=\left[\begin{array}{ccc}{r}_1& r_2& r_3\\ r_4& r_5& r_6\\ r_7& r_8& r_9\end{array}\right]& t=\left[\begin{array}{c}{t}_x\\ t_y\\ t_z\end{array}\right]\end{array}---\left(11\right)$

式中，R表示一个3×3的旋转实数矩阵，r₁，...，r₉为实常数；t表示一个平移向量，其中，t₁，...，t₃为实常数；

2)、将坐标值P_c＝(x_c，y_c，z_c)在针孔模型中进行规范化投影，得到归一化的坐标值P_n(x，y)为：

$P_n=\left[\begin{array}{c}{x}_c/z_c\\ y_c/z_c\end{array}\right]=\left[\begin{array}{c}x\\ y\end{array}\right]---\left(12\right)$

3)、引入透镜的畸变，畸变后的规范化坐标值用P_d(x_d，y_d)表示为：

$\left[\begin{array}{c}{x}_d\\ y_d\end{array}\right]=(1+k_1{r}^2+k_2{r}^4)\left[\begin{array}{c}x\\ y\end{array}\right]+\left[\begin{array}{c}2k_3\mathrm{xy}+k_4(r^2+2x^2)\\ k_3(r^2+2y^2)+2k_4\mathrm{xy}\end{array}\right]---\left(13\right)$

式中：r²＝x²+y²；k₁、k₂表示径向畸变系数；k₃、k₄表示切向畸变系数；

将P_d(x_d，y_d)转化为图像上像素坐标系上的坐标值P_p(u，v)：

$\left\{\begin{array}{c}u=f_x{x}_d+u_0\\ v=f_y{y}_d+v_0\end{array}\right.---\left(14\right)$

其中

$\left\{\begin{array}{c}{f}_x=f\&CenterDot;\mathrm{sx}/\mathrm{dpx}\\ f_y=f/\mathrm{dpy}\end{array}\right.---\left(15\right)$

上式中，f为摄像机的有效焦距；f_x和f_y为以像素为单位的焦距。sx为比例因子，用来适应在计算机图像水平方向(x方向)上取样带来的种种不确定因素；dpx为计算机图像在水平方向(x方向)上相邻两像素之间的有效距离(mm/pixel)；dpy为计算机图像在垂直方向(y方向)上相邻两像素之间的有效距离(mm/pixel)；u₀为镜头光轴z与图像平面的交点O_i在像素坐标系u轴上的坐标值；O_i为在像素坐标系v轴上的坐标值。

本发明的技术构思为：采用USB接口的数字摄像机录入服装样片图，并输入到计算机做矢量化处理。整个硬件装置由数字相机，安装数字摄像机的可升降支架，提供照明的台灯，放置服装样片的平台，以及用以处理图像的计算机组成，如图1所示。整个图像矢量化系统处理过程包括设想机标定，采集服装样片图，图像预处理、图像矢量化、矢量图文件保存。

下面进一步说明本发明在实施过程中涉及到的关键问题：

(1)由于光学镜头会产生几何畸变，并且摄像机成像平面与服装样片平面之间存在着倾角和转角，因而光学镜头摄像机获取的图像存在非线性的几何畸变，在对图像进行后续处理之前，应消除这些畸变，本发明对最后图像的精度要求比较高，摄像机镜头畸变是必须考虑的误差因素。镜头畸变分为径向畸变和切向畸变，前者对图像形变影响较大，后者较小，常可忽略。摄像机标定是指建立摄像机成像几何模型，描述空间坐标系中物体点同它在图像平面上像点之间对应关系的过程。摄像机标定的目的就是确定几何模型参数即摄像机参数。

摄像机标定首先要选择合适的摄像机模型，确定内外部参数。OpenCV标定算法中的摄像机模型以针孔模型(pin-hole model)为基础，引入透镜的径向畸变和切向畸变，该模型相比于只引入一阶径向畸变的Tasi模型和针孔模型更加真实地反映了透镜实际的畸变情况。在该模型中，将空间点在世界坐标系中的坐标值，变换为图像平面上像素坐标系中坐标值的过程可分解为下述的4步变换：

1)、三维空间刚体变换：将世界坐标系中的坐标值P_w(x_w，y_w，z_w)，变换为摄像机坐标系中的坐标值P_c＝(x_c，y_c，z_c)如下

$\begin{array}{ccc}\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\end{array}\right]=R\left[\begin{array}{c}{x}_w\\ y_w\\ z_w\end{array}\right]+t& R=\left[\begin{array}{ccc}{r}_1& r_2& r_3\\ r_4& r_5& r_6\\ r_7& r_8& r_9\end{array}\right]& t=\left[\begin{array}{c}{t}_x\\ t_y\\ t_z\end{array}\right]\end{array}---\left(11\right)$

式中R——一个3×3的旋转矩阵；t——一个平移向量。

2)、将坐标值P_c＝(x_c，y_c，z_c)在针孔模型中进行规范化投影，得到归一化的坐标值P_n(x，y)为

$P_n=\left[\begin{array}{c}{x}_c/z_c\\ y_c/z_c\end{array}\right]=\left[\begin{array}{c}x\\ y\end{array}\right]---\left(12\right)$

3)、引入透镜的畸变，畸变后的规范化坐标值可以用P_d(x_d，y_d)表示为：

$\left[\begin{array}{c}{x}_d\\ y_d\end{array}\right]=(1+k_1{r}^2+k_2{r}^4)\left[\begin{array}{c}x\\ y\end{array}\right]+\left[\begin{array}{c}2k_3\mathrm{xy}+k_4(r^2+2x^2)\\ k_3(r^2+2y^2)+2k_4\mathrm{xy}\end{array}\right]---\left(13\right)$

式中：r²＝x²+y²；k₁、k₂——径向畸变系数；k₃、k₄——切向畸变系数。

将P_d(x_d，y_d)转化为图像上像素坐标系上的坐标值P_p(u，v)

$\left\{\begin{array}{c}u=f_x{x}_d+u_0\\ v=f_y{y}_d+v_0\end{array}\right.---\left(14\right)$

其中

$\left\{\begin{array}{c}{f}_x=f\&CenterDot;\mathrm{sx}/\mathrm{dpx}\\ f_y=f/\mathrm{dpy}\end{array}\right.---\left(15\right)$

各参数的意义：f为摄像机的有效焦距；sx为比例因子，用来适应在计算机图像(帧存)水平方向(x方向)上取样带来的种种不确定因素；dpx为计算机图像在水平方向(x方向)上相邻两像素之间的有效距离(mm/pixel)；dpy为计算机图像在垂直方向(y方向)上相邻两像素之间的有效距离(mm/pixel)；u₀为镜头光轴Z与图像平面的交点O_i在像素坐标系u轴上的坐标值；O_i为在像素坐标系v轴上的坐标值。

(2)图像的矢量化是基于二值图形进行的，二值图是即像素值为0或1的图，0代表黑色，1代表白色。数字摄像机获取的是24位的彩色位图，需要过图像预处理进行图像门限处理二值化分割并去噪。

门限处理图像分割算法由于其直观性和易于实现性，在速度因素占重要地位的应用中处于中心地位。在样片照片中，目标和背景的灰度值相差较大，因此采用单一的全局门限T就基本上能将需要的目标分离出来。门限T可以通过自动迭代的方法选取，选取的步骤如下：

1)、选择一个T的初始估计值

2)、T分割图像。这样做会生成两组像素：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于T的像素组成。

3)、对区域G1和G2中的所有像素值计算平均灰度值μ₁和μ₂。

4)、计算新的门限值：

$T=\frac{1}{2}({\mathrm{\&mu;}}_1+{\mathrm{\&mu;}}_2)---\left(6\right)$

5)、重复步骤(2)到(4)，直到逐次迭代所得的T值之差小于事先定义的参数T₀。

如图4所示，经过门限处理后，得到样片的二值图：

二值图存在少量的孤立点噪声，可以通过二值形态学中的腐蚀和膨胀运算来去除。

腐蚀运算的具体步骤如下：

1)、扫描原图，找到第一个像素值为1的点；

2)、将预先设定好形状以及原点位置的结构元素的原点移动到该点；

3)、判断该结构元素所覆盖范围内的像素值是否全部为1，如果是，则腐蚀后图像的相同位置上的像素值置为1，如果至少有一个像素的值为0，则腐蚀后图像的相同位置上的像素值为0；

4)、对原图所有像素值为1的点重复2)和3)；

用腐蚀去除小颗粒噪声是非常有效的，但是同时也将服装样片边缘腐蚀了一个像素，因此需要通过腐蚀的对偶运算膨胀来恢复。

膨胀运算的具体步骤如下：

1)、将预先设定好形状以及原点位置的结构元素的原点移动到图像中可包容的所有像素点；

2)、判断该结构所覆盖范围内的像素值是否存在至少一个为1的点，如果存在，则膨胀后图像中与结构元素原点相同位置上的像素值置为1，如果该覆盖范围内所有像素的值为0，则膨胀后图像的相同位置上的像素值置为0。

3)、对原图所有像素值为1的点重复1)和2)；

(3)轮廓提取和轮廓跟踪的目的都是获得图像的外部轮廓特征，为提取轮廓的特征点以及后续的拟合做准备。

二值图像轮廓提取的算法的思想就是掏空内部点，如果原图中有一点为黑，且它的8个相邻点都是黑色时(此时该点是内部点)，则将该点删除。用数学形态学的方法处理，相当于用一个九个点的结构元素对原图进行腐蚀，在用原图像减去腐蚀图像。

轮廓跟踪的基本方法是：先根据“探准准则”找出样片轮廓上的像素，再根据这些像素的某些特征用“跟踪准则”找出样片轮廓上其他像素。

首先找到第一个边界像素的“探准准则”是：按照从左到右，从下到上的顺序搜索，找到第一个最左下方的边界点。

然后，从第一个边界点起始，定义初始的搜索方向为沿左上方；如果左上方的点是白点(像素值为1)，则为边界点，否则搜索方向顺时针旋转45度。这样一直到找到第一个白点为止。然后把这个白点作为新的边界点，在当前搜索方向的基础上逆时针旋转90度，继续用同样的方法搜索下一个边界点，直到返回最初的边界点为止。在搜索的过程中同时记录边界点坐标。由于一幅图中有多个服装样片，因此采用边跟踪边删除当前点的方法，这样跟踪完一条闭合曲线就删除一条，以便下一条闭合曲线的第一个边界点搜索。

(4)提取出样片轮廓坐标后，接下来就根据坐标序列对每条闭合轮廓曲线提取特征点。提取特征点的关键是X(k)和Y(k)上各点曲率的计算。由于特征点根据曲线的弯曲程度来提取，曲率绝对值越大的地方弯曲程度越大，因此，局部曲率大的点就是特征点，并不需要精确得出曲率值，只要得出某一数值能够用来判断曲率的大小就可以根据这个值提取特征点。设这个数值为q，在实际计算中可以取q等于近似曲率绝对值的整数倍。

下面以X(k)为例说明q的计算。在数值分析中，对于离散的函数X＝X(k)：

 

k	0	1	2	…	n-1
						X	X(0)	X(1)	X(2)	…	X(n-1)

由插值原理可以得出离散函数X＝X(k)的二阶导数为：

$X\&prime;\&prime;\left(k\right)\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(7\right)$

又因为曲线上的二阶导数近似等于该点的曲率^[5]，所以，第k点的曲率

${\mathrm{cvt}}_k\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(8\right)$

由于图像中存在噪声干扰，因此算法中的步长h取10，并且另q为曲率cvt的整数倍，取

q＝|h²×cvt|                               (9)

由(7)和(8)得

q_k≈X(k-10)-2X(k)+X(k+10)                  (10)

Y(k)中q值的计算方法与X(k)中一样。

(5)在特征点提取的基础上，以特征点为分段点，对每两个特征点之间的曲线段采用样条曲线进行递归拟合，直到精度满足一定条件为止。由于服装样片边缘的变化多样性，因此本课题选择形状比较灵活的抛物线样条曲线作为拟合基元。通过不在同一直线上的三点：P₁，P₂，P₃，定义一条抛物线样条曲线的表达形式如下：

P(t)＝a₁+a₂t+a₃t²   0≤t≤1             (1)

抛物线样条过P₁，P₂，P₃三个点，并且有：

1)、抛物线段以P₁为起点。即当参变量t＝0时，曲线过P₁点。

2)、抛物线段以P₃为终点，即当参变量t＝1时，曲线过P₃点。

3)、当参变量t＝0.5时，曲线过P₂点，且其矢量等于P₃-P₁。

由以上三个条件得到方程组如下：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_1+a_2+a_3=P_3\\ a_1+0.5a_2+0.25a_3=P_2\end{array}\right.---\left(2\right)$

解得：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_2=4P_2-P_3-3P_1\\ a_3=2P_1+2P_3-4P_2\end{array}\right.---\left(3\right)$

将式(13)代入式(12)得

P(t)＝(2t²-3t+1)P₁+(4t-4t²)P₂+(2t²-t)P₃  0≤t≤1    (4)

由式(14)可得，当P₁，P₂，P₃在同一条直线上时，即2P₂＝P₁+P₃时，a₃＝0，曲线方程变成一条直线。因此在本文中的拟合基元实际上是直线和抛物线。P(t)是一个点向量，在二维平面上它包含了两个坐标值[x(t)，y(t)]。以上推导求出的算式，即为我们所要求的过不在一条直线上的三点：P₁(x₁，y₁)，P₂(x₂，y₂)和P₃(x₃，y₃)的抛物线方程。对该条抛物线进行存储和编辑时，只需对P₁，P₂和P₃进行操作。无需像数字曲线那样对每一个点都进行操作。在屏幕上显示该条曲线时，可以根据参变量t的取值，一一计算出位于曲线上的数据点，然后顺次连线绘出图形。

本发明的有益效果主要表现在：操作简单、输入效率高、精度、减少成本。

附图说明

图1是服装样片数字摄像机录入的装置。

图2是服装样片矢量化流程图。

图3是摄像机标定板示意图。

图4是服装样片二值化图。

图5是服装样片轮廓图。

图6是中心像素跟踪的8个方向编号及偏移量图。

图7是图像处理系统的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图7，一种基于数字摄像机的服装样片录入装置，所述的录入装置包括数字摄像机1，安装数字摄像机的可升降支架2，提供照明的台灯3，放置服装样片的平台4，以及用以处理图像的计算机5组成。所述的智能图像矢量化系统包括摄像机标定模块1，图像二值化分割及去噪模块2，图像轮廓提取跟踪模块3，轮廓特征点提取模块4，曲线矢量化拟合模块5。

本发明实施中摄像机安装在离平台1.5-1.8米的之处，并根据采集图像的大小调整高度。台面的幅面大小为：宽1米，长1.2米。两个台灯安装在台面的两边，用来采集是照明之用，可以根据光照的需要调整高度，如图1所示。

所述的摄像机标定模块用于纠正光学镜头产生的径向畸变。基于OpenCV的摄像机标定采用平面棋盘格标定模板为了提高角点提取的成功率，在标定方块的外围，还要求保留一个方块宽的白色空白区域，如图3所示。摄像机只需在不同的角度抓取几张平面标定模板的图片，就可以实现对摄像机的标定。显然，由于采用最小二乘法，抓得图越多，标定的结果就越精确。

虽然OpenCV中自动寻找角点函数提取角点的成功率很高，但是若碰到光线被遮挡等情况，使得标定模板上的标定块在图像上不清晰或提取的角点数目与设定的数目不相符的状况，就会导致角点提取失败。所以在设计标定算法时必须要考虑角点不能被提取的情况：一方面，如果角点提取成功的图过少，则标定出来的结果就不一定能满足精度的要求，需要重新采图；另一方面，由于摄像机外部参数的个数与标定图像的个数相关联，所以在最后计算标定结果时，应将提取角点失败的图像舍弃，再根据剩下图像的数目，动态地分配参数在内存中的储存空间。这样就可以保证标定的精度要求。

经过标定后，摄像机就可以采集到畸变校正后的服装样片图，通过USB接口，计算机得到是24位真彩色位图，是空间和亮度上都离散化的点阵图，而我们首先要得到的是服装样片的数字化边缘曲线，因此可以通过门限处理将样片区域分离出来，然后边缘跟踪得到样片的外边缘。

门限处理图像分割算法由于其直观性和易于实现性，在速度因素占重要地位的应用中处于中心地位。在样片照片中，目标和背景的灰度值相差较大，因此采用单一的全局门限T就基本上能将需要的目标分离出来。门限T可以通过自动迭代的方法选取，选取的步骤如下：

1)、选择一个T的初始估计值

2)、T分割图像。这样做会生成两组像素：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于T的像素组成。

3)、对区域G1和G2中的所有像素值计算平均灰度值μ₁和μ₂。

4)、计算新的门限值：

$T=\frac{1}{2}({\mathrm{\&mu;}}_1+{\mathrm{\&mu;}}_2)---\left(6\right)$

5)、重复步骤2)到4)，直到逐次迭代所得的T值之差小于事先定义的参数T₀。

如图1所示，经过门限处理后，得到样片的二值图，如图4所示。

所述的图像轮廓提取跟踪模块用以提取服装样片轮廓坐标序列。由于一幅图中要处理多个服装样片，因此先要先提取二值图像的轮廓，本文通过形态学运算提取轮廓。形态学运算是针对二值图像依据数学形态学集合论的方法发展起来的图像处理方法。轮廓的提取相当于用一个九个点的结构元素对原图像进行腐蚀，使物体的边界沿周边减少一个像素，再用原图像减去腐蚀图像，就得到单个像素的连续的服装样片轮廓，如图5所示。

得到轮廓图之后，再进行像素跟踪，记录每条曲线的边界点坐标。由图6可以看出，中心像素可以跟踪的方向有8个，对每个方向制定了方向编码及偏移量，由于图像文件的读取顺序是从左到右，从上到下，因此选取图像的最左上方的像素作为起始点，然后搜索起始点，当找到起始点后，把该点记录下来，定义初始的跟踪方向是左上方0方向，判断该点是否为目标点，是则保存初始点并把该目标点作为跟踪的起始开始点，逆时针旋转90度作为新的跟踪方向，继续检测该新的跟踪方向上的点；若不是目标点则沿顺时针旋转45度，一直到找到目标点。找到目标点后，在当前跟踪方向的基础上，逆时针旋转90度作为新的跟踪方向，找到新边界点后，将旧边界保存，将新检测到的点作为新的初始点。用同样的方法跟踪下一个边界点，直到回到起始点为止。记像素跟踪得出的曲线边界点坐标序列为P(k)＝[X(k)，Y(k)](k＝0，1，2...n-1)，n为闭合曲线边界点个数。

所述的特征点提取模块用以提取服装样片闭合曲线轮廓中的曲率较大的点，以免在后续的拟合中被平滑掉。边缘提取特征点的关键是X(k)和Y(k)上各点曲率的计算。由于特征点根据曲线的弯曲程度来提取，曲率绝对值越大的地方弯曲程度越大，因此，局部曲率大的点就是特征点，并不需要精确得出曲率值，只要得出某一数值能够用来判断曲率的大小就可以根据这个值提取特征点。设这个数值为q，在实际计算中可以取q等于近似曲率绝对值的整数倍。

下面以X(k)为例说明q的计算。在数值分析中，对于离散的函数X＝X(k)：

 

k	0	1	2	...	n-1
						X	X(0)	X(1)	X(2)	...	X(n-1)

由插值原理可以得出离散函数X＝X(k)的二阶导数为：

$X\&prime;\&prime;\left(k\right)\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(7\right)$

又因为曲线上的二阶导数近似等于该点的曲率^[5]，所以，第k点的曲率

${\mathrm{cvt}}_k\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(8\right)$

由于图像中存在噪声干扰，因此算法中的步长h取10，并且另q为曲率cvt的整数倍，取

q＝|h²×cvt|                             (9)

由(7)和(8)得

q_k≈X(k-10)-2X(k)+X(k+10)                (10)

Y(k)中q值的计算方法与X(k)中一样。

根据(19)计算曲线X(k)边界上每个点的q值，由以上分析可知，q值大的地方曲率比较大。设定一个阈值ε，根据q值的大小进行判断：

若在某一区间内，对所有的点都有q≤ε，则该区间内不存在特征点。这时存在两种情况：一是区间大部分点的q值都等于0，只有少量q≤ε的点可认为是噪声点，该区间对应一条存在噪声的直线段；二是区间内大部分点的q值不为0且小于ε，该区间对应一条弯曲程度非常小的曲线(当ε取2时q≤2， $\mathrm{cvt}=\frac{q}{h^2}\&le;0.02$ 近似为0)，该曲线近似于直线。两种情况下区间内都不设特征点。

若在某一区间内，对所有的点都有q>ε，则该区间对应一条变化程度较大的曲线。为更好地逼近原始曲线，设定适当的步长，找出每个步长内q值最大的点作为特征点。

具体设计如下，其中max用来记录当前段的最大q值，i用来记录当前段中具有最大q值的点的序列号，T为阈值ε。以求X(k)上某一点对应的q(k)值并进行判断；提取特征点。用同样的方法可提取Y(k)上的特征点。

最后，综合X(k)和Y(k)上的特征点，求P(k)上的特征点集，就得到所有的特征点。综合方法如下：

对于X(k)上的任意特征点P_x和Y(k)上的任意特征点P_y，设其点的序列号分别为i，j。

若|i-j|≤3，则P_x和P_y对应P(k)上的同一个特征点。

若|i-j|>3，则P_x和P_y对应P(k)上两个不同的特征点。

所述的矢量化拟合模块用以将曲线边缘拟合成数学方程表示的曲线。拟合是指在曲线、曲面的设计过程中，用插值或者逼近的方法使生成的曲线、曲面达到某些设计要求，如在允许的范围内贴近原始点或控制点序列等。在本课题中采用的是抛物样条插值的方法拟合原始的点序列，目的是使服装样片边缘更光滑自然，便于编辑和切割。在特征点提取的基础上，以特征点为分段点，对每两个特征点之间的曲线段采用样条曲线进行递归拟合，直到精度满足一定条件为止。由于服装样片边缘的变化多样性，因此本课题选择形状比较灵活的抛物线样条曲线作为拟合基元。通过不在同一直线上的三点：P₁，P₂，P₃，定义一条抛物线样条曲线的表达形式如下：

P(t)＝a₁+a₂t+a₃t² 0≤t≤1         (1)

抛物线样条过P₁，P₂，P₃三个点，并且有：

1)、抛物线段以P1为起点。即当参变量t＝0时，曲线过P₁点。

2)、抛物线段以P₃为终点，即当参变量t＝1时，曲线过P₃点。

3)、当参变量t＝0.5时，曲线过P₂点，且其矢量等于P₃-P₁。

由以上三个条件得到方程组如下：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_1+a_2+a_3=P_3\\ a_1+0.5a_2+0.25a_3=P_2\end{array}\right.---\left(2\right)$

解得：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_2=4P_2-P_3-3P_1\\ a_3=2P_1+2P_3-4P_2\end{array}\right.---\left(3\right)$

将式(22)代入式(21)得

P(t)＝(2t²-3t+1)P₁+(4t-4t²)P₂+(2t²-t)P₃   0≤t≤1   (4)

由式(23)可得，当P₁，P₂，P₃在同一条直线上时，即2P₂＝P₁+P₃时，a₃＝0，曲线方程变成一条直线。因此在本文中的拟合基元实际上是直线和抛物线。P(t)是一个点向量，在二维平面上它包含了两个坐标值[x(t)，y(t)]。以上推导求出的算式，即为我们所要求的过不在一条直线上的三点：P₁(x₁，y₁)，P₂(x₂，y₂)和P₃(x₃，y₃)的抛物线方程。对该条抛物线进行存储和编辑时，只需对P₁，P₂和P₃进行操作。无需像数字曲线那样对每一个点都进行操作。在屏幕上显示该条曲线时，可以根据参变量t的取值，一一计算出位于曲线上的数据点，然后顺次连线绘出图形。

曲线拟合算法种类繁多，虽然能满足精度和压缩率的要求，但是大多算法复杂，计算量太大。因此，本专利提出了一种递归的拟合方法对各个尖点之间的曲线段分别进行拟合。该算法思如下：以当前离散曲线段的起点、中点和末点构造一条抛物样条曲线对当前曲线段进行拟合并进行误差计算，若本段拟合的误差小于给定的闭值，则返回；否则以当前曲线段的中点将曲线分为两部分再用同样的方法分别进行拟合。

用这种方法依次拟合各尖点之间的曲线段，就能得到总的拟合结果。可以看出该算法对每段曲线只需用两个简单的递归语句就能实现拟合，相对于遗传算法中各种复杂的遗传、变异及交叉等操作，非常简单且易于实现。

递归拟合之后得到矢量图实际上由抛物线段组成，而抛物线段可由起点、终点坐标以及抛物线的三个参数组成，因此矢量图与光栅图像比数据量大为减少，但是由于图像往往要比实际样片小很多，因此要根据样片的大小设置放大倍数，并且由于这样的矢量图还不是服装CAD软件及切割机所能识别的软件，所以还需要经过及格式转换的过程。

在本发明的实例中需要将数据用HPGL语言转化成切割机能够识别的PLT文件，PLT文件由一系列的坐标点组成，为了减少PLT文件的长度，转化时由抛物线段曲率的大小决定取点的疏密程度，最终输出PLT文件能够被切割机及服装CAD软件识别。

Claims (8)

1、一种基于图像矢量化技术的服装样片自动录入装置，其特征在于：所述服装样片自动录入装置包括放置服装样片的平台、用于获取服装样片图片的数字摄像机和用于处理图像的计算机，所述平台上安装支架，所述数字摄像机安装在所述支架上，所述平台位于数字摄像机的视觉范围内，所述数字摄像机与计算机连接，所述计算机包括：

摄像机标定模块，用于校正数字摄像机的径向畸变，建立图像平面上的像素坐标系和空间点的世界坐标系之间的对应关系；

图像二值化分割及去噪模块，用于接收数字摄像机获取的图像，将所采集的彩色位图转换为二值图，并对二值图进行去噪；

图像轮廓提取跟踪模块，用于对二值图中每一点进行判断，如该点为黑，且它的8个相邻点都是黑色时，将该点删除，得到二值图的轮廓；

并从第一个边界点开始，跟踪图像的轮廓，记录边界点坐标值，跟踪完一条闭合曲线后删除一条，开始下一条闭合曲线的跟踪，直到完成所有的闭合曲线的跟踪；

轮廓特征点提取模块，用于根据坐标序列对每条闭合曲线提取特征点，为[X(k)，Y(k)]，表示闭合曲线的坐标点序列，把P(k)沿X方向和Y方向分解成两个独立的序列，得到两个离散的一维函数(k，X(k))和(k，Y(k))，其中，X(k)为P(k)在水平方向的变化，Y(k)为P(k)在竖直方向的变化，特征点为对应曲线中具有局部曲率极大值的点，在两个方向上分别寻找特征点，然后再将这两个方向上的特征点综合得到P(k)上的特征点集；

曲线矢量化拟合模块，用于将每两个特征点之间的曲线段采用样条曲线进行递归拟合。

2、如权利要求1所述的基于图像矢量化技术的服装样片自动录入装置，其特征在于：在所述曲线矢量化拟合模块中，采用抛物线样条曲线作为拟合基元，通过不在同一直线上的三点：P₁，P₂，P₃，定义一条抛物线样条曲线的表达形式如下：

P(t)＝a₁+a₂t+a₃t²    0≤t≤1          (1)

其中，a₁，a₂，a₃为样条曲线的参数，抛物线样条过P₁，P₂，P₃三个点，并且有：

1)、抛物线段以P₁为起点，即当参变量t＝0时，曲线过P₁点；

2)、抛物线段以P₃为终点，即当参变量t＝1时，曲线过P₃点；

3)、当参变量t＝0.5时，曲线过P₂点，且其矢量等于P₃-P₁；

由以上三个条件得到方程组如下：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_1+a_2+a_3=P_3\\ a_1+0.5a_2+0.25a_3=P_2\end{array}\right.---\left(2\right)$

解得：

$\left\{\begin{array}{c}{a}_1=P_1\\ a_2={4P}_2-P_3-{3P}_1\\ a_3={2P}_1+{2P}_3-{4P}_2\end{array}\right.---\left(3\right)$

将式(3)代入式(1)得：

P(t)＝(2t²-3t+1)P₁+(4t-4t²)P₂+(2t²-t)P₃ 0≤t≤1     (4)

由式(4)可得，当P₁，P₂，P₃在同一条直线上时，即2P₂＝P₁+P₃时，a₃＝0，P(t)是一个点向量，在二维平面上它包含了两个坐标值[x(t)，y(t)]，上述(4)得到不在一条直线上的三点：P₁(x₁，y₁)，P₂(x₂，y₂)和P₃(x₃，y₃)的抛物线方程；根据参变量t的取值，一一计算出位于曲线上的数据点，然后顺次连线绘出图形。

3、如权利要求2所述的基于图像矢量化技术的服装样片自动录入装置，其特征在于：在曲线拟合过程中，以当前离散曲线段的起点、中点和末点构造一条抛物样条曲线，对当前曲线段进行拟合并进行误差计算，若本段拟合的误差小于给定的阈值，则返回；否则以当前曲线段的中点将曲线分为两部分再用同样的方法分别进行拟合。

4、如权利要求1所述的基于图像矢量化技术的服装样片自动录入装置，其特征在于：在所述图像二值化分割及去噪模块中，采用门限处理图像分割算法，门限处理的数学模型如下：

设原图像为f(x，y)，x和y为像素点在图像中的坐标，f(x，y)和g(x，y)为像素值，经过门限为T的分割处理后的图像为个g(x，y)，g(x，y)为二值图像，则有：

$g(x,y)=\left\{\begin{array}{cc}1,& f(x,y)\&GreaterEqual;T\\ 0,& f(x,y)<T\end{array}\right.---\left(5\right)$

其中，f(x，y)为灰度值在0到255之间的灰度图，g(x，y)为像素值是0或者1的二值图；

门限T通过自动迭代的方法选取，选取的步骤如下：

1)、选择一个T的初始估计值；

2)、T分割图像，生成两组像素：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于T的像素组成；

3)、对区域G1和G2中的所有像素值计算平均灰度值μ₁和μ₂；

4)、计算新的门限值：

$T=\frac{1}{2}({\mathrm{\&mu;}}_1+{\mathrm{\&mu;}}_2)---\left(6\right)$

5)、重复步骤(2)到(4)，直到逐次迭代所得的T值之差小于事先定义的参数T₀；

再用得到的T值分割图像，得到二值图。

5、如权利要求2所述的基于图像矢量化技术的服装样片自动录入装置，其特征在于：在所述图像二值化分割及去噪模块中，采用门限处理图像分割算法，门限处理的数学模型如下：

设原图像为f(x，y)，x和y为像素点在图像中的坐标，f(x，y)和g(x，y)为像素值，经过门限为T的分割处理后的图像为个g(x，y)，g(x，y)为二值图像，则有：

$g(x,y)=\left\{\begin{array}{cc}1,& f(x,y)\&GreaterEqual;T\\ 0,& f(x,y)<T\end{array}\right.---\left(5\right)$

其中，f(x，y)为灰度值在0到255之间的灰度图，g(x，y)为像素值是0或者1的二值图；

门限T通过自动迭代的方法选取，选取的步骤如下：

1)、选择一个T的初始估计值；

2)、T分割图像，生成两组像素：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于T的像素组成；

3)、对区域G1和G2中的所有像素值计算平均灰度值μ₁和μ₂；

4)、计算新的门限值：

$T=\frac{1}{2}({\mathrm{\&mu;}}_1+{\mathrm{\&mu;}}_2)---\left(6\right)$

5)、重复步骤(2)到(4)，直到逐次迭代所得的T值之差小于事先定义的参数T₀；

再用得到的T值分割图像，得到二值图。

6、如权利要求1—5之一所述的基于图像矢量化技术的服装样片自动录入装置，其特征在于：在所述图像轮廓提取跟踪模块中，轮廓跟踪的过程为：按照从左到右，从下到上的顺序搜索，找到第一个最左下方的边界点；然后，从第一个边界点起始，定义初始的搜索方向为沿左上方；如果左上方的点是白点，则为边界点，否则搜索方向顺时针旋转45度；这样一直到找到第一个白点为止；然后把这个白点作为新的边界点，在当前搜索方向的基础上逆时针旋转90度，继续用同样的方法搜索下一个边界点，直到返回最初的边界点为止；在搜索的过程中同时记录边界点坐标。

7、如权利要求1—5之一所述的基于图像矢量化技术的服装样片自动录入装置，其特征在于：在所述轮廓特征点提取模块中，采用阈值q表示曲率大小，对于X方向的q值计算过程为：

对于离散的函数X＝X(k)：

  k 0 1 2 … n-1 X X(0) X(1) X(2) … X(n-1)

由插值原理可以得出离散函数X＝X(k)的二阶导数为：

$X\&prime;\&prime;\left(k\right)\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(7\right)$

又因为曲线上的二阶导数近似等于该点的曲率，所以，第k点的曲率：

${\mathrm{cvt}}_k\&ap;\frac{1}{h^2}[X(k-h)-2X\left(k\right)+X(k+h)]---\left(8\right)$

由于图像中存在噪声干扰，因此算法中的步长h取10，并且另q为曲率cvt的整数倍，取

q＝|h²×cvt|                         (9)

由(7)和(8)得

q_k≈X(k-10)-2X(k)+X(k+10)            (10)

Y方向的q值计算过程与X方向相同。

8、如权利要求7所述的基于图像矢量化技术的服装样片自动录入装置，其特征在于：在所述摄像机标定模块中，采用OpenCV标定算法，摄像机模型为针孔模型，像素坐标系和空间点的世界坐标系变换过程包括以下步骤：

1)、三维空间刚体变换：将世界坐标系中的坐标值P_w(x_w，y_w，z_w)，变换为摄像机坐标系中的坐标值P_c＝(x_c，y_c，z_c)如下：

$\begin{array}{ccc}\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\end{array}\right]=R\left[\begin{array}{c}{x}_w\\ y_w\\ z_w\end{array}\right]+t& R=\left[\begin{array}{ccc}{r}_1& r_2& r_3\\ r_4& r_5& r_6\\ r_7& r_8& r_9\end{array}\right]& t=\left[\begin{array}{c}{t}_x\\ t_y\\ t_z\end{array}\right]\end{array}---\left(11\right)$

式中，R表示一个3×3的旋转实数矩阵，r₁，...，r₉为实常数；t表示一个平移向量，其中，t₁，...，t₃为实常数；

2)、将坐标值P_c＝(x_c，y_c，z_c)在针孔模型中进行规范化投影，得到归一化的坐标值P_n(x，y)为：

$P_n=\left[\begin{array}{c}{x}_c/z_c\\ y_c/z_c\end{array}\right]=\left[\begin{array}{c}x\\ y\end{array}\right]---\left(12\right)$

3)、引入透镜的畸变，畸变后的规范化坐标值用P_d(x_d，y_d)表示为：

$\left[\begin{array}{c}{x}_d\\ y_d\end{array}\right]=(1+k_1{r}^2+k_2{r}^4)\left[\begin{array}{c}x\\ y\end{array}\right]+\left[\begin{array}{c}{2k}_3\mathrm{xy}+k_4(r^2+{2x}^2)\\ k_3(r^2+{2y}^2)+{2k}_4\mathrm{xy}\end{array}\right]---\left(13\right)$

式中：r²＝x²+y²；k₁、k₂表示径向畸变系数；k₃、k₄表示切向畸变系数；

将P_d(x_d，y_d)转化为图像上像素坐标系上的坐标值P_p(u，v)：

$\left\{\begin{array}{c}u=f_x{x}_d+u_0\\ v=f_y{y}_d+v_0\end{array}\right.---\left(14\right)$

其中：

$\left\{\begin{array}{c}{f}_x=f\&CenterDot;\mathrm{sx}/\mathrm{dpx}\\ f_y=f/\mathrm{dpy}\end{array}\right.---\left(15\right)$

上式中，f为摄像机的有效焦距；sx为比例因子，用来适应在计算机图像x方向上取样带来的种种不确定因素；dpx为计算机图像在x方向上相邻两像素之间的有效距离；dpy为计算机图像在y方向上相邻两像素之间的有效距离；u₀为镜头光轴Z与图像平面的交点O_i在像素坐标系u轴上的坐标值；O_i为在像素坐标系v轴上的坐标值。

Images