CN101477687A - 复杂背景下的棋盘格角点检测方法 - Google Patents

Abstract

本发明涉及一种计算机信息图像处理技术领域的复杂背景下的棋盘格角点检测方法。首先，将图像下采样，再将图像上采样，同时将图像分为RGB三个通道，分别进行区域检测，采用坎尼算子对图像进行边缘提取，再采用自适应阈值对图像进行分割；采用道格拉斯-普克方法对图像中的矩形进行逼近，检测出图像中的矩形区域；检测出矩形后，得到各个矩形的顶点，对同一类角点进行聚类；在一个邻域范围内个数最多的点，对这些个数最多的一类角点做统计平均，即检测得到的角点。本发明是一种基于矩形的角点检测方法，此方法利用棋盘格图像的对称和矩形的这一性质对特定角点进行检测，具有较强的实时性和可靠性。

Description

复杂背景下的棋盘格角点检测方法

技术领域

本发明涉及一种图像处理技术领域的检测方法，具体涉及的是一种复杂背景下的棋盘格角点检测方法。

背景技术

快速而准确地检测图像中特定的角点在计算机视觉和模式识别领域，特别是工业制造，生物医学，自动化检验和装配等方面有着广泛的应用前景。不同类型的角点有不同的特点，但目前已有的大多数角点检测方法都是针对一般角点的通用方法，而棋盘格角点作为一种特殊的角点，也已被广泛地应用于摄像机标定和定位中。由于对棋盘格角点的检测只是在通用角点检测方法的基础上，进行了一些改进，因此计算量通常比较大。而且在复杂背景下，由一般方法改进所提取的干扰角点难以从复杂图像背景中滤除而得到所需要的角点。

经对现有技术的文献检索发现，Zhang提出了摄像机定标的一种实用方法(Zhang Z.Y，A flexible new technique for camera calibration.IEEEtransaction on pattern analysis and machine intelligence，vol.22，NO.11，November 2000：1330-1334)。传统的角点检测方法的缺点是在复杂背景下，检测出不符合要求的角点个数太多，难以通过合适的方法把这些不符合要求的角点滤除，而且该方法受光照影响较大，光线不同时对角点的提取有很大的影响。通过观察，发现了棋盘格角点一些独特的性质，并针对棋盘格角点提出了一种新的检测方法。该方法不仅原理简单、计算量小，无需人工参与检测，而且对旋转、尺度、灰度等变化具有鲁棒性，同时能够抵抗噪声和边缘模糊现象，并且在复杂背景下仍然能够提取所需要的角点，因而具有较高的实用价值。

经对现有技术的文献检索发现，张正有等在《IEEE transaction on patternanalysis and machine intelligence》(国际电子电器工程师协会模式识别与机器智能期刊)(2000年第22卷第11期1330页至1334页)上发表的“A flexiblenew technique for camera calibration”(一中实用的照相机标定方法)，提出了摄像机定标的一种实用方法。刘阳成等在《中国图像图形学报》(2006年第11卷第5期656页至660页)上发表的“一种新的棋盘格图像角点检测算法”，该文中提出利用棋盘格的对称性，利用一个对称算子和一个方差算子检测棋盘格的角点。其不足在于：计算量较大，无法达到视频的实时要求，而且该算法在复杂背景下和光照变化下的检测精度大为下降。

发明内容

本发明的目的在于针对现有的技术的不足，提出一种复杂背景下的棋盘格角点检测方法，是一种基于矩形的角点检测方法，此方法利用棋盘格图像的对称和矩形的这一性质对特定角点进行检测，具有较强的实时性和可靠性。

本发明是通过以下技术方案实现的，首先，将图像下采样，再将图像上采样以滤除噪声。同时将图像分为RGB三个通道，分别进行区域检测。采用坎尼算子(Canny)算子对图像进行边缘提取，再采用自适应阈值对图像进行分割。第二，采用道格拉斯—普克(Douglas-Peucker)方法对图像中的矩形进行逼近，检测出图像中的矩形区域。检测的矩形需要有四个角点，并且检测多边形的凸凹性。从而检测出图像中的矩形区域。第三，检测出矩形后，取得各个矩形的顶点，由于图像边缘的非平整性，检测出的矩形个数较多，需要对同一类角点进行聚类。第四，由于所要检测的角点是各个矩形的交点，因此在一个邻域范围内个数最多的点即为所要求得的角点。对这些个数最多的一类角点做统计平均，即检测得到的角点。

本发明包括以下步骤：

步骤一，图像预处理。先进行图像下采样，再将图像上采样以滤除噪声，对于原图像是彩色图像的情况，将图像分为RGB三个通道，分别进行区域检测。然后采用坎尼算子(Canny)算子进行边缘提取，从而使其成为二值图，即边缘上的像素值为1(白色)，其它像素为值为0(黑色)，再采用自适应阈值对图像进行分割。

步骤二，检测图像矩形区域。采用道格拉斯—普克(Douglas-Peucker)方法对图像中的矩形进行逼近，检测的矩形有四个角点，并且检测多边形的凸凹性，从而检测出图像中的矩形区域。

道格拉斯一普克(Douglas-Peucker)方法具体如下：曲线点列的首末点被无条件选取，并通过首末点构造出一条基线，计算其余中间点到基线的距离，选取具有最大值的点，记为C；如C点距基线的距离小于阈值，则删除首末点之间的全部点，否则，将点集分为两段{A～C}，{C～B}。对点集{A～C}或{C～B}，递归进行特征点选取、分段，直到每段点列中都选不出新的特征点为止。A，B，C分别表示起点，终点，分列点。

步骤三，角点的聚类。在检测出矩形后，取得矩形的各个顶点。由于数字图像边缘的锯齿形效应，会检测出许多矩形，因此需要对检测出的同一类角点进行聚类。

步骤四、筛选角点。对这些个数最多的一类角点做统计平均，即为检测得到的角点。

由于所要检测的角点在图像中应该是聚类后角点个数最多的点。

$D\left(i\right)=\max \underset{N}{\mathrm{\Σ}}T\left(k\right)$

D(i)为所要检测出的角点，N为自然数。

之后对所选出来的一类角点做统计平均，即检测得到的角点。

本发明的方法简单有效，它的关键在于通过对待检测图像的预处理，掌握图像的信息，然后再采用基于矩形的检测以检测相应的角点。利用本发明进行棋盘格角点检测，有针对性地在利用了棋盘格角点的特征，而避免了在全局范围内盲目检测，因而减少了无效点的选取，减少了计算时间，同时提高了检测精度。通过在图像中检测棋盘格角点的实验应用及与其它方法的比较，说明了本发明可以在较短的时间内成功检测出图像中的棋盘格角点，其检测成功率优于传统方法，误检率也大大降低。

附图说明

图1为棋盘格图像。

图2为道格拉斯—普克(Douglas-Peucker)方法示意图。

图3为一幅复杂背景检测出来的角点示意图。

图4为检测出来的角点与其他方法检测出的角点比较的示意图；

其中：1，2，3代表所检测的三幅图片，a，b，c，d分别对应本发明中所用方法，基于对称方差(SV)算子的角点检测方法，利用模版匹配方法的方法和利用哈里斯(harris)角点检测方法所得的结果。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例具体步骤如下：

步骤一、图像预处理与分割

选取如图1类似的复杂背景下的棋盘格图像。将图像以因子7下采样，再将图像以因子7上采样以滤除噪声。同时将图像分为RGB三个通道，分别进行区域检测。采用坎尼(Canny)算子对图像进行边缘提取，再采用二分法自适应阈值对图像进行分割。

步骤二，矩形检测

由图1可以观察棋盘格角点的图像，在复杂的背景条件下，棋盘格图像的强特征描述是角点的四周分别是黑白相邻的四个方格。如果将图像中的方格特征检测出来，即使背景比较复杂，也可将棋盘格从图像中区分出来。由于数字图像边缘的锯齿形效应，采用道格拉斯一普克(Douglas-Peucker)方法对图像中的矩形进行逼近，如图2所示。

道格拉斯—普克(Douglas-Peucker)方法描述如下：A，B，C分别表示起点，终点，分列点。

(1)曲线点列的首末点被无条件选取，并通过首末点构造出一条基线；

(2)计算其余中间点到基线的距离，选取具有最大值的点，记为C；

(3)如C点距基线的距离小于阈值，则删除首末点之间的全部点，否则，将点集分为两段{A～C}，{C～B}。

(4)对点集{A～C}或{C～B}，递归进行特征点选取、分段，直到每段点列中都选不出新的特征点为止。

在取得由道格拉斯—普克(Douglas-Peucker)逼近的区域后，计算角度，找到为90度角的顶点。

步骤三，角点的聚类

在检测出矩形后，取得矩形的各个顶点。由于数字图像边缘的锯齿形效应，会检测出许多矩形，因此需要对检测出的角点进行聚类。实验选取了像素距离小于10的领域内的点按以下方法进行聚类。

$T\left(k\right)=\underset{0\≤i,j\≤d}{\mathrm{\Σ}}P(i,j)$

其中P(i，j)为检测出的矩形的各个顶点，d为邻域的大小，k为检测出的种类数，T(k)为检测出的一类角点的集合，i，j分别表示图像像素的横纵坐标。

步骤四、筛选角点

由于检测每个矩形得到的4个角点，而所要检测的棋盘格角点是这些矩形的交点，因此所要检测的角点在图像中应该是聚类后点个数最多的点。

$D\left(i\right)=\max \underset{N}{\mathrm{\Σ}}T\left(k\right)$

D(i)为所要检测出的角点。

之后对所选出来的一类角点做统计平均，得到所要的角点。

D＝average[D(i)]

图3是在一幅复杂背景下的棋盘格角点检测的效果。其中的矩形是根据本实施例方法检测出的矩形以及最终需要检测出的角点。由此可见对于复杂背景下的图片，用本实施例的方法可以准确的检测出棋盘格角点。

图4为检测出来的角点与其他方法检测出的角点比较的示意图。其中：1，2，3代表所检测的三幅图片，a，b，c，d分别对应本实施例中所用方法，基于对称方差(SV)算子的角点检测方法，利用模版匹配方法的方法和利用哈里斯(harris)角点检测方法所得的结果。例如1-a是用本实施例所检测的第一幅图片，1-d是用哈里斯(harris)角点检测的第一幅图片等等。由此可见对于复杂背景下的图片，用本实施例的方法得到的效果优于其它的方法。

如下表所示，为本实施例与其他方法的处理时间的比较：

 

	本发明所用方法均值	CV算子方法均值	Harris角点检测方法均值
				处理1帧图像所需要的时间	71ms	200ms	950ms

Claims (4)

1、一种复杂背景下的棋盘格角点检测方法，其特征在于包括如下步骤：

步骤一，将图像下采样，再将图像上采样以滤除噪声，同时将图像分为RGB三个通道，分别进行区域检测，采用坎尼算子对图像进行边缘提取，再采用自适应阈值对图像进行分割；

步骤二，采用道格拉斯—普克方法对图像中的矩形进行逼近，检测出图像中的矩形区域，检测的矩形有四个角点，并且检测多边形的凸凹性，从而检测出图像中的矩形区域；

步骤三，检测出矩形后，得到各个矩形的顶点，对同一类角点进行聚类；

步骤四，对这些个数最多的一类角点做统计平均，即为检测得到的角点。

2、根据权利要求1所述的复杂背景下的棋盘格角点检测方法，其特征是，所述道格拉斯—普克方法，具体如下：曲线点列的首末点被无条件选取，并通过首末点构造出一条基线，计算其余中间点到基线的距离，选取具有最大值的点，记为C，如C点距基线的距离小于阈值，则删除首末点之间的全部点，否则，将点集分为两段{A～C}，{C～B}，对点集{A～C}或{C～B}，递归进行特征点选取、分段，直到每段点列中都选不出新的特征点为止，A，B，C分别表示起点，终点，分列点。

3、根据权利要求1所述的复杂背景下的棋盘格角点检测方法，其特征是，所述对同一类角点进行聚类，具体如下： $T\left(k\right)=\underset{0\≤i,j\≤d}{\mathrm{\Σ}}P(i,j),$ 其中P(i，j)为检测出的矩形的各个顶点，d为邻域的大小，k为检测出的种类数，T(k)为检测出的一类角点的集合，i，j分别表示图像像素的横纵坐标。

4、根据权利要求1所述的复杂背景下的棋盘格角点检测方法，其特征是，所述步骤四，具体如下： $D\left(i\right)=\max \underset{N}{\mathrm{\Σ}}T\left(k\right),$ k为检测出的种类数，T(k)为检测出的一类角点的集合，N为自然数，D(i)为所要检测出的角点，之后对所选出来的一类角点做统计平均，即检测得到的角点。

Images