CN105069799B - 一种角点定位方法及装置 - Google Patents
一种角点定位方法及装置 Download PDFInfo
- Publication number
- CN105069799B CN105069799B CN201510496399.1A CN201510496399A CN105069799B CN 105069799 B CN105069799 B CN 105069799B CN 201510496399 A CN201510496399 A CN 201510496399A CN 105069799 B CN105069799 B CN 105069799B
- Authority
- CN
- China
- Prior art keywords
- region
- fitting
- point
- pixel points
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003708 edge detection Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的角点定位方法及装置，首先对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点，然后将多个边缘像素点按预设规则划分在两个拟合区域中，在每个拟合区域中对各个边缘像素点的坐标进行线性拟合，得到两条拟合直线，最后计算两条拟合直线的交点，即可得到角点坐标，因此进行图像匹配时，能够精确定位出需要的角点位置，无需人工预先设置偏移量，不仅减少人工的操作，更大大提升了角点定位和图像匹配的准确度，从而提升机构的系统精度。
Description
技术领域
本申请涉及一种角点定位方法及装置。
背景技术
目前，图像匹配通常是用一个较小的图像作为模板图像，将模板图像与目标图像进行比较，以确定在目标图像中是否存在与该模板相同或相似的区域。当有相同或相似的区域存在时，可通过与模板图像匹配，确定出这些相同或相似区域的位置并对这些区域进行提取。通常，将图像匹配所提取得到的位置坐标通过仿射变换映射到机器坐标系中，控制机构的运动。因此，匹配精度会影响到机床的运动精度。在某些对位、贴合的场景中，例如手机屏幕的贴合过程中，由于加工物体小，并且通常贴合的要求达到0.1mm的精度，精度要求较高，这就要求在匹配位置时要足够精确，才能准确地控制机构的运动，提升系统的精度。
在将目标图像和模板进行精确匹配时，现有技术常通常的做法是通过定位出感兴趣区域(ROI)的位置坐标，得到目标图像与模板的对应位置。现有技术在定位感兴趣区域的位置时，一般通过摄像机实时取像，获得待加工工件的位置信息，然后通过图像匹配，获得位姿信息。目前，常用的匹配方法分为两种：基于灰度进行匹配和基于特征进行匹配。但这两种方法在匹配后仅能获得感兴趣区域的中心的坐标，无法直接获得待匹配的角点坐标。若想获得角点坐标，需要在感兴趣区域的中心的坐标的基础上，加上一个预先设置的偏移量，而偏移量的设置基本依赖于人工设置，因此影响了图像匹配的准确度，大大降低了机构的系统精度。
发明内容
本申请提供一种角点定位方法及装置，可以准确定位角点位置以及进行图像匹配。
根据本申请的第一方面，本申请提供一种角点定位方法，包括：对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点；将所述多个边缘像素点按照预设规则划分在两个拟合区域中；根据每个所述拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线；计算所述两个拟合区域的拟合直线的交点，得到角点坐标。
可选的，所述对目标图像上的感兴趣区域进行边缘检测之前包括：将模板图像在目标图像上进行粗匹配，得到感兴趣区域。
可选的，所述将模板图像在目标图像上进行粗匹配，得到感兴趣区域包括：计算所述目标图像各像素点的归一化相关系数；将所述目标图像的像素点按照与其对应的所述归一化相关系数，从大到小进行排序；选取目标图像上排序在前的预设个数的像素点作为感兴趣区域。
可选的，所述对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点包括：对所述目标图像上的感兴趣区域进行滤波处理；计算所述感兴趣区域上各个像素点的灰度梯度值；将所述感兴趣区域上若干个相邻的像素点作为一个邻域，选取每个邻域中灰度梯度值最大的像素点，得到备选像素点；从所述备选像素点中选择梯度值大于最小阈值同时小于最大阈值的像素点，作为边缘像素点。
可选的，所述根据每个所述拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线包括：选择所述拟合区域中的任意两个边缘像素点，连接成一直线；选择所述拟合区域中的第三个边缘像素点，作为数据点，计算所述数据点与所述直线的距离；判断所述距离是否小于距离阈值，若是，则将所述数据点作为局内点；判断是否遍历该拟合区域中所有像素点，若是，则计算所述局内点的个数与所述拟合区域中的数据点的个数的比例；判断所述比例是否大于比例阈值，若是，则判断所述数据点的选择次数是否小于阈值，若是，则采用最小二乘法对所述局内点进行直线拟合，得到拟合直线。
根据本申请的第二方面，提供一种角点定位装置，包括边缘检测单元，用于对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点；划分单元，用于将所述边缘检测单元获取到的所述多个边缘像素点按照预设规则划分在两个拟合区域中；线性拟合单元，用于根据所述划分单元划分得到的每个所述拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线；角点确定单元，用于计算所述线性拟合单元得到的两个拟合区域的拟合直线的交点，得到角点坐标。
可选的，还包括：粗匹配单元，用于在所述边缘检测单元进行检测前，将模板图像在目标图像上进行粗匹配，得到感兴趣区域。
可选的，所述粗匹配单元具体包括：相似性计算模块，用于计算所述目标图像各像素点的归一化相关系数；排序模块，用于将所述目标图像的像素点按照与其对应的所述归一化相关系数，从大到小进行排序；选取模块，用于选取目标图像上排序在前的预设个数的像素点作为感兴趣区域。
可选的，所述边缘检测单元具体包括：滤波处理模块，用于对所述目标图像上的感兴趣区域进行滤波处理；梯度值计算模块，用于计算所述感兴趣区域上各个像素点的灰度梯度值；非极大值抑制模块，用于将所述感兴趣区域上若干个相邻的像素点作为一个邻域，选取每个邻域中灰度梯度值最大的像素点，得到备选像素点；选择模块，用于从所述备选像素点中选择梯度值大于最小阈值同时小于最大阈值的像素点，作为边缘像素点。
可选的，所述线性拟合单元具体包括：第一选择模块，用于选择所述拟合区域中的任意两个边缘像素点，连接成一直线；第二选择模块，用于选择所述拟合区域中的第三个边缘像素点，作为数据点；距离计算模块，用于计算所述数据点与所述直线的距离；距离判断模块，用于判断所述距离是否小于距离阈值；第三选择模块，用于在所述阈值判断模块判断结果为是时，选择所述数据点作为局内点；遍历判断模块，用于判断是否遍历该拟合区域中所有像素点；比例计算模块，用于在所述遍历判断模块判断结果为是时，计算所述局内点的个数与所述拟合区域中的数据点的个数的比例；比例判断模块，用于判断所述比例计算模块计算出的所述比例是否大于比例阈值；次数判断模块，用于在所述比例判断单元判断结果为是时，判断所述数据点的选择次数是否小于次数阈值；直线拟合模块，用于在所述次数判断模块的判断结果为是时，采用最小二乘法对所述局内点进行直线拟合，得到拟合直线。
本申请提供的角点定位方法及装置，首先对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点，然后将多个边缘像素点按预设规则划分在两个拟合区域中，在每个拟合区域中对各个边缘像素点的坐标进行线性拟合，得到两条拟合直线，最后计算两条拟合直线的交点，即可得到角点坐标，因此进行图像匹配时，能够精确定位出需要的角点位置，无需人工预先设置偏移量，不仅减少人工的操作，更大大提升了角点定位和图像匹配的准确度，从而提升机构的系统精度。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例方法的边缘检测步骤的流程图；
图3为本发明实施例方法的拟合区域划分步骤的流程图；
图4a为本发明实施例方法的另一种拟合区域划分步骤的示意图；
图4b为图4a的划分步骤的过程示意图；
图5为本发明实施例方法的线性拟合步骤的流程图；
图6本发明实施例方法的另一种流程图；
图7本发明实施例方法的粗匹配步骤的流程图；
图8为发明实施例的装置结构示意图；
图9为发明实施例的另一种装置结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
在本申请实施例中，提供一种角点定位方法及装置，可以准确定位角点位置以及进行图像匹配。
实施例一：
请参考图1，图1为本发明实施例一的方法流程图。如图1所示，一种角点定位方法，可以包括以下步骤：
101、对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点。
一个实施例中，如图2所示，步骤101具体可以包括以下步骤：
101A、对目标图像上的感兴趣区域进行滤波处理。
滤波处理可以去除感兴趣区域的噪点，可以减少后续定位时由于噪声造成的误差，提高定位的准确度。
101B、计算感兴趣区域上各个像素点的灰度梯度值。
可以理解的是，图像边缘通常集中了图像的大部分的检测信息，因此在进行整个图像场景的识别、提取目标图像的角点位置时，先进行边缘的确定与提取。边缘是图像局部区域亮度变化显著的区域，本实施例方法通过计算感兴趣区域上各像素点的灰度梯度值，通过梯度值可以反映出灰度的变化，进而可以得知出边缘上的各个像素点的位置。
101C、将感兴趣区域上若干个相邻的像素点作为一个邻域，选取每个邻域中灰度梯度值最大的像素点，得到备选像素点。
本实施例步骤在计算出灰度梯度值后，进行非极大值抑制处理，将感兴趣区域上分成若干个邻域，选取每个邻域灰度梯度值最大的像素点，将灰度梯度值不是最大的像素点剔除掉，减少后续选择像素点时的干扰。
101D、从备选像素点中选择梯度值大于最小阈值同时小于最大阈值的像素点，作为边缘像素点。
102、将多个边缘像素点按照预设规则划分在两个拟合区域中。
划分拟合区域时，可以通过以下方法进行：
(1)角度判断法
如图3所示，在模板学习时，设置待匹配区域(大边框)以及分割区域(小边框)，并保存其相对位置关系，在模板匹配时，匹配出待匹配区域(大边框)，然后根据预设的相对位置关系计算出小边框的中心点，将该中心点分别与大边框的左上端点和右上端点连接作为分割线。计算对角线两侧所包含的边缘像素点的数目的比值，若比值等于或接近1，则沿该对角线方向分割，否则，沿另一对角线方向进行分割。
(2)靶标分割法
如图4所示，在模板学习时，设置模板待匹配区域(大边框)、干扰去除区域(小边框)以及靶标，并保存其相对位置关系，模板匹配时，匹配出待匹配区域位置，根据预设的相对位置关系，去除干扰区域，连接靶标位置及小边框右下端点作为分割线。
103、根据每个拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线。
一个实施例中，如图5所示，步骤103具体可以包括以下步骤：
103A、选择拟合区域中的任意两个边缘像素点，连接成一直线。
103B、选择拟合区域中的第三个边缘像素点，作为数据点，计算数据点与直线的距离。
103C、判断距离是否小于距离阈值，若是，则执行步骤103D。
103D、将该数据点作为局内点。
103E、判断是否遍历该拟合区域中所有像素点。
103F、计算局内点的个数与拟合区域中数据点的个数的比例。
103G、判断该比例是否大于比例阈值，若是，则执行步骤103H。
103H、判断数据点的选择次数是否小于阈值，若是，则执行103I。
上述数据点的选择次数的阈值的计算过程可以如下：设用ω表示每次从数据集中选取一个局内点的概率，可表示为：
ω＝局内点数目/数据点数目
用p表示一些迭代过程中随机选取的点为局内点的概率。假设估计模型需要选定n个点，ωn是所有n个点均为局内点的概率，1-ωn表示n个点中至少有一个点为局外点的概率，(1-ωn)k表示永远都不会选择n个点均为局内点的概率，因此可得等式：1-p＝(1-ωn)k(1)
通过计算式(1)，可得数据点的选择次数：
上述的计算结果是基于假设n个点是相互独立选择的，为了得到更可信的参数，可以将标准差或者它的成绩加到k上，k的标准差可以定义为：
103I、采用最小二乘法对局内点进行直线拟合，得到拟合直线。
本实施例中，设拟合方程为：Y＝aX+b，局内点为(xi，yi)，则a和b分别为：
其中，表示各个局内点纵坐标yi的平均值，表示各个局内点横坐标xi的平均值，n表示局内点的个数。
104、计算两个拟合区域的拟合直线的交点，得到角点坐标。
上述方法由于将边缘检测得到的多个边缘像素点划分在两个区域，并且在每个区域中，根据该区域内的边缘像素点拟合出一条直线，因此两个拟合区域得到两条拟合直线，计算两条拟合直线的交点，即可得到要匹配的角点的坐标，从而无需人工设置偏移量，能在目标图像上精确定位出角点位置，精确进行图像匹配，进而能够精确控制机构的运动。
本申请提供的角点定位方法，首先对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点，然后将多个边缘像素点按预设规则划分在两个拟合区域中，在每个拟合区域中对各个边缘像素点的坐标进行线性拟合，得到两条拟合直线，最后计算两条拟合直线的交点，即可得到角点坐标，因此进行图像匹配时，能够精确定位出需要的角点位置，无需人工预先设置偏移量，不仅减少人工的操作，更大大提升了角点定位和图像匹配的准确度，从而提升机构的运动精度。
一个实施例中，在对感兴趣区域进行边缘检测之前，可以先进行粗匹配操作，大致定位出角点所在区域。因而，如图6所示，步骤101前还可以包括步骤：100、将模板图像在目标图像上进行粗匹配，得到感兴趣区域。
其中，如图7所示，步骤100具体可以包括步骤：
100A、计算目标图像各像素点的归一化相关系数。
本实施例中，设模板图像中某像素点的灰度值为t(u，v)，其中，(u，v)表示模板图像上该像素点的坐标；设模板图像移动到目标图像当前位置时，模板图像上感兴趣区域的灰度值为f(r+u，c+v)，其中，r表示目标图像上某像素点的横坐标，c表示目标图像上某像素点的纵坐标。用ncc表示归一化相关系数，则目标图像上的像素点的归一化相关系数可以表示如下：
其中，上述公式中，T表示模板图像中所有像素点的坐标的合集，n表示感兴趣区域内像素点的个数，mt是模板图像的平均灰度值，是模板图像所有像素点灰度值的方差，即：
mf(r，c)和分别是平移到图像当前位置的目标图像的感兴趣区域中所有像素点的平均灰度值和方差，公式表达如下：
100B、将目标图像的像素点按照与其对应的归一化相关系数，从大到小进行排序。
100C、选取目标图像上排序在前的预设个像素点作为感兴趣区域。
实施例二：
相应的，本申请还提供一种角点定位装置，请参考图8，图8为本发明实施的装置结构示意图。如图8所示，角点定位装置可以包括：
边缘检测单元30，用于对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点。
划分单元31，用于将边缘检测单元30获取到的所述多个边缘像素点按照预设规则划分在两个拟合区域中。
线性拟合单元32，用于根据划分单元31划分得到的每个所述拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线。
角点确定单元33，用于计算线性拟合单元32得到的两个拟合区域的拟合直线的交点，得到角点坐标。
请一并参阅图9，一个实施例中，本申请提供的角点定位装置还包括：
粗匹配单元34，用于在边缘检测单元30进行检测前，将模板图像在目标图像上进行粗匹配，得到感兴趣区域。
一个实施例中，粗匹配单元34具体包括：
相似性计算模块340，用于计算所述目标图像各像素点的归一化相关系数。
排序模块341，用于将所述目标图像的像素点按照与其对应的所述归一化相关系数，从大到小进行排序。
选取模块342，用于选取目标图像上排序在前的预设个数的像素点作为感兴趣区域。
一个实施例中，边缘检测单元30具体包括：
滤波处理模块300，用于对所述目标图像上的感兴趣区域进行滤波处理。
梯度值计算模块301，用于计算所述感兴趣区域上各个像素点的灰度梯度值。
非极大值抑制模块302，用于将所述感兴趣区域上若干个相邻的像素点作为一个邻域，选取每个邻域中灰度梯度值最大的像素点，得到备选像素点。
选择模块303，用于从所述备选像素点中选择梯度值大于最小阈值同时小于最大阈值的像素点，作为边缘像素点。
一个实施例中，本申请的角点定位装置的线性拟合单元32具体包括：
第一选择模块320，用于选择拟合区域中的任意两个边缘像素点，连接成一直线。
第二选择模块321，用于选择拟合区域中的第三个边缘像素点，作为数据点。
距离计算模块322，用于计算所述数据点与所述直线的距离。
距离判断模块323，用于判断所述距离是否小于距离阈值。
第三选择模块324，用于在距离判断模块323判断结果为是时，选择所述数据点作为局内点。
遍历判断模块325，用于判断是否遍历该拟合区域中所有像素点。
比例计算模块326，用于在遍历判断模块325判断结果为是时，计算所述局内点的个数与所述拟合区域中的数据点的个数的比例。
比例判断模块327，用于判断比例计算模块326计算出的所述比例是否大于比例阈值。
次数判断模块328，用于在比例判断单元327判断结果为是时，判断所述数据点的选择次数是否小于次数阈值。
直线拟合模块329，用于在次数判断模块328的判断结果为是时，采用最小二乘法对所述局内点进行直线拟合，得到拟合直线。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。
Claims (8)
1.一种角点定位方法，其特征在于，包括：
对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点；
将所述多个边缘像素点按照预设规则划分在两个拟合区域中；其中，所述预设规则，包括：在模板学习时，设置待匹配区域以及分割区域，并保存其相对位置关系，在模板匹配时，匹配出待匹配区域，然后根据预设的相对位置关系计算出分割区域的中心点，将所述中心点分别与待匹配区域的左上端点和右上端点连接作为分割线，计算对角线两侧所包含的边缘像素点的数目的比值，若比值等于或接近1，则沿该对角线方向分割，否则，沿另一对角线方向进行分割；或者，在模板学习时，设置模板待匹配区域、干扰去除区域以及靶标，并保存其相对位置关系，进行模板匹配时，匹配出待匹配区域位置，根据预设的相对位置关系去除干扰区域，连接靶标位置及干扰去除区域右下端点作为分割线；
根据每个所述拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线；
计算所述两个拟合区域的拟合直线的交点，得到角点坐标；
所述根据每个所述拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线，包括：
选择所述拟合区域中的任意两个边缘像素点，连接成一直线；
选择所述拟合区域中的第三个边缘像素点，作为数据点，计算所述数据点与所述直线的距离；
判断所述距离是否小于距离阈值，若是，则将所述数据点作为局内点；
判断是否遍历该拟合区域中所有像素点，若是，则计算所述局内点的个数与所述拟合区域中的数据点的个数的比例；
判断所述比例是否大于比例阈值，若是，则判断所述数据点的选择次数是否小于阈值，若是，则采用最小二乘法对所述局内点进行直线拟合，得到拟合直线。
2.如权利要求1所述的角点定位方法，其特征在于，所述对目标图像上的感兴趣区域进行边缘检测之前包括：
将模板图像在目标图像上进行粗匹配，得到感兴趣区域。
3.如权利要求2所述的角点定位方法，其特征在于，所述将模板图像在目标图像上进行粗匹配，得到感兴趣区域包括：
计算所述目标图像各像素点的归一化相关系数；
将所述目标图像的像素点按照与其对应的所述归一化相关系数，从大到小进行排序；
选取目标图像上排序在前的预设个数的像素点作为感兴趣区域。
4.如权利要求1-3中任意一项所述的角点定位方法，其特征在于，所述对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点包括：
对所述目标图像上的感兴趣区域进行滤波处理；
计算所述感兴趣区域上各个像素点的灰度梯度值；
将所述感兴趣区域上若干个相邻的像素点作为一个邻域，选取每个邻域中灰度梯度值最大的像素点，得到备选像素点；
从所述备选像素点中选择梯度值大于最小阈值同时小于最大阈值的像素点，作为边缘像素点。
5.一种角点定位装置，其特征在于，包括：
边缘检测单元，用于对目标图像上的感兴趣区域进行边缘检测，获取多个边缘像素点；
划分单元，用于将所述边缘检测单元获取到的所述多个边缘像素点按照预设规则划分在两个拟合区域中；其中，所述预设规则，包括：在模板学习时，设置待匹配区域以及分割区域，并保存其相对位置关系，在模板匹配时，匹配出待匹配区域，然后根据预设的相对位置关系计算出分割区域的中心点，将所述中心点分别与待匹配区域的左上端点和右上端点连接作为分割线，计算对角线两侧所包含的边缘像素点的数目的比值，若比值等于或接近1，则沿该对角线方向分割，否则，沿另一对角线方向进行分割；或者，在模板学习时，设置模板待匹配区域、干扰去除区域以及靶标，并保存其相对位置关系，进行模板匹配时，匹配出待匹配区域位置，根据预设的相对位置关系去除干扰区域，连接靶标位置及干扰去除区域右下端点作为分割线；
线性拟合单元，用于根据所述划分单元划分得到的每个所述拟合区域中的各个边缘像素点的坐标进行线性拟合，得到每个拟合区域的拟合直线；
角点确定单元，用于计算所述线性拟合单元得到的两个拟合区域的拟合直线的交点，得到角点坐标；其中，
所述线性拟合单元具体包括：
第一选择模块，用于选择所述拟合区域中的任意两个边缘像素点，连接成一直线；
第二选择模块，用于选择所述拟合区域中的第三个边缘像素点，作为数据点；
距离计算模块，用于计算所述数据点与所述直线的距离；
距离判断模块，用于判断所述距离是否小于距离阈值；
第三选择模块，用于在所述阈值判断模块判断结果为是时，选择所述数据点作为局内点；
遍历判断模块，用于判断是否遍历该拟合区域中所有像素点；
比例计算模块，用于在所述遍历判断模块判断结果为是时，计算所述局内点的个数与所述拟合区域中的数据点的个数的比例；
比例判断模块，用于判断所述比例计算模块计算出的所述比例是否大于比例阈值；
次数判断模块，用于在所述比例判断单元判断结果为是时，判断所述数据点的选择次数是否小于次数阈值；
直线拟合模块，用于在所述次数判断模块的判断结果为是时，采用最小二乘法对所述局内点进行直线拟合，得到拟合直线。
6.如权利要求5所述的角点定位装置，其特征在于，还包括：
粗匹配单元，用于在所述边缘检测单元进行检测前，将模板图像在目标图像上进行粗匹配，得到感兴趣区域。
7.如权利要求6所述的角点定位装置，其特征在于，所述粗匹配单元具体包括：
相似性计算模块，用于计算所述目标图像各像素点的归一化相关系数；
排序模块，用于将所述目标图像的像素点按照与其对应的所述归一化相关系数，从大到小进行排序；
选取模块，用于选取目标图像上排序在前的预设个数的像素点作为感兴趣区域。
8.如权利要求5-7中任意一项所述的角点定位装置，其特征在于，所述边缘检测单元具体包括：
滤波处理模块，用于对所述目标图像上的感兴趣区域进行滤波处理；
梯度值计算模块，用于计算所述感兴趣区域上各个像素点的灰度梯度值；
非极大值抑制模块，用于将所述感兴趣区域上若干个相邻的像素点作为一个邻域，选取每个邻域中灰度梯度值最大的像素点，得到备选像素点；
选择模块，用于从所述备选像素点中选择梯度值大于最小阈值同时小于最大阈值的像素点，作为边缘像素点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510496399.1A CN105069799B (zh) | 2015-08-13 | 2015-08-13 | 一种角点定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510496399.1A CN105069799B (zh) | 2015-08-13 | 2015-08-13 | 一种角点定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105069799A CN105069799A (zh) | 2015-11-18 |
| CN105069799B true CN105069799B (zh) | 2017-03-22 |
Family
ID=54499156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510496399.1A Active CN105069799B (zh) | 2015-08-13 | 2015-08-13 | 一种角点定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105069799B (zh) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023171B (zh) * | 2016-05-12 | 2019-05-14 | 惠州学院 | 一种基于转弯半径的图像角点检测方法 |
| CN109448059B (zh) * | 2016-08-31 | 2021-06-01 | 北京航空航天大学 | 一种快速x角点亚像素检测方法 |
| CN106503737B (zh) * | 2016-10-20 | 2019-03-05 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
| CN106910197B (zh) * | 2017-01-13 | 2019-05-28 | 广州中医药大学 | 一种单目标区域的复杂背景植物叶片图像的分割方法 |
| CN109211102B (zh) * | 2017-07-03 | 2020-10-27 | 北京信息科技大学 | 亚像素级角点的检测方法及系统 |
| CN107274377B (zh) * | 2017-07-11 | 2020-05-22 | 北京奇艺世纪科技有限公司 | 一种图像非本地滤波的方法及装置 |
| CN107436125B (zh) * | 2017-08-03 | 2020-03-10 | 环旭电子股份有限公司 | 定位检测方法 |
| CN107563440B (zh) * | 2017-09-01 | 2020-07-28 | 京东方科技集团股份有限公司 | 一种图像处理方法及装置 |
| CN108256564B (zh) * | 2018-01-10 | 2022-04-19 | 广东工业大学 | 一种基于距离度量相异度的自适应模版匹配方法及装置 |
| CN109345550A (zh) * | 2018-08-07 | 2019-02-15 | 信利光电股份有限公司 | 结构光图像的光斑角点抓取方法、装置及可读存储介质 |
| CN109187950B (zh) * | 2018-09-29 | 2022-08-23 | 上海艾瑞德生物科技有限公司 | 一种自适应的荧光免疫层析定量检测特征提取方法 |
| CN109406539B (zh) * | 2018-11-28 | 2024-04-09 | 广州番禺职业技术学院 | 一种透明药瓶底部积料缺陷检测系统与方法 |
| CN110769223B (zh) * | 2018-12-27 | 2021-09-28 | 成都极米科技股份有限公司 | 投影图像的调整方法、装置及可读存储介质 |
| CN109767473B (zh) * | 2018-12-30 | 2022-10-28 | 惠州华阳通用电子有限公司 | 一种全景泊车装置标定方法及装置 |
| CN110640303B (zh) * | 2019-09-26 | 2022-06-07 | 南京魔迪多维数码科技有限公司 | 高精度视觉定位系统及其定位校准方法 |
| CN110866949A (zh) * | 2019-11-15 | 2020-03-06 | 广东利元亨智能装备股份有限公司 | 中心点定位方法、装置、电子设备和存储介质 |
| CN111563883B (zh) * | 2020-04-22 | 2023-05-05 | 惠州旭鑫智能技术有限公司 | 屏幕视觉定位方法、定位设备及存储介质 |
| CN111598917B (zh) * | 2020-07-15 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 数据嵌入方法、装置、设备及计算机可读存储介质 |
| CN112308836B (zh) * | 2020-11-02 | 2022-10-04 | 创新奇智(上海)科技有限公司 | 角点检测方法、装置、电子设备及可读存储介质 |
| CN113284154B (zh) * | 2021-05-25 | 2022-04-26 | 武汉钢铁有限公司 | 钢卷端面图像分割方法、装置及电子设备 |
| CN113222986B (zh) * | 2021-06-04 | 2022-08-09 | 中冶宝钢技术服务有限公司 | 连铸坯角点及边缘轮廓点集定位方法、系统、介质及装置 |
| CN113592808B (zh) * | 2021-07-28 | 2024-04-02 | 福建威而特旋压科技有限公司 | 一种皮带轮视觉检测方法 |
| CN115731256A (zh) * | 2021-08-30 | 2023-03-03 | 歌尔科技有限公司 | 一种顶点坐标的检测方法、装置、设备及存储介质 |
| CN114648542A (zh) * | 2022-03-11 | 2022-06-21 | 联宝(合肥)电子科技有限公司 | 一种目标物提取方法、装置、设备及可读存储介质 |
| CN115229804B (zh) * | 2022-09-21 | 2023-02-17 | 荣耀终端有限公司 | 组件贴合方法和装置 |
| CN115272472B (zh) * | 2022-09-27 | 2023-01-06 | 成都新西旺自动化科技有限公司 | 一种异形高精度对位系统 |
| CN115355822B (zh) * | 2022-10-19 | 2023-01-17 | 成都新西旺自动化科技有限公司 | 一种异形对位计算方法及系统 |
| CN116778183B (zh) * | 2023-07-07 | 2024-02-02 | 广州工程技术职业学院 | 玻璃量器分度线识别方法及装置、设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573698A (zh) * | 2014-12-31 | 2015-04-29 | 河海大学 | 面向成像测量的图像纹理主方向识别方法 |
| CN104732511A (zh) * | 2013-12-24 | 2015-06-24 | 华为技术有限公司 | 一种凸多边形图像块的检测方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4926116B2 (ja) * | 2008-04-16 | 2012-05-09 | 株式会社日立ハイテクノロジーズ | 画像検査装置 |
-
2015
- 2015-08-13 CN CN201510496399.1A patent/CN105069799B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732511A (zh) * | 2013-12-24 | 2015-06-24 | 华为技术有限公司 | 一种凸多边形图像块的检测方法、装置及设备 |
| CN104573698A (zh) * | 2014-12-31 | 2015-04-29 | 河海大学 | 面向成像测量的图像纹理主方向识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105069799A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105069799B (zh) | 一种角点定位方法及装置 | |
| CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
| US10957068B2 (en) | Information processing apparatus and method of controlling the same | |
| JP5699788B2 (ja) | スクリーン領域検知方法及びシステム | |
| US7965893B2 (en) | Method, apparatus and storage medium for detecting cardio, thoracic and diaphragm borders | |
| CN107316326B (zh) | 应用于双目立体视觉的基于边的视差图计算方法和装置 | |
| CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
| US20040066964A1 (en) | Fast two dimensional object localization based on oriented edges | |
| CN110390677B (zh) | 一种基于滑动自匹配的缺陷定位方法及系统 | |
| CN108345821B (zh) | 面部追踪方法及设备 | |
| CN104239909A (zh) | 一种图像的识别方法和装置 | |
| CN111401449B (zh) | 一种基于机器视觉的图像匹配方法 | |
| CN106373128B (zh) | 一种嘴唇精确定位的方法和系统 | |
| CN106447701A (zh) | 用于图像相似性确定、对象检测和跟踪的方法和装置 | |
| CN108961304B (zh) | 识别视频中运动前景的方法和确定视频中目标位置的方法 | |
| KR20160044316A (ko) | 깊이 정보 기반 사람 추적 장치 및 그 방법 | |
| CN114387515A (zh) | 一种基于机器视觉的切割路径规划方法及装置 | |
| CN108229583B (zh) | 一种基于主方向差分特征的快速模板匹配的方法及装置 | |
| EP3465531B1 (en) | Localization of planar objects in images bearing repetitive patterns | |
| CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
| CN111368573A (zh) | 一种基于几何特征约束的定位方法 | |
| CN109671098B (zh) | 可适用多重追踪的目标追踪方法与系统 | |
| CN113628202B (zh) | 一种确定方法、清洁机器人和计算机存储介质 | |
| CN114936997A (zh) | 检测方法、装置、电子设备及可读存储介质 | |
| CN109741370B (zh) | 一种目标跟踪方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |