CN105551065B - 基于标记点能量分布的多线拟合特征提取方法 - Google Patents
基于标记点能量分布的多线拟合特征提取方法 Download PDFInfo
- Publication number
- CN105551065B CN105551065B CN201510894705.7A CN201510894705A CN105551065B CN 105551065 B CN105551065 B CN 105551065B CN 201510894705 A CN201510894705 A CN 201510894705A CN 105551065 B CN105551065 B CN 105551065B
- Authority
- CN
- China
- Prior art keywords
- energy
- center
- point
- extraction
- search
- 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
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明基于标记点能量分布的多线拟合特征提取方法属于计算机视觉测量技术领域,涉及一种适用于圆形标记点的亚像素级中心点提取方法。该方法利用视觉标记点能量的线性分布特征,通过标记点粗提取快速获得初始搜索区域,在区域内选定能量高点,对其进行多方向线性搜索,对搜索结果进行多能量线空间拟合,最终根据到拟合直线距离最小优化获得高精度特征标记中心。本发明采用粗精二步式提取大大提高提取运算速度;同时由于标记点能量分布在任何测量视角下均成线性分布,这使得该提取方法能够适应全测量视场;多能量线空间拟合优化进一步提高中心提取精度,最大限度提高特征标记中心提取精度。
Description
技术领域
本发明属于计算机视觉测量技术领域,涉及一种适用于圆形标记点的亚像素级中心点提取方法。
背景技术
随着现代科技的不断进步,对测量技术的要求不断提高。特别对于精密测量领域,要求测量精度高且不能对被测量产生影响。针对这种测量需求,非接触式测量成为现代精密测量的主要发现方向,其中视觉测量以其非接触、精度高、适应性强等优点被普遍应用。但由于视觉测量设备的测量原理,其测量精度受其图像特征标记提取精度限制,特别对于特征非正面视角时,特征标记点产生形变,其提取精度将大大降低,这将导致整体测量精度下降。为解决这一问题,提高全测量过程图像标记点提取精度是现阶段要解决的主要难题。
目前使用的标记点约束都较少,大多采用灰度阶跃式变化的标记点,提取过程中只采用提取到的标记点中的标记信息。例如,解则晓,高翔,崔健等人2013年在中国激光发表的《移动式三维测量用圆形标记点提取算法》采用内部为白色亮圆、周围带有黑圈的圆形标记点,提取的仅仅是白色内圆和黑色外圆环交线上的部分点,提取的图像信息和约束都十分有限,不能保正圆心的准确性。张正友等人1988年在IEEE TRANSACTIONS ON PATTERNANALYSIS AND MACHINE INTELLIGENCE上发表的《A Flexible New Technique for CameraCalibration》使用棋盘格标定靶标进行标定,保证了精度问题;但是在操作过程中需要人工指定棋盘格交叉点范围,然后进行角点搜索,用到的标记特征较少,抗干扰性差,操作较为复杂,智能化低。
发明内容
本发明要解决的技术难题是克服现有技术的缺陷,发明一种基于标记点能量分布的多线拟合特征提取方法,该方法利用视觉标记点能量的线性分布特征,通过标记点粗提取快速获得初始搜索区域,在区域内选定能量高点,对其进行多方向线性搜索,对搜索结果进行多能量线空间拟合,最终根据到拟合直线距离最小优化获得高精度特征标记中心。该方法中粗提取可有效避免环境因素中噪点对测量精度的影响;并采用粗精二步式提取大大提高提取速度,整体提高测量效率;同时由于标记点能量分布在任何测量视角下均成线性分布,这使得该提取方法能够适应全测量视场,对标记点进行准确提取;多能量线空间拟合优化进一步提高中心提取精度,最大限度提高特征标记点中心提取精度。
本发明采用的技术方案是一种基于标记点能量分布的多线拟合特征提取方法,其特征是,通过灰度重心法提取特征标记中心初始值,并建立能量高点搜索区域,在高点搜索区域内搜索能量最高点作为能量高点,并以能量高点为中心进行二维多方向线性搜索,建立多线能量三维空间,利用特征标记点中心与各能量线间关系进行优化提取标记点中心,该方法的具体提取步骤如下:
第一步特征标记中心粗提取
采用灰度重心法对图像特征标记进行中心粗提取,利用高斯一阶微分算子对图像进行卷积操作以获得特征标记各像素灰度梯度,则梯度重心点坐标的求取方法如下:
其中:C(a,b)为应用梯度重心法所提取的粗提取初始中心1像素坐标值,|G(a,b)|为(a,b)点的梯度幅值,w,h分别为目标图像的宽和高,P(a,b)为(a,b)点的图像坐标;
第二步搜索能量高点
以粗提取初始中心1所在像素为圆点,向外扩大N层像素区域作为能量高点搜索区域2,在搜索区域内进行像素点灰度比较,取灰度值最高的像素点作为能量线搜索初始位置3;
第三步多能量线空间建立
在特征标记的像平面内,以能量线搜索初始位置3为圆心,以四周M个方向作为直线搜索方向4,获得各直线路径内所有像素灰度值,以各像素坐标作为能量线空间的X、Y坐标,以标记点灰度值作为能量线空间Z坐标;
利用能量分布线性特征,对各条搜索线在能量线空间内进行直线拟合,建立多能量线空间:
其中,m、n、xo、yo为所拟合直线参数,(xj yj zj)为拟合直线所用点的空间坐标,j=1,2,3,…,n;
第四步距离优化标记中心提取
以标记中心点到能量线空间内多能量线距离和最小为优化目标,利用点到空间线距离公式进行中心提取优化获得特征标记最终中心:
其中,di是最终中心点[x y z]到第i条直线的距离。
本发明的有益效果是在测量过程中,利用特征标记的能量分布线性特征,实现变形圆特征的高速精确提取,采用粗精结合的提取方式提高提取算法速度,同时利用多能量线优化的方法进一步提高算法精度,以实现高效、高精度标记点中心提取。
附图说明
图1为基于标记点能量分布的多线拟合特征提取方法原理图,其中,1‐粗提取初始中心、2‐能量高点搜索区域、3‐能量线搜索初始位置、4‐直线搜索方向、5最终中心坐标。
图2为形变圆形标记点中心提取过程图,其中6‐粗提取中心,7‐能量高点。
图3为能量线空间拟合示意图,其中,8‐拟合能量线、9‐特征标记中心点。
图4为提取方法流程图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
附图1为基于标记点能量分布的多线拟合特征提取方法原理图。本方法通过灰度重心法提取特征标记中心初始值,建立能量高点搜索区域,在高点搜索区域内搜索能量最高点作为能量高点,并以能量高点为中心进行二维多方向线性搜索,建立多线能量三维空间,利用特征标记点中心与各能量线间关系进行优化提取标记点中心。提取方法流程图如附图4所示,具体提取步骤如下:
第一步特征标记中心粗提取
采用灰度重心法对图像特征标记进行中心粗提取,获得如图2所示粗提取中心6作为初始中心。
第二步搜索能量高点
以粗提取中心6所在像素为圆点,向外扩大3层像素区域作为能量高点搜索区域2,在搜索区域内进行像素点灰度比较,获得如图2所示的能量高点7作为能量线搜索初始位置3;
第三步多能量线空间建立
在特征标记的像平面内,以能量高点7为圆心,向四周均布的8个方向进行直线搜索,获得各直线路径内所有像素灰度值,以各像素像素坐标作为能量线空间的X、Y坐标,以标记点灰度值作为能量空间Z坐标;对各条搜索线在能量线空间内进行直线拟合,建立如图3所示的多能量线空间;
第四步距离优化特征标记中心提取
以特征标记中心点到能量线空间内多能量线距离和最小为优化目标,利用点到空间线距离公式进行中心提取优化获得如图3所示的特征标记中心点9。
本发明利用特征标记的能量分布线性特征,实现变形圆形特征的高速精确提取,采用粗精结合的提取方式提高提取算法速度,并利用能量线性分布原理实现对变形圆标记点的准确提取,同时利用多能量线优化的方法进一步提高算法精度,以实现高效、高精度标记点中心提取。
Claims (1)
1.一种基于标记点能量分布的多线拟合特征提取方法,其特征是,通过灰度重心法提取特征标记中心初始值,并建立能量高点搜索区域,在高点搜索区域内搜索能量最高点作为能量高点,并以能量高点为中心进行二维多方向线性搜索,建立多线能量三维空间,利用特征标记点中心与各能量线间关系进行优化提取标记点中心,该方法的具体提取步骤如下:
第一步 特征标记中心粗提取
采用灰度重心法对图像特征标记中心进行 粗提取,利用高斯一阶微分算子对图像进行卷积操作以获得特征标记各像素灰度梯度,则梯度重心点坐标的求取方法如下:
其中:C(a,b)为应用梯度重心法所提取的粗提取初始中心(1)像素坐标值,|G(a,b)|为(a,b)点的梯度幅值,w,h分别为目标图像的宽和高,P(a,b)为(a,b)点的图像坐标;
第二步 搜索能量高点
以粗提取初始中心(1)所在像素为圆点,向外扩大N层像素区域作为能量高点搜索区域(2),在搜索区域内进行像素点灰度比较,取灰度值最高的像素点作为能量线搜索初始位置(3);
第三步 能量线空间建立
在特征标记的像平面内,以能量线搜索初始位置(3)为圆心,以四周M个方向作为直线搜索方向(4),获得各直线路径内所有像素灰度值,以各像素坐标作为能量线空间的X、Y坐标,以标记点灰度值作为能量线空间Z坐标;
利用能量分布线性特征,对各条搜索线在能量线空间内进行直线拟合,建立多能量线空间:
其中,m、n、xo、yo为所拟合直线参数,(xj yj zj)为拟合直线所用点的空间坐标,j=1,2,3,…,n;
第四步 距离优化标记中心提取
以标记中心点到能量线空间内多能量线距离和最小为优化目标,利用点到空间线距离公式进行中心提取优化获得特征标记最终中心:
其中,di是最终中心点[x y z]到第i条直线的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510894705.7A CN105551065B (zh) | 2015-12-08 | 2015-12-08 | 基于标记点能量分布的多线拟合特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510894705.7A CN105551065B (zh) | 2015-12-08 | 2015-12-08 | 基于标记点能量分布的多线拟合特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105551065A CN105551065A (zh) | 2016-05-04 |
CN105551065B true CN105551065B (zh) | 2017-12-26 |
Family
ID=55830241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510894705.7A Active CN105551065B (zh) | 2015-12-08 | 2015-12-08 | 基于标记点能量分布的多线拟合特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105551065B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632384A (zh) * | 2013-10-25 | 2014-03-12 | 大连理工大学 | 组合式标记点及标记点中心的快速提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101637229B1 (ko) * | 2008-12-23 | 2016-07-08 | 고려대학교 산학협력단 | Sift 기반의 특징점 추출 장치 및 방법과 이를 이용한 얼굴 인식 시스템 |
-
2015
- 2015-12-08 CN CN201510894705.7A patent/CN105551065B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632384A (zh) * | 2013-10-25 | 2014-03-12 | 大连理工大学 | 组合式标记点及标记点中心的快速提取方法 |
Non-Patent Citations (2)
Title |
---|
A Flexible New Technique for Camera Calibration;Zhengyou Zhang等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20001130;第22卷(第11期);第1330-1334页 * |
移动式三维测量用圆形标记点提取算法;解则晓 等;《中国激光》;20131231;第40卷(第12期);第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105551065A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104764440B (zh) | 基于彩色图像的滚转物单目位姿测量方法 | |
CN109612390B (zh) | 基于机器视觉的大尺寸工件自动测量系统 | |
CN104050446B (zh) | 一种基于指针宽度特征的仪表指针图像识别方法 | |
CN114323543B (zh) | 一种提高压敏漆试验效率的方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN104331689B (zh) | 一种合作标识及多智能个体身份与位姿的识别方法 | |
CN113724193B (zh) | Pcba零部件尺寸及间隙高精度视觉测量方法 | |
CN105067011A (zh) | 一种基于视觉标定及坐标转换的测量系统整体校准方法 | |
CN103759669A (zh) | 一种大型零件的单目视觉测量方法 | |
CN104766309A (zh) | 一种平面特征点导航定位方法与装置 | |
CN109035292A (zh) | 基于深度学习的运动目标检测方法及装置 | |
CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
CN108394814A (zh) | 基于图像识别的岸桥大车引导系统及方法 | |
CN109448043A (zh) | 平面约束下的立木高度提取方法 | |
CN103528520A (zh) | 基于双目视觉的同步运行顶升系统的检测装置与方法 | |
CN109974618A (zh) | 多传感器视觉测量系统的全局标定方法 | |
CN114580559A (zh) | 一种基于单目视觉系统的测速方法 | |
Chen et al. | Stereo vision sensor calibration based on random spatial points given by CMM | |
CN106529548A (zh) | 亚像素级的多尺度Harris角点检测算法 | |
CN107328371A (zh) | 基于高斯影响的亚像素轮廓提取及利用Softmax回归在钣金检测场景下的优化 | |
CN206281468U (zh) | 一种柱状物体垂直度的非接触式检测装置 | |
CN105551065B (zh) | 基于标记点能量分布的多线拟合特征提取方法 | |
CN105118069A (zh) | 一种复杂环境直线检测和筛选方法及应用该方法的机器人 | |
CN105005985B (zh) | 背光图像微米级边缘检测方法 | |
CN105844614B (zh) | 一种基于校对机器人角度的视觉指北方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |