CN106023186A - 一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其优点在于采用超像素分割技术，对视觉图像进行聚类分割，再对分割后的图像计算每个聚类超像素的梯度能量，使得轮毂边缘的显著性大大增强，从而将轮毂图像准确的分割出来；再根据分割后的轮毂图像，获取初步圆心和半径，以此作为参考圆心进行扫描获取边缘扫描数据，剔除所获得扫描数据的噪声干扰点，进行最小二乘法拟合圆，达到毛坯轮毂钻孔定位所需的精确定位。

Description

一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法

技术领域

本发明涉及车辆轮毂识别技术领域，尤其涉及一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法。

背景技术

轮毂，又叫做轮圈，是汽车、摩托车等机动车辆的重要部件之一。在轮毂自动化生产过程中，由于输送辊筒背景色和轮毂颜色接近，以及外界环境光干扰，造成视觉图像分割困难，轮毂钻孔中心难以准确定位，亟待改进。

发明内容

本发明所要解决的技术问题是提供一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，通过超像素分割及能量变化，获得边缘显著的轮毂分割图像，并基于最小二乘法的拟合对轮毂分割图像中的钻孔中心进行精确定位。

本发明解决上述技术问题所采用的技术方案为：一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，包括如下步骤：视觉图像通过改进的超像素分割，获得轮毂分割图像；基于最小二乘法圆拟合对轮毂分割图像中的钻孔中心进行定位。。

其中，所述视觉图像的改进的超像素分割过程如下：

11)视觉图像上均匀初始化K个初始聚类中心C_k(k＝1,2,...K)在间隔为S的网格节点上；其中，N为图像像素总数量；

12)选取以聚类中心5×5邻域内梯度值最小的像素点为新的聚类中心根据归一化距离度量在聚类中心分配像素点，形成与聚类中心对应的聚类图像块G_j，并将所有像素点赋予与其归一化距离最近的聚类中心标签；其中，基于颜色和空间位置特征的归一化距离为：式中，向量C为CIELAB颜色空间中的3维颜色向量，N_C为向量C的颜色与空间距离的归一化常数；向量L表示2维空间位置坐标，N_L为向量L的颜色与空间距离的归一化常数；下标j＝1,2,...K为聚类中心标签，下标i为对应聚类中心j的2S×2S大小邻域内的像素标签；

13)聚类中心依据对应聚类图像块G_j中所有像素颜色和空间特征的均值进行迭代更新，即其中，N_j为聚类图像块G_j的像素数量；

14)重复步骤12)、13)，重新计算聚类中心并重新聚类，重复迭代，计算迭代过程中相邻2次同一编号聚类中心的空间移动距离E，直到所有E小于设定的门限值threshold，聚类结束；然后采用邻近合并策略消除孤立的尺寸小于的超像素，得到超像素分割图像；

15)基于Snake模型的能量谱空间；计算步骤14)所述超像素分割图像中每个超像素的Snake能量，得到Snake能量图；

16)通过对步骤15)所述Snake能量图进行扫描，分割出轮毂大致轮廓；

17)根据步骤16)中的轮廓，获取到轮毂的大致圆心(x',y')及半径参考值R'，以r∈(R'-10,R')为扫描范围进行Hough变换，计算出拟合的分割圆心(x₀,y₀)及半径r，并保留半径周边梯度变换较大范围以内的像素点，获得轮毂分割图像。

所述Snake模型的能量函数为：E_snake＝∫[E_int(V(s))+E_ext(V(s))]ds；

其中：V(s)表示待分割的目标的外轮廓，s为归一化的弧长参数，s∈[0,1]；E_int表示轮廓的内部能量，用于度量轮廓的光滑性和弹性；E_ext为轮廓的外部能量，代表图像信息在轮廓曲线中偏向图像梯度较大的位置。

所述E_int由Snake模型演化曲线形状的基本属性所决定，其中，V_s为曲线对s的一阶微分，V_ss表示曲线对s的二阶微分，α表示弹力系数，β表示强度系数。

所述外能E_ext的计算公式为：其中，I(x,y)为图像灰度值，G_δ(x,y)为方差δ的高斯滤波器。

其中，所述基于最小二乘法圆拟合对轮毂分割图像中的钻孔中心进行定位，具体包括以下步骤：

21)以分割圆心(x₀,y₀)为基准点，径向扫描轮毂分割图像获取边缘点数据；

22)对边缘点数据进行预处理；

23)基于预处理后的边缘点数据，利用最小二乘法圆拟合获得轮毂钻孔中心的坐标。

作为优选，步骤21)所述径向扫描的步进角为360/M，扫描范围为r-20～r+20，其中M即为总的边缘点数；由r+20的距离开始往圆心方向径向扫描轮毂分割图像，遇到白点即认为是边缘点，记录该点坐标为：

x1(i)＝round(len(i)*cos(alf*π/180)+x₀) (1)

y1(i)＝round(len(i)*sin(alf*π/180)+x₀) (2)

其中，alf为扫描角度，alf∈[1,360]；len为扫描范围，len∈[r-20,r+20]。

作为优选，步骤22)所述对边缘点数据进行预处理具体为：

采用均值法对对步骤21)获得的边缘点进行自适应纠偏，纠偏公式如下：

$\begin{array}{cc}rr\left(i\right)=rr\left(i\right)-\[\frac{1}{N}\underset{n=i}{\overset{i+N}{\Σ}}rr\left(n\right)-\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}rr\left(j\right)\]& i\∈\[1,M\]\end{array}---\left(3\right)$

其中，rr(i)为边缘点到圆心距离，N为均值平滑区间内平滑的点数；纠偏后边缘点对应的坐标记为(x_i,y_i),i∈[1,M]。

作为优选，步骤23)所述利用最小二乘法圆拟合获得轮毂钻孔中心的坐标的具体步骤如下：

令圆曲线方程为：

r²＝(x-x₀)²+(y-y₀)² (4)

展开后得到圆曲线的另外一种形式：

x²+y²+Ax+By+C＝0 (5)

利用步骤22)得到的纠偏后边缘点数据用最小二乘法拟合最优圆，最小二乘法拟合公式为：

$Q(A,B,C)=\underset{i=1}{\overset{M}{\Σ}}{{\mathrm{\δ}}_i}^2=\underset{i=1}{\overset{M}{\Σ}}{({x_i}^2+{y_i}^2+{\mathrm{Ax}}_i+{\mathrm{By}}_i+C)}^2---\left(6\right)$

方差和函数Q(A,B,C)最小情况下所得的圆为目标圆，对该函数求A,B,C的偏导数：

$\frac{\∂Q(A,B,C)}{\∂A}=\frac{\∂Q(A,B,C)}{\∂B}=\frac{\∂Q(A,B,C)}{\∂C}=0---\left(7\right)$

由式(7)求出A,B,C系数，再利用式(5)和式(4)求出圆心坐标及半径。

与现有技术相比，本发明的优点在于采用超像素分割技术，对视觉图像进行聚类分割，再对分割后的图像计算每个聚类超像素的梯度能量，使得轮毂边缘的显著性大大增强，从而将轮毂图像准确的分割出来；再根据分割后的轮毂图像，获取初步圆心和半径，以此作为参考圆心进行扫描获取边缘扫描数据，剔除所获得扫描数据的噪声干扰点，进行最小乘法拟合圆，达到毛坯轮毂钻孔定位所需的精确定位。

具体实施方式

以下结合实施例对本发明作进一步详细描述。

本优选实施例为一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，包括如下步骤：

1)视觉图像通过改进的超像素分割，获得轮毂分割图像，基体过程如下：

11)视觉图像上均匀初始化K个初始聚类中心C_k(k＝1,2,...K)在间隔为S的网格节点上；其中，N为图像像素总数量。

12)选取以聚类中心5×5邻域内梯度值最小的像素点为新的聚类中心根据归一化距离度量在聚类中心分配像素点，形成与聚类中心对应的聚类图像块G_j，并将所有像素点赋予与其归一化距离最近的聚类中心标签；其中，基于颜色和空间位置特征的归一化距离为：

式中，向量C为CIELAB颜色空间中的3维颜色向量，N_C为向量C的颜色与空间距离的归一化常数；向量L表示2维空间位置坐标，N_L为向量L的颜色与空间距离的归一化常数；下标j＝1,2,...K为聚类中心标签，下标i为对应聚类中心j的2S×2S大小邻域内的像素标签。

13)聚类中心依据对应聚类图像块G_j中所有像素颜色和空间特征的均值进行迭代更新，即其中，N_j为聚类图像块G_j的像素数量。

14)重复步骤12)、13)，重新计算聚类中心并重新聚类，重复迭代，计算迭代过程中相邻2次同一编号聚类中心的空间移动距离E，直到所有E小于设定的门限值threshold，聚类结束；然后采用邻近合并策略消除孤立的尺寸小于的超像素，得到超像素分割图像。其中，新的聚类中心的选取范围也可以为原聚类中心4×4邻域内或其他范围；当原聚类中心3×3邻域为新的聚类中心的选取范围时，聚类结束的限制可采用聚类中心的移动个数阀值；这些简单变换应视为本发明方案的等同替换。

15)基于Snake模型的能量谱空间；计算步骤14)所述超像素分割图像中每个超像素的Snake能量，得到Snake能量图，使轮毂边缘的显著性进一步增强。

其中，所述Snake模型的能量函数为：E_snake＝∫[E_int(V(s))+E_ext(V(s))]ds；

式中：V(s)表示待分割的目标的外轮廓，s为归一化的弧长参数，s∈[0,1]。E_int表示轮廓的内部能量，用于度量轮廓的光滑性和弹性，E_int由Snake模型演化曲线形状的基本属性所决定，其中，V_s为曲线对s的一阶微分，是弹性能量项；V_ss表示曲线对s的二阶微分，是刚性能量项；α表示弹力系数，控制曲线收缩速度的快慢；β表示强度系数，取值越大，则轮廓曲线越僵硬，越小则相反。E_ext为轮廓的外部能量，代表图像信息在轮廓曲线中偏向图像梯度较大的位置，外能E_ext的计算公式为：式中，I(x,y)为图像灰度值，G_δ(x,y)为方差δ的高斯滤波器。超像素离散化的Snake能量公式如下：

16)通过对步骤15)所述Snake能量图进行扫描，分割出轮毂大致轮廓。

17)根据步骤16)中的轮廓，获取到轮毂的大致圆心(x',y')及半径参考值R'，以r∈(R'-10,R')为扫描范围进行Hough变换，计算出拟合的分割圆心(x₀,y₀)及半径r，并保留半径周边梯度变换较大范围以内的像素点，获得轮毂分割图像。

2)基于最小二乘法圆拟合对轮毂分割图像中的钻孔中心进行定位，具体包括以下步骤：

21)以分割圆心(x₀,y₀)为基准点，径向扫描轮毂分割图像获取边缘点数据；

径向扫描的步进角为360/M，扫描范围为r-20～r+20，其中M即为总的边缘点数，本实施例中M取值360，也可以为720、180或90；由r+20的距离开始往圆心方向径向扫描轮毂分割图像，遇到白点即认为是边缘点，记录该点坐标为：

x1(i)＝round(len(i)*cos(alf*π/180)+x₀) (1)

y1(i)＝round(len(i)*sin(alf*π/180)+x₀) (2)

其中，alf为扫描角度，alf∈[1,360]；len为扫描范围，len∈[r-20,r+20]。

22)对边缘点数据进行预处理；

理想的边缘对应准确的圆心，边缘点扫描数据应该是水平直线。但实际数据可能受到两方面影响：一方面毛边影响数据的平滑，另一方面，如果初定位圆心(x₀,y₀)偏差较多，则会对整体数据有严重影响。本实施例中采用均值法对对步骤21)获得的边缘点进行自适应纠偏，纠偏公式如下：

$\begin{array}{cc}rr\left(i\right)=rr\left(i\right)-\[\frac{1}{N}\underset{n=i}{\overset{i+N}{\Σ}}rr\left(n\right)-\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}rr\left(j\right)\]& i\∈\[1,M\]\end{array}---\left(3\right)$

其中，rr(i)为边缘点到圆心距离，N为均值平滑区间内平滑的点数；

纠偏后边缘点对应的坐标记为(x_i,y_i),i∈[1,M]。

23)基于预处理后的边缘点数据，利用最小二乘法圆拟合获得轮毂钻孔中心的坐标；令圆曲线方程为：

r²＝(x-x₀)²+(y-y₀)² (4)

展开后得到圆曲线的另外一种形式：

x²+y²+Ax+By+C＝0 (5)

利用步骤22)得到的纠偏后边缘点数据用最小二乘法拟合最优圆，最小二乘法拟合公式为：

$Q(A,B,C)=\underset{i=1}{\overset{M}{\Σ}}{{\mathrm{\δ}}_i}^2=\underset{i=1}{\overset{M}{\Σ}}{({x_i}^2+{y_i}^2+{\mathrm{Ax}}_i+{\mathrm{By}}_i+C)}^2---\left(6\right)$

方差和函数Q(A,B,C)最小情况下所得的圆为目标圆，对该函数求A,B,C的偏导数：

$\frac{\∂Q(A,B,C)}{\∂A}=\frac{\∂Q(A,B,C)}{\∂B}=\frac{\∂Q(A,B,C)}{\∂C}=0---\left(7\right)$

由式(7)求出A,B,C系数，再利用式(5)和式(4)求出圆心坐标及半径。

在本实施例中，优选对纠偏之后的数据进行排序，剔除最小的10个点，从小到大取11～51之间的40个点的数据，将此组数据作为最后圆拟合的纠偏后边缘点数据，以降低噪声。

Claims (9)

1.一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于，包括如下步骤：视觉图像通过改进的超像素分割，获得轮毂分割图像；基于最小二乘法圆拟合对轮毂分割图像中的钻孔中心进行定位。

2.根据权利要求1所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：所述视觉图像的改进的超像素分割过程如下：

11)视觉图像上均匀初始化K个初始聚类中心C_k(k＝1,2,...K)在间隔为S的网格节点上；其中，N为图像像素总数量；

12)选取以聚类中心5×5邻域内梯度值最小的像素点为新的聚类中心(j＝1,2,...K)；根据归一化距离度量在聚类中心分配像素点，形成与聚类中心对应的聚类图像块G_j，并将所有像素点赋予与其归一化距离最近的聚类中心标签；其中，基于颜色和空间位置特征的归一化距离为：

式中，向量C为CIELAB颜色空间中的3维颜色向量，N_C为向量C的颜色与空间距离的归一化常数；向量L表示2维空间位置坐标，N_L为向量L的颜色与空间距离的归一化常数；下标j＝1,2,...K为聚类中心标签，下标i为对应聚类中心j的2S×2S大小邻域内的像素标签；

13)聚类中心依据对应聚类图像块G_j中所有像素颜色和空间特征的均值进行迭代更新，即其中，N_j为聚类图像块G_j的像素数量；

14)重复步骤12)、13)，重新计算聚类中心并重新聚类，重复迭代，计算迭代过程中相邻2次同一编号聚类中心的空间移动距离E，直到所有E小于设定的门限值threshold，聚类结束；然后采用邻近合并策略消除孤立的尺寸小于的超像素，得到超像素分割图像；

15)基于Snake模型的能量谱空间；计算步骤14)所述超像素分割图像中每个超像素的Snake能量，得到Snake能量图；

16)通过对步骤15)所述Snake能量图进行扫描，分割出轮毂大致轮廓；

17)根据步骤16)中的轮廓，获取到轮毂的大致圆心(x',y')及半径参考值R'，以r∈(R'-10,R')为扫描范围进行Hough变换，计算出拟合的分割圆心(x₀,y₀)及半径r，并保留半径周边梯度变换较大范围以内的像素点，获得轮毂分割图像。

3.根据权利要求2所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：所述Snake模型的能量函数为：

E_snake＝∫[E_int(V(s))+E_ext(V(s))]ds；

其中：V(s)表示待分割的目标的外轮廓，s为归一化的弧长参数，s∈[0,1]；E_int表示轮廓的内部能量，用于度量轮廓的光滑性和弹性；E_ext为轮廓的外部能量，代表图像信息在轮廓曲线中偏向图像梯度较大的位置。

4.根据权利要求3所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：所述E_int由Snake模型演化曲线形状的基本属性所决定，其中，V_s为曲线对s的一阶微分，V_ss表示曲线对s的二阶微分，α表示弹力系数，β表示强度系数。

5.根据权利要求4所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：所述外能E_ext的计算公式为：其中，I(x,y)为图像灰度值，G_δ(x,y)为方差δ的高斯滤波器。

6.根据权利要求2所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：所述基于最小二乘法圆拟合对轮毂分割图像中的钻孔中心进行定位，具体包括以下步骤：

21)以分割圆心(x₀,y₀)为基准点，径向扫描轮毂分割图像获取边缘点数据；

22)对边缘点数据进行预处理；

23)基于预处理后的边缘点数据，利用最小二乘法圆拟合获得轮毂钻孔中心的坐标。

7.根据权利要求6所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：步骤21)所述径向扫描的步进角为360/M，扫描范围为r-20～r+20，其中M即为总的边缘点数；由r+20的距离开始往圆心方向径向扫描轮毂分割图像，遇到白点即认为是边缘点，记录该点坐标为：

x1(i)＝round(len(i)*cos(alf*π/180)+x₀) (1)

y1(i)＝round(len(i)*sin(alf*π/180)+x₀) (2)

其中，alf为扫描角度，alf∈[1,360]；len为扫描范围，len∈[r-20,r+20]。

8.根据权利要求7所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：步骤22)所述对边缘点数据进行预处理具体为：

采用均值法对对步骤21)获得的边缘点进行自适应纠偏，纠偏公式如下：

$\begin{array}{cc}rr\left(i\right)=rr\left(i\right)-\[\frac{1}{N}\underset{n=i}{\overset{i+N}{\Σ}}rr\left(n\right)-\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}rr\left(j\right)\]& i\∈\[1,M\]\end{array}---\left(3\right)$

其中，rr(i)为边缘点到圆心距离，N为均值平滑区间内平滑的点数；

纠偏后边缘点对应的坐标记为(x_i,y_i),i∈[1,M]。

9.根据权利要求8所述的一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法，其特征在于：步骤23)所述利用最小二乘法圆拟合获得轮毂钻孔中心的坐标的具体步骤如下：令圆曲线方程为：

r²＝(x-x₀)²+(y-y₀)² (4)

展开后得到圆曲线的另外一种形式：

x²+y²+Ax+By+C＝0 (5)

基于步骤22)得到的纠偏后边缘点数据，利用最小二乘法拟合最优圆，最小二乘法拟合公式为：

$Q(A,B,C)=\underset{i=1}{\overset{M}{\Σ}}{{\mathrm{\δ}}_i}^2=\underset{i=1}{\overset{M}{\Σ}}{({x_i}^2+{y_i}^2+{\mathrm{Ax}}_i+{\mathrm{By}}_i+C)}^2---\left(6\right)$

方差和函数Q(A,B,C)最小情况下所得的圆为目标圆，对该函数求A,B,C的偏导数：

$\frac{\∂Q(A,B,C)}{\∂A}=\frac{\∂Q(A,B,C)}{\∂B}=\frac{\∂Q(A,B,C)}{\∂C}=0---\left(7\right)$

由式(7)求出A,B,C系数，再利用式(5)和式(4)求出圆心坐标及半径。