CN106023247A - 一种基于时空跟踪的光条中心提取跟踪方法 - Google Patents

Abstract

本发明涉及一种基于时空跟踪的光条中心提取跟踪方法，包括以下步骤：利用时间序列模型预测下一时刻光条中心坐标；以预测的光条中心作为起点，光条中心的切向由Hessian矩阵的特征向量决定，利用Hessian矩阵获取该点的单位切向量，沿着光条切线方向作为谷脊区域延伸方向，用以实现光条在空间上的谷脊跟踪。本发明能够提高提取速度和提取精度。

Description

一种基于时空跟踪的光条中心提取跟踪方法

技术领域

本发明涉及光条中心提取跟踪技术领域，特别是涉及一种基于时空跟踪的光条中心提取跟踪方法。

背景技术

特征提取跟踪的研究可追溯至20世纪70年代末，其在机器视觉和模式识别领域发挥着至关重要的作用，其提取结果直接影响着后续的检测和识别效果。线结构光系统标定和三维测量过程中特征提取跟踪的身影更是无处不在，线结构光三维测量的本质在于提取旋转台编码角点确定转角，以及提取结构光光条中心定位光心，进而重建所采集图像序列中回转类零件的三维轮廓点云。如何快速准确地提取跟踪特征势必决定测量系统的性能，故而提取跟踪由角点光心构成的点线特征是实现线结构光三维测量的关键所在。

光条特征作为线状特征中较为特殊的一种，其表现为具有一定宽度且强度呈现变化，其提取过程在线结构光系统标定和测量中具有重要意义。激光光条具有能量高、相干性好、抗干扰能力强等优点，使其较为适合在复杂工业环境下实现零件三维测量。光条中心快速准确提取是实现线结构光三维测量的关键任务，其既是激光面标定的前提，又是被测物体重建的基础，因而光条中心提取效果直接影响着整个测量系统的性能。

常用的光条中心提取算法包括灰度重心法、方向模板法、曲线拟合法和Hessian矩阵法，其中各光条中心提取算法性能如表1所示，灰度重心法和方向模板法算法简单易行且快速有效，但提取的光条中心精度不高，难于适用高精度测量场合；曲线拟合法具有亚像素级精度，但算法较复杂且耗时，难于满足实时性测量的需要；Hessian矩阵法算法复杂度较高，但具有亚像素级精度，且能够判别结构光方向，综合鲁棒性能最好。

表1 各光条中心提取算法性能比较

发明内容

本发明所要解决的技术问题是提供一种基于时空跟踪的光条中心提取跟踪方法，能够提高提取速度和提取精度。

本发明解决其技术问题所采用的技术方案是：提供一种基于时空跟踪的光条中心提取跟踪方法，包括以下步骤：

(1)利用时间序列模型预测下一时刻光条中心坐标；

(2)以预测的光条中心作为起点，光条中心的切向由Hessian矩阵的特征向量决定，利用Hessian矩阵获取该点的单位切向量，沿着光条切线方向作为谷脊区域延伸方向，用以实现光条在空间上的谷脊跟踪。

所述步骤(1)中将二维图像平面降至一维。

所述步骤(1)中时间序列模型采用线性/非线性时间序列模型。

所述步骤(1)中时间序列模型预测的误差引入AIC信息准则。

所述步骤(2)具体包括以下步骤：

(21)利用预测的光条中心作为谷脊跟踪的起始点，则谷脊跟踪方向为两个光条切线方向，该两个方向被分别处理用以跟踪光条，即可确定下一个谷脊跟踪位置；

(22)依赖Steger算法提取下一个谷脊跟踪位置的亚像素坐标，并根据前后两个跟踪点的位置关系，更新下一个谷脊跟踪方向；

(23)依据谷脊跟踪的新位置和新方向，重复上述步骤继续进行光条空间跟踪直至提取所有光条中心。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明利用灰度重心法和Hessian矩阵法提取像素级和亚像素级光条中心，依赖时间连续性结合时间序列预测下一时刻光心坐标，依据空间连续性利用谷脊跟踪确定下一位置光心坐标，从而实现了快速准确地提取跟踪线结构光光条中心坐标。

附图说明

图1是光条谷脊跟踪示意图；

图2是亚像素级光条时间预测图；

图3是GNAR时间序列预测模型图；

图4是亚像素级光条空间跟踪图；

图5是谷脊空间跟踪模型图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于时空跟踪的光条中心提取跟踪方法，包括以下步骤：利用时间序列模型预测下一时刻光条中心坐标；以预测的光条中心作为起点，光条中心的切向由Hessian矩阵的特征向量决定，利用Hessian矩阵获取该点的单位切向量，沿着光条切线方向作为谷脊区域延伸方向，用以实现光条在空间上的谷脊跟踪。具体如下：

(1)光条时间预测：

图像序列前后帧图像存在时间上的关联性，因而利用时间序列模型预测下一时刻光条中心坐标，同时为进一步提高提取光条的快速性，考虑将二维图像平面降至一维，假设光条中心坐标为(u，v)，则所跟踪的光条中心v值保持不变，而仅对其u值进行预测。

时间序列模型具有多种形式，对线性平稳系统，多采用自回归滑动平均(ARMA)模型。对非线性、非平稳系统，可采用多项式逼近ARMA模型，其中线性/非线性时间序列(GNAR)模型表示为，

$\begin{array}{c}{u}_t=a_t+\underset{i_1=1}{\overset{m_1}{\Σ}}{\mathrm{\α}}_{i_1}{u}_{t-i_1}+\underset{i_1=1}{\overset{m_2}{\Σ}}\underset{i_2=1}{\overset{m_2}{\Σ}}{\mathrm{\α}}_{i_1,i_2}{u}_{t-i_1}{u}_{t-i_2}+\mathrm{...}+\underset{i_n=1}{\overset{m_n}{\Σ}}\mathrm{...}\underset{i_n=1}{\overset{m_n}{\Σ}}{\mathrm{\α}}_{i_1,\mathrm{...},i_n}\underset{\mathrm{\τ}=1}{\overset{n}{\Π}}{u}_{t-i_{\mathrm{\τ}}}\\ =a_t+\underset{j=1}{\overset{n}{\Σ}}\underset{i_1=1}{\overset{m_j}{\Σ}}\mathrm{...}\underset{i_j=1}{\overset{m_j}{\Σ}}{\mathrm{\α}}_{i_1,\mathrm{...},i_j}\underset{\mathrm{\τ}=1}{\overset{j}{\Π}}{u}_{t-i_{\mathrm{\τ}}}\end{array}---\left(1\right)$

其中，n为多项式展开的阶次，m^j为各子项的记忆步长，a_t为多项式的常数项，为模型参数。当n＝1时，上式即为线性模型。

其中，模型定阶可采用修正的Akaike最小信息准则(AIC)，即

$\min AIC\left(m\right)=log({\widehat{\mathrm{\σ}}}_M^2+{\widehat{\mathrm{\σ}}}_n^2)+\frac{2}{N}m---\left(2\right)$

其中，m为各子项记忆步长之和，为建模残差方差，为预测误差方差，N为序列长度，将预测误差引入AIC信息准则，其目的在于防止模型过拟合。

(2)光条空间跟踪

谷脊区域表现为连续的局部极值点的集合，以时间预测的光条中心作为起点，光条中心的切向由Hessian矩阵的特征向量决定，利用Hessian矩阵获取该点的单位切向量t，其中，t＝[t_u t_v]^T，||t||＝1，t_u和t_v表示单位切向量在水平和竖直方向上的分量，沿着光条切线方向t作为谷脊区域延伸方向，用以实现光条在空间上的谷脊跟踪。具体为：

如图1所示，利用时间预测获取谷脊跟踪的起始点q_i，则谷脊跟踪方向为t_i和-t_i，该两个方向应当被分别处理用以跟踪光条，即可确定下一个谷脊跟踪位置p_i+1，

p_i+1＝q_i+t_i (3)

依赖Steger算法即可提取点p_i+1的亚像素坐标q_i+1，并根据前后两个跟踪点的位置关系，更新下一个谷脊跟踪方向t_i+1，

t_i+1＝sign(e_i·t_i)e_i (4)

其中，e_i表示跟踪点q_i处Hessian矩阵切向量t与其前的跟踪点q_i-1的几何方向的加权和，且||e_i||＝1，如下所示，

e_i＝αt+(1-α)(q_i-q_i-1) (5)

其中，α为权重，且α∈[0,1]，鉴于光条方向由Hessian矩阵切向量和跟踪点几何方向共同决定，该处取权重α＝0.7，sign()表示狄利克雷函数。此时依据谷脊跟踪的新位置q_i+1和新方向t_i+1，结合式(3)继续进行光条空间跟踪直至提取所有光条中心。

在使用本发明的方法进行光条时间预测实验时，依赖Steger算法提取亚像素光条中心坐标，所提取坐标对应的法线方向如图2所示，为便于观察在局部放大图中每隔5个坐标作一条法线，其中纵向线条为由光条中心坐标相连构成的中心线，由此可见，本发明提取光条中心坐标速度较快，约为平均38ms/帧，提取光条中心坐标精度较高，且无冗余坐标点。

依据时间预测的光条中心坐标，结合实际提取的光条中心坐标，光条中心坐标预测平均误差定义为光条中心坐标的实际提取值与时间预测值间差值的平均值，即光条中心预测平均误差为，

${\stackrel{\‾}{m}}_t=\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}|u_i-{\hat{u}}_i|---\left(6\right)$

其中，k为图像序列帧数，u_i为第i帧光条中心实际提取值，为第i帧光条中心时间预测值。

针对图像序列中光条纵坐标v取值为240的前600帧图像，依据GNAR(3；5,5,1)模型对光条横坐标u值进行预测，其实际提取值与时间预测值分别如图3中的“*”点和“o”点所示，由图可知GNAR模型能够较为准确地预测光条下一时刻的u坐标，光条中心坐标预测的最大误差为1.181pixel，平均误差为0.173pixel。

在使用本发明的方法进行光条空间跟踪实验中，利用时间预测值提取其邻域的亚像素级光条中心坐标，并以此作为光条空间跟踪的起始点逐一进行跟踪，根据光条谷脊区域的空间连续性顺序提取光条中心坐标，如图4所示，局部放大图中左侧纵向线条为由光条中心坐标相连构成的中心线，局部放大图中右侧的纵向线条为光条跟踪坐标相连构成的中心线，为便于观察而将其水平平移25个像素绘制。

依据空间跟踪的光条中心坐标，结合实际提取的光条中心坐标，光条中心坐标跟踪平均误差定义为光条中心坐标的实际提取值与空间跟踪值间差值的平均值，即光条中心坐标跟踪平均误差为，

${\stackrel{\‾}{m}}_s=\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}|q_i-{\tilde{p}}_i|---\left(7\right)$

其中，k为光条空间跟踪次数，q_i为第i个光条中心实际提取值，为第i个光条中心空间跟踪值。

针对图像序列中第250帧图像，依据切向跟踪方向对光条坐标进行跟踪，其实际提取值与空间跟踪值间差值如图5中的“o”点所示，其中在光条弯曲区域的光条中心跟踪误差变化较大，由图可见光条跟踪能够较为准确地跟踪下一位置的光条中心，光条中心跟踪误差被限制于1.8pixel以内，平均误差为0.365pixel。

Claims (5)

1.一种基于时空跟踪的光条中心提取跟踪方法，其特征在于，包括以下步骤：

(1)利用时间序列模型预测下一时刻光条中心坐标；

(2)以预测的光条中心作为起点，光条中心的切向由Hessian矩阵的特征向量决定，利用Hessian矩阵获取该点的单位切向量，沿着光条切线方向作为谷脊区域延伸方向，用以实现光条在空间上的谷脊跟踪。

2.根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步骤(1)中将二维图像平面降至一维。

3.根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步骤(1)中时间序列模型采用线性/非线性时间序列模型。

4.根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步骤(1)中时间序列模型预测的误差引入AIC信息准则。

5.根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步骤(2)具体包括以下步骤：

(21)利用预测的光条中心作为谷脊跟踪的起始点，则谷脊跟踪方向为两个光条切线方向，该两个方向被分别处理用以跟踪光条，即可确定下一个谷脊跟踪位置；

(22)依赖Steger算法提取下一个谷脊跟踪位置的亚像素坐标，并根据前后两个跟踪点的位置关系，更新下一个谷脊跟踪方向；

(23)依据谷脊跟踪的新位置和新方向，重复上述步骤继续进行光条空间跟踪直至提取所有光条中心。