CN106056586B - 一种亚像素定位方法及装置 - Google Patents
一种亚像素定位方法及装置 Download PDFInfo
- Publication number
- CN106056586B CN106056586B CN201610351180.7A CN201610351180A CN106056586B CN 106056586 B CN106056586 B CN 106056586B CN 201610351180 A CN201610351180 A CN 201610351180A CN 106056586 B CN106056586 B CN 106056586B
- Authority
- CN
- China
- Prior art keywords
- mark region
- similarity degree
- sub
- model
- degree model
- 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
- G06T2207/30204—Marker
Abstract
本发明实施例提供了一种亚像素定位方法及装置,应用于光学成像系统标定领域。该方法包括:获取第一标志区域的图像;获取所述图像中与所述第一标志区域对应的第二标志区域的灰度值分布;根据预设的所述第一标志区域的灰度值分布以及所述第二标志区域的灰度值分布建立所述第一标志区域与所述第二标志区域的相似程度模型;根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系。本发明实施例基于第一标志区域与第二标志区域的几何形状及灰度信息获得第一标志区域与第二标志区域之间的亚像素精度的映射关系,提高了亚像素定位精度。
Description
技术领域
本发明涉及光学成像系统标定领域,具体而言,涉及一种亚像素定位方法及装置。
背景技术
光学成像系统标定是进行空间三维信息获取的关键步骤,利用已知空间位置的标志点区域的物像对应关系恢复光学成像系统的几何构像方程是实现高精度标定的重要途径。在此过程中,标志点区域的定位精度对标定精度有直接影响,而通常像素级的定位精度已经无法满足实际工作的需要,因此对标志点区域的亚像素的定位方法提出了迫切需要。
目前已有的亚像素定位算子主要有Forstner定位算子等。这类亚像素定位算子主要基于梯度图像的局部特性计算而得到,算法中不能体现出标志点区域的几何形状等区域信息,导致定位精度不理想。
发明内容
鉴于此,本发明的目的在于提出一种亚像素定位方法及装置,以改善上述问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
本发明实施例提供了一种亚像素定位方法,所述方法包括:获取第一标志区域的图像;获取所述图像中与所述第一标志区域对应的第二标志区域的灰度值分布;根据预设的所述第一标志区域的灰度值分布以及所述第二标志区域的灰度值分布建立所述第一标志区域与所述第二标志区域的相似程度模型;根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系。
本发明实施例还提供了一种亚像素定位装置,所述装置包括:图像获取模块,灰度值分布获取模块,相似程度模型建立模块及映射关系获取模块。图像获取模块用于获取第一标志区域的图像。灰度值分布获取模块用于获取所述图像中与所述第一标志区域对应的第二标志区域的灰度值分布。相似程度模型建立模块,用于根据预设的所述第一标志区域的灰度值分布以及所述第二标志区域的灰度值分布建立所述第一标志区域与所述第二标志区域的相似程度模型。映射关系获取模块用于根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系。
本发明提供的亚像素定位方法及装置,根据第一标志区域的灰度值分布以及图像中的第二标志区域的灰度值分布建立第一标志区域与所述第二标志区域的相似程度模型,进而再通过优化相似程度模型获得第一标志区域与第二标志区域之间的亚像素精度的映射关系。与现有的亚像素定位方法相比,本发明实施例提供的亚像素定位方法及装置基于第一标志区域以及第二标志区域的几何形状及灰度信息获得第一标志区域与第二标志区域之间的亚像素精度的映射关系,提高了第一标志区域的亚像素定位精度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明较佳实施例提供的计算机的方框示意图;
图2示出了本发明较佳实施例提供的一种亚像素定位方法的流程图;
图3示出了本发明较佳实施例提供的灰度值分布获取方法的流程图;
图4示出了本发明较佳实施例提供的第一标志区域与第二标志区域之间映射关系获取方法的流程图;
图5示出了本发明较佳实施例提供的一种亚像素定位装置的结构框图;
图6示出了本发明较佳实施例提供的一种亚像素定位装置的灰度值分布获取模块的结构框图;
图7示出了本发明较佳实施例提供的一种亚像素定位装置的映射关系获取模块的结构框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是本发明较佳实施例提供的计算机100的方框示意图。所述计算机100包括用于光学成像系统标定中图像的亚像素定位装置200、存储器101、存储控制器102、处理器103、外设接口104、输入输出装置105。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述亚像素定位装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,例如所述亚像素定位装置200包括的软件功能模块或计算机100程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的流过程定义的计算机100所执行的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可能是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出装置105用于提供给用户输入数据实现用户与计算机100的交互。所述输入输出装置可以是,但不限于,鼠标和键盘等。
本发明实施例提供的亚像素定位方法,主要应用于光学成像系统标定。光学成像系统标定是进行空间三维信息获取的关键步骤,利用已知空间位置的标志点区域的物像对应关系恢复光学成像系统的几何构像方程是实现高精度标定的重要途径。在此过程中,标志点区域的定位精度对光学成像系统的标定精度有直接影响,标志点区域的定位精度越高,光学成像系统的标定精度也就越高。
本发明实施例基于已知空间位置的第一标志区域的几何形状及灰度信息,提供了一种亚像素定位方法。下面将结合具体的实施例对该方案进行详细说明。
图2示出了本发明实施例提供的亚像素定位方法的流程图。请参照图2,该方法包括:
步骤S210:获取第一标志区域的图像;
其中,第一标志区域可以为印制在一个二维平面上的人工标志。例如,第一标志区域可以为一个圆形标志,也可以为方形标志。设置空间中印制有第一标志区域的二维平面与光学成像系统的相对位置,获取光学成像系统所采集的第一标志区域的图像。本实施例中,光学成像系统可以为摄影机、照相机等。
由于第一标志区域的成像大小将影响数字图像处理和第一标志区域的定位精度,第一标志区域的具体尺寸根据光学成像系统的焦距以及空间中第一标志区域与光学成像系统之间的距离设置。
步骤S220:获取图像中与第一标志区域对应的第二标志区域的灰度值分布;
获取光学成像系统所采集的第一标志区域的图像后,查找图像中与第一标志区域对应的第二标志区域,并获取第二标志区域的灰度值分布。
具体的,步骤S220包括如图3所示的步骤S221、步骤S222及步骤S223。
步骤S221:建立第一标志区域与第二标志区域之间的变换模型。
其中,所述变换模型可以采用平移变换模型、仿射变换模型、平移-旋转-尺度变换模型、透视变换模型等。根据上述变换模型均可以得到欧式空间中的第一标志区域向图像空间投影时的映射关系。
步骤S222:根据预设的第一标志区域的坐标分布以及变换模型获取第二标志区域的坐标分布。
步骤S223:根据第二标志区域的坐标分布获取第二标志区域的灰度值分布。
例如,设(xi,yi)是第一标志区域内的N个离散的坐标点,其中,i=1,2,…,N。在投影成像的过程中,由于投影变换使得在图像I中对应的N个像点的坐标变为(xi′,yi′),i=1,2,…,N。
(xi,yi)与(xi′,yi′)之间的对应关系可记为映射T=(Tx,Ty),R2→R2,其中,R为实数,xi,yi,xi′,yi′均属于实数。因此,(xi,yi)与(xi′,yi′)之间的对应关系可以表示为:
式(1)为描述欧式空间中的第一标志区域向图像空间投影过程中的变换模型。
由于变换模型的建立直接影响了第一标志区域亚像素定位的精度。因此,为了提高亚像素定位的精度以及计算速度,本发明实施例中,优选采用仿射变换模型。此时,式(1)可以表示为:
根据式(2)所示的变换模型即可以获得第二标志区域的灰度函数。
需要说明的是,参数a1,b1,c1,a2,b2,c2的初值可以预先存储在存储器中,也可以通过输入输出装置输入。此时,获取参数a1,b1,c1,a2,b2,c2的初值后即可将式(2)所示的变换模型初始化,通过图像处理算法即可以获得图像I中对应的N个像点坐标(xi′,yi′)处的灰度值。
当然,变换模型采用除仿射变换模型之外的其他变换模型时,也可以获取第二标志区域的坐标分布,进而相应地获取第二标志区域的灰度值分布,其原理与上述仿射变换模型类似,此处就不再赘述。
步骤S230:根据预设的第一标志区域的灰度值分布以及第二标志区域的灰度值分布建立第一标志区域与第二标志区域的相似程度模型;
其中,第一标志区域的灰度值分布可以预先存储在存储器中。根据图像匹配的原理,当第一标志区域的灰度分布与第二标志区域的灰度分布在一定度量下最为相近时,则达到最佳的匹配效果,从而实现第一标志区域的定位。因此,本发明实施例基于图像匹配的原理,根据预设的第一标志区域的灰度值分布、第二标志区域的灰度值分布以及所述变换模型,建立第一标志区域与第二标志区域的相似程度模型。
本实施例中,相似程度模型具体可以通过相关测度建立,也可以通过差值测度建立。其中,差值测度又包括均方误差测度。优选的,本发明实施例采用均方误差测度,均方误差测度相比于其它测度,更加直观、简便,能够较好对两个区域的相近程度做出总体评价。
具体的,采用均方误差测度描述第一标志区域与第二标志区域的相近程度的表达式即相似程度模型如下:
式(3)中,ε为第一标志区域与第二标志区域的匹配度量;I(xi,yi)为第一标志区域内的第i个离散的坐标点的灰度值;G(xi′,yi′)为第二标志区域内的与(xi,yi)相对应的(xi′,yi′)处的灰度值;N为所选取的第一标志区域内的离散坐标点的个数,N为正整数。
步骤S240:根据相似程度模型的输出值对相似程度模型进行优化以获得第一标志区域与第二标志区域之间的亚像素精度的映射关系。
其中,亚像素精度是比图像像素分辨率更高的精度,是对相邻两像素之间进行细分。像素点为整数级,亚像素点为小数级。通俗地说,若将一个像素点平均分成多份,则其中每一份为一个亚像素点。在本实施例中,亚像素精度的具体精度级根据用户需要设定,即将一个像素点平均分成的份数并不作限制。
相似程度模型的输出值即为第一标志区域与第二标志区域的匹配度量。按照预设规则调节相似程度模型的参数,对相似程度模型进行多次迭代,使得相似程度模型的输出值达到最佳逼近条件,即可以获得第一标志区域与第二标志区域之间的亚像素精度的映射关系。其中,所述预设规则及最佳逼近条件均可以根据用户需要设置。
具体的,如图4所示,根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系的步骤包括:
步骤S241:建立改正量求解方程并根据改正量求解方程求解相似程度模型的参数的改正量;
本发明实施例中,采用最优化算法并根据所述相似程度模型的输出值对所建立的相似程度模型进行优化。具体的,根据上述式(1)和式(3),即可以建立优化模型如下:
式(4)中,f为图像中第二标志区域的灰度的向量表示;g为第一标志区域的灰度的向量表示,故且||·||2表示上的2范数;ε也可以称为第一标志区域与第二标志区域匹配的能量值。
由(4)式定义的优化模型,是以相似程度模型的参数为求解目标的最佳平方逼近。需要说明的是,相似程度模型的参数也就是变换模型的参数。
本发明实施例中,优选采用L-M算法对上述最优化模型进行求解。L-M算法的基本思想是:通过自动调整迭代的阻尼因子,使之在当前解远离正确解时与梯度下降法相似,收敛缓慢但可以保证较高的稳定性;在当前解逐步靠近正确解时又演化为高斯牛顿法,快速收敛到局部极值,从而融合了两种算法各自的优点。
L-M算法作为无约束非线性最优化问题的局部最优化数值迭代解法,通常需要保证以下两个适用条件:(1)目标函数在最优解附近的一定区域内连续可微;(2)需要一个较好的迭代初值。其中,迭代初值包括阻尼因子的初值以及变换模型的参数的初值,例如,式(2)所示的变换模型的参数a1,b1,c1,a2,b2,c2。
由于数字图像是离散化采样的结果,为了保证图像中第二标志区域的灰度函数的连续性,需对图像进行插值处理。从插值效果和计算效率两方面考虑,本发明实施例优选采用双线性插值。此外,在获取第一标志区域的图像的过程中,光照或曝光等因素可能使得图像产生局部模糊、噪声等。而图像成像时的噪声及灰度剧烈变化的区域边缘通常是非连续的阶跃函数。因此,为能更好的保证条件(1),优选的,本发明实施例在进行步骤S241之前还需要对图像中的第二标志区域进行高斯平滑处理。
阻尼因子的初值一般设置为一个较小的值。本发明实施例中,用μ(j)表示第j次迭代时阻尼因子的值,j=0,1,2…m。其中,m为预设的最大迭代次数。例如,可以将阻尼因子的初值设置为0.001,即μ(0)=0.001。此外,相似程度模型的参数的初值,即变换模型的参数的初值可以根据用户的需要通过输入输出装置105输入。例如,可以通过鼠标选择的方式输入。
根据式(4)所示的优化模型,图像中第二标志区域的灰度向量f是关于变换模型的参数向量函数,可以记为f(t)。例如,当变换模型为仿射变换模型时,t=(a1,b1,c1,a2,b2,c2)T,则参数向量的改正量Δt=(Δa1,Δb1,Δc1,Δa2,Δb2,Δc2)T。利用多元函数的泰勒展开,获得f(t+Δt)的一阶近似如下:
式(5)中,且可由式(2)得:
在L-M算法迭代过程中需要产生一系列的向量t(1),t(2)…t(m),且这些向量在一定条件下依(4)式收敛于局部极小点t+。因此根据目标函数式(5)和泰勒展开式,在每一次迭代中,都要寻找参数变化量Δt使得式(6)的取值最小。
||fn-fn+1(t+Δt)||≈||fn-fn+1(t)-JΔt||=||ε-JΔt|| (6)
式(6)中,J是由第一标志区域各点的偏导数向量组成的矩阵,如式(7)所示。
通过式(6)对改正量Δt进行求解,当JΔt-ε正交于J的列空间时式(6)取得最小值,即Δt满足正规方程:
JTJΔt=JTε (8)
式(8)即为高斯牛顿法在一次迭代中求得改正量的方程式,L-M算法为了抑制矩阵JTJ的奇异性、控制算法的收敛速度并处理最优化模型高度非线性化的情况,使用如下正规方程求解改正量Δt:
NΔt=JTε (9)
式(9)中,矩阵N=μE+JTJ,E表示单位阵。μ为阻尼因子,随迭代过程不断变化。需要说明的是,式(9)即为步骤S241中的改正量求解方程。根据式(9)可以求得相似程度模型的参数的改正量,即变换模型的参数的改正量Δt。
步骤S242:根据改正量及相似程度模型得到匹配度量;
将当前的相似程度模型参数t(j)加上根据步骤S241中求得的相似程度模型的参数改正量Δt(j+1)后,代入上述相似程度模型即可以得到第一标志区域和第二标志区域的匹配度量ε(j+1)。也就是说,t(j)为第j次即前一次迭代完成后相似程度模型的参数,Δt(j+1)为第j+1次即当前次迭代获得的相似程度模型参数的改正量,ε(j+1)为第j+1次迭代获得的第一标志区域和第二标志区域的匹配度量。
步骤S243:判断当前匹配度量是否小于前一次迭代得到的匹配度量;
其中,当前匹配度量即为当次迭代获得的匹配度量。当当前匹配度量小于前一次迭代得到的匹配度量时,进入步骤S244。当当前匹配度量大于或等于前一次迭代得到的匹配度量时,说明当次迭代为无效迭代,进入步骤S245,重新进行当次迭代。
步骤S244:根据第一预设步长减小阻尼因子并更新相似程度模型的当前参数;
其中,第一预设步长可以根据用户的需要设置。例如,减小后的阻尼因子可以为当前阻尼因子的0.05倍至0.5倍。本实施例中,第一预设步长为0.1倍,即减小后的阻尼因子为当前阻尼因子的0.1倍。此时,该次迭代为有效迭代,根据步骤S241中求得的相似程度模型的参数改正量Δt(j+1),对相似程度模型的参数向量t进行更新,即t(j+1)=t(j)+Δt(j+1)。其中,t(j+1)为第j+1次迭代输出的相似程度模型参数。
执行完步骤S244后,进入步骤S246。
步骤S245:根据第二预设步长增大阻尼因子;
其中,第二预设步长也可以根据用户的需要设置。例如,增大后的阻尼因子可以为当前阻尼因子的2倍至20倍。本实施例中,第二预设步长为10倍,即增大后的阻尼因子为当前阻尼因子的10倍。
完成步骤S245后,返回步骤S241,重新求解相似程度模型的参数改正量,并重复上述步骤S241至步骤S243,直到获取的相似程度模型的参数改正量Δt能够使得使当前匹配度量小于前一次迭代得到的匹配度量。因此,阻尼因子在每次迭代中都可以自适应的保证匹配度量ε减小。
需要说明的是,在L-M算法的迭代过程中,如果阻尼因子是一个比较大的数,式(9)中的矩阵N近似一个对角线矩阵,此时L-M的参数改正量Δt向量即更新步长接近于最陡下降的方向;如果该阻尼因子是一个比较小的数,L-M算法的更新步长近似于精确的二次步长,而适合于线性模型。
步骤S246:判断是否满足预设的结束条件;
其中,所述结束条件可以为:所述当前匹配度量小于或等于预设的匹配度量阈值。需要说明的是,预设的匹配度量阈值是多次试验得到的经验值,是满足第一目标点区域的定位达到亚像素定位精度的匹配度量的门限值。当当前匹配度量小于或等于预设的匹配度量阈值εmin时,第二目标点区域与第一目标点区域已经达到了较佳的匹配效果,即第一目标点区域的定位已经达到了的亚像素定位精度。
所述结束条件还可以为:所述改正量的各个分量的绝对值小于或等于预设的改正量阈值。需要说明的是,预设的改正量阈值也是多次试验得到的经验值,是满足第一目标点区域的定位达到亚像素定位精度的相似程度模型的参数改正量即变换模型的参数改正量的门限值。当当前迭代过程中相似程度模型的参数改正量Δt(j+1)的各个分量,例如,Δa1,Δb1,Δc1,Δa2,Δb2,Δc2,的绝对值均小于或等于预设的一个改正量阈值amin时,第一目标点区域的定位已经达到了的亚像素定位精度。
当然,所述结束条件还可以为:当前迭代次数大于预先设定的最大迭代次数。其中,最大迭代次数可以根据用户的需要设置。
当完成步骤S244后,满足上述结束条件中的任意一个时,均停止迭代,结束定位,输出相似程度模型的当前参数,也就是变换模型的当前参数,进入步骤S247。当上述所述结束条件均不满足时,返回步骤S241进行下一次迭代,重复执行步骤S241至步骤S246,直至满足上述结束条件停止迭代。
步骤S247:获得第一标志区域与第二标志区域之间的亚像素精度的映射关系。
根据上述迭代过程输出的相似程度模型的当前参数,也就是变换模型的当前参数对上述变换模型进行更新,得到第一标志区域与第二标志区域之间的亚像素精度的映射关系。根据所得到的亚像素精度的映射关系,就可以得到第一标志区域中的任一标志点在光学成像系统中的像平面上的相应位置,从而实现第一标志区域的亚像素定位。
综上所述,本发明提供的亚像素定位方法,根据第一标志区域的灰度值分布以及图像中的第二标志区域的灰度值分布建立第一标志区域与所述第二标志区域的相似程度模型,进而再通过优化相似程度模型获得第一标志区域与第二标志区域之间的亚像素精度的映射关系。与现有的亚像素定位方法相比,本发明实施例提供的亚像素定位方法基于第一标志区域以及第二标志区域的几何形状及灰度信息获得第一标志区域与第二标志区域之间的亚像素精度的映射关系,提高了第一标志区域的亚像素定位精度。
另外,本发明实施例还提供了一种亚像素定位装置200,如图5所示。所述亚像素定位装置200包括:图像获取模块210、灰度值分布获取模块220、相似程度模型建立模块230和映射关系获取模块240。
其中,图像获取模块210用于获取第一标志区域的图像。灰度值分布获取模块220用于获取所述图像中与所述第一标志区域对应的第二标志区域的灰度值分布。相似程度模型建立模块230用于根据预设的所述第一标志区域的灰度值分布以及所述第二标志区域的灰度值分布建立所述第一标志区域与所述第二标志区域的相似程度模型。映射关系获取模块240用于根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系。
进一步地,如图6所示,在本实施例中,灰度值分布获取模块220包括:变换模型建立子模块221、第一获取子模块222及第二获取子模块223。
其中,变换模型建立子模块221用于建立所述第一标志区域与所述第二标志区域之间的变换模型。第一获取子模块222用于根据预设的所述第一标志区域的坐标分布以及变换模型获取所述第二标志区域的坐标分布。第二获取子模块223用于根据所述第二标志区域的坐标分布获取所述第二标志区域的灰度值分布。
进一步地,如图7所示,在本实施例中,所述映射关系获取模块240包括:改正量获取子模块241、匹配度量获取子模块242和判断及结果输出子模块243。
其中,改正量获取子模块241用于建立改正量求解方程并根据所述改正量求解方程求解所述相似程度模型的参数的改正量。
匹配度量获取子模块242用于根据所述改正量及所述相似程度模型得到所述匹配度量。
判断及结果输出子模块243用于判断当前匹配度量是否小于前一次迭代得到的匹配度量。当当前匹配度量小于前一次得到的匹配度量时,根据第一预设步长减小阻尼因子并更新所述相似程度模型的当前参数,判断是否满足预设的结束条件,当满足所述结束条件时,获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系。当当前匹配度量大于或等于前一次得到的匹配度量时,根据第二预设步长增大阻尼因子以重新求解所述相似程度模型的参数的改正量。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种亚像素定位方法,其特征在于,所述方法包括:
获取第一标志区域的图像;其中,所述第一标志区域为人工标志;
获取所述图像中与所述第一标志区域对应的第二标志区域的灰度值分布;
根据预设的所述第一标志区域的灰度值分布以及所述第二标志区域的灰度值分布建立所述第一标志区域与所述第二标志区域的相似程度模型;
根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系。
2.根据权利要求1所述的方法,其特征在于,所述获取所述图像中与所述第一标志区域对应的第二标志区域的灰度值分布的步骤,包括:
建立所述第一标志区域与所述第二标志区域之间的变换模型;
根据预设的所述第一标志区域的坐标分布以及所述变换模型获取所述第二标志区域的坐标分布;
根据所述第二标志区域的坐标分布获取所述第二标志区域的灰度值分布。
3.根据权利要求2所述的方法,其特征在于,所述变换模型为仿射变换模型。
4.根据权利要求2所述的方法,其特征在于,所述根据预设的所述第一标志区域的灰度值分布以及所述第二标志区域的灰度值分布建立所述第一标志区域与所述第二标志区域的相似程度模型的步骤,包括:
根据预设的所述第一标志区域的灰度值分布、所述第二标志区域的灰度值分布以及所述变换模型,利用均方误差测度建立所述第一标志区域与所述第二标志区域的所述相似程度模型。
5.根据权利要求2-4中任一项所述的方法,其特征在于,所述根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系的步骤,包括:
建立改正量求解方程并根据所述改正量求解方程求解所述相似程度模型的参数的改正量;
根据所述改正量及所述相似程度模型得到匹配度量;
判断当前匹配度量是否小于前一次迭代得到的所述匹配度量;
当所述当前匹配度量小于前一次迭代得到的所述匹配度量时,根据第一预设步长减小阻尼因子并更新所述相似程度模型的当前参数,判断是否满足预设的结束条件,当满足所述结束条件时,获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系;
当所述当前匹配度量大于或等于前一次迭代得到的所述匹配度量时,根据第二预设步长增大所述阻尼因子以重新求解所述相似程度模型的参数的改正量。
6.根据权利要求5所述的方法,其特征在于,所述结束条件包括:第一结束条件、第二结束条件及第三结束条件中的至少一种,其中,所述第一结束条件为迭代次数大于预先设定的最大迭代次数,所述第二结束条件为所述当前匹配度量小于或等于预设的匹配度量阈值,所述第三结束条件为所述改正量的各个分量的绝对值小于或等于预设的改正量阈值。
7.根据权利要求5所述的方法,其特征在于,所述建立改正量求解方程并根据所述改正量求解方程求解所述相似程度模型的参数的改正量的步骤之前,还包括:
对所述图像中的所述第二标志区域进行高斯平滑处理和插值处理。
8.一种亚像素定位装置,其特征在于,包括:
图像获取模块,用于获取第一标志区域的图像;其中,所述第一标志区域为人工标志;
灰度值分布获取模块,用于获取所述图像中与所述第一标志区域对应的第二标志区域的灰度值分布;
相似程度模型建立模块,用于根据预设的所述第一标志区域的灰度值分布以及所述第二标志区域的灰度值分布建立所述第一标志区域与所述第二标志区域的相似程度模型;
映射关系获取模块,用于根据所述相似程度模型的输出值对所述相似程度模型进行优化以获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系。
9.根据权利要求8所述的装置,其特征在于,所述灰度值分布获取模块包括:
变换模型建立子模块,用于建立所述第一标志区域与所述第二标志区域之间的变换模型;
第一获取子模块,用于根据预设的所述第一标志区域的坐标分布以及所述变换模型获取所述第二标志区域的坐标分布;
第二获取子模块,用于根据所述第二标志区域的坐标分布获取所述第二标志区域的灰度值分布。
10.根据权利要求9所述的装置,其特征在于,所述映射关系获取模块包括:
改正量获取子模块,用于建立改正量求解方程并根据所述改正量求解方程求解所述相似程度模型的参数的改正量;
匹配度量获取子模块,用于根据所述改正量及所述相似程度模型得到匹配度量;
判断及结果输出子模块,用于判断当前匹配度量是否小于前一次迭代得到的所述匹配度量;
当所述当前匹配度量小于前一次迭代得到的所述匹配度量时,根据第一预设步长减小阻尼因子并更新所述相似程度模型的当前参数,判断是否满足预设的结束条件,当满足所述结束条件时,获得所述第一标志区域与所述第二标志区域之间的亚像素精度的映射关系;
当所述当前匹配度量大于或等于前一次迭代得到的所述匹配度量时,根据第二预设步长增大所述阻尼因子以重新求解所述相似程度模型的参数的改正量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610351180.7A CN106056586B (zh) | 2016-05-25 | 2016-05-25 | 一种亚像素定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610351180.7A CN106056586B (zh) | 2016-05-25 | 2016-05-25 | 一种亚像素定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056586A CN106056586A (zh) | 2016-10-26 |
CN106056586B true CN106056586B (zh) | 2019-08-09 |
Family
ID=57174339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610351180.7A Active CN106056586B (zh) | 2016-05-25 | 2016-05-25 | 一种亚像素定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056586B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122230B (zh) * | 2018-01-10 | 2022-06-24 | 广东工业大学 | 图像块的识别方法、装置及倒装芯片的焊球位置识别系统 |
CN112071246B (zh) * | 2020-09-21 | 2023-03-21 | 云谷(固安)科技有限公司 | 显示面板的子像素定位方法、装置及显示面板的补偿方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080205719A1 (en) * | 2005-06-15 | 2008-08-28 | Koninklijke Philips Electronics, N.V. | Method of Model-Based Elastic Image Registration For Comparing a First and a Second Image |
CN102842137B (zh) * | 2012-08-14 | 2015-04-22 | 中山大学 | 基于空间综合互信息的多时空谱遥感影像自动配准方法 |
CN104376568B (zh) * | 2014-11-28 | 2017-05-17 | 成都影泰科技有限公司 | 一种基于格式的dicom医学图像处理方法 |
-
2016
- 2016-05-25 CN CN201610351180.7A patent/CN106056586B/zh active Active
Non-Patent Citations (2)
Title |
---|
Accurate geometric camera calibration technique using multi-views of a non-metric planar grid;Hui Bingwei et al.;《Optics and Lasers in Engineering 51》;20121220;第432-439页 * |
圆形标志点的亚像素定位及其应用;殷永凯 等;《红外与激光工程》;20080430;第37卷;第47-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106056586A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
US10755428B2 (en) | Apparatuses and methods for machine vision system including creation of a point cloud model and/or three dimensional model | |
CN110945565B (zh) | 利用概率面元地图的密集视觉slam | |
EP3338247B1 (en) | Camera calibration using synthetic images | |
CN110853075B (zh) | 一种基于稠密点云与合成视图的视觉跟踪定位方法 | |
CN109493417B (zh) | 三维物体重建方法、装置、设备和存储介质 | |
JP6469905B2 (ja) | 適応型グランドプレーン推定を用いた自律運転のためのモノキュラ3d位置特定 | |
JP2009087326A (ja) | 画像において物体の位置を特定する方法及びシステム | |
CN111144349B (zh) | 一种室内视觉重定位方法及系统 | |
CN112184824A (zh) | 一种相机外参标定方法、装置 | |
Faion et al. | Tracking 3D shapes in noisy point clouds with random hypersurface models | |
Munoz-Banon et al. | Targetless camera-lidar calibration in unstructured environments | |
CN111105495A (zh) | 一种融合视觉语义信息的激光雷达建图方法及系统 | |
KR20080029080A (ko) | 단안 줌 카메라를 이용한 이동로봇의 자기위치 추정 시스템및 방법 | |
CN110260866A (zh) | 一种基于视觉传感器的机器人定位与避障方法 | |
CN112444246A (zh) | 高精度的数字孪生场景中的激光融合定位方法 | |
CN106056586B (zh) | 一种亚像素定位方法及装置 | |
CN113298947A (zh) | 一种基于多源数据融合的变电站三维建模方法介质及系统 | |
CN108680177A (zh) | 基于啮齿类动物模型的同步定位与地图构建方法及装置 | |
CN113589306B (zh) | 定位方法、装置、电子设备及存储介质 | |
CN110428461B (zh) | 结合深度学习的单目slam方法及装置 | |
US20230162392A1 (en) | Lidar mapping | |
Keivan et al. | Constant-time monocular self-calibration | |
KR101766823B1 (ko) | 불규칙한 조도 변화에 강건한 영상 기반 주행거리 측정 시스템 및 방법 | |
JP6800901B2 (ja) | 物体領域識別装置、物体領域識別方法およびプログラム |
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 | ||
GR01 | Patent grant |