CN106204564A - 一种激光光心提取方法 - Google Patents

Abstract

本发明涉及一种激光光心提取方法，包括以下步骤：根据混合高斯背景模型实现背景差分获取运动的激光光条；根据激光光心空间几何分布确立激光光条的光心坐标；利用Hessian矩阵的特征值具有的方向性完成对激光光条的光心坐标的亚像素定位。本发明能够有效提取激光光心，并能够定位至亚像素精度。

Description

一种激光光心提取方法

技术领域

本发明涉及光三维视觉测量技术领域，特别是涉及一种激光光心提取方法。

背景技术

在结构光三维视觉测量系统中，光条中心的提取精度直接影响到整个测量系统的测量精度。影响其提取精度的主要因素有：光平面自身“厚度”变化、光强的变化、被测物体表面的性质、图像采集系统内部产生的热噪声和电噪声等，而由后两种情况造成的光条中心提取误差属于随机误差，故要提高光条中心的提取精度必须消除随机噪声的影响。目前常用的提取光条中心的方法可分为三类：阈值法、拟合曲线求极值法和重心法。

2001年，吴剑波等提出了一种光刀中心自适应阈值提取法。该方法结合了阈值法、极值法和重心法三种方法，其充分利用光强极值点附近所有点的光强信息，同时也克服了因光刀方向上光强分布不均给提取带来的影响，利用极值点光强下浮几个灰度级作为阈值的方法，能有效去除某些噪声的影响，并将所处理的数据集中在光刀中心附件的小范围内，提高了运算的速度。

2004年，梁治国等提出了及光光条的双特征线亚像素级检测算法。该方法借鉴传统光切法思想，选择激光光束内一对共轭光平面作为光刀，同样可以求取物体表面的两条轮廓特征线。根据图像处理技术中关于目标边缘检测的基本原理，选择激光光条中梯度最大的边缘点集(以下称为光刀特征线)来表征激光光束中光强相等的一对共扼光刀平面与物体表面的交线。针对所讨论的激光图像特征，利用基于灰度闭值方法检测像素级边缘之后，在边缘位置上通过插值方法获取亚像素级边缘位置。

2005年，黎明等提出了一种利用光强信息对结构光轮廓提取进行修正的方法。该方法通过自行搭建的试验装置获得原始光强图像，有中心线法提取带有误差的轮廓，再使用光强分布对其进行修正。根据物体表面光强与表面法线方向的关系，用逐次逼近的方法验证物体表面的法线方向。最后通过理论推导计算以及和之前获得的轮廓进行比较，得到修正值。

发明内容

本发明所要解决的技术问题是提供一种激光光心提取方法，能够有效提取激光光心，并能够定位至亚像素精度。

本发明解决其技术问题所采用的技术方案是：提供一种激光光心提取方法，包括以下步骤：

(1)根据混合高斯背景模型实现背景差分获取运动的激光光条；

(2)根据激光光心空间几何分布确立激光光条的光心坐标；

(3)利用Hessian矩阵的特征值具有的方向性完成对激光光条的光心坐标的亚像素定位。

所述步骤(1)中将图像当前帧和高斯背景模型进行差分，以此判别灰度变化较大的区域为前景区域，灰度变化较小的区域为背景区域；其中，混合高斯背景模型是利用多个高斯模型来表征各像素点特征，对于任意像素点在t时刻的观测值I_t，则该像素点属于背景图像的概率为其中，η(I_t,μ_i,t,Σ_i,t)为第i个高斯模型，μ_i,t为高斯分布的均值，Σ_i,t为高斯分布的协方差矩阵，ω_i,t为高斯分布的权重。

所述步骤(1)中还包括在t时刻对图像序列的观测值I_t和多个高斯模型进行匹配检验的步骤。

所述步骤(2)具体为：先采用极值法在给定窗口下搜索激光光条的极值，再依据(3R-G-B)分量的取值来进行自适应阈值从而判别出激光光心。

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：本发明依据混合高斯背景模型实现背景差分获取运动的激光光条，遵循激光光心空间几何分布确立激光光心坐标，并利用Hessian矩阵的特征值具有的方向性定位亚像素激光光心坐标，本发明能够有效定位具有亚像素精度的激光光心坐标。

附图说明

图1是激光扫描图像颜色分布图；

图2是极值法提取光条中心示意图；

图3是激光光条提取图；

图4是激光光心提取图；

图5是激光光心法线方向标识图；

图6是本发明的流程图。

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激光光心提取方法，如图6所示，包括以下步骤：根据混合高斯背景模型实现背景差分获取运动的激光光条；根据激光光心空间几何分布确立激光光条的光心坐标；利用Hessian矩阵的特征值具有的方向性完成对激光光条的光心坐标的亚像素定位。

激光光条提取

本实施方式中建立基于混合高斯背景建模的背景差分法来检测运动的激光。该模型通过将图像当前帧和背景模型进行差分，以此判别灰度变化较大的区域为前景区域，灰度变化较小的区域为背景区域。

假定背景图像为B(x,y,t)，当前帧图像为I(x,y,t)，将当前帧图像的灰度值与背景图像的灰度值作差得到差值图像，并将差值图像与设定阈值Th相比较，若满足式(1)，则将该像素判定为前景区域，置为1，若不满足式(1)，则将该像素判定为背景区域，置为0。

|I(x,y,t)-B(x,y,t)|＞Th (1)

混合高斯背景模型是利用K个高斯模型来表征各像素点特征，其中K＝3～5，且随着K值增大，处理波动能力增强，处理消耗时间增长。对于任意像素点在t时刻的观测值I_t，则该点属于背景图像的概率为：

$p\left(I_t\right)=\underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}\×\mathrm{\η}(I_t,{\mathrm{\μ}}_{i,t},{\Σ}_{i,t})---\left(2\right)$

其中，η(I_t,μ_i,t,Σ_i,t)为第i个高斯模型，其表达式如(3)所示，i＝1,2,…,K，μ_i,t为高斯分布的均值，表现为高斯分布中心，Σ_i，t为高斯分布的协方差矩阵，表现为像素值的不稳定度，ω_i，t为高斯分布的权重，表示对应模型的可靠度，且n表示I_t的维数，当对灰度图像背景建模时，n＝1。

$\mathrm{\η}(I_t,{\mathrm{\μ}}_{i,t},{\Σ}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|{\Σ}_{i,t}\right|}^{1/2}}{e}^{\frac{1}{2}{(I_t-{\mathrm{\μ}}_{i,t})}^T{\Σ}_{i,t}(I_t-{\mathrm{\μ}}_{i,t})}---\left(3\right)$

为提高算法速度，降低计算复杂度，通常假定I_t各分量之间相互独立，且具有相同的方差，则协方差矩阵表示为：

${\Σ}_{i,t}={\mathrm{\σ}}_{i,t}^2{I}_t---\left(4\right)$

其中，i＝1,2,…,K，σ_i,t为相应的高斯模型方差。

利用某段时间内图像序列的像素值I_t的均值μ₀和方差作为K个高斯模型的初始化参数，如下所示：

${\mathrm{\μ}}_0=\frac{1}{n}\underset{i=t-n}{\overset{t}{\Σ}}{I}_i---\left(5\right)$

${\mathrm{\σ}}_0^2=\frac{1}{n}\underset{i=t-n}{\overset{t}{\Σ}}{(I_i-{\mathrm{\μ}}_0)}^2---\left(6\right)$

在t时刻对图像序列的像素值I_t和K个高斯模型进行匹配检验，若满足(7)式，则认为该高斯模型与像素值I_t匹配，否则认为该高斯模型与像素值I_t不匹配。

|I_t-μ_i,t-1|≤2.5σ_i,t-1 (7)

对于与像素值I_t匹配的高斯模型，其参数更新如下所示：

ω_i,t＝(1-α)ω_i,t-1+α (8)

μ_i,t＝(1-β)μ_i,t-1+βI_t (9)

${\mathrm{\σ}}_{i,t}^2=(1-\mathrm{\β}){\mathrm{\σ}}_{i,t-1}^2+\mathrm{\β}{(I_t-{\mathrm{\μ}}_{i,t})}^T(I_t-{\mathrm{\μ}}_{i,t})---\left(10\right)$

其中，α、β均是学习速率，α表示背景模型的更新速度，β表示高斯模型参数更新速度，β≈α/ω_i,t。

对于与像素值I_t不匹配并且在不匹配中权值最小的高斯模型，引入新的高斯模型替换，其以当前像素值为均值，并取较大的方差和较小的权值，而对于其余不匹配的高斯模型，参数μ_i,t和则不予以更新，其权值依据下式进行衰减：

ω_i,t＝(1-α)ω_i,t-1 (11)

此时，将K个高斯模型按照ω_i,t/σ_i,t值进行降序排列，并用m₁～m_K对应表示这些值。由于这些值表示对应像素出现的概率，故值越大其为背景的可能性越大，即描述稳定背景的高斯模型位于序列顶部，此时选取序列前M个高斯模型，若该M个高斯模型权值之和满足(12)式，则是背景像素的最佳描述，即为背景模型。

$M={\arg }_{m}min\{\underset{i=m_1}{\overset{m_K}{\Σ}}{\mathrm{\ω}}_{i,t}\≥Th\}---\left(12\right)$

其中，Th为前M个高斯模型之和的阈值，一般取0.5≤Th≤1.0。

激光光心提取

当采用红色激光扫描被测物体时，为了准确有效地提取激光光心，在此将分析激光光心的局部分布特性，如图1所示，其中，图1(a)为R分量二维分布图，图1(b)为(3R-G-B)分量二维分布图。从图1中可以看出，对于二维分布而言，(3R-G-B)分量相比于R分量可以将激光区域与非激光区域更为有效地分割开来，因而本实施方式选取(3R-G-B)分量对经背景差分获取的激光光条进行进一步筛选。

本实施方式在提取激光光心前，已先利用背景差分法有效地提取了激光光条，因而受外界干扰较少，在提取激光光条的基础上，先参照极值法在给定窗口下搜索激光光条的极值，再依据(3R-G-B)分量的取值来进行自适应阈值从而判别出激光光心。极值法是最基本的激光光条中心提取算法，此算法利用光条截面高斯模型分布具有零阶极大值的特征，从而提取光条截面极大值作为光条中心。该算法简单且处理速度快，但易受外界噪声影响，如图2所示，其中μ₀为实际极值中心，μ₁为干扰极值中心。

自适应阈值法建立在极值法的基础之上，该算法通过提取光条极值并将其与阈值比较大小来判别是否为光条中心。若极值小于阈值，则舍弃该值，若极值大于阈值，则判定该值为光条中心，以极值点的灰度值为依据，推算光条截面的阈值。设极值位于μ₀，其取值为(3R-G-B)分量，阈值为η，若任意点μ满足下式，则认为该点为光条中心。

G(μ)-Th＞0 (14)

其中，Th＝(G(μ₀)-k)，k为经验值，一般取10～20，由此看出光条截面的灰度阈值随光强变化而变化。

激光光心亚像素定位

提取激光光条中心后，获取初步定位的光心坐标x_m，再通过Hessian矩阵精确定位光心的亚像素坐标x_p。光条图像边缘法线方向向量n对应为Hessian矩阵的最大绝对特征值的特征向量，其Hessian矩阵表示为：

$H=\left[\begin{array}{cc}{h}_{xx}& h_{xy}\\ h_{xy}& h_{yy}\end{array}\right]---\left(15\right)$

求取Hessian矩阵最大绝对特征值的特征向量，即为激光光条在x_m处的边缘法线方向向量n，其中，n＝[n_x n_y]^T，||n||＝1。令

$t=-\frac{n_x{h}_x+n_y{h}_y}{n_x^2{h}_{xx}+2n_x{n}_y{h}_{xy}+n_y^2{h}_{yy}}---\left(16\right)$

其中，h_x，h_y，h_xx，h_xy，h_yy为图像灰度值在x和y方向的一阶和二阶微分。

则激光光心的亚像素坐标为x_p＝tn+x_m。

下面对本发明进行实验验证，采用Visual C++及OpenCV进行验证。对激光扫描被测物体视频的验证结果表明，本实施方式中能够有效提取激光光心，并能够定位至亚像素精度，为三维视觉测量提供数据支撑。

如图3所示，图3(a)为利用数码相机拍摄的激光扫描视频第300帧图像，其中包含被测物体、辅助平面和激光光条，图3(b)为混合高斯背景建模获取的背景图像，其依据建立K个高斯模型来表征各像素点特征，并利用各高斯模型间的匹配与不匹配关系来建立更新背景模型，图3(c)为依据混合高斯背景模型实现背景差分的前景二值图像，其通过源图像与背景模型的差分运算获取，从图中可以看出，对于激光扫描视频的第300帧图像，经由混合高斯背景建模获取稳定的背景图像，通过背景差分可有效提取激光光条。

如图4所示，图3(a)为利用数码相机拍摄的激光扫描视频第300帧图像，其中包含被测物体、辅助平面和激光光条，图4为对应帧图像的激光光心提取图像，其参照极值法在给定窗口下搜索激光光条的极值，再依据自适应阈值判别激光光心，从图中可以看出，对于激光扫描视频的第300帧图像，在提取激光光条的前提下，经激光光心提取能有效获取激光光心。

如图5所示，图3(a)为利用数码相机拍摄的激光扫描视频第300帧图像，其中包含被测物体、辅助平面和激光光条，图5为对应帧图像激光光心法线方向标识图像，其依据Hessian矩阵的最大绝对特征值的特征向量实现求取，图中标识过程为在图像高度10％与90％之间，每隔10个激光光心标识1个光心法线，采用8种不同的颜色实现标识，从图中可以看出，在提取激光光心的前提下，激光光心法线方向能有效标识。

依据图5所示的激光光心法线方向对应点的顺序即可得到序号为50的倍数的光心亚像素坐标，其序号随横坐标x的取值增大而增大，如图5和表1所示。这些坐标将在三维测量中作为图像坐标系下的亚像素坐标用以计算世界坐标系下的物体坐标，在此利用Hessian矩阵获取的法线方向计算得到具有亚像素级精度的坐标，从而达到测量被测物体的目的。

表1激光光心亚像素坐标

不难发现，本发明依据混合高斯背景模型实现背景差分获取运动的激光光条，遵循激光光心空间几何分布确立激光光心坐标，并利用Hessian矩阵的特征值具有的方向性定位亚像素激光光心坐标，本发明能够有效定位具有亚像素精度的激光光心坐标。

Claims (4)

1.一种激光光心提取方法，其特征在于，包括以下步骤：

(1)根据混合高斯背景模型实现背景差分获取运动的激光光条；

(2)根据激光光心空间几何分布确立激光光条的光心坐标；

(3)利用Hessian矩阵的特征值具有的方向性完成对激光光条的光心坐标的亚像素定位。

2.根据权利要求1所述的激光光心提取方法，其特征在于，所述步骤(1)中将图像当前帧和高斯背景模型进行差分，以此判别灰度变化较大的区域为前景区域，灰度变化较小的区域为背景区域；其中，混合高斯背景模型是利用多个高斯模型来表征各像素点特征，对于任意像素点在t时刻的观测值I_t，则该像素点属于背景图像的概率为其中，η(I_t,μ_i,t,Σ_i,t)为第i个高斯模型，μ_i,t为高斯分布的均值，Σ_i,t为高斯分布的协方差矩阵，ω_i,t为高斯分布的权重。

3.根据权利要求2所述的激光光心提取方法，其特征在于，所述步骤(1)中还包括在t时刻对图像序列的观测值I_t和多个高斯模型进行匹配检验的步骤。

4.根据权利要求1所述的激光光心提取方法，其特征在于，所述步骤(2)具体为：先采用极值法在给定窗口下搜索激光光条的极值，再依据(3R-G-B)分量的取值来进行自适应阈值从而判别出激光光心。