CN108510544A - 一种基于特征聚类的光条定位方法 - Google Patents

Abstract

本发明一种基于特征聚类的光条定位方法属于视觉测量领域，涉及一种基于特征聚类的光条定位方法。该方法首先采用激光结合双目视觉的方式获取激光光条图像，然后对光条图像进行分块处理，根据光条的特征建立光条形状、光条抗噪能力和光条纹理三个光条特征描述。最后，利用这三个特征描述基于特征聚类的方法区分分块图像内是否存在光条边界，从而筛选出光条，实现光条的准确、快速定位。该方法克服了图像噪声多且复杂、光条曲折、明暗不均以及光条像素占整幅图像比例低所导致的识别效率低等问题，实现了激光光条的快速、准确定位，具有定位准确、效率高、鲁棒性好等特点。

Description

一种基于特征聚类的光条定位方法

技术领域

本发明属于视觉测量领域，涉及一种基于特征聚类的光条定位方法。

背景技术

随着工业化自动化的进程，视觉测量系统已经广泛应用在工业加工过程监测、产品几何质量检测中。激光具有直线度高、特征稳定等优势，作为增强特征广泛应用于视觉测量系统中，构成激光辅助视觉测量系统。例如，结构光三维扫描系统三维成像测量、机器人焊缝自动跟踪检测等。在复杂大视场工业环境下，激光图像存在强光区域、特征淹没、噪声区域等不可避免的干扰因素。线激光在图像中的定位将决定特征处理区域，直接影响图像处理过程的鲁棒性和准确性。因此，准确的激光光条定位是十分重要的。

近年来，工业测量中应用的定位方法主要是模板匹配法和基于特征的模板匹配法。这些方法都是基于固定模板对有特定几何特征的零件进行有效的定位和分割，但对于激光光条图像，激光光条随零件的形面特征而改变，难以用固定模板对激光光条进行有效的定位。对于光条图像的定位，目前有三个实际难题：1)由于测量现场环境光、背景、尘埃等因素的影响，在识别光条时有很多背景边界和噪声的干扰；2)被测物体表面曲率的变化，将造成光条曲折、明暗不均；3)光条的像素面积通常小于整幅图像的1％，识别效率低。

Feng L,Po L M,Xu X,et al.Dynamic ROI based on K‐means for remotephotoplethysmography[C].ICASSP,2015:1310‐1314中提出一种基于K‐means聚类算法的动态ROI方法。该方法首先对图像特征区域进行固定ROI并分块，计算分块图像的互相关系数和信噪比两个特征参数，然后基于这两个特征参数采用K‐means算法聚类，从而实现对高质量RIPPG信号的人体皮肤区域进行定位。测量实验结果表明，该动态ROI方法可以有效提取目标，改善目标信号质量。但由于适用场景和图像特征不同，该算法并不能直接应用于复杂工况下的光条定位。

大连理工大学的刘巍等人，在专利号：201710573668.9，专利《基于线激光光条的动态搜索感兴趣区域的方法》中提出了一种基于线激光光条的动态搜索感兴趣区域的方法。该方法基于激光器转角对所有图像分组，对混合差分图像采用横向边缘检测，快速计算每组图像中光条的帧间像素速度，根据帧间像素速度动态提取图像中光条感兴趣区域。但该方法需要人工手动选取初始感兴趣区域，未能实现智能的激光光条定位。

发明内容

本发明要解决的技术难题是针对噪声多且复杂、光条曲折、明暗不均的线激光光条图像，传统光条定位方法存在提取效率低、鲁棒性差、需人工参与等问题，发明一种基于特征聚类的光条定位方法。该方法，首先利用双目相机获取照射在被测物上的线激光光条图像，然后对光条图像进行分块处理，并根据光条的特征建立光条形状、光条抗噪能力和光条纹理三个光条特征描述。最后，利用这三个特征描述基于特征聚类的方法区分分块图像内是否存在光条边界，从而筛选出光条，实现光条的准确定位。此方法将光条图像分块，并对建立的三个光条特征描述进行聚类分析，有效克服了生产现场复杂环境的影响，实现了激光光条的准确定位。

本发明采用的技术方案是一种基于特征聚类的光条定位方法，其特征是，该方法首先通过激光结合双目视觉的方式，利用左、右相机1、4拍摄激光发射器3在被测物5上形成的辅助激光条纹6，获取激光光条6图像；然后将光条图像进行分块处理，根据光条的特征，建立三个光条特征描述；最后，利用这三个特征描述基于特征聚类的方法区分分块图像内是否存在光条边界，从而筛选出光条，实现光条的准确定位；方法的具体步骤如下：

第一步，采集激光光条图像

搭建激光辅助双目视觉测量系统，打开辅助激光发射器3并照射被测物5，在左、右相机1、4开始采集之后，通过转台2带动激光发射器3转动，使激光扫描被测物5；通过信息采集系统采集到辅助激光光条6图像之后，需要对图像中的光条进行定位；

第二步，将光条图像分块

设定一幅包含了光条的图像为I_m,n，像素尺寸为m×n，为有效对图像局部进行分析，将图像均匀划分为k×k个区域，每个区域记为图像R_i,j，尺寸为w×h，其中i＝1,2,...,k、j＝1,2,...,k，w＝m/k，h＝n/k；

第三步，建立三个光条特征描述

A.光条形状描述：

由于光条在切向方向能量符合高斯分布或近似高斯分布，光条法线方向的灰度梯度变化很大，采用光条灰度梯度描述可有效表示光条的形状特征；根据公式(1)计算R_i,j的横向对称梯度图像RX_i,j：

其中，代表长度为t的全1向量，G_X为卷积核，*代表图像卷积运算，RX_i,j即为区域图像内像素横向梯度变化信息的描述，i＝1,2,...,k、j＝1,2,...,k；

RX_i,j中有w×h个元素，由于其数据量太大，不能直接用来表达R_i,j的特征，故将RX_i,j中每行数据极差的最大值作为R_i,j的像素特征，用公式(2)表示为：

其中，range(X)＝max(X)-min(X)，(u,v)为RX_i,j中元素的坐标，u＝1,2,...,w、v＝1,2,...,h，MRX_i,j即为光条形状描述；

B.光条抗噪能力描述:

峰值信噪比可用来计算原图像和加噪声滤波后图像的差异，反映图像对噪声的抗干扰能力；对于分块图像R_i,j，若图像的明暗变化很小，则认为图像仅占有一种信号，其信噪比较高；相反，认为图像占有一个信号和多个噪声，则该图像的峰值信噪比较低；故峰值信噪比可以用来衡量图像的粗糙程度，而包含光条边界的图像被认为是粗糙度较高即峰值信噪比较低；

计算R_i,j的峰值信噪比PSNR_i,j，作为R_i,j的信号特征，用公式(3)

表示为：

其中，G(θ,s)是均值为θ、标准差为s高斯分布随机值构成的二维随机高斯图像，NR_i,j是R_i,j加随机高斯噪声的图像，FR_i,j是NR_i,j按3×3模板均值滤波后的图像；PSNR_i,j即为光条抗噪能力描述；

C.光条纹理描述:

根据线激光在图像中的纹理特征，如果光条边界在R_i,j中，那么R_i,j-1或R_i,j+1的对比度要高于R_i,j的对比度；根据公式(4)计算R_i,j的Tamura对比度F_i,j：

其中，μ_i,j是R_i,j的平均灰度值，M₄是R_i,j的四阶矩，s²是R_i,j的灰度方差，α₄是R_i,j的峰度；

计算F_i,j-1、F_i,j、F_i,j+1的Michelson对比度FM_i,j，作为R_i,j的分块图像特征，用公式(5)表示为：

其中，FM_i,j即为光条纹理描述；

第四步，基于特征聚类定位光条

在获取图像各分块的特征信息后，需要利用这三个特征区分分块图像内是否存在光条边界；利用基于特征相似度的聚类方法——K均值聚类，将所有分块图像分为三类，以分块图像的MRX_i,j、PSNR_i,j和FM_i,j分别作为三个维度的特征，绘制到特征空间上，每个分块图像R_i,j对应一个特征点(MRX_i,j,PSNR_i,j,FM_i,j)；在特征空间内初始化三个聚类中心，以各特征点到最近聚类中心欧式距离的均方差作为代价函数，通过迭代更新聚类中心直到代价函数小于给定阈值；最后以到三个聚类中心的欧式距离d₀、d₁、d₂作为判定标准，将所有特征点划分成三类；

根据特征点类别的数量占比，将特征点数量较少的一个或两个类别作为目标R_i,j,1，最少类别对应的聚类中心为d_min，其他类别作为背景R_i,j,0；由于实际图像的背景中存在一部分高亮光斑，其特征与光条很相似，为了进一步筛选出光条，基于特征点到K均值聚类中心的距离，提出光条匹配系数MC；提取图中所有连通区域region，根据公式(6)计算属于同一连通区域region内的R_i,j,1的匹配系数，其中S_region是连通区域region的像素面积；

匹配系数越大的区域，表示存在光条的可能性越大，当匹配系数大于某一阈值时认定该区域存在光条特征，这样就完成了光条的定位。

本发明的有益效果是该方法通过将光条图像分块，并根据光条的特征建立三个光条特征描述，对这三个特征描述进行聚类分析，从而区分分块图像内是否存在光条边界，克服了图像噪声多且复杂、光条曲折、明暗不均以及光条像素占整幅图像比例低所导致的识别效率低等问题，实现了激光光条的快速、准确定位，具有定位准确、效率高、鲁棒性好等特点。

附图说明

图1是激光辅助双目视觉测量系统示意图，其中，1‐左相机，2‐转台，3‐激光发射器，4‐右相机，5‐被测物，6‐激光光条。

图2是基于特征聚类的光条定位方法的流程图。

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。

本实施例选用的激光发射器为Coherent公司生产的LasirisPowerLine激光发射器，双目视觉系统中相机为韩国Vieworks公司生产的VC‐12MC‐M/C 65相机，分辨率：4096×3072，图像传感器：CMOS，帧率：全画幅，最高64.3fps。镜头型号为EF16‐35mmf/2.8LIIUSM，镜头焦距：f＝16‐35，APS焦距：25.5‐52.5，光圈：F2.8。拍摄条件如下：图片像素为4096×3072，镜头焦距为35mm，工作距离1.5m，视场大小约为1000×1200mm。

本发明首先通过激光结合双目视觉的方式获取激光光条图像，然后对光条图像进行分块，根据光条的特征建立三个光条特征描述，之后对三个光条特征描述进行聚类分析，从而实现光条的准确定位，方法的具体步骤如下：

第一步，采集激光光条图像

搭建激光辅助双目视觉测量系统，打开辅助激光发射器3并照射被测物5，在左、右相机1、4开始采集之后，通过转台2带动激光发射器3转动，使激光扫描被测物5；通过信息采集系统采集辅助激光光条6图像；

第二步，将光条图像分块

采集到的激光光条图像为I_4096×3072，像素尺寸为4096×3072，为有效对图像局部进行分析，将图像均匀划分为k×k个区域，每个区域记为图像R_i,j，尺寸为w×h，其中i＝1,2,...,k、j＝1,2,...,k，w＝m/k，h＝n/k；

第三步，建立三个光条特征描述

对所有分块图像R_i,j进行计算，根据公式(1)、(2)建立光条形状描述MRX_i,j，根据公式(3)建立光条抗噪能力描述PSNR_i,j，根据公式(4)、(5)建立光条纹理描述FM_i,j。

第四步，基于特征聚类定位光条

获取图像各分块的特征信息后，利用这三个特征区分分块图像内是否存在光条边界；利用基于特征相似度的聚类方法——K均值聚类，将所有分块图像分为三类，以分块图像的MRX_i,j、PSNR_i,j和FM_i,j分别作为三个维度的特征，绘制到特征空间上，每个分块图像R_i,j对应一个特征点(MRX_i,j,PSNR_i,j,FM_i,j)；在特征空间内初始化三个聚类中心，以各特征点到最近聚类中心欧式距离的均方差作为代价函数，通过迭代更新聚类中心直到代价函数小于给定阈值；最后以到三个聚类中心的欧式距离d₀、d₁、d₂作为判定标准，将所有特征点划分成三类；

根据特征点类别的数量占比，将特征点数量较少的一个或两个类别作为目标R_i,j,1，最少类别对应的聚类中心为d_min，其他类别作为背景R_i,j,0；提取图中所有连通区域region，根据公式(6)计算属于同一连通区域region内的R_i,j,1的匹配系数；

匹配系数越大的区域，表示存在光条的可能性越大，当匹配系数大于某一阈值时认定该区域存在光条特征，完成了光条的准确定位。

Claims (1)

1.一种基于特征聚类的光条定位方法，其特征是，该方法首先通过激光结合双目视觉的方式，利用左、右相机(1、4)拍摄激光发射器(3)在被测物(5)上形成的辅助激光条纹(6)，获取激光光条(6)图像；然后将光条图像进行分块处理，根据光条的特征，建立三个光条特征描述；最后，利用这三个特征描述基于特征聚类的方法区分分块图像内是否存在光条边界，从而筛选出光条，实现光条的准确定位；方法的具体步骤如下：

第一步，采集激光光条图像

搭建激光辅助双目视觉测量系统，打开辅助激光发射器(3)并照射被测物(5)，在左、右相机(1、4)开始采集之后，通过转台(2)带动激光发射器(3)转动，使激光扫描被测物(5)；通过信息采集系统采集到辅助激光光条(6)图像之后，需要对图像中的光条进行定位；

第二步，将光条图像分块

设定一幅包含了光条的图像为I_m,n，像素尺寸为m×n，为有效对图像局部进行分析，将图像均匀划分为k×k个区域，每个区域记为图像R_i,j，尺寸为w×h，其中i＝1,2,...,k、j＝1,2,...,k，w＝m/k，h＝n/k；

第三步，建立三个光条特征描述

A.光条形状描述：

由于光条在切向方向能量符合高斯分布或近似高斯分布，光条法线方向的灰度梯度变化很大，采用光条灰度梯度描述可有效表示光条的形状特征；根据公式(1)计算R_i,j的横向对称梯度图像RX_i,j：

其中，代表长度为t的全1向量，G_X为卷积核，*代表图像卷积运算，RX_i,j即为区域图像内像素横向梯度变化信息的描述，i＝1,2,...,k、j＝1,2,...,k；

RX_i,j中有w×h个元素，由于其数据量太大，不能直接用来表达R_i,j的特征，故将RX_i,j中每行数据极差的最大值作为R_i,j的像素特征，用公式(2)表示：

其中，range(X)＝max(X)-min(X)，(u,v)为RX_i,j中元素的坐标，u＝1,2,...,w、v＝1,2,...,h，MRX_i,j即为光条形状描述；

B.光条抗噪能力描述:

峰值信噪比可用来计算原图像和加噪声滤波后图像的差异，反映图像对噪声的抗干扰能力；对于分块图像R_i,j，若图像的明暗变化很小，则认为图像仅占有一种信号，其信噪比较高；相反，认为图像占有一个信号和多个噪声，则该图像的峰值信噪比较低；故峰值信噪比可以用来衡量图像的粗糙程度，而包含光条边界的图像被认为是粗糙度较高即峰值信噪比较低；

计算R_i,j的峰值信噪比PSNR_i,j，作为R_i,j的信号特征，用公式(3)表示：

其中，G(θ,s)是均值为θ、标准差为s高斯分布随机值构成的二维随机高斯图像，NR_i,j是R_i,j加随机高斯噪声的图像，FR_i,j是NR_i,j按3×3模板均值滤波后的图像；PSNR_i,j即为光条抗噪能力描述；

C.光条纹理描述:

根据线激光在图像中的纹理特征，如果光条边界在R_i,j中，那么R_i,j-1或R_i,j+1的对比度要高于R_i,j的对比度；根据公式(4)计算R_i,j的Tamura对比度F_i,j：

其中μ_i,j是R_i,j的平均灰度值，M₄是R_i,j的四阶矩，s²是R_i,j的灰度方差，α₄是R_i,j的峰度；

计算F_i,j-1、F_i,j、F_i,j+1的Michelson对比度FM_i,j，作为R_i,j的分块图像特征，用公式(5)表示：

其中，FM_i,j即为光条纹理描述；

第四步，基于特征聚类定位光条

在获取图像各分块的特征信息后，需要利用这三个特征区分分块图像内是否存在光条边界；利用基于特征相似度的聚类方法——K均值聚类，将所有分块图像分为三类，以分块图像的MRX_i,j、PSNR_i,j和FM_i,j分别作为三个维度的特征，绘制到特征空间上，每个分块图像R_i,j对应一个特征点(MRX_i,j,PSNR_i,j,FM_i,j)；在特征空间内初始化三个聚类中心，以各特征点到最近聚类中心欧式距离的均方差作为代价函数，通过迭代更新聚类中心直到代价函数小于给定阈值；最后以到三个聚类中心的欧式距离d₀、d₁、d₂作为判定标准，将所有特征点划分成三类；

根据特征点类别的数量占比，将特征点数量较少的一个或两个类别作为目标R_i,j,1，最少类别对应的聚类中心为d_min，其他类别作为背景R_i,j,0；由于实际图像的背景中存在一部分高亮光斑，其特征与光条很相似，为了进一步筛选出光条，基于特征点到K均值聚类中心的距离，提出光条匹配系数MC；提取图中所有连通区域region，根据公式(6)计算属于同一连通区域region内的R_i,j,1的匹配系数，其中S_region是连通区域region的像素面积；

匹配系数越大的区域，表示存在光条的可能性越大，当匹配系数大于某一阈值时认定该区域存在光条特征，完成了光条的定位。