CN108564622A - 实现定位板图像中亚像素级角点定位的方法 - Google Patents

Abstract

本发明涉及一种实现定位板图像中亚像素级角点定位的方法，其中包括获得像素级角点的初始位置坐标；比较各亚像素级角点之间的斜率和设定斜率之间的关系进行筛选；确定数条贯穿各亚像素级角点的曲线的方程式并将曲线交点并作为该亚像素级角点的最优位置坐标。采用了本发明中的实现定位板图像中亚像素级角点定位的方法，消除了角点提取错误的现象，自动筛选大量角点信息，也有效抑制了系统噪声产生的严重定位误差，同时本方法克服Harris角点优化过程中无法逾越的局部最优现象，提高了定位精度，解决了坐标偏移问题，降低算法复杂度，具有更广泛的应用范围。

Description

实现定位板图像中亚像素级角点定位的方法

技术领域

本发明涉及计算机视觉领域，尤其涉及计算机角点检测领域，具体是指一种实现定位板图像中亚像素级角点定位的方法。

背景技术

在机器视觉研究中，角点检测是一个重要环节。在摄像机标定、立体匹配、三维重建等计算机视觉处理任务中起重要作用。角点作为图像的一个重要的直观局部特征，能够有效保证图像的重要信息，同时减少了信息的数据量，运算量。角点检测效果直接影响后期图像处理工作的进行。

目前的角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。基于灰度图像的角点检测又可分为基于梯度、基于模板和基于模板梯度组合3类方法，其中基于模板的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。常见的基于模板的角点检测算法有Kitchen-Rosenfeld角点检测算法，Harris角点检测算法、KLT(Kanade-Lucas-Tomasi)角点检测算法及SUSAN角点检测算法。由于图像分辨率限制，角点的定位结果只能局限于像素级别，即坐标皆为整数数据。而实际的位置信息会根据图像分辨率的增加出现亚像素级别的偏移。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种能够处理坐标偏移问题、根据实际标定板图像信息对亚像素级角点坐标进行校准的实现定位板图像中亚像素级角点定位的方法。

为了实现上述目的，本发明的实现定位板图像中亚像素级角点定位的方法具有如下构成：

该实现定位板图像中亚像素级角点定位的方法，其主要特点是，所述的方法包括以下步骤：

(1)获得所述的定位板图像中各亚像素级角点的初始位置坐标；

(2)通过比较各亚像素级角点之间的斜率和设定斜率之间的关系，判断各亚像素级角点是否为所述的标定板图像的亚像素级角点；

(3)确定数条贯穿各亚像素级角点的曲线的方程式；

(4)计算曲线交点并作为该亚像素级角点的最优位置坐标。

进一步地，所述的获得所述的定位板图像中亚像素级各角点的初始位置坐标，具体包括以下步骤：

(1.1)提取定位板图像中各亚像素级角点的初始位置坐标；

(1.2)根据各亚像素级角点的初始位置坐标判断各亚像素级角点之间的距离是否大于阈值，如果是，则继续步骤(1.3)，否则继续步骤(1.4)；

(1.3)保留相应的两个亚像素级角点的初始位置坐标；

(1.4)将相应的两个亚像素级角点的初始位置坐标进行合并，得到新的初始位置坐标；

进一步地，通过比较各亚像素级角点之间的斜率和设定斜率之间的关系，判断各亚像素级角点是否为所述的标定板图像的亚像素级角点，具体包括以下步骤：

(2.1)选取所述的定位板图像中相对两侧的各一排亚像素级角点作为预设角点；

(2.2)在不包含所述的预设角点的亚像素级角点中选取一个并分别计算其与两侧的相应位置的预设角点的斜率；

(2.3)通过比较该两个斜率与设定斜率之间的关系，判断该亚像素级角点是否为所述的标定板图像的亚像素级角点。

进一步地，所述的确定数条贯穿各亚像素级角点的曲线的方程式，具体包括以下步骤：

(3.1)根据各亚像素级角点绘制曲线，且每个亚像素级角点均有两条曲线穿过；

(3.2)每条曲线的方程由穿过的数个亚像素级角点的初始位置坐标拟合而成。

更进一步地，所述的每条曲线的方程由穿过的数个亚像素级角点的初始位置坐标拟合而成，具体包括以下步骤：

(3.2.1)设曲线方程为：

其中，为曲线的方程系数；

(3.2.2)使用如下公式获得曲线方程与各亚像素级角点之间距离最短的系数的值：

其中，A_fit和B_fit为参数矩阵， 为各亚像素级角点的初始位置坐标；i＝1,2,...n，n为亚像素级角点的数目；

(3.2.3)每个亚像素级角点对应的两条曲线的方程组如下，根据该方程组计算该两条曲线的交点位置坐标：

其中，为两条曲线的交点位置坐标；和为各亚像素级角点对应的两条曲线的方程系数；i＝1,2,...n，n为亚像素级角点的数目。

更进一步地，所述的步骤(2)和(3)之间，还包括如下步骤：

采用三次样条插值法对各亚像素级角点的位置坐标进行优化。

采用了本发明中的实现定位板图像中亚像素级角点定位的方法，消除了角点提取错误的现象，自动筛选大量角点信息，也有效抑制了系统噪声产生的严重定位误差，同时本方法克服Harris角点优化过程中无法逾越的局部最优现象，提高了定位精度，解决了坐标偏移问题，降低算法复杂度，具有更广泛的应用范围。

附图说明

图1为本发明实现定位板图像中亚像素级角点定位的方法的流程图。

图2为本发明的一个具体实施例的角点提取错误的示意图。

图3为本发明的一个具体实施例的筛选角点的示意图。

图4为本发明的一个具体实施例的最终确定标定板角点的示意图。

图5为本发明的一个具体实施例在采用三次样条插值法后的坐标对比图。

图6为本发明的一个具体实施例的贯穿标定板所有角点的拟合曲线的示意图。

图7为本发明的一个具体实施例的拟合曲线交点的示意图。

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

如图1所示，为本发明实现定位板图像中亚像素级角点定位的方法的流程图。方法包括以下步骤：

(1)获得定位板图像中各亚像素级角点的初始位置坐标；

(2)通过比较各亚像素级角点之间的斜率和设定斜率之间的关系，判断各亚像素级角点是否为所述的标定板图像的亚像素级角点；

(3)确定数条贯穿各亚像素级角点的曲线的方程式；

(4)计算曲线交点并作为该亚像素级角点的最优位置坐标。

在一个具体实施例中，设标定板大小为1m×1m面积，匀分布了10×10个黑白格，水平放置在地面位置。采用Harris角点提取算法提取亚像素级角点(以下简称为角点)。在摄像机拍摄的图像中，会经常出现如图2所示的角点提取错误的现象。十字表示正确提取的角点位置，两者之间的实际距离远远大于5个像素的距离。而五角星表示错误提取的角点位置，两者之间的实际距离小于5个像素。

为了消除角点提取错误现象，设置阈值以判断邻近角点之间的距离信息，如果小于该阈值，则将这两个邻近角点合二为一，保留一个角点信息，合并方式有多重选择，此处选择将新角点坐标设为原来两个角点的位置中心点，即Point_center＝mean(Point₁,Point₂),Point₁和Point₂为图2中实际距离小于5个像素的邻近角点。计算结果保留4位小数精度。

由于Harris角点提取算法的精度较高，围绕着标定板四周会产生大量角点信息，需要进行自动筛选。本发明根据标定板黑白格相对位置特征，采用两点间斜率公式K_points＝(Y_point2-Y_point1)/(X_point2-X_point1)，剔除斜率在设定阈值之外的所有角点，确保标定板黑白格交点可以通过该算法筛选出来。由于摄像机的畸变现象，斜率的需要控制在有效范围之内，因此需要采用手动选取和自动筛选相结合的方式。在一个具体实施例中，如图3所示，首先，通过手动选择标定板两侧蓝色实心圆的角点位置。然后，同时计算内部各角点分别与两侧角点之间的斜率信息。最后，通过比较两个斜率值与设定阈值之间的关系，确定该角点是否为标定板黑白格交点。最终确定标定板角点信息如图4所示。为了防止边界效应，本实施例选取标定板内部9×9个角点位置，同时通过斜率约束，剔除掉内部用于标识方位信息的标识物角点信息。

由于图像分辨率的限制，提取的标定板角点位置并不一定与黑白格的交点完全重合。为了进一步提升定位精度，本发明采用三次样条插值对黑白格交点进行逼近。三次样条插值是通过一系列形值点的光滑曲线。三次样条插值多项式S(x)，在x_i(a＝x₀<x₁<…<x_n-1<x_n＝b)中的小区间[x_i-1,x_i]是三次多项式。若存在y_j＝f(x_j).(j＝0,1,…,n)，并且，S(x_j)＝y_j.(j＝1,2,…,n)，则S(x)为三次样条函数。

在一个具体实施例中，首先，以提取的标定板角点为中心，截取周围7×7的CRF(conditional random field algorithm，条件随机场算法)矩阵数据。然后，以0.01的精度将7×7矩阵扩展为601×601规模矩阵。并且，使用三次样条插值法对新的矩阵进行CRF数据重建。最后，通过求解最大值方法得到新的角点坐标，该坐标精确到0.01小数位。如图5所示，圆为优化之前的角点坐标，方块为优化之后的角点坐标，两周之间的划线为CRF差值。可见，该方法可以有效提高角点的定位精度。

经过上述优化方法可以找到标定板角点的局部最优解。但是，对于系统噪声产生的严重定位误差仍然无法有效抑制，即无法找到全局最优解。因此，本发明根据标定板的几何特征，寻找可以贯穿多个角点的最佳拟合曲线，然后，通过确定这些拟合曲线的交点位置，定位标定板所有角点的全局最优坐标。

在一个具体实施例中，首先，使用算式(9)确定贯穿标定板各特征点的曲线方程形式。然后，通过标定板所有特征点的Harris定位坐标，使用极大似然算法(10)和(11)获得曲线方程与Harris坐标之间距离最短的系数值。最后，通过每个特征点周围确定的两条曲线组成方程组(12)，计算曲线交点坐标。

其中，为通过Harris角点提取特征点的亚像素坐标(即亚像素级角点的初始位置坐标)，n为特征点数目，为每行或者每列9个特征点拟合而成的曲线方程系数，A_fit和B_fit为极大似然算法的参数矩阵，和为每个特征点周围两条曲线方程的系数，为两条曲线的交点坐标。

贯穿标定板所有角点的拟合曲线如图6所示，圆形为标定板特征点的亚像素坐标，每条曲线都是由穿过的9个特征点坐标拟合而成，该曲线到达各特征点的距离最短。并且，每个特征点都同时邻近两条曲线。该几何约束与标定板的正方形特征相吻合。

优化后的拟合曲线交点如图7所示，圆形为Harris特征点的亚像素坐标，曲线为邻近的两条拟合曲线，方块为曲线之间的交点。可见，该方法可以克服Harris特征点优化过程中，无法逾越的局部最优现象。根据标定板几何特征，通过贯穿特征点的拟合曲线，获得各特征点的全局最优坐标位置。

采用了本发明中的实现定位板图像中亚像素级角点定位的方法，消除了角点提取错误的现象，自动筛选大量角点信息，也有效抑制了系统噪声产生的严重定位误差，同时本方法克服Harris角点优化过程中无法逾越的局部最优现象，提高了定位精度，解决了坐标偏移问题，降低算法复杂度，具有更广泛的应用范围。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (6)

1.一种实现定位板图像中亚像素级角点定位的方法，其特征在于，方法包括以下步骤：

(1)获得所述的定位板图像中各亚像素级角点的初始位置坐标；

(2)通过比较各亚像素级角点之间的斜率和设定斜率之间的关系，判断各亚像素级角点是否为所述的标定板图像的亚像素级角点；

(3)确定数条贯穿各亚像素级角点的曲线的方程式；

(4)计算曲线交点并作为该亚像素级角点的最优位置坐标。

2.根据权利要求1所述的实现定位板图像中亚像素级角点定位的方法，其特征在于，所述的获得所述的定位板图像中亚像素级各角点的初始位置坐标，具体包括以下步骤：

(1.1)提取定位板图像中各亚像素级角点的初始位置坐标；

(1.2)根据各亚像素级角点的初始位置坐标判断各亚像素级角点之间的距离是否大于阈值，如果是，则继续步骤(1.3)，否则继续步骤(1.4)；

(1.3)保留相应的两个亚像素级角点的初始位置坐标；

(1.4)将相应的两个亚像素级角点的初始位置坐标进行合并，得到新的初始位置坐标。

3.根据权利要求1所述的实现定位板图像中亚像素级角点定位的方法，其特征在于，通过比较各亚像素级角点之间的斜率和设定斜率之间的关系，判断各亚像素级角点是否为所述的标定板图像的亚像素级角点，具体包括以下步骤：

(2.1)选取所述的定位板图像中相对两侧的各一排亚像素级角点作为预设角点；

(2.2)在不包含所述的预设角点的亚像素级角点中选取一个并分别计算其与两侧的相应位置的预设角点的斜率；

(2.3)通过比较该两个斜率与设定斜率之间的关系，判断该亚像素级角点是否为所述的标定板图像的亚像素级角点。

4.根据权利要求1所述的实现定位板图像中亚像素级角点定位的方法，其特征在于，所述的确定数条贯穿各亚像素级角点的曲线的方程式，具体包括以下步骤：

(3.1)根据各亚像素级角点绘制曲线，且每个亚像素级角点均有两条曲线穿过；

(3.2)每条曲线的方程由穿过的数个亚像素级角点的初始位置坐标拟合而成。

5.根据权利要求4所述的实现定位板图像中亚像素级角点定位的方法，其特征在于，所述的每条曲线的方程由穿过的数个亚像素级角点的初始位置坐标拟合而成，具体包括以下步骤：

(3.2.1)设曲线方程为：

其中，为曲线的方程系数；

(3.2.2)使用如下公式获得曲线方程与各亚像素级角点之间距离最短的系数的值：

其中，A_fit和B_fit为参数矩阵， 为各亚像素级角点的初始位置坐标；i＝1,2,...n，n为亚像素级角点的数目；

(3.2.3)每个亚像素级角点对应的两条曲线的方程组如下，根据该方程组计算该两条曲线的交点位置坐标：

其中，为两条曲线的交点位置坐标；和为各亚像素级角点对应的两条曲线的方程系数；i＝1,2,...n，n为亚像素级角点的数目。

6.根据权利要求1至5中任一项所述的实现定位板图像中亚像素级角点定位的方法，其特征在于，所述的步骤(2)和(3)之间，还包括如下步骤：

采用三次样条插值法对各亚像素级角点的位置坐标进行优化。