CN109087336B

CN109087336B - 球体旋转姿态检测方法、装置、存储介质及计算机设备

Info

Publication number: CN109087336B
Application number: CN201810993991.6A
Authority: CN
Inventors: 任杰; 施之浩; 黄睿; 胡溪玮; 凌天泰; 钱若楠; 郑露静; 张本轩; 盛斌
Original assignee: Shanghai Jiaotong University; Shanghai University of Sport
Current assignee: Shanghai Jiaotong University; Shanghai University of Sport
Priority date: 2018-08-29
Filing date: 2018-08-29
Publication date: 2020-10-02
Anticipated expiration: 2038-08-29
Also published as: CN109087336A

Abstract

本申请涉及一种球体旋转姿态检测方法、装置、存储介质及计算机设备，获取包含待测球体的连续图像，连续图像包括待测球体至少一个旋转周期的所有图像；对连续图像中的每张图像进行圆形检测，得到每张图像中包含的待测球体的轮廓；获取每张图像中待测球体的轮廓内部包含的特征像素点的数量；根据连续图像中所有图像包含的特征像素点的数量，得到待测球体的旋转频率。由于待测球体的运动过程可以近似认为是规律周期性运动，其球体轮廓内包含的特征点的数量也呈现周期性变化，通过分析图像中特征点的数量即可得到待测球体的旋转频率信息，在降低计算难度的同时也能提高检测准确度。

Description

球体旋转姿态检测方法、装置、存储介质及计算机设备

技术领域

本申请涉及图像处理技术领域，特别是涉及一种球体旋转姿态检测方法、装置、存储介质及计算机设备。

背景技术

乒乓球是一项在世界范围内都较为流行的球类体育项目，由此出现了各种用于分析乒乓球运动过程的机器人视觉系统，该系统涉及多种对运动物体进行状态识别的技术。

传统技术在对乒乓球进行运动状态分析时，多为通过分析乒乓球上特征点的运动状态来得到乒乓球的运动状态信息，具体包括：在三维坐标系中确定特征点的位置信息，通过对特征点进行位置追踪，得到特征点的三维坐标变化信息，再根据坐标变换信息进行分析得到乒乓球的运动状态信息。

然而，传统技术需要对特征点进行连续位置追踪，由于乒乓球在运动中具有快速移动和高速旋转的特点，导致特征点的位置追踪难度较大，且可能存在位置信息不准确的问题，从而导致分析得到的运动状态信息不准确。

发明内容

基于此，有必要针对传统技术中存在的问题，提供一种提高检测准确度的球体旋转姿态检测方法、装置、存储介质及计算机设备。

一种球体旋转姿态检测方法，包括：

获取包含待测球体的连续图像，所述连续图像包括所述待测球体至少一个旋转周期的所有图像；

对所述连续图像中的每张图像进行圆形检测，得到每张图像中包含的所述待测球体的轮廓；

获取每张图像中所述待测球体的轮廓内部包含的特征像素点的数量；

根据所述连续图像中所有图像包含的特征像素点的数量，得到所述待测球体的旋转频率。

在其中一个实施例中，所述获取包含待测球体的连续图像之后，所述对所述连续图像中的每张图像进行圆形检测之前，还包括：

对所述连续图像中的每张图像进行预处理，所述预处理包括图像大小处理和灰度转换处理。

在其中一个实施例中，所述得到每张图像中包含的所述待测球体的轮廓之后，还包括：

对图像中轮廓外的部分进行颜色变换处理。

在其中一个实施例中，所述获取每张图像中所述待测球体的轮廓内部包含的特征像素点的数量，包括：

对每张图像中所述待测球体的轮廓内部包含的像素点进行颜色检测；

统计颜色与预设特征颜色一致的像素点的数量。

在其中一个实施例中，所述根据所述连续图像中所有图像包含的特征像素点的数量，得到所述待测球体的旋转频率，包括：

根据所述连续图像中所有图像包含的特征像素点的数量，分别计算所述特征像素点与所述待测球体轮廓包含的所有像素点的数量比值；

建立数据序列，所述数据序列包括所述特征像素点与所述待测球体轮廓包含的所有像素点的数量比值；

对所述数据序列进行快速傅里叶变换，得到对应的频域图像，所述频域图像中最大幅值对应的频率为所述待测球体的旋转频率。

计算相邻最大数量比值对应的时间的时间差，得到多个时间差，并计算所述多个时间差的平均时间差，所述平均时间差的倒数为所述待测球体的旋转频率。

在其中一个实施例中，所述对图像中轮廓外的部分进行颜色变换处理之后，还包括：

对处理后的多张连续图像进行轮廓大小调整，得到轮廓大小相同的多张连续图像；

对所述轮廓大小相同的多张连续图像进行图像叠加处理，得到所述多张连续图像的叠加图像，所述叠加图像包含所述多张连续图像内的所有特征像素点；

根据所述叠加图像内的所有特征像素点，得到所述待测球体的转轴信息。

一种球体旋转姿态检测装置，包括：

图像获取模块，用于获取包含待测球体的连续图像，所述连续图像包括所述待测球体至少一个旋转周期的所有图像；

轮廓检测模块，用于对所述连续图像中的每张图像进行圆形检测，得到每张图像中包含的所述待测球体的轮廓；

数据获取模块，用于获取每张图像中所述待测球体的轮廓内部包含的特征像素点的数量；

数据处理模块，用于根据所述连续图像中所有图像包含的特征像素点的数量，得到所述待测球体的旋转频率。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述球体旋转姿态检测方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述球体旋转姿态检测方法的步骤。

上述球体旋转姿态检测方法、装置、存储介质及计算机设备，获取包含待测球体的连续图像，连续图像包括待测球体至少一个旋转周期的所有图像；对连续图像中的每张图像进行圆形检测，得到每张图像中包含的待测球体的轮廓；获取每张图像中待测球体的轮廓内部包含的特征像素点的数量；根据连续图像中所有图像包含的特征像素点的数量，得到待测球体的旋转频率。由于待测球体的运动过程可以近似认为是规律周期性运动，其球体轮廓内包含的特征点的数量也呈现周期性变化，通过分析图像中特征点的数量即可得到待测球体的旋转频率信息，在降低计算难度的同时也能提高检测准确度。

附图说明

图1为一个实施例中球体旋转姿态检测方法的流程示意图；

图2为一个实施例中通过圆形检测得到的球体轮廓的示例图；

图3为一个实施例中相邻两个旋转周期内特征像素点的数量的变化情况示意图；

图4为一个实施例中对数据序列进行快速傅里叶变换后得到的频域图像；

图5为另一个实施例中球体旋转姿态检测方法的流程示意图；

图6为一个实施例中图像叠加处理的具体实例图；

图7为三维直角坐标系的示意图；

图8为一个实施例中球体旋转姿态检测装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供一种球体旋转姿态检测方法，该方法特征颜色提取实现对球体的旋转姿态的检测，具体地，该方法可以应用于高速运动的球体的旋转姿态的检测，例如：可以应用于乒乓球机器人视觉系统中，实现对乒乓球的旋转姿态的检测，此外，该方法在其他工业、军事等领域具有广泛的应用前景。为了便于理解，本申请各实施例中以乒乓球为例，对本申请中的球体旋转姿态检测方法进行解释说明。

在一个实施例中，如图1所示，提供一种球体旋转姿态检测方法，该方法包括以下步骤：

步骤S100，获取包含待测球体的连续图像，连续图像包括待测球体至少一个旋转周期的所有图像。

具体地，获取的包含待测球体的连续图像可以是多张连续拍摄的照片，多张连续的照片包括待测球体的至少一个旋转周期的所有照片；包含待测球体的连续图像也可以是拍摄有待测球体的至少一个旋转周期的视频，该视频由若干个连续的帧组成。可以理解，获取上述照片或视频的过程，可以是通过拍摄获取照片或视频，也可以是直接获取已经拍摄好的照片或视频。

步骤S200，对连续图像中的每张图像进行圆形检测，得到每张图像中包含的待测球体的轮廓。

如图2所示，为通过圆形检测得到的球体轮廓的示例图。在得到包含待测球体的连续图像后，对连续图像中的每个单张图像进行圆形检测，以得到每个单张图像中包含的待测球体的轮廓。具体地，可以通过圆检测算法对每个单张图像进行圆形检测，例如：霍夫圆检测算法等。由于球体的图形在单张图像中表现为圆形，因此，通过对单张图像进行圆形检测，即可得到待测球体的轮廓。

可以理解，本实施例中的待测球体可以是规则球体，如乒乓球等，其图形在单张图像中表现为圆形，因此，通过圆形检测可以得到待测球体的轮廓。待测球体也可以是不规则球体，当待测球体为不规则球体时，其图形在单张图像中表现为椭圆形或者其他形状，此时可以根据实际情况改变检测算法，使得通过改变后的检测算法可以检测出待测不规则球体的轮廓即可。

步骤S300，获取每张图像中待测球体的轮廓内部包含的特征像素点的数量。

对于乒乓球来说，其球体上通常设置有logo图案，logo图案的颜色与球体的颜色不同，因此，可以将球体上logo图案所包含的像素点作为特征像素点。在通过圆形检测得到待测球体的轮廓后，对该轮廓内包含的像素点进行检测，得到轮廓内包含的特征像素点的数量。

需要说明的是，由于需要对特征像素点进行检测，因此本实施例中球体旋转姿态检测方法的应用对象为球体表面至少包含两种颜色的球体，例如双色球、包含logo图案的球体等，当待测球体为纯色球时，可以通过在球体上设置特征颜色/标记等方式，使得该纯色球的球体表面至少包含两种颜色，从而方便进行特征像素点的检测。

步骤S400，根据连续图像中所有图像包含的特征像素点的数量，得到待测球体的旋转频率。

在通过像素点检测得到各个单张图像包含的特征像素点的数量后，由于待测球体的运动过程可以近似认为是规律周期性运动，其球体轮廓内包含的特征像素点的数量也呈现周期性变化。并且，由于获取的连续图像包括待测球体至少一个旋转周期的所有图像，因此，通过分析待测球体在至少一个旋转周期内的特征像素点的变化规律，即可得到待测球体的旋转频率信息。

本实施例提供一种球体旋转姿态检测方法，由于待测球体的运动过程可以近似认为是规律周期性运动，其球体轮廓内包含的特征像素点的数量也呈现周期性变化，通过分析图像中特征像素点的数量即可得到待测球体的旋转频率信息，在降低计算难度的同时也能提高检测准确度。

在一个实施例中，步骤S100之后，步骤S200之前，该球体旋转姿态检测方法还包括：对连续图像中的每张图像进行预处理。其中，预处理包括图像大小处理和灰度转换处理。

具体地，图像大小处理包是指通过对图像进行大小变化处理使得每个单张图像的大小、尺寸等信息一致。灰度转换处理是指根据某种目标条件按一定变换关系逐点改变每个单张图像中每一个像素灰度值，从而可以改善每个单张图像的画质，使图像的显示效果更加清晰。

本实施例通过对连续图像中的每张图像进行预处理，可以使得每张图像的尺寸一致，并且可以使得图像显示效果更好。

在一个实施例中，步骤S200之后，步骤S300之前，该球体旋转姿态检测方法还包括：对图像中轮廓外的部分进行颜色变换处理。

具体地，在通过圆形检测得到图像中包含的待测球体的轮廓之后，对图像中轮廓外的部分进行颜色变化处理，以减少轮廓外的部分对特征点检测产生的干扰。例如：可以将轮廓外的部分全部转化为纯黑色。

本实施例通过对图像中轮廓外的部分进行颜色变换处理，可以减少轮廓外的部分对特征点检测产生的干扰，提高特征点检测的准确性。

在其中一个实施例中，步骤S300包括步骤310和步骤320。

步骤310，对每张图像中待测球体的轮廓内部包含的像素点进行颜色检测。

步骤320，统计颜色与预设特征颜色一致的像素点的数量。

具体地，以带logo图案的乒乓球为例。当乒乓球旋转时，在相机捕捉的画面内，logo图案的位置也会随时间变化。当logo图案完全位于乒乓球背面时，相机捕捉到的乒乓球为一个纯色的圆。在乒乓球继续旋转一段时间后，可以在相机画面中看到整个logo图案。当相机捕捉的画面包含整个旋转周期时，将logo图案的颜色作为预设特征颜色，并对画面中乒乓球轮廓内的像素点进行颜色检测，统计颜色与预设特征颜色一致的像素点的数量，定义特征像素点的数量为nom，则在带logo图案的乒乓球中：

其中，gr表示灰度。

同理，在双色球中：

其中，RGB为表示颜色的一种方式，R为红色，G为绿色，B为蓝色，RGB对应三原色，其他颜色可以通过RGB数值表示。

本实施例通过对每张图像中待测球体的轮廓内部包含的像素点进行颜色检测，并统计颜色与预设特征颜色一致的像素点的数量，从而可以准确地获取待测球体轮廓中特征像素点的数量，提高检测准确性。

在一个实施例中，通过快速傅里叶变换得到待测球体的旋转频率，具体地，步骤S400包括步骤410A至步骤430A。

步骤410A，根据连续图像中所有图像包含的特征像素点的数量，分别计算特征像素点与待测球体轮廓包含的所有像素点的数量比值。在统计得到各个单张图像包含的特征像素点的数量之后，分别计算每张图像中特征像素点与该图像中轮廓内的所有像素点的数量比值，得到多个数量比值。

由于连续图像中轮廓大小可能发生变化，轮廓较大、包含部分logo图案时的图像所包含的特征像素点的数量可能与轮廓较小、包含同样部分logo图案时的图像所包含的特征像素点的数量不同，选择特征像素点数量作为变量可能存在各旋转周期的变量不一致的情况，因此，选择每张图像中特征像素点与该图像中轮廓内的所有像素点的数量比值作为表示每个旋转周期的变量。

步骤420A，建立数据序列，数据序列包括特征像素点与待测球体轮廓包含的所有像素点的数量比值。建立数据序列，并将得到的多个数量比值存放至该数据序列。由于球体轮廓内包含的特征像素点的数量呈现周期性变化，在球体轮廓内像素点总数不变的情况下，多个数量比值也呈现有规律的波动。如图3所示，为相邻两个旋转周期内特征像素点的数量的变化情况，可以看出，特征像素点的数量呈现周期性变化。

步骤430A，对数据序列进行快速傅里叶变换，得到对应的频域图像，频域图像中最大幅值对应的频率为待测球体的旋转频率。将多个数量比值存放至数据序列后，对该数据序列进行快速傅里叶变换，得到该数据序列对应的频域图像，频域图像中最大幅值对应的频率为待测球体的旋转频率。

具体地，如图4所示，为对数据序列进行快速傅里叶变换后得到的频域图像示意图，图中横坐标表示频率，纵坐标表示幅值，可以看出，最大幅值点的坐标为(8.475，1.122e+06)，因此，该待测球体的旋转频率可以近似为8r/s(转每秒)。此外，在得到旋转频率后，根据公式

可以求得旋转周期，根据公式ω＝2πf可以求得旋转角速度。

本实施例通过快速傅里叶变换得到待测球体的旋转频率，在视频清晰度不高或使用双色球的情况下，计算得到的频率精度都较为准确，且受视频质量和小球颜色的干扰较小。

在另一个实施例中，通过平均时间间隔法得到待测球体的旋转频率，具体地，步骤S400包括步骤410B至步骤430B。

步骤410B，根据连续图像中所有图像包含的特征像素点的数量，分别计算特征像素点与待测球体轮廓包含的所有像素点的数量比值。在统计得到各个单张图像包含的特征像素点的数量之后，分别计算每张图像中特征像素点与该图像中轮廓内的所有像素点的数量比值，得到多个数量比值。

步骤410B，计算相邻最大数量比值对应的时间的时间差，得到多个时间差，并计算多个时间差的平均时间差，平均时间差的倒数为待测球体的旋转频率。根据数量比值呈现有规律的波动这一特征，可以认为相邻的波动直接的时间差即为待测球体的旋转周期，因此，通过计算相邻周期的最大数量比值对应的时间的时间差，即可得到待测球体的旋转周期。为了提高检测准确性，可以计算出旋转周期，再以多个旋转周期的平均值作为最终得到的旋转周期，并根据公式

可以求得旋转频率。

本实施例通过平均时间间隔法得到待测球体的旋转频率，通过多次计算取平均值，可以进一步提高检测准确性。

在一个实施例中，如图5所示，对图像中轮廓外的部分进行颜色变换处理之后，该球体旋转姿态检测方法还包括步骤S500，根据颜色变化处理后的连续图像得到待测球体的转轴信息。步骤S500包括步骤510至步骤530。

步骤510，对处理后的多张连续图像进行轮廓大小调整，得到轮廓大小相同的多张连续图像。由于连续图像中轮廓大小可能发生变化，在获取转轴信息时，需要进行轮廓大小的调整处理，以使得多张连续图像的轮廓大小一致。具体地，基于颜色变换处理结果，将多张连续图像以轮廓球心为图像中心，以同一半径进行大小缩放调整，以使得多个轮廓的大小一致。

步骤520，对轮廓大小相同的多张连续图像进行图像叠加处理，得到多张连续图像的叠加图像，叠加图像包含多张连续图像内的所有特征像素点。在得到多张轮廓大小一致的连续图像后，对其进行图像叠加处理，如图6所示，为图像叠加处理的具体实例图。

步骤530，根据叠加图像内的所有特征像素点，得到待测球体的转轴信息。

参考图6，根据图像叠加处理后得到的叠加图像，由于该叠加图像包含多张连续图像内的所有特征像素点，因此可以认为该叠加图像记录了球体上的特征像素点的运动轨迹，结合飞行过程中旋转轴在短时间内保持不变的这一特性，根据特征像素点的运动轨迹即可得到对应时间内待测球体的转轴信息。

本实施例通过对颜色变化处理后的连续图像进行叠加处理，根据特征像素点的运动轨迹即可得到待测球体的转轴信息，相比于传统技术，可以降低计算难度。

在一个实施例中，根据颜色变化处理后的连续图像，通过神经网络模型得到待测球体的转轴信息，具体包括训练神经网络模型以及使用训练好的神经网络模型。

在训练神经网络模型的过程中，基于图像叠加处理后得到的叠加图像，不同的转轴分类对应着不同的logo带的形状，而同一转轴分类中的logo带则具有类似的特征，因此将连续图像样本数据转化为叠加图像样本数据，而不同的叠加图像样本数据对应不同的转轴类别标签。

如图7所示，在三维直角坐标系内，三维转轴可以进行以下分类：(1)x、y、z轴；(2)xoy、xoz、yoz的平面对角线；(3)体对角线。

根据上述分类依据，结合图7，本实施例中转轴信息可以分为以下13类：

(1)x、y、z轴：AD、DC、Dd；

(2)xoy、xoz、yoz的平面对角线；AC、BD、Ad、aD、Dc、dC；

(3)体对角线：Ac、Db、aC、dB。

根据三维空间中球坐标的概念，结合上述13类转轴信息，并对以上13类转轴的位置信息做一定范围松弛，可以得到空间中转轴的13中分类，用球坐标的形式表示如下：

上表中，

表示天顶角，θ表示方位角，单位为度，数字1-13表示13类转轴信息。

将上述信息、不同的叠加图像样本数据以及对应的不同的转轴类别标签输入神经网络模型，并对神经网络模型进行训练。当神经网络模型训练完成后，将待测球体的叠加图像导入训练好参数的神经网络模型得到转轴分类信息。

本实施例通过神经网络得到待测球体的转轴信息，可以提高待测球体转轴信息检测的准确度。

应该理解的是，虽然图1、5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，根据上述方法实施例所描述的球体旋转姿态检测方法，在PC服务器上执行该方法包含的步骤，该PC主要参数为：中央处理器Xeon(R)CPU E5-2630v4@2.20GHz,内存8GB和GPU Quadro K620，采用Sony RX10的相机拍摄的90个带商标的乒乓球和20个双色球旋转的视频片段作为待测球体的连续图像，视频参数设置为250帧每秒，分辨率1920×1080。综合多方面考虑，每次选择时长0.3s(即75帧)的视频片段进行计算，并使用误差τ来评估我们的结果：

其中，Rm表示测量旋转速度，Rr表示实际旋转速度。

评估结果显示，对于单色球视频用时间平均间隔法和快速傅里叶变换计算得到的旋转速度的误差分别为1.2％和8.0％。对于双色球视频用时间平均间隔法和快速傅里叶变换的误差分别为8.6％和4.0％，因此，本申请提出的球体旋转姿态检测方法可以解决现有方法所无法解决的双色球转速问题，检测准确率较高。

另外，在转轴部分，通过如下方法来衡量神经网络模型的准确性：

对于每一个测试样例，在神经网络模型最后一层会给出13个分数。记录这个样例实际所属分类在这13个分数中的排名，1代表着完全正确，结果显示，模型的总体准确率为45％，所有排名均值为2.7。实验表明，深度学习神经网络能够有效根据多帧叠加所获得的信息来获得乒乓球转轴的分类信息。

在一个实施例中，如图8所示，提高一种球体旋转姿态检测装置，该装置包括：图像获取模块100、轮廓检测模块200、数据获取模块300和数据处理模块400。

图像获取模块100用于获取包含待测球体的连续图像，连续图像包括待测球体至少一个旋转周期的所有图像；

轮廓检测模块200用于对连续图像中的每张图像进行圆形检测，得到每张图像中包含的待测球体的轮廓；

数据获取模块300用于获取每张图像中待测球体的轮廓内部包含的特征像素点的数量；

数据处理模块400用于根据连续图像中所有图像包含的特征像素点的数量，得到待测球体的旋转频率。

本实施例提供一种球体旋转姿态检测装置，由于待测球体的运动过程可以近似认为是规律周期性运动，其球体轮廓内包含的特征像素点的数量也呈现周期性变化，通过分析图像中特征像素点的数量即可得到待测球体的旋转频率信息，在降低计算难度的同时也能提高检测准确度。

在一个实施例中，该球体旋转姿态检测装置还包括：图像预处理模块，用于对连续图像中的每张图像进行预处理。通过对连续图像中的每张图像进行预处理，可以使得每张图像的尺寸一致，并且可以使得图像显示效果更好。

在一个实施例中，该球体旋转姿态检测装置还包括：颜色变化模块，用于对图像中轮廓外的部分进行颜色变换处理。通过对图像中轮廓外的部分进行颜色变换处理，可以减少轮廓外的部分对特征点检测产生的干扰，提高特征点检测的准确性。

在一个实施例中，数据处理模块400还用于根据颜色变化处理后的连续图像得到待测球体的转轴信息。通过对颜色变化处理后的连续图像进行叠加处理，根据特征像素点的运动轨迹即可得到待测球体的转轴信息，相比于传统技术，可以降低计算难度。

关于球体旋转姿态检测装置的具体限定可以参见上文中对于球体旋转姿态检测方法的限定，在此不再赘述。上述球体旋转姿态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取包含待测球体的连续图像，连续图像包括待测球体至少一个旋转周期的所有图像；对连续图像中的每张图像进行圆形检测，得到每张图像中包含的待测球体的轮廓；获取每张图像中待测球体的轮廓内部包含的特征像素点的数量；根据连续图像中所有图像包含的特征像素点的数量，得到待测球体的旋转频率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对连续图像中的每张图像进行预处理，预处理包括图像大小处理和灰度转换处理。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对图像中轮廓外的部分进行颜色变换处理。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对每张图像中待测球体的轮廓内部包含的像素点进行颜色检测；统计颜色与预设特征颜色一致的像素点的数量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据连续图像中所有图像包含的特征像素点的数量，分别计算特征像素点与待测球体轮廓包含的所有像素点的数量比值；建立数据序列，数据序列包括特征像素点与待测球体轮廓包含的所有像素点的数量比值；对数据序列进行快速傅里叶变换，得到对应的频域图像，频域图像中最大幅值对应的频率为待测球体的旋转频率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据连续图像中所有图像包含的特征像素点的数量，分别计算特征像素点与待测球体轮廓包含的所有像素点的数量比值；计算相邻最大数量比值对应的时间的时间差，得到多个时间差，并计算多个时间差的平均时间差，平均时间差的倒数为待测球体的旋转频率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对处理后的多张连续图像进行轮廓大小调整，得到轮廓大小相同的多张连续图像；对轮廓大小相同的多张连续图像进行图像叠加处理，得到多张连续图像的叠加图像，叠加图像包含多张连续图像内的所有特征像素点；根据叠加图像内的所有特征像素点，得到待测球体的转轴信息。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取包含待测球体的连续图像，连续图像包括待测球体至少一个旋转周期的所有图像；对连续图像中的每张图像进行圆形检测，得到每张图像中包含的待测球体的轮廓；获取每张图像中待测球体的轮廓内部包含的特征像素点的数量；根据连续图像中所有图像包含的特征像素点的数量，得到待测球体的旋转频率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对连续图像中的每张图像进行预处理，预处理包括图像大小处理和灰度转换处理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对图像中轮廓外的部分进行颜色变换处理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对每张图像中待测球体的轮廓内部包含的像素点进行颜色检测；统计颜色与预设特征颜色一致的像素点的数量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据连续图像中所有图像包含的特征像素点的数量，分别计算特征像素点与待测球体轮廓包含的所有像素点的数量比值；建立数据序列，数据序列包括特征像素点与待测球体轮廓包含的所有像素点的数量比值；对数据序列进行快速傅里叶变换，得到对应的频域图像，频域图像中最大幅值对应的频率为待测球体的旋转频率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据连续图像中所有图像包含的特征像素点的数量，分别计算特征像素点与待测球体轮廓包含的所有像素点的数量比值；计算相邻最大数量比值对应的时间的时间差，得到多个时间差，并计算多个时间差的平均时间差，平均时间差的倒数为待测球体的旋转频率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对处理后的多张连续图像进行轮廓大小调整，得到轮廓大小相同的多张连续图像；对轮廓大小相同的多张连续图像进行图像叠加处理，得到多张连续图像的叠加图像，叠加图像包含多张连续图像内的所有特征像素点；根据叠加图像内的所有特征像素点，得到待测球体的转轴信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种球体旋转姿态检测方法，其特征在于，包括：

根据所述连续图像中所有图像包含的特征像素点的数量，分别计算所述特征像素点与所述待测球体轮廓包含的所有像素点的数量比值，根据所述数量比值的波动规律，得到所述待测球体的旋转频率。

2.根据权利要求1所述的球体旋转姿态检测方法，其特征在于，所述获取包含待测球体的连续图像之后，所述对所述连续图像中的每张图像进行圆形检测之前，还包括：

3.根据权利要求1所述的球体旋转姿态检测方法，其特征在于，所述得到每张图像中包含的所述待测球体的轮廓之后，还包括：

对图像中轮廓外的部分进行颜色变换处理。

4.根据权利要求1所述的球体旋转姿态检测方法，其特征在于，所述获取每张图像中所述待测球体的轮廓内部包含的特征像素点的数量，包括：

统计颜色与预设特征颜色一致的像素点的数量。

5.根据权利要求1所述的球体旋转姿态检测方法，其特征在于，所述根据所述数量比值的波动规律，得到所述待测球体的旋转频率，包括：

6.根据权利要求1所述的球体旋转姿态检测方法，其特征在于，所述根据所述数量比值的波动规律，得到所述待测球体的旋转频率，包括：

7.根据权利要求3所述的球体旋转姿态检测方法，其特征在于，所述对图像中轮廓外的部分进行颜色变换处理之后，还包括：

8.一种球体旋转姿态检测装置，其特征在于，包括：

数据处理模块，用于根据所述连续图像中所有图像包含的特征像素点的数量，分别计算所述特征像素点与所述待测球体轮廓包含的所有像素点的数量比值，根据所述数量比值的波动规律，得到所述待测球体的旋转频率。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的球体旋转姿态检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的球体旋转姿态检测方法的步骤。