CN109889696A - 用于自动几何校正的抗噪声拍摄图像识别方法及系统 - Google Patents

Abstract

本申请公开了一种用于自动几何校正的抗噪声拍摄图像识别方法及系统，所述方法包括：检测屏幕边框区域；对屏幕边框区域显示的测试图卡进行拍摄；获取拍摄图像内特征图形区域的特征点，并滤除特征点中的噪声点；对特征图形区域内的剩余特征点进行镜头拍摄角度的校正；确定校正后特征图形的中心位置；根据特征图形的中心位置计算得到自动几何校正参数，对短焦激光电视的投影区域进行几何校正。该识别方法对存在随机彩色条纹干扰的手机拍摄图像进行有效地降噪处理，从而实现了对自动几何校正测试图卡中特征图形位置的准确检测识别，无需用户额外购买专业相机或者进行复杂的手动配置，大大改善了用户的使用体验。

Description

用于自动几何校正的抗噪声拍摄图像识别方法及系统

技术领域

本申请涉及图像识别技术领域，尤其涉及一种用于自动几何校正的抗噪声拍摄图像识别方法及系统。

背景技术

短焦激光电视的自动几何校正功能能够有效改善短焦激光电视的安装和调试过程，提升用户的使用体验，其工作流程是先将短焦激光电视进行初步的摆放，此时短焦激光电视的投影区域要大于屏幕边框位置，然后将激光电视显示自动几何校正测试图卡并进行拍摄，将拍摄的图像通过无线网络传输到激光电视，由激光电视的自动几何校正APP进行拍摄图像识别与检测得到几何校正参数，并执行相应几何校正处理，从而将激光电视显示内容正确投射到屏幕边框区域。

为便于当前技术的推广，对自动几何校正测试图卡拍摄的方式大多采用手机，然而由于用户使用不同型号的手机，不同手机摄像头的曝光时间在其各自的默认设置下是不同的，在手机摄像头的曝光时间呈整数倍时，拍摄的图像是正常的，若未满足整数倍关系，则会造成拍摄的图像中出现随机的彩色条纹噪声干扰，而随机的彩色条纹噪声干扰会影响到对自动校正测试图卡的图像识别，目前的解决方法是在手机上使用专业拍摄模式，在手机的曝光时间进行手动设置，设置为短焦激光电视每帧刷新时间的整数倍，用以消除当前的随机彩色条纹噪声。

但是，采用上述解决方案要求手机上具备手动拍摄模式，经过调研，并不是所有的手机都具有手动拍摄模式，这就要求不具备手动拍摄模式的手机安装第三方工具，同时在手动拍摄模式下需要对多个拍摄控制参数进行调整(通常不仅仅是要调整曝光时间参数)，需要用户具备一定的拍摄经验，如果某些手动拍摄参数设置不合理，将会导致拍摄的图像出现问题，使得拍摄效果不理想，也会影响到自动几何校正测试图卡中特征图形的检测，因此，上述解决方案需要额外安装第三方工具，并且在用户手动拍摄参数设置不合理时会出现问题，影响到用户的使用体验。

发明内容

本申请提供了一种用于自动几何校正的抗噪声拍摄图像识别方法及系统，以解决目前对自动几何校正测试图卡拍摄时需要额外安装第三方工具，且用户需要进行额外复杂设置的技术问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

第一方面，本申请实施例公开了一种用于自动几何校正的抗噪声拍摄图像识别方法，所述方法包括：

检测屏幕边框区域；

对所述屏幕边框区域显示的测试图卡进行拍摄；

获取拍摄图像内特征图形区域的特征点，并滤除所述特征点中的噪声点；

对所述特征图形区域内的剩余特征点进行镜头拍摄角度的校正；

确定校正后特征图形的中心位置；

根据所述特征图形的中心位置计算得到自动几何校正参数，对所述短焦激光电视的投影区域进行几何校正。

第二方面，本申请实施例还公开了一种用于自动几何校正的抗噪声拍摄图像识别系统，包括：

区域检测模块，用于检测屏幕边框区域；

特征点获取模块，用于获取拍摄图像内特征图形区域的特征点；

滤除模块，用于滤除所述特征图形区域内的噪声点；

校正模块，用于对所述特征图形区域内的剩余特征点进行镜头拍摄角度的校正；

确定模块，用于确定校正后特征图形的中心位置；

自动几何校正模块，用于根据所述特征图形的中心位置计算得到自动几何校正参数，对所述短焦激光电视的投影区域进行几何校正。

与现有技术相比，本申请的有益效果为：

本申请提供了一种用于自动几何校正的抗噪声拍摄图像识别方法及系统，所述方法包括：检测屏幕边框区域；对屏幕边框区域显示的测试图卡进行拍摄；获取拍摄图像内特征图形区域的特征点，并滤除特征点中的噪声点；对特征图形区域内的剩余特征点进行拍摄角度影响的校正；确定校正后特征图形的中心位置；根据特征图形的中心位置计算得到自动几何校正参数，对短焦激光电视的投影区域进行几何校正。本申请提供的抗噪声拍摄图像识别方法通过滤除特征图形区域内的噪声点，对拍摄图像中随机彩色条纹噪声干扰进行抑制处理，实现有效降噪，从而实现对自动几何校正测试图卡中特征图形的位置进行准确检测，且用户不需要进行额外复杂的设置以及额外购买专业相机，直接使用平时使用的手机摄像头进行拍摄，就能够实现自动几何校正功能，改善用户的体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为激光电视显示的自动几何校正测试图卡的示意图；

图2为手机拍摄自动几何校正测试图卡的效果图；

图3为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法的流程图；

图4为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法中S300的详细流程图；

图5为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法中S304的详细流程图；

图6为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法中亮度值与随机彩色条纹明显程度的组合规则；

图7为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法中S500的详细流程图；

图8为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法中S501的详细流程图；

图9为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法中S503的详细流程图；

图10为本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别系统的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

短焦激光电视的自动几何校正过程中，需要对图1所示的自动几何校正测试图卡进行拍摄，并对拍摄图像进行识别，对其中M*N个特征图形的位置进行检测，即需要计算当前特征图形的中心位置。拍摄的方式可以采用专业相机、手机等方式，专业相机拍摄的优点是拍摄效果清晰，质量好，但缺点是需要用户进行购买，费用高，不利于自动几何校正功能的推广。手机摄像头拍摄的优点是用户普遍都配备手机，便于当前技术的推广，但缺点是拍照效果质量相对较差。

图2为某次使用手机拍摄短焦激光电视显示的测试图卡时的效果，从图中可以看到激光电视的屏幕中出现了彩带噪声的干扰(原始图像中只有高亮的白色背景与黑色特征点图形两种内容)，并且当前彩带噪声的位置是随机的，随着拍摄时间的不同，各种颜色的噪声带的位置也会发生变化。

手机拍摄的测试图卡图像中出现彩带噪声干扰的原因是手机的曝光时间与短焦激光电视每帧的刷新时间之间不是整数倍的关系，而当前短焦激光电视的各像素位置在显示RGB三原色采用的是分时显示，即在每帧进行刷新时，RGB在不同的时刻进行分时显示，然后通过人眼的积累效应，实现当前RGB像素值的颜色效果，如果手机的曝光时间与短焦激光电视的刷新时间不是整数倍关系，则会造成电视屏幕上不同的位置RGB三原色在手机感光单元上积累的时间不一致，造成的现象就是图2所示的随机彩色条纹噪声的干扰。

随机彩色条纹噪声在屏幕中产生了大量的噪声点，而噪声干扰将会严重影响特征点图形的准确检测。目前一种解决方法是在手机上使用专业拍摄模式，在手机的曝光时间进行手动设置，设置为短焦激光电视每帧刷新时间的整数倍，即可消除当前的随机彩色条纹噪声。

但是，采用上述方案需要额外安装第三方工具，并且需要用户进行额外复杂的手动拍摄参数设置，因此将会影响到用户的使用体验。为了解决上述问题，本申请实施例提供了一种用于自动几何校正的抗噪声拍摄图像识别方法，该方法能够对存在随机彩色条纹干扰的手机拍摄图像进行有效降噪处理，对特征图形位置进行正确识别，无需用户额外购买专业相机或者进行复杂的手动配置，能够大大改善用户的使用体验。

如图3所示，本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法包括：

S100：检测屏幕边框区域。

用户在对短焦激光电视进行安装和调试时，首先将短焦激光电视进行初步的摆放，此时短焦激光电视的投影区域要大于屏幕边框位置，因此需要检测屏幕边框区域，得到屏幕边框区域。

S200：对屏幕边框区域显示的测试图卡进行拍摄。

得到屏幕边框区域后，激光电视显示自动几何校正测试图卡，并采用手机摄像头拍摄测试图卡，得到拍摄图像。在用手机拍摄图像时，需要获取手机的透视变换参数，并将该透视变换参数提供给后续模块进行使用。

S300：获取拍摄图像内特征图形区域的特征点，并滤除特征点中的噪声点。

拍摄得到测试图卡的图像后，对拍摄图像内的特征图形区域的特征点位置进行检测，实现手机拍摄图像的准确识别。具体检测方法如图4所示。

S301：计算拍摄图像的亮度值，根据亮度值区分低亮特征图形区域与高亮背景区域。

S302：检测得到特征图形区域内的特征点。

S303：计算得到特征图形区域的亮度值与随机彩色条纹的明显程度。

在拍摄质量良好的图像中，利用黑色低亮特征图形和高亮白色背景之间的亮度差异采用边缘检测及阈值分割的方法进行区分，从而能够得到黑色低亮特征图形的位置。再对特征图形计算提取中心位置，即可得到所对应特征图形的位置参数。

图1是包括4行4列特征图形的情况，需要对16个特征图形的中心位置进行计算，而对M行*N列特征图形的处理方法，可以通过相类似的方式进行实现。

亮度计算可以采用公式(1)：

Y＝(65.481/255)·R+(128.553/255)·G+(24.966/255)·B+16 (1)

也可以采用公式(2)：

Y＝(R+G+B)/3 (2)

在拍摄质量良好的图像中公式(1)和公式(2)得到的亮度值能够对黑色特征图形和高亮白色背景之间进行有效区分。但是在存在随机彩色条纹噪声干扰的拍摄图像中，特别是在蓝色的彩色条纹噪声中，使用公式(1)进行计算时高亮白色背景区域的计算值会普遍偏低；而对于出现彩色条纹噪声的区域中，使用公式(2)进行计算时，低亮黑色特征图形和高亮白色背景之间的区分程度会下降。以上情况会影响到利用边缘检测以及阈值分割等手段对黑色特征图形的位置进行正确检测。

因此，针对随机彩色条纹噪声的特点，对亮度计算引入新的公式(3)：

Y＝max(R，G，B) (3)

通过采用公式(3)，在受到随机彩色条纹噪声影响的区域，背景区域也能够得到较高的亮度值，而对于黑色的特征图形区域，在受到随机条纹噪声干扰或者未受到干扰两种情况下，采用公式(3)计算时，都是得到较低的亮度值。

通过公式(3)的应用，能够使黑色特征图形区域和高亮白色背景区域得到更加明显的区分。

同时，在处理之后，在随机彩色条纹噪声的内部，能够观察到一些噪声点，以上噪声点会对特征图形区域的检测噪声影响，因此，进一步对以上噪声点进行抑制处理。

以上的噪声点出现于随机彩色条纹的内部，随机彩色条纹出现的程度越重，噪声点的明显程度越高。

因此，对当前的屏幕区域各位置随机彩色条纹的明显程度引入公式(4)：

DEVIATION＝max(R，G，B)-(R+G+B)/3 (4)

通过公式(4)计算得到的参数，DEVIATION的取值越高，证明当前的位置越可能位于随机彩色条纹噪声区域，将会受到当前的彩色条纹噪声影响的干扰，后续在对屏幕中各位置进行检测时，将会参考公式(4)的计算结果进行相应降噪的处理。

即，通过公式(4)得到的结果DEVIATION的取值越高，证明当前的位置越有可能会受到随机彩色条纹噪声影响的干扰，特别是彩色条纹噪声区域中的噪声点的影响，在进行降噪处理时，越有可能判定受到噪声干扰而进行相应的降噪抑制处理。

S304：根据亮度值与随机彩色条纹的明显程度判断特征点是否属于特征点区域。

以上的降噪处理在参考DEVIATION参数的同时，也对当前像素点通过公式(3)得到的亮度参数Y的计算结果进行参考，即通过亮度参数Y与随机彩色条纹的明显程度DEVIATION组合来判断特征点是否位于特征点区域。

通过上述边缘检测及阈值分割方法，对屏幕区域中的属于特征点的待选位置进行检测，得到的待选位置可能是位于特征点图形区域(正确的检测结果)，也有可能是位于受到随机彩色条纹区域噪声点影响到区域(错误的检测结果)。

然后，使用参数(Y，DEVIATION)组合，根据在特征点图形区域和受到随机彩色条纹区噪声点影响区域之间的取值上的差异进行区分：

(1)对于特征点图形区域，Y值的取值通常较低，而在受到环境光干扰时会有一定相对较弱程度的增加；而对于DEVIATION，由于RGB的取值普遍较低，因此，DEVIATION也是相对较低的取值。

(2)对于位于随机彩色条纹区域噪声点影响的区域，Y的取值位于中等取值附近的范围，而DEVIATION的区域位于中高的范围。

设Y的计算采用公式(2)，计算结果取值的范围是[0，255]，对于第一种情况，Y的取值通常在区间[0，GRAY_LEVEL_LOW]中，在程序中设置经验值GRAY_LEVEL_LOW＝80(考虑到特征点区域受到环境光干扰影响时参数Y的计算结果会有一定程度升高，因此，当前取值的设置不能太低)。DEVIATION的取值在区间[0，DEVIATION_VAL_LOW]中，程序中设置经验值DEVIATION_VAL_LOW＝30(受到彩色条纹影响时，特征点区域的DEVIATION参数也会受到一定程度影响，因此，当前取值的设置不能太低)。

对于第二种情况，Y的取值在[GRAY_LEVEL_HIGH，255]中，在程序中设置经验值GRAY_LEVEL_HIGH＝100。DEVIATION的取值在区间[DEVIATION_VAL_HIGH，170]中，程序中设置经验值DEVIATION_VAL_HIGH＝50。

以上的处理方法采用阈值对Y和DEVIATION进行划分，对在不同区间情况下当前点的判定情况进行了区分。但同时，由于受到拍摄时环境光干扰等因素的影响，某些像素点的(Y，DEVIATION)取值是介于上述的两种情况之间的。即，既可能是特征点区域，也可能是噪声点区域，不利于进行明确划分。

对像素点的(Y，DEVIATION)取值是介于上述的两种情况之间时，采用图5所示的方法进行区分特征点区域与噪声点区域。

S3041：根据亮度值与随机彩色条纹的明显程度组合得到可信度参数。

S3042：判断待检测特征点处的可信度参数是否大于预设特征阈值。

S3043：如果待检测特征点处的可信度参数大于预设特征阈值，则待检测特征点属于特征图形区域。

S3044：如果待检测特征点处的可信度参数小于或等于预设特征阈值，则判定待检测特征点属于噪声区域。

若像素点(Y，DEVIATION)取值介于上述的两种情况之间时，引入可信度参数PARA_FEATURE，取值区间为[0，1]，当可信度参数PARA_FEATURE值等于1时，代表当前位置是位于特征点图形区域，而当可信度参数PARA_FEATURE值等于0时，代表当前位置是拍摄时彩带造成的噪声点位置。

根据第一种情况和第二种情况，对参数PARA_FEATURE进行计算，如当前参数Y和DEVIATION都属于第一种情况，则有PARA_FEATURE等于1；当前参数Y和DEVIATION都属于第二种情况，则有PARA_FEATURE等于0；非特征点区域的PARA_FEATURE也等于0(通过前面的阈值分割以及边缘检测等手段，前面步骤就已经滤除掉当前的非特征点区域的像素点。进入到当前阶段的进行处理的待选像素点，通常是属于特征点区域或者噪声点区域这两种情况)。而假如参数Y和DEVIATION接近第一种情况但是不属于第一种情况时，则将得到介于0和1之间的取值，规则是：越接近第一种情况，取值越接近1；距离第一种情况的差异越大，则有取值的结果越接近于0。

图6所示是本示例建立的一种规则，横坐标是亮度Y，纵坐标是明显程度DEVIATION，(Y，DEVIATION)坐标组合对应的位置参数取值是PARA_FEATURE。PARA_FEATURE取值越高，(Y，DEVIATION)对应位置的亮度越高；取值越低，(Y，DEVIATION)对应位置的亮度越低。黑色代表当前位置PARA_FEATURE的取值为0，白色代表当前PARA_FEATURE取值为1，灰色是PARA_FEATURE介于两者之间的情况。需要注意的是，某些(Y，DEVIATION)组合的取值实际上是无法取得的，例如，组合(Y，DEVIATION)＝(0，30)的取值是无法取得的，因此，当前示例中的亮度取值仅对能够取得的有效(Y，DEVIATION)组合对应的PARA_FEATURE进行设置，非有效区域不进行限制。

通过以上处理，对于当前像素点的(Y，DEVIATION)组合，可以得到一个可信度参数PARA_FEATURE，对当前点属于特征点区域还是噪声点区域的可能性进行初步的预估。

S305：如果特征点属于特征点区域，则保留所述特征点。

S306：如果特征点不属于特征点区域，则判定特征点为噪声点，并滤除噪声点。

利用两种区域的(Y，DEVIATION)组合取值范围不同的特点，得到参数PARA_FEATURE，在后续过程可以将两种区域利用降噪的运算处理过程进行进一步的检测与相互区分。对待检测的像素位置中，通过后续的步骤进行进一步检测处理，将判定为属于(2)的位置作为噪声点进行滤除处理，从而避免对特征点区域中心计算的结果造成影响。

对以上的待选检测点中，将PARA_FEATURE小于等于Threshold_Feature的区域作为噪声点，进行滤除处理，作为降噪的第一步处理。在程序中，设置的经验值Threshold_Feature＝0.6。

S400：对特征图形区域内的剩余特征点进行镜头拍摄角度的校正。

通过前面步骤得到镜头的拍摄角度的影响，根据以上镜头的影响参数对拍摄图像进行几何校正处理，得到正对屏幕中心进行拍摄的图像。

根据对镜头拍摄角度影响的校正处理，将前面步骤中得到的待检测特征图形区域的点也进行了相应坐标位置的校正处理，得到新的映射位置。

S500：确定校正后特征图形的中心位置。

检测得到特征图形区域内的特征点后，需要对特征图形的中心位置进行确定，以确定特征图形区域内各特征点的位置。其具体确定方法如图7所示：

S501：确定校正后特征图形内M*N个特征点间的分界线。

图1所示的特征图形分为四行四列，需要对以上四行四列特征图形之间的分界线进行确定。首先进行的是各行特征图形之间分界线的确定，具体确定方法如图8所示：

S5011：对属于特征图形的各位置点的竖直坐标取值进行排序。

S5012：根据排序分别确定属于第一行与第M行特征图形的位置点。

S5013：将位置点进行线性拟合，得到相应的直线。

S5014：根据位置点与相应直线的距离滤除位置点中的噪声点。

S5015：对第一行与第M行特征图形的位置点进行再次线性拟合，直至位置点中不存在噪声点。

S5016：对第一行与第M行特征图形所在的直线进行间距等分，得到M行特征图形之间的分界线。

对各行分界线进行确定的过程是将属于特征图形的位置点进行竖直坐标取值的排序，认为竖直坐标值排序在前25％的位置是属于第一行特征图形的位置。将以上的各像素位置进行线性拟合，得到一条直线LINE，认为这条直线通过第一行四个特征图形的中心。

但是这步处理是初步的处理，里面可能还存在彩色条纹噪声的影响，因此，进行以下处理：将以上范围各像素位置到LINE的距离进行计算，得到距离的中位数DISTANCE_LINE_MEDIAN，并设置阈值Threshold_Line(程序中默认Threshold_Line＝2.0)，结合自身像素位置的PARA_FEATURE参数进行判断：如果当前点到LINE的距离大于ThreshParaLineCur＝(DISTANCE_LINE_MEDIAN*Threshold_Line*PARA_FEATURE)，则认为当前点是噪声点或者是属于另外行特征图形的点而需要进行滤除。

以上方式，将Threshold_Line与可信度参数PARA_FEATURE进行组合，得到最终的筛选阈值ThreshParaLineCur。对于PARA_FEATURE较低的像素位置，认为当前点是更可能是受到彩色噪声干扰的区域，有较高的概率是噪声点，需要进行更高程度的滤除，因此，加强了对噪声滤除的力度；相反的，对于较高的PARA_FEATURE参数，认为当前点有更高概率是属于特征点区域的位置，降噪力度进行了相对的减弱。

通过当前的噪声滤除之后，对剩余的特征图形当前行中的点进行再次线性拟合，可以得到一条新的直线。当前的直线拟合与降噪处理过程可以迭代进行，直至达到设置的最大迭代次数或者是没有新的噪声点被当前过程过滤处理。通过以上处理，完成第一行特征图形所在直线的计算。

通过相似的处理，对竖直坐标的取值为排序后25％的特征图形进行计算，得到第四行特征图形所在的直线。

根据第一行和第四行特征图形所在的直线，进行间距等分，可以得到四行特征图形之间的分界线。

同理，根据以上的过程对特征图形的水平坐标进行排序和运算处理，可以得到第一列和第四列特征图形所在的直线，进行间距等分，可以得到四列特征图形之间的分界线。

S502：根据分界线确定特征图形中各特征点的位置序号。

通过四行四列特征图形之间的分界线，对属于特征图形的点进行处理与分类，可以对特征图形中的点所属于特征图形的位置序号进行确定。

S503：根据特征点的位置序号依次确定特征图形的中心位置。

通过前面的步骤，对检测得到的特征图形中的点是属于16个特征图形中所对应的序号进行了确定，而当前的步骤是对16个特征图形的中心位置进行计算确定，具体确定方法如图9所示：

S5031：对当前特征点图形区域内的各特征点进行加权计算，得到特征图形的中心位置。

S5032：计算当前特征点到中心位置的距离。

S5033：根据当前特征点到中心位置的距离判断当前特征点是否为噪声点。

S5034：如果当前特征点为噪声点，则滤除当前特征点。

S5035：更新特征图形的中心位置，直至特征图形区域内不存在噪声点。

首先，将属于当前特征图形的像素点的中心位置进行计算，需要根据各点PARA_FEATURE的取值进行加权，PARA_FEATURE取值越高，对计算中心位置时参考的权重越高，利用公式(5)和公式(6)对center_position进行计算：

center_position_x＝(W(1)*Pos_x(1)+W(2)*Pos_x(2)+…+W(n)*Pos_x(n))/(W(1)+W(2)+…+W(n)) (5)

center_position_y＝(W(1)*Pos_y(1)+W(2)*Pos_y(2)+…+W(n)*Pos_y(n))/(W(1)+W(2)+…+W(n)) (6)

其中(center_position_x，center_position_y)是center_position的坐标位置；W(k)代表当前第k个像素点的权重，当前像素点PARA_FEATURE的取值越大，则W(k)的权重更高；而n表示，当前特征点图形区域中待选的像素点位置的总数目为n；参数(Pos_x(k)，Pos(k))代表第k个像素点的坐标位置。

以上的点中可能存在受到彩色条纹区域干扰而产生的噪声点，在未受到干扰的区域在拍摄图像中偶尔也会出现噪声点，但是从总体上分析，能够反映中心点位置的粗略位置。下一步需要对噪声进行滤除，对中心点的坐标位置进行精确的计算。

噪声滤除的方法是计算当前特征图形区域的点到center_position的距离，对中位数进行计算，得到DISTANCE_CENTER_MEDIAN，并设置阈值Threshold_Center(程序中默认的Threshold_Center参数等于2.2)。随后，对各点进行计算，如果当前点到center_position的距离大于ThreshParaCenterCur＝(DISTANCE_CENTER_MEDIAN*Threshold_Center*PARA_FEATURE)，则将判定当前点是噪声点需要进行滤除，通过以上方式，对降噪力度和PARA_FEATURE参数建立联系：在彩色条纹干扰区域，容易受到噪声点的干扰，因此，当前情况下的PARA_FEATURE参数的取值较低，相应的对降噪的程度将会更高。在滤除噪声完成之后，可以对新的中心位置采用前面介绍的加权方式进行更新计算得到center_position_new，然后继续迭代进行上述的降噪运算处理，直至达到设定的迭代次数或者是在当前的过程中未检测到新的噪声点进行滤除(已经达到了迭代收敛)。

通过以上处理，完成当前区域特征图形中心位置的计算，依次对16个特征图形进行上述处理，完成各特征图形中心位置的计算。

S600：根据特征图形的中心位置计算得到自动几何校正参数，对短焦激光电视的投影区域进行几何校正。

通过上述方法，对随机彩色条纹的噪声干扰进行了有效抑制，从而能够得到16个特征图形中心的准确的位置，从而提供给后续的自动几何校正参数计算模块，得到准确的自动几何校正参数，通过自动几何校正参数对短焦激光电视的投影区域进行几何校正。

本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法，对拍摄图像中随机彩色条纹噪声干扰进行抑制处理，实现了有效降噪，从而实现了对自动几何校正测试图卡中特征图形的位置进行准确检测，从而使用户不需要进行额外复杂的设置以及额外购买专业相机，直接使用平时使用的手机摄像头进行拍摄，就能够实现自动几何校正功能，大大改善了用户的体验。

基于上述实施例所述的用于自动几何校正的抗噪声拍摄图像识别方法，本申请实施例还提供了一种用于自动几何校正的抗噪声拍摄图像识别系统。

如图10所示，本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别系统包括：

区域检测模块100，用于检测屏幕边框区域，以获得激光电视屏幕边框区域。

特征点获取模块200，用于获取拍摄图像内特征图形区域的特征点，获得拍摄图像内特征图形区域内的特征点数量。

滤除模块300，用于滤除特征图形区域内的噪声点。获得的特征点可能位于特征点区域，也可能位于噪声点区域，当判定特征点为噪声点时，通过该滤除模块滤除该噪声点。

校正模块400，用于对特征图形区域内的剩余特征点进行镜头拍摄角度的校正。滤除特征点中的噪声点后，对剩余特征点进行镜头拍摄角度的校正，得到正对屏幕中心的图像。

确定模块500，用于确定校正后特征图形的中心位置。对拍摄图像进行镜头拍摄角度的校正后，确定特征图形区域内各特征点间的分界线，进而确定各特征图形的中心位置。

自动几何校正模块600，用于根据特征图形的中心位置进行自动几何校正参数，对短焦激光电视的投影区域进行几何校正。获得各特征图形的中心位置后，将其提供给后续的自动几何校正参数计算模块，得到准确的自动几何校正参数，通过该自动几何校正参数实现短焦激光电视的自动几何校正功能。

本示例提供的用于自动几何校正的抗噪声拍摄图像识别系统的具体实施方法参见上述实施例提供的用于自动几何校正的抗噪声拍摄图像识别方法，此处不再赘述。

本申请实施例提供的用于自动几何校正的抗噪声拍摄图像识别系统能够对手机拍摄的存在随机彩色条纹的图像进行有效的降噪处理，得到准确的计算结果，不需额外使用专业相机或者进行手动拍摄模式的额外配置，从而大大提升了短焦激光电视用户的使用体验。

需要说明的是，在本说明书中，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电路结构、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电路结构、物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。

本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (10)

1.一种用于自动几何校正的抗噪声拍摄图像识别方法，其特征在于，所述方法包括：

检测屏幕边框区域；

对所述屏幕边框区域显示的测试图卡进行拍摄；

获取拍摄图像内特征图形区域的特征点，并滤除所述特征点中的噪声点；

对所述特征图形区域内的剩余特征点进行镜头拍摄角度的校正；

确定校正后特征图形的中心位置；

根据所述特征图形的中心位置计算得到自动几何校正参数，对短焦激光电视的投影区域进行几何校正。

2.根据权利要求1所述的方法，其特征在于，获取拍摄图像内特征图形区域的特征点，并滤除所述特征点中的噪声点，包括：

计算拍摄图像的亮度值，根据所述亮度值区分低亮特征图形区域与高亮背景区域；

检测得到所述特征图形区域内的特征点；

计算得到所述特征图形区域的亮度值与随机彩色条纹的明显程度；

根据所述亮度值与所述随机彩色条纹的明显程度判断所述特征点是否属于特征点区域；

如果所述特征点不属于所述特征点区域，则判定所述特征点为噪声点，并滤除所述噪声点。

3.根据权利要求2所述的方法，其特征在于，根据所述亮度值与所述随机彩色条纹的明显程度判断所述特征点是否属于特征点区域，包括：

根据所述亮度值与所述随机彩色条纹的明显程度组合得到可信度参数；

判断待检测特征点处的可信度参数是否大于预设特征阈值；

如果所述待检测特征点处的可信度参数小于或等于所述预设特征阈值，则判定所述待检测特征点属于噪声区域。

4.根据权利要求1所述的方法，其特征在于，对所述特征图形区域内的剩余特征点进行镜头拍摄角度的校正，包括：

根据镜头拍摄角度影响参数对拍摄图像进行几何校正处理，得到正对屏幕中心的图像；

将所述特征图形区域内的特征点进行相应坐标位置的校正处理，得到新的映射位置。

5.根据权利要求1所述的方法，其特征在于，确定校正后特征图形的中心位置，包括：

确定所述校正后特征图形内M*N个特征点间的分界线；

根据所述分界线确定所述特征图形中各特征点的位置序号；

根据所述特征点的位置序号依次确定所述特征图形的中心位置。

6.根据权利要求5所述的方法，其特征在于，确定所述校正后特征图形内M*N个特征点间的分界线，包括：

对属于所述特征图形的各位置点的竖直坐标取值进行排序；

根据所述排序分别确定属于第一行与第M行特征图形的位置点；

将所述位置点进行线性拟合，得到相应的直线；

根据所述位置点与相应直线的距离滤除所述位置点中的噪声点；

对所述第一行与第M行特征图形的位置点进行再次线性拟合，直至所述位置点中不存在噪声点；

对所述第一行与第M行特征图形所在的直线进行间距等分，得到M行特征图形之间的分界线。

7.根据权利要求6所述的方法，其特征在于，根据所述位置点与相应直线的距离滤除所述位置点中的噪声点，包括：

计算各位置点到相应直线的距离，得到距离的中位数；

根据所述距离的中位数、可信度参数与预设阈值线计算得到筛选阈值；

判断所述位置点到相应直线的距离是否大于所述筛选阈值；

如果所述位置点到相应直线的距离大于所述筛选阈值，则滤除所述位置点。

8.根据权利要求5所述的方法，其特征在于，根据所述特征点的位置序号依次确定所述特征图形的中心位置，包括：

对当前特征点图形区域内的各特征点进行加权计算，得到所述特征图形的中心位置；

计算当前特征点到所述中心位置的距离；

根据所述当前特征点到所述中心位置的距离判断所述当前特征点是否为噪声点；

如果所述当前特征点为噪声点，则滤除所述当前特征点；

更新所述特征图形的中心位置，直至所述特征图形区域内不存在噪声点。

9.根据权利要求8所述的方法，其特征在于，根据所述当前特征点到所述中心位置的距离判断所述当前特征点是否为噪声点，包括：

计算所述特征图形区域内特征点到中心位置的距离，得到中位数；

根据所述中位数、预设中心阈值与特征点的可信度参数计算得到筛选中心阈值；

判断所述当前特征点到中心位置的距离是否大于所述筛选中心阈值；

如果所述当前特征点到中心位置的距离大于所述筛选中心阈值，则判定所述当前特征点为噪声点。

10.一种用于自动几何校正的抗噪声拍摄图像识别系统，其特征在于，包括：

区域检测模块，用于检测屏幕边框区域；

特征点获取模块，用于获取拍摄图像内特征图形区域的特征点；

滤除模块，用于滤除所述特征图形区域内的噪声点；

校正模块，用于对所述特征图形区域内的剩余特征点进行镜头拍摄角度的校正；

确定模块，用于确定校正后特征图形的中心位置；

自动几何校正模块，用于根据所述特征图形的中心位置计算得到自动几何校正参数，对短焦激光电视的投影区域进行几何校正。