CN111178210A - 一种十字标记的图像识别及对准方法 - Google Patents

一种十字标记的图像识别及对准方法 Download PDF

Info

Publication number
CN111178210A
CN111178210A CN201911330946.3A CN201911330946A CN111178210A CN 111178210 A CN111178210 A CN 111178210A CN 201911330946 A CN201911330946 A CN 201911330946A CN 111178210 A CN111178210 A CN 111178210A
Authority
CN
China
Prior art keywords
image
cross mark
mark
cross
central point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911330946.3A
Other languages
English (en)
Other versions
CN111178210B (zh
Inventor
赵新雪
张永利
张前
杜小宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Radio Wave Propagation CETC 22 Research Institute
Original Assignee
China Institute of Radio Wave Propagation CETC 22 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Institute of Radio Wave Propagation CETC 22 Research Institute filed Critical China Institute of Radio Wave Propagation CETC 22 Research Institute
Priority to CN201911330946.3A priority Critical patent/CN111178210B/zh
Publication of CN111178210A publication Critical patent/CN111178210A/zh
Application granted granted Critical
Publication of CN111178210B publication Critical patent/CN111178210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种十字标记的图像识别及对准方法，包括如下步骤：步骤S110，输入含有十字标记的数字视频信号：通过摄像头获取含有十字标记的彩色图像；步骤S120，将视频中的图像转换为灰度图像：步骤S130，将灰度图像转换为二值图像：步骤S140，在二值图像中查找满足误差阈值的四边形轮廓：步骤S150，在近似为矩形的四边形轮廓中查找十字标记。本发明所公开十字标记的图像识别及对准方法，克服了传统的倒车定位、精确对接等高精度操作只能依赖操作员的视觉和经验完成，存在人为误差的缺陷，基于视频图像识别标靶，计算偏航信息，从而提高操作精度，缩小人为误差，因而在倒车定位、精确对接等领域具有一定的现实意义。

Description

一种十字标记的图像识别及对准方法
技术领域
本发明属于图像识别技术领域，特别涉及该领域中的一种基于十字标记的图像视觉识别及对准方法。
背景技术
随着现代技术的不断发展，高清数字摄像头可提供不同光线条件下清晰的数字图像，将数字图像输入计算机可进行图像处理、目标识别、计算等，这些技术的发展使得传统依赖人的肉眼进行分辨的工作可逐渐被机器取代，实现自动化或半自动化，并达到肉眼判断难以实现的精度，从而实现减小误差，降低人工成本的目的。传统的倒车定位、精确对接等高精度操作等只能依赖操作员的视觉和经验完成，难免存在误差。
发明内容
本发明所要解决的技术问题就是提供一种十字标记的图像识别及对准方法。
本发明采用如下技术方案：
一种十字标记的图像识别及对准方法，其改进之处在于，包括如下步骤：
步骤S110，输入含有十字标记的数字视频信号：通过摄像头获取含有十字标记的彩色图像；
步骤S120，将视频中的图像转换为灰度图像：
读取摄像头拍摄视频中当前的一帧进行处理，将数字彩色图像转化为灰度图像，具体步骤为：取图像中每个像素的RGB颜色分量，利用公式：
Gray＝r*0.3+g*0.59+b*0.11
将彩色图像转化为灰度图像，采用高斯滤波的方法剔除噪声干扰，提高信噪比，采用直方图亮度均衡化方法，增大灰度的变化范围，从而增强图像的亮度和对比度；
步骤S130，将灰度图像转换为二值图像：
采用图像阈值分割技术将灰度图像转换为二值图像，采用最大类间方差算法来实现图像最佳阈值的选取，最佳阈值的计算过程如下：
假设图像有M个灰度值，取值范围在0～M-1，在此范围内选取灰度值t，将图像分成两类G0和G1，G0包含的像素的灰度值在0～t，G1包含的像素的灰度值在t+1～M-1，用N表示图像像素总数，ni表示灰度值为i的像素的个数，灰度值i出现的概率为pi＝ni/N；G0和G1两类像素的个数在整体图像中所占百分比为ω0，ω1，两类平均灰度值为u0,u1，可得G0和G1两类像素出现的概率分别为：
Figure BDA0002329539060000021
Figure BDA0002329539060000022
G0和G1两类像素的平均灰度值为：
Figure BDA0002329539060000023
Figure BDA0002329539060000024
图像总的平均灰度为：
u＝ω0×u0+ω1×u1 (5)
所以G0和G1两类像素的类间方差为：
g(t)＝ω0(u0-u)2+ω1(u1-u)2＝ω0ω1(u0-u1)2 (6)
将g(t)极大化的过程就是根据图像自动确定阈值T的过程，因此最佳阈值为：
T＝argmax(g(t)) (7)
步骤S140，在二值图像中查找满足误差阈值的四边形轮廓：
利用OpenCV库中cvFindContours函数完成二值图像中的轮廓查找，图像提取轮廓后，采用DP多边形逼近算法对提取的轮廓进行多边形逼近，并设定误差阈值，获得满足此阈值的四边形；DP算法在OpenCV库中的函数实现为cvApproxPoly，将轮廓进行多边形逼近时，若使用DP算法查找到的轮廓上第5个点到四边形的距离在误差阈值以内，则认为前4个点构成的四边形即为所述满足误差阈值的四边形轮廓；
步骤S150，在近似为矩形的四边形轮廓中查找十字标记：
判断四边形轮廓是否近似为矩形，采用的方法是判断四边形的两个角的余弦值的绝对值是否都小于0.1，若是则认为该四边形轮廓近似为矩形，若不是则舍弃；
在近似为矩形的四边形区域中进行横向扫描，四边形中心部分的区域不扫描，记录扫描区域内白色像素点的位置，并判断所记录的白色像素点集合是否构成十字标记的纵线部分；
在近似为矩形的四边形区域中进行纵向扫描，四边形中心部分的区域不扫描，记录扫描区域内白色像素点的位置，并判断所记录的白色像素点集合是否构成十字标记的横线部分；
若扫描到十字标记的横线部分和纵线部分，则说明在所述检测出的矩形轮廓中查找到了十字标记轮廓；
步骤S160，拟合十字标记并计算中心点和中心点上下左右四条纵线、横线的长度：
采用几何中心法提取标靶十字线上所有点坐标，通过对十字横、纵两个方向上的点采用最小二乘法完成两条直线的拟合，最后通过两条直线方程，求出两条直线交点即十字标记的中心点坐标及十字标记中心点上下两条纵线的长度和中心点左右两条横线的长度；
步骤S170，根据中心点和横、纵线的长度信息计算十字标记偏航方向：
步骤S1701，调整位置，使图像上的十字标记中心点上下纵线的长度相等，且中心点位于图像二分之一的水平线上；通过操作调整摄像头与十字标记的相对位置，使二者在同一水平线上；
步骤S1702，根据拟合的十字标记纵线长度计算摄像头所在平面至标记所在平面的距离D：
由于十字标记上纵线的实际长度lv和图像中拟合的纵线所占像素点个数nv是已知的，因此可通过前期测量不同的距离D下nv的大小拟合出成摄像头的成像关系曲线，从而根据nv的大小计算D；
步骤S1703，根据十字标记中心点坐标计算标记在摄像头视场中偏离中心的角度α：
根据十字中心点的横坐标计算出十字中心点比图像中心偏移的像素数量nW，并根据拟合公式计算出十字标记与摄像头的水平偏移距离W，此时：
Figure BDA0002329539060000031
步骤S1704，根据十字标记中心点左右横线的长度计算摄像头平面与标记平面之间的夹角β：
十字标记中心点左右横线的实际长度为s，图像中拟合的十字标记中心点左右横线所占像素数
Figure BDA0002329539060000041
对应的实际长度为l1和l2，
根据等比三角形几何关系有：
Figure BDA0002329539060000042
Figure BDA0002329539060000043
(9)、(10)两式相除可得：
Figure BDA0002329539060000044
由于像素点数
Figure BDA0002329539060000045
是可以统计出来的，因此令：
Figure BDA0002329539060000046
则摄像头平面与标记平面之间的夹角β为：
Figure BDA0002329539060000047
步骤S180，根据α，β，D绘出十字标记与摄像头的位置关系图，输出偏航方向和视频图像，辅助操作员进行对准操作：
当标记在图像中心以左时α＜0，当标记在图像中心以右时α＞0；十字标记所在平面较摄像头所在平面顺时针旋转的锐角角度β＞0，逆时针旋转的锐角角度β＜0；设标靶位置为(x0,y0)，摄像头位置为(xp,yp)，则：
γ＝|β|-|α|＝β-α (14)
xP＝x0-(D/cosα)sinγ＝x0-(D/cosα)sin(β-α)
＝x0-D sinβ+D cosβtanα (15)
yP＝y0-(D/cosα)cosγ＝y0-(D/cosα)cos(β-α)
＝y0-Dcosβ-D sinβtanα (16)
记待对准物体的长AD＝BC＝a，宽AB＝CD＝b，则ABCD四点的坐标分别为：
Figure BDA0002329539060000051
Figure BDA0002329539060000052
Figure BDA0002329539060000053
Figure BDA0002329539060000054
连接ABCD四个点，即可绘出十字标记与待对准物体的位置关系图。
进一步的，在步骤S160中，提取十字标记的方位信息，在目标区域中对十字标记进行拟合，提取十字标记的中心点和标记的长度信息，包括：在图上绘出十字标记的横线和纵线；提取十字标记的中心点信息和标记的长度信息，根据所绘的十字标记的横线和纵线计算十字标记中心点的坐标，以及中心点上方纵线长度和下方纵线长度，中心点左方横线长度和右方横线长度。
进一步的，在步骤S170中，计算偏航方向并输出，根据十字标记的方位信息计算偏航方向，并输出计算结果，包括：根据十字标记中心点坐标在图像中所处位置以及中心点上方纵线长度和下方纵线长度比例，中心点左方横线长度和右方横线长度比例判断标记与摄像头的空间位置关系，输出偏航方向。
本发明的有益效果是：
本发明所公开十字标记的图像识别及对准方法，克服了传统的倒车定位、精确对接等高精度操作只能依赖操作员的视觉和经验完成，存在人为误差的缺陷，基于视频图像识别标靶，计算偏航信息，从而提高操作精度，缩小人为误差，因而在倒车定位、精确对接等领域具有一定的现实意义。
附图说明
图1是本发明方法的流程示意图；
图2是本发明方法步骤S170的流程示意图；
图3是本发明所使用十字标记的示意图；
图4是本发明步骤S1704中计算偏航信息时的变量关系图；
图5是本发明步骤S180中摄像头与标靶间的相对位置关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1，如图1所示，本实施例公开了一种十字标记的图像识别及对准方法，可实现十字标记的快速识别和标记方位信息的提取，从而为快速实现精确对准提供数据支持，具体包括如下步骤：
步骤S110，输入含有十字标记的数字视频信号：通过摄像头获取含有十字标记的彩色图像；本发明所使用十字标记的示意图如图3所示。
以倒车对准为例，将高清数字摄像头安装在汽车尾部并保证摄像头的镜头所在平面与汽车尾部平行。将汽车开至停车的大致位置，使十字标记出现在摄像头的视野中。
步骤S120，对图像预处理，将视频中的图像转换为灰度图像：
读取摄像头拍摄视频中当前的一帧进行处理，将数字彩色图像转化为灰度图像，具体步骤为：取图像中每个像素的RGB颜色分量，利用公式：
Gray＝r*0.3+g*0.59+b*0.11
将彩色图像转化为灰度图像，采用高斯滤波的方法剔除噪声干扰，提高信噪比，采用直方图亮度均衡化方法，增大灰度的变化范围，从而增强图像的亮度和对比度；
步骤S130，寻找目标区域，将灰度图像转换为二值图像，然后采用多边形逼近轮廓分析方法，检测出矩形轮廓的十字标记区域，并通过十字标记特征剔除虚假目标：
本实施例采用图像阈值分割技术或全局阈值二值化的方法将灰度图像转换为二值图像，采用最大类间方差算法来实现图像最佳阈值的选取，最佳阈值的计算过程如下：
假设图像有M个灰度值，取值范围在0～M-1，在此范围内选取灰度值t，将图像分成两类G0和G1，G0包含的像素的灰度值在0～t，G1包含的像素的灰度值在t+1～M-1，用N表示图像像素总数，ni表示灰度值为i的像素的个数，灰度值i出现的概率为pi＝ni/N；G0和G1两类像素的个数在整体图像中所占百分比为ω0，ω1，两类平均灰度值为u0,u1，可得G0和G1两类像素出现的概率分别为：
Figure BDA0002329539060000061
Figure BDA0002329539060000062
G0和G1两类像素的平均灰度值为：
Figure BDA0002329539060000071
Figure BDA0002329539060000072
图像总的平均灰度为：
u＝ω0×u0+ω1×u1 (5)
所以G0和G1两类像素的类间方差为：
g(t)＝ω0(u0-u)2+ω1(u1-u)2＝ω0ω1(u0-u1)2 (6)
将g(t)极大化的过程就是根据图像自动确定阈值T的过程，因此最佳阈值为：
T＝argmax(g(t)) (7)
步骤S140，在二值图像中查找满足误差阈值的四边形轮廓：
本实施例利用OpenCV库中cvFindContours()函数完成二值图像中的轮廓查找，图像提取轮廓后，采用Douglas-Peucker(DP)多边形逼近算法对提取的轮廓进行多边形逼近，并设定误差阈值，获得满足此阈值的四边形；
DP算法在OpenCV库中的函数实现为cvApproxPoly()，其基本思想为：首先从轮廓上选择两个最远的点将其连成线段，然后查找轮廓上到线段最远的点，构成三角形轮廓，再查找轮廓上到三角形最近的一条边的距离最远的点，添加到新的轮廓，构成四边形轮廓。算法反复迭代不断将新的点添加到结果中。
在本实施例中，将轮廓进行多边形逼近时，若使用DP算法查找到的轮廓上第5个点到四边形的距离在误差阈值以内，则认为前4个点构成的四边形即为所述满足误差阈值的四边形轮廓；
步骤S150，在近似为矩形的四边形轮廓中查找十字标记：
在二值图像中提取正负区域的边界，所述正负区域边界的集合即为轮廓树，对所述轮廓树中的轮廓进行多边形逼近，检测出矩形轮廓，包括设定误差阈值，获得满足此阈值的四边形，判断四边形轮廓是否近似为矩形，采用的方法是判断四边形的两个角的余弦值的绝对值是否都小于0.1，若是则认为该四边形轮廓近似为矩形，若不是则舍弃；在测出的矩形轮廓中查找十字标记轮廓，若无所述十字标记轮廓，则所述矩形轮廓为虚假目标，若有所述十字标记轮廓，则所述矩形轮廓即为目标区域。在所述检测出的矩形轮廓中查找十字标记轮廓，具体包括如下步骤：
在近似为矩形的四边形区域中进行横向扫描，为消除干扰，四边形中心部分的区域不扫描，记录扫描区域内白色像素点的位置，并判断所记录的白色像素点集合是否构成十字标记的纵线部分；
在近似为矩形的四边形区域中进行纵向扫描，为消除干扰，四边形中心部分的区域不扫描，记录扫描区域内白色像素点的位置，并判断所记录的白色像素点集合是否构成十字标记的横线部分；
若扫描到十字标记的横线部分和纵线部分，则说明在所述检测出的矩形轮廓中查找到了十字标记轮廓；
步骤S160，拟合十字标记并计算中心点和中心点上下左右四条纵线、横线的长度：
本实施例采用几何中心法提取标靶十字线上所有点坐标，通过对十字横、纵两个方向上的点采用最小二乘法完成两条直线的拟合，最后通过两条直线方程，求出两条直线交点即十字标记的中心点坐标及十字标记中心点上下两条纵线的长度和中心点左右两条横线的长度；
提取十字标记的方位信息，在目标区域中对十字标记进行拟合，提取十字标记的中心点和标记的长度信息，包括：在图上绘出十字标记的横线和纵线；提取十字标记的中心点信息和标记的长度信息，根据所绘的十字标记的横线和纵线计算十字标记中心点的坐标，以及中心点上方纵线长度和下方纵线长度，中心点左方横线长度和右方横线长度。
步骤S170，如图2所示，根据中心点和横、纵线的长度信息计算十字标记偏航方向：
计算偏航方向并输出，根据十字标记的方位信息计算偏航方向，并输出计算结果，包括：根据十字标记中心点坐标在图像中所处位置以及中心点上方纵线长度和下方纵线长度比例，中心点左方横线长度和右方横线长度比例判断标记与摄像头的空间位置关系，输出偏航方向。
步骤S1701，调整位置，使图像上的十字标记中心点上下纵线的长度相等，且中心点位于图像二分之一的水平线上；本实施例中，为保证计算精度，首先应通过操作调整摄像头与十字标记的相对位置，使二者在同一水平线上；
步骤S1702，根据拟合的十字标记纵线长度计算摄像头所在平面至标记所在平面的距离D：
由于十字标记上纵线的实际长度lv和图像中拟合的纵线所占像素点个数nv是已知的，因此可通过前期测量不同的距离D下nv的大小拟合出成摄像头的成像关系曲线，从而根据nv的大小计算D；
步骤S1703，根据十字标记中心点坐标计算标记在摄像头视场中偏离中心的角度α：
根据十字中心点的横坐标计算出十字中心点比图像中心偏移的像素数量nW，并根据拟合公式计算出十字标记与摄像头的水平偏移距离W，此时：
Figure BDA0002329539060000091
步骤S1704，根据十字标记中心点左右横线的长度计算摄像头平面与标记平面之间的夹角β：
如图4所示，记十字标记中心点左右横线的实际长度为s，图像中拟合的十字标记中心点左右横线所占像素数
Figure BDA0002329539060000092
对应的实际长度为l1和l2，
根据图4中的等比三角形几何关系有：
Figure BDA0002329539060000093
Figure BDA0002329539060000094
(9)、(10)两式相除可得：
Figure BDA0002329539060000095
由于像素点数
Figure BDA0002329539060000096
是可以统计出来的，因此令：
Figure BDA0002329539060000097
则摄像头平面与标记平面之间的夹角β为：
Figure BDA0002329539060000098
步骤S180，根据α，β，D绘出十字标记与摄像头的位置关系图，输出偏航方向和视频图像，辅助操作员进行对准操作：
本实施例采用绘制俯视图的方法来帮助操作员判断十字标记与摄像头的相对位置关系，如图5所示，当标记在图像中心以左时α＜0，当标记在图像中心以右时α＞0；十字标记所在平面较摄像头所在平面顺时针旋转的锐角角度β＞0，逆时针旋转的锐角角度β＜0；设标靶位置为(x0,y0)，摄像头位置为(xp,yp)，则：
γ＝|β|-|α|＝β-α (14)
xP＝x0-(D/cosα)sinγ＝x0-(D/cosα)sin(β-α)
＝x0-D sinβ+D cosβtanα (15)
yP＝y0-(D/cosα)cosγ＝y0-(D/cosα)cos(β-α)
＝y0-Dcosβ-D sinβtanα (16)
如图5所示，记待对准物体的长AD＝BC＝a，宽AB＝CD＝b，则ABCD四点的坐标分别为：
Figure BDA0002329539060000101
Figure BDA0002329539060000102
Figure BDA0002329539060000103
Figure BDA0002329539060000104
连接ABCD四个点，即可绘出十字标记与待对准物体的位置关系图。
本实施例方法用时短，计算的偏航方向、识别的十字标记可在视频图像上实时输出，由此可缩小由肉眼判断标靶偏航情况时造成的误差，帮助操作员快速实现目标的精确对准。

Claims (3)

1.一种十字标记的图像识别及对准方法，其特征在于，包括如下步骤：
步骤S110，输入含有十字标记的数字视频信号：通过摄像头获取含有十字标记的彩色图像；
步骤S120，将视频中的图像转换为灰度图像：
读取摄像头拍摄视频中当前的一帧进行处理，将数字彩色图像转化为灰度图像，具体步骤为：取图像中每个像素的RGB颜色分量，利用公式：
Gray＝r*0.3+g*0.59+b*0.11
将彩色图像转化为灰度图像，采用高斯滤波的方法剔除噪声干扰，提高信噪比，采用直方图亮度均衡化方法，增大灰度的变化范围，从而增强图像的亮度和对比度；
步骤S130，将灰度图像转换为二值图像：
采用图像阈值分割技术将灰度图像转换为二值图像，采用最大类间方差算法来实现图像最佳阈值的选取，最佳阈值的计算过程如下：
假设图像有M个灰度值，取值范围在0～M-1，在此范围内选取灰度值t，将图像分成两类G0和G1，G0包含的像素的灰度值在0～t，G1包含的像素的灰度值在t+1～M-1，用N表示图像像素总数，ni表示灰度值为i的像素的个数，灰度值i出现的概率为pi＝ni/N；G0和G1两类像素的个数在整体图像中所占百分比为ω0，ω1，两类平均灰度值为u0,u1，可得G0和G1两类像素出现的概率分别为：
Figure FDA0002329539050000011
Figure FDA0002329539050000012
G0和G1两类像素的平均灰度值为：
Figure FDA0002329539050000013
Figure FDA0002329539050000014
图像总的平均灰度为：
u＝ω0×u0+ω1×u1 (5)
所以G0和G1两类像素的类间方差为：
g(t)＝ω0(u0-u)2+ω1(u1-u)2＝ω0ω1(u0-u1)2 (6)
将g(t)极大化的过程就是根据图像自动确定阈值T的过程，因此最佳阈值为：
T＝argmax(g(t)) (7)
步骤S140，在二值图像中查找满足误差阈值的四边形轮廓：
利用OpenCV库中cvFindContours函数完成二值图像中的轮廓查找，图像提取轮廓后，采用DP多边形逼近算法对提取的轮廓进行多边形逼近，并设定误差阈值，获得满足此阈值的四边形；DP算法在OpenCV库中的函数实现为cvApproxPoly，将轮廓进行多边形逼近时，若使用DP算法查找到的轮廓上第5个点到四边形的距离在误差阈值以内，则认为前4个点构成的四边形即为所述满足误差阈值的四边形轮廓；
步骤S150，在近似为矩形的四边形轮廓中查找十字标记：
判断四边形轮廓是否近似为矩形，采用的方法是判断四边形的两个角的余弦值的绝对值是否都小于0.1，若是则认为该四边形轮廓近似为矩形，若不是则舍弃；
在近似为矩形的四边形区域中进行横向扫描，四边形中心部分的区域不扫描，记录扫描区域内白色像素点的位置，并判断所记录的白色像素点集合是否构成十字标记的纵线部分；
在近似为矩形的四边形区域中进行纵向扫描，四边形中心部分的区域不扫描，记录扫描区域内白色像素点的位置，并判断所记录的白色像素点集合是否构成十字标记的横线部分；
若扫描到十字标记的横线部分和纵线部分，则说明在所述检测出的矩形轮廓中查找到了十字标记轮廓；
步骤S160，拟合十字标记并计算中心点和中心点上下左右四条纵线、横线的长度：
采用几何中心法提取标靶十字线上所有点坐标，通过对十字横、纵两个方向上的点采用最小二乘法完成两条直线的拟合，最后通过两条直线方程，求出两条直线交点即十字标记的中心点坐标及十字标记中心点上下两条纵线的长度和中心点左右两条横线的长度；
步骤S170，根据中心点和横、纵线的长度信息计算十字标记偏航方向：
步骤S1701，调整位置，使图像上的十字标记中心点上下纵线的长度相等，且中心点位于图像二分之一的水平线上；通过操作调整摄像头与十字标记的相对位置，使二者在同一水平线上；
步骤S1702，根据拟合的十字标记纵线长度计算摄像头所在平面至标记所在平面的距离D：
由于十字标记上纵线的实际长度lv和图像中拟合的纵线所占像素点个数nv是已知的，因此可通过前期测量不同的距离D下nv的大小拟合出成摄像头的成像关系曲线，从而根据nv的大小计算D；
步骤S1703，根据十字标记中心点坐标计算标记在摄像头视场中偏离中心的角度α：
根据十字中心点的横坐标计算出十字中心点比图像中心偏移的像素数量nW，并根据拟合公式计算出十字标记与摄像头的水平偏移距离W，此时：
Figure FDA0002329539050000031
步骤S1704，根据十字标记中心点左右横线的长度计算摄像头平面与标记平面之间的夹角β：
十字标记中心点左右横线的实际长度为s，图像中拟合的十字标记中心点左右横线所占像素数
Figure FDA0002329539050000037
对应的实际长度为l1和l2，
根据等比三角形几何关系有：
Figure FDA0002329539050000032
Figure FDA0002329539050000033
(9)、(10)两式相除可得：
Figure FDA0002329539050000034
由于像素点数
Figure FDA0002329539050000035
是可以统计出来的，因此令：
Figure FDA0002329539050000036
则摄像头平面与标记平面之间的夹角β为：
Figure FDA0002329539050000041
步骤S180，根据α，β，D绘出十字标记与摄像头的位置关系图，输出偏航方向和视频图像，辅助操作员进行对准操作：
当标记在图像中心以左时α＜0，当标记在图像中心以右时α＞0；十字标记所在平面较摄像头所在平面顺时针旋转的锐角角度β＞0，逆时针旋转的锐角角度β＜0；设标靶位置为(x0,y0)，摄像头位置为(xp,yp)，则：
γ＝|β|-|α|＝β-α (14)
xP＝x0-(D/cosα)sinγ＝x0-(D/cosα)sin(β-α)
＝x0-D sinβ+D cosβtanα (15)
yP＝y0-(D/cosα)cosγ＝y0-(D/cosα)cos(β-α)
＝y0-Dcosβ-D sinβtanα (16)
记待对准物体的长AD＝BC＝a，宽AB＝CD＝b，则ABCD四点的坐标分别为：
Figure FDA0002329539050000042
Figure FDA0002329539050000043
Figure FDA0002329539050000044
Figure FDA0002329539050000045
连接ABCD四个点，即可绘出十字标记与待对准物体的位置关系图。
2.根据权利要求1所述十字标记的图像识别及对准方法，其特征在于：在步骤S160中，提取十字标记的方位信息，在目标区域中对十字标记进行拟合，提取十字标记的中心点和标记的长度信息，包括：在图上绘出十字标记的横线和纵线；提取十字标记的中心点信息和标记的长度信息，根据所绘的十字标记的横线和纵线计算十字标记中心点的坐标，以及中心点上方纵线长度和下方纵线长度，中心点左方横线长度和右方横线长度。
3.根据权利要求1所述十字标记的图像识别及对准方法，其特征在于：在步骤S170中，计算偏航方向并输出，根据十字标记的方位信息计算偏航方向，并输出计算结果，包括：根据十字标记中心点坐标在图像中所处位置以及中心点上方纵线长度和下方纵线长度比例，中心点左方横线长度和右方横线长度比例判断标记与摄像头的空间位置关系，输出偏航方向。
CN201911330946.3A 2019-12-21 2019-12-21 一种十字标记的图像识别及对准方法 Active CN111178210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911330946.3A CN111178210B (zh) 2019-12-21 2019-12-21 一种十字标记的图像识别及对准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911330946.3A CN111178210B (zh) 2019-12-21 2019-12-21 一种十字标记的图像识别及对准方法

Publications (2)

Publication Number Publication Date
CN111178210A true CN111178210A (zh) 2020-05-19
CN111178210B CN111178210B (zh) 2022-11-29

Family

ID=70650317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911330946.3A Active CN111178210B (zh) 2019-12-21 2019-12-21 一种十字标记的图像识别及对准方法

Country Status (1)

Country Link
CN (1) CN111178210B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109580636A (zh) * 2018-12-03 2019-04-05 深圳市华星光电半导体显示技术有限公司 显示面板缺陷标记工具
CN114419144A (zh) * 2022-01-20 2022-04-29 珠海市一杯米科技有限公司 基于外部轮廓形状分析的卡片定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914687A (zh) * 2014-03-14 2014-07-09 常州大学 一种基于多通道和多阈值的矩形目标识别方法
CN106251311A (zh) * 2016-08-09 2016-12-21 上海柏楚电子科技有限公司 一种十字架的特征提取算法
CN110211182A (zh) * 2019-05-31 2019-09-06 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914687A (zh) * 2014-03-14 2014-07-09 常州大学 一种基于多通道和多阈值的矩形目标识别方法
CN106251311A (zh) * 2016-08-09 2016-12-21 上海柏楚电子科技有限公司 一种十字架的特征提取算法
CN110211182A (zh) * 2019-05-31 2019-09-06 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109580636A (zh) * 2018-12-03 2019-04-05 深圳市华星光电半导体显示技术有限公司 显示面板缺陷标记工具
CN114419144A (zh) * 2022-01-20 2022-04-29 珠海市一杯米科技有限公司 基于外部轮廓形状分析的卡片定位方法

Also Published As

Publication number Publication date
CN111178210B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN111243032B (zh) 一种棋盘格角点全自动检测方法
CN107463918B (zh) 基于激光点云与影像数据融合的车道线提取方法
CN109443480B (zh) 基于图像处理的水位标尺定位及水位测量方法
CN111474184B (zh) 基于工业机器视觉的aoi字符缺陷检测方法和装置
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN108597009B (zh) 一种基于方向角信息进行三维目标检测的方法
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN115170669B (zh) 基于边缘特征点集配准的识别定位方法及系统、存储介质
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN104899554A (zh) 一种基于单目视觉的车辆测距方法
CN103051872B (zh) 基于图像边缘提取的输送带跑偏检测方法
CN111415363A (zh) 一种图像边缘识别方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN113689429B (zh) 一种基于计算机视觉的木板缺陷检测方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN111178210B (zh) 一种十字标记的图像识别及对准方法
CN110674812B (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN113239733A (zh) 一种多车道车道线检测方法
CN111968079A (zh) 基于断面局部极值及分段稀疏的三维路面裂缝提取方法
CN114898321A (zh) 道路可行驶区域检测方法、装置、设备、介质及系统
CN112419225B (zh) 一种基于引脚分割的sop型芯片检测方法及系统
CN112330667B (zh) 一种基于形态学的激光条纹中心线提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant