CN112257717A - 一种针对未矫正图像的直线、椭圆和交点识别定位方法 - Google Patents
一种针对未矫正图像的直线、椭圆和交点识别定位方法 Download PDFInfo
- Publication number
- CN112257717A CN112257717A CN202011526832.9A CN202011526832A CN112257717A CN 112257717 A CN112257717 A CN 112257717A CN 202011526832 A CN202011526832 A CN 202011526832A CN 112257717 A CN112257717 A CN 112257717A
- Authority
- CN
- China
- Prior art keywords
- line
- straight line
- line segment
- straight
- segments
- 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
Links
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种针对未矫正图像的直线、椭圆和交点识别定位方法。本发明包括:输入一系列线段,利用线段之间的关系判断是否属于同一直线,分为若干线段集合;基于ransac随机抽样一致检测算法拆分误合并的分叉线,更新线段集合;使用最小二乘法初步判断线段集合的类型,分为圆形线和直线两类,并利用数学公式拟合表示,未分类的线段集合利用抛物线公式进行拟合;再次判断未分类的线段集合的类型,并修正椭圆数学公式;针对直线类的线段集合,通过拟合的数学表达式公式的关系得到交点,并验证交点的真实性;最终输出直线、椭圆和交点的位置信息。通过这种方式,降低复杂度,提高线性拟合程度。通过上述方法,仅通过未矫正的图像就可以实现对直线、椭圆和交点的识别定位。
Description
技术领域
本发明属于计算机视觉领域,尤其涉及一种针对未矫正图像的直线、椭圆和交点识别定位方法。
背景技术
近几年,智能机器人是重点研究对象,智能机器人技术也得到了迅速发展。智能机器人相关比赛也在如火如荼的进行着,受到了众人的瞩目,也为世界各地从事机器人技术的科研人员提供了一个交流的平台。Robocup是机器人世界杯比赛,也是机器人领域中一项重要的国际性赛事。机器人需要通过识别自己所在位置以及视野内的场景来确定接下来的运动,因此机器人的视觉系统是非常重要的,也是必不可少的。
在Robocup标准平台比赛场地中,场地白线是机器人识别的重要对象。场地白线可以分为直线段和圆形线两类。比赛场地中的边界线、场地中线、区域线均有直线段构成,场地中圈是个圆形。通过场地白线的形状以及直线交点可以判断机器人视野中的场地区域,为机器人的自动定位实现提供可靠的依据。
比较常用的直线检测方法是基于Hough变换的直线检测,通过图像直角坐标空间和参数坐标空间之间的对偶性原理,将直角坐标空间中的像素点映射到参数坐标空间中。属于同一条直线的像素点会在参数坐标空间中的曲线中形成交点。计算交点位置累加的总数,也就是同在一条直线上的像素点个数,当达到某一阈值时,就认为检测到一条直线。根据Hough变换的原理同样可以用来实现对圆、椭圆等曲线段的检测。还有很多基于改进的Hough变换的检测方法,能够具有更好的抗干扰能力和鲁棒性。但是,这类方法的缺点是占用一定的内存空间,计算时间过长,难以满足足球机器人赛场上对算法实时性的要求。另外,这类方法输入的图像需要未畸变的图像,对于畸变程度过大的图像,比较难检测出变形的直线。
发明内容
本发明的目的在于针对现有技术的不足,提供一种针对未矫正图像的直线、椭圆和交点识别定位方法。
本发明的目的是通过以下技术方案来实现的:一种针对未矫正图像的直线、椭圆和交点识别定位方法,包括如下步骤:
S1、输入一系列线段,根据线段之间的关系对线段进行初步合并,将属于同一条直线上的线段分为同一组,得到若干线段集合;
S2、采用ransac随机抽样一致性检测算法,将欠分类的线段进行拆分,并通过先验信息去噪点,获得主要的线段集合;
S3、根据线段角度变化范围,基于最小二乘法,将步骤S2中得到线段集合,分为圆形线和直线两类,并利用椭圆公式和直线公式分别对圆形线和直线拟合,剩余未分类的线段集合利用抛物线进行拟合;
S4、利用抛物线相关信息和抛物线与椭圆的位置关系,将通过抛物线拟合的线段集合再次分类,属于圆形线的归并为圆形线类,并对步骤S3中得到的椭圆公式进行修正,剩余的线段集合归并为直线类;
S5、根据直线类线段集合拟合的公式得到直线交点,根据交点和线段集合的边界端点关系验证交点的真实性;
S6、输出直线、椭圆和交点的位置信息。
进一步地,在步骤S1中,判断是否属于同一直线集合的依据是线段之间的锐角夹角,以及每两线段的中点关于其锐角夹角角平分线的垂直方向上的投影距离;锐角夹角大于角度阈值或投影距离大于投影阈值的两线段都不属于同一直线。
进一步地,在步骤S2中,对步骤S1生成的线段集合采用ransac随机抽样一致性检测算法进行验证,若存在一对线段不符合属于同一直线的依据,将这组线段进行拆分;拆分时,通过先验信息去噪点,得到主要的线段。
进一步地,在步骤S3中,基于最小二乘法对步骤S2中生成的线段集合进行分类,获
得直线类和圆形线类,并分别利用椭圆公式和直线公
式进行拟合获得数学表达式,不属于直线类和圆形线类的线段集合利用抛物线
公式进行拟合;其中,代表系数。
进一步地,在步骤S4中,对于步骤S3中利用抛物线拟合的线段集合,进行再次分类:
存在以下两种情况的抛物线拟合的线段集合分类为圆形线类:
S4.1:当步骤S3中划分的圆形线类线段集合拟合的椭圆中心,在某个抛物线拟合的线段集合的所有线段端点形成的封闭几何内,则该抛物线拟合的线段集合判断为属于圆形线类;
S4.2:存在两个抛物线拟合的线段集合拟合成的抛物线开口方向相反,且两个集合的边界端点距离均小于距离阈值,则判断这两个集合都属于圆形线类;集合的边界端点指集合中距离最远的线段端点;
将以上两种情况的线段集合划分为圆形线类,并修正椭圆公式;未分类为圆形线类的抛物线拟合的线段集合则归并为直线类,仍然以抛物线公式表达。
进一步地,在步骤S5中,通过每两组直线类线段集合的数学表达式,计算直线交点。
进一步地,在步骤S5中,通过以下子步骤获得交点:
S5.1:利用一个矩阵存储信息;
S5.2:根据直线类线段集合拟合的公式进行直线绘制,在绘制每一个像素点的同时判断周围是否存在其它直线;
S5.3:若存在,则该点为两条直线的交点,保存该像素点的位置信息。
进一步地,在步骤S5中,如果检测得到的交点位于线段集合边界端点内的拟合直线上,则交点具有真实性,予以保留;否则忽略该交点。
本发明的有益效果是:本发明仅通过未矫正的图像就可以实现对直线、椭圆和交点的识别定位,降低了复杂度,提高了线性拟合程度,提高了在畸变严重的图像上对直线、椭圆和交点的识别定位效率。
附图说明
图1是本发明方法的流程图;
图2是本发明的实施例每一步骤的结果示意图;其中,不同线型代表不同线段集合,(a)为霍夫变换拟合的线段图,(b)为初步分类线段集合结果图,(c)为拆分误合并线段结果图,(d)为线段类型拟合结果图,(e)为直线交点计算结果图,(f)为最终结果图;
图3是本发明在畸变严重图像上直线、椭圆和交点识别定位结果示意图;其中,不同线型代表不同线段集合,(a)为霍夫变换拟合的线段图,(b)为初步分类线段集合结果图,(c)为拆分误合并线段结果图,(d)为线段类型拟合结果图,(e)为直线交点计算结果图,(f)为最终结果图。
具体实施方式
下面通过附图和实施例,对本发明进行详细阐述。
如图1所示,本发明一种针对未矫正图像的直线、椭圆和交点识别定位方法,应用在运动比赛的场地识别中,具体包括如下步骤:
步骤S1:初步合并线段,获得原始的线段集合。
首先,输入未矫正图像并基于霍夫变换得到一系列线段,如图2中的(a)和图3中的(a)所示;根据线段之间的关系判断是否属于同一直线,将属于同一直线的线段分为同一集合,得到若干个原始的线段集合,如图2中的(b)和图3中的(b)所示。判断两条线段是否属于同一直线的步骤如下:
S1.1:计算两条线段所在直线的锐角夹角,小于等于夹角阈值(20度)则执行步骤S1.2,大于夹角阈值(20度)则判断为不属于同一直线。
步骤S2:基于ransac随机抽样一致性检测算法拆分误合并的分叉线。
对于原始的线段集合中产生的欠分类问题,利用ransac随机抽样一致性检测算法,对步骤S1得到的原始线段集合进行二次判断,拆分不属于同一直线的线段集合,并利用先验信息去除噪点,用抛物线模型检测直线和噪点,获得主要的直线,更新线段集合,如图2中的(c)和图3中的(c)。
步骤S3:初步判断线段集合类型,获得数学表达式。
在步骤S2得到的线段集合中,提取每一集合中线段的角度变化范围值;利用最小二乘法
对线段集合进行分类,分成圆形线和直线两类,并利用椭圆公式和
直线公式分别拟合圆形线和直线;对于未分类的集合利用抛物线公式
进行拟合;其中,均表示系数。
步骤S4:再次判断线段集合类型,更新数学表达式。
针对步骤S3中利用抛物线拟合的线段集合进行再次分类,存在以下两种情况的抛物线类线段集合判断为属于圆形线类:
S4.1:当步骤S3中划分的圆形线类线段集合拟合的椭圆中心,在某个抛物线拟合的线段集合的所有线段端点形成的封闭几何内,则该抛物线拟合的线段集合判断为属于圆形线类。
S4.2:存在两个抛物线拟合的线段集合拟合成的抛物线开口方向相反,且两个集合的边界端点距离均小于距离阈值(50像素点),则判断这两个集合都属于圆形线类;集合的边界端点指集合中距离最远的线段端点。
将以上两种情况的线段集合划分为圆形线类,并用所有圆形线类线段集合更新椭圆公式,由于本实施例应用于运动场地的图像识别中,故图像中仅有一个椭圆;未分类为圆形线类的抛物线拟合的线段集合则归并为直线类,仍然以抛物线公式表达。如图2中的(d)中均为直线类;如图3中的(d)中为一个圆形线类和一个直线类。
步骤S5:检测直线交点并验证真实性。
通过对直线类线段集合拟合的数学表达式进行两两计算,获得直线交点信息;再通过判断交点是否位于线段集合边界端点内的拟合直线上,验证交点真实性。如图2中的(e)中存在2个交点,如图3中的(e)所示中没有交点。
为了提高计算效率,降低复杂度,步骤S5检测直线交点的也可采用如下步骤:
S5.1:利用一个与图像大小相同的矩阵存储线段的信息。
S5.2:根据直线类线段集合拟合的公式进行直线绘制,在绘制每一个像素点的同时判断周围(8邻域内)是否存在其它直线。
S5.3:若存在,则该点为两条直线的交点,保存该像素点的位置信息。
步骤S6:输出圆形线、直线和交点的位置信息。
通过步骤S4和S5检测得到的未矫正图像中的椭圆、直线和交点的位置信息,如图2中的(f)和图3中的(f)所示,其中,图2中的(f)得到三条直线和两个直线交点,图3中的(f)得到一个圆形线和一条直线。
以上所述仅为本发明的一个实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,包括如下步骤:
S1、输入未矫正图像并基于直线检测算法得到一系列线段,根据线段之间的关系对线段进行初步合并,将属于同一条直线上的线段分为同一组,得到若干线段集合;
S2、采用ransac随机抽样一致性检测算法,将欠分类的线段进行拆分,并通过先验信息去噪点,获得主要的线段集合;
S3、根据线段角度变化范围,基于最小二乘法,将步骤S2中得到线段集合,分为圆形线和直线两类,并利用椭圆公式和直线公式分别对圆形线和直线拟合,剩余未分类的线段集合利用抛物线进行拟合;
S4、利用抛物线相关信息和抛物线与椭圆的位置关系,将通过抛物线拟合的线段集合再次分类,属于圆形线的归并为圆形线类,并对步骤S3中得到的椭圆公式进行修正,剩余的线段集合归并为直线类;
S5、根据直线类线段集合拟合的公式得到直线交点,根据交点和线段集合的边界端点关系验证交点的真实性;
S6、输出直线、椭圆和交点的位置信息。
2.根据权利要求1所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,在步骤S1中,判断是否属于同一直线集合的依据是线段之间的锐角夹角,以及每两线段的中点关于其锐角夹角角平分线的垂直方向上的投影距离;锐角夹角大于角度阈值或投影距离大于投影阈值的两线段都不属于同一直线。
3.根据权利要求2所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,在步骤S2中,对步骤S1生成的线段集合采用ransac随机抽样一致性检测算法进行验证,若存在一对线段不符合属于同一直线的依据,将这组线段进行拆分;拆分时,通过先验信息去噪点,得到主要的线段。
5.根据权利要求4所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,在步骤S4中,对于步骤S3中利用抛物线拟合的线段集合,进行再次分类:
存在以下两种情况的抛物线拟合的线段集合分类为圆形线类:
S4.1:当步骤S3中划分的圆形线类线段集合拟合的椭圆中心,在某个抛物线拟合的线段集合的所有线段端点形成的封闭几何内,则该抛物线拟合的线段集合判断为属于圆形线类;
S4.2:存在两个抛物线拟合的线段集合拟合成的抛物线开口方向相反,且两个集合的边界端点距离均小于距离阈值,则判断这两个集合都属于圆形线类;集合的边界端点指集合中距离最远的线段端点;
将以上两种情况的线段集合划分为圆形线类,并修正椭圆公式;未分类为圆形线类的抛物线拟合的线段集合则归并为直线类,仍然以抛物线公式表达。
6.根据权利要求5所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,在步骤S5中,通过每两组直线类线段集合的数学表达式,计算直线交点。
7.根据权利要求5所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,在步骤S5中,通过以下子步骤获得交点:
S5.1:利用一个矩阵存储信息;
S5.2:根据直线类线段集合拟合的公式进行直线绘制,在绘制每一个像素点的同时判断周围是否存在其它直线;
S5.3:若存在,则该点为两条直线的交点,保存该像素点的位置信息。
8.根据权利要求5所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,在步骤S5中,如果检测得到的交点位于线段集合边界端点内的拟合直线上,则交点具有真实性,予以保留;否则忽略该交点。
9.根据权利要求1所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,所述步骤S1中,直线检测算法为霍夫变换。
10.根据权利要求1所述的一种针对未矫正图像的直线、椭圆和交点识别定位方法,其特征在于,所述未矫正图像为比赛场地的图片,直线和椭圆指场地白线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526832.9A CN112257717B (zh) | 2020-12-22 | 2020-12-22 | 一种针对未矫正图像的直线、椭圆和交点识别定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526832.9A CN112257717B (zh) | 2020-12-22 | 2020-12-22 | 一种针对未矫正图像的直线、椭圆和交点识别定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257717A true CN112257717A (zh) | 2021-01-22 |
CN112257717B CN112257717B (zh) | 2021-03-30 |
Family
ID=74225375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526832.9A Active CN112257717B (zh) | 2020-12-22 | 2020-12-22 | 一种针对未矫正图像的直线、椭圆和交点识别定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257717B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762067A (zh) * | 2021-07-21 | 2021-12-07 | 上海圭目机器人有限公司 | 一种机场板块的识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023183A (zh) * | 2016-05-16 | 2016-10-12 | 西北工业大学 | 一种实时的直线段匹配方法 |
CN111047615A (zh) * | 2019-12-09 | 2020-04-21 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
-
2020
- 2020-12-22 CN CN202011526832.9A patent/CN112257717B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023183A (zh) * | 2016-05-16 | 2016-10-12 | 西北工业大学 | 一种实时的直线段匹配方法 |
CN111047615A (zh) * | 2019-12-09 | 2020-04-21 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
Non-Patent Citations (1)
Title |
---|
王琼等: "一种新的基于Hough变换的直线识别方法", 《长江大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762067A (zh) * | 2021-07-21 | 2021-12-07 | 上海圭目机器人有限公司 | 一种机场板块的识别方法 |
CN113762067B (zh) * | 2021-07-21 | 2024-03-26 | 上海圭目机器人有限公司 | 一种机场板块的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112257717B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210150194A1 (en) | Image feature extraction method for person re-identification | |
Sirmacek et al. | Building detection from aerial images using invariant color features and shadow information | |
WO2022121039A1 (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN108491786B (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN112818862A (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与系统 | |
Konishi et al. | Real-time 6D object pose estimation on CPU | |
CN110472625B (zh) | 一种基于傅里叶描述子的象棋棋子视觉识别方法 | |
CN114863492B (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN104866854B (zh) | 基于同底三角形面积描述的目标识别和形状检索方法 | |
CN106485252A (zh) | 图像配准试验点阵靶标图像特征点识别方法 | |
Czyzewski et al. | Chessboard and chess piece recognition with the support of neural networks | |
CN111402316A (zh) | 一种基于去伪环节的图像中椭圆快速检测方法 | |
CN112257717B (zh) | 一种针对未矫正图像的直线、椭圆和交点识别定位方法 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN113989308B (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
CN109919958A (zh) | 一种基于多尺度图像空间的多重约束线段提取方法 | |
CN113450412A (zh) | 一种基于直线特征的视觉slam方法 | |
Ramisa et al. | Mobile robot localization using panoramic vision and combinations of feature region detectors | |
US11023781B2 (en) | Method, apparatus and device for evaluating image tracking effectiveness and readable storage medium | |
Kordelas et al. | Viewpoint independent object recognition in cluttered scenes exploiting ray-triangle intersection and SIFT algorithms | |
CN116416305B (zh) | 一种基于优化采样五维点对特征的多实例位姿估计方法 | |
CN112001448A (zh) | 一种形状规则小物体检测方法 | |
CN111160292A (zh) | 人眼检测方法 | |
CN116403010A (zh) | 一种基于fast算法的医学图像匹配方法 |
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 |