CN113643272A - 一种目标定位建模方法 - Google Patents

Abstract

本申请提供一种目标定位建模方法，包括对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点；将建模图像中的离散亚像素边缘点连接成数条亚像素边缘；计算所述亚像素边缘的边缘长度均值；以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘；将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器。本申请选择最优阈值方法有效去除了低梯度值边缘，删除短边缘有效去除了杂边，可以获得比较理想的模板信息，同时整个过程算法自动执行，不需要人为设置参数，降低了对使用者的专业要求。

Description

一种目标定位建模方法

技术领域

本申请涉及定位建模技术领域，尤其涉及一种目标定位建模方法。

背景技术

在视觉图像领域，目标定位是应用最广泛的算法，一直是行业研究热点。如果需要定位一张图中的白色块，通常有如下几种定位方式：1.基于像素灰度值信息的定位方法；2.基于图像边缘信息的定位方法。基于灰度值信息的定位方法对光照敏感，同时精度不高，而基于图像边缘的定位方法不具有这些缺点，所以基于图像边缘的定位方法在实际使用种更加广泛。整个定位流程分为两部分：1.建模板；2.实时搜索。建模板部分只需要执行一次，目的是获得能表示目标的详细信息。实时搜索部分则是在建模完成后使用模板信息在输入图像中定位目标的过程。

本申请主要针对的是建模部分，建模部分的好坏直接关系到搜索速度与稳定性，建模效果差的话会存在非常多的干扰边缘，在实际定位时会导致找不到目标现象，同时也会造成定位耗时增多，这时常常需要人为调节建模参数，比较麻烦。而本申请则可以去除这些问题，不需要人为干预建模，结果比较干净，非常能代表目标信息。

发明内容

本申请提供了一种目标定位建模方法，以解决现有的目标定位建模方法效果较差，存在非常多的干扰边缘，在实际定位时会导致找不到目标现象，同时也会造成定位耗时增多，这时常常需要人为调节建模参数，比较麻烦的问题。

本申请提供一种目标定位建模方法，包括：

对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点；

将建模图像中的离散亚像素边缘点连接成数条亚像素边缘；

计算所述亚像素边缘的边缘长度均值；

以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘；

将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器。

可选的，所述对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点的步骤包括：

对建模图像全图求Sobel，得到亚像素边缘的梯度幅值和梯度方向；

通过Otsu法处理所得的梯度幅值得到边缘点强度下限；

通过边缘点强度下限过滤sobel得到的结果，进行非极大值抑制，得到极大值亚像素点：

对极大值亚像素点进行亚像素点检测得到离散亚像素边缘点。

可选的，所述对建模图像全图求Sobel，得到亚像素边缘的梯度幅值和梯度方向的步骤包括：

Sobel算子为：

Dx00＝(-1)×G00+(-2)×G10+(-1)×G20+1×G02+2×G12+1×G22，

Dy00＝(-1)×G00+(-2)×G01+(-1)×G02+1×G20+2×G21+1×G22，

梯度幅值：

梯度方向：Dir＝(Dx00，Dy00)，R01、R02、R03依次类推，

G00、G01、G02等为实际图像像素值，左侧两个3×3矩阵为Sobel算子滑窗，R00、R01、R02等为Sobel结果，得到每个亚像素边缘的梯度幅值和梯度方向。

可选的，所述通过边缘点强度下限过滤sobel得到的结果，进行非极大值抑制，得到极大值亚像素点的步骤包括：

假设R11经Sobel运算后的梯度方向Dir为45度，则R11＝R11＞R00？R11：0，

R11＝R11＞R22？R11：0，每个点以此类推。

可选的，所述对极大值亚像素点进行亚像素点检测得到离散亚像素边缘点的步骤包括：

以非极大值检测后像素级别的边缘点为中心，Dir方向上左右各取两个点，一共三个点进行抛物线拟合，抛物线顶点为离散亚像素边缘点。

可选的，所述抛物线拟合的步骤包括：

以极大值亚像素点为坐标系原点，梯度方向为x轴，选取x轴上的三个点进行抛物线似合，所述抛物线拟合的方程为：y＝Ax²+Bx+C；

设三个点坐标为(x1，y1)，(x2，y2)，(x3，y3)，则

denom＝(x1-x2)(x1-x3)(x2-x3)

顶点坐标为：

即亚像素点坐标。

可选的，所述将建模图像中的离散亚像素边缘点连接成数条亚像素边缘的步骤包括：

采用相邻原则和梯度方向一致原则连接离散边缘点，选定图像中最接近边缘的离散亚像素点，搜索最近的亚像素边缘点，两点间距离小于2且二者的梯度方向差值小于22.5度，判断这两个点为同一条边，连接二者，对被连接的亚像素边缘点执行同一操作，重复上述步骤直至离散亚像素边缘点连接成亚像素边缘。

可选的，所述计算所述亚像素边缘的边缘长度均值的步骤包括：

所述边缘长度均值为边缘长度和除以边缘数。

可选的，所述以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘的步骤包括：

比较各亚像素边缘长度与边缘长度均值，去除长度小于边缘长度均值的边缘，剩下的亚像素边缘即为理想边缘。

可选的，所述将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器的步骤包括：

留下的模板边缘中的亚像素边缘点即为理想边缘点，得到理想边缘点的位置信息，在Sobel图中取出理想边缘点的梯度方向信息，将包含位置信息和梯度方向信息的理想边缘点组合到一起，打包到一容器形成模板。

由以上技术方案可知，本申请提供一种目标定位建模方法，包括对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点；将建模图像中的离散亚像素边缘点连接成数条亚像素边缘；计算所述亚像素边缘的边缘长度均值；以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘；将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器。本申请选择最优阈值方法有效去除了低梯度值边缘，删除短边缘有效去除了杂边，可以获得比较理想的模板信息，同时整个过程算法自动执行，不需要人为设置参数，降低了对使用者的专业要求。

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为本申请提供的一种目标定位建模方法的建模流程示意图；

图2为本申请提供的一种目标定位建模方法的全图求Sobel算法示意图；

图3为本申请提供的一种目标定位建模方法的梯度边缘示意图；

图4为本申请提供的一种目标定位建模方法的亚像素点示意图；

图5为本申请提供的一种目标定位建模方法的模板信息示意图；

图6为本申请实施例中工业相机拍摄电路板所得的原始图像；

图7为本申请实施例中全图求Sobel所得的图像；

图8为本申请实施例中通过Otsu法处理并过滤sobel得到的结果所得的图像；

图9为本申请实施例中进行非极大值抑制所得的图像；

图10为本申请实施例中获取离散亚像素边缘点所得的图像；

图11为本申请实施例中进行亚像素边缘点连接所得的图像；

图12为本申请实施例中删除长度小于阈值的亚像素边缘所得的图像。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

参见图1，为本申请提供的一种目标定位建模方法的建模流程示意图，包括：

对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点；

将建模图像中的离散亚像素边缘点连接成数条亚像素边缘；

计算所述亚像素边缘的边缘长度均值；

以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘；

将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器。

进一步的，所述对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点的步骤包括：

对建模图像全图求Sobel，得到亚像素边缘的梯度幅值和梯度方向；

通过Otsu法处理所得的梯度幅值得到边缘点强度下限；

Otsu算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法，具体操作步骤为：

对于图像I(x，y)，前景和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，平均灰度为μ0，背景像素点数占整幅图像的比例为ω1，平均灰度为μ1，整幅图像的平均灰度记为μ，类间方差记为g，假设图像大小为M×N，图像中像素的灰度值小于阈值T的像素个数为N0，像素灰度大于阈值T的像素个数为N1，那么：

ω0＝N0/M×N；

ω1＝N1/M×N；

N0+N1＝M×N；

ω0+ω1＝1；

μ＝ω0×μ0+ω1×μ1；

g＝ω0(μ0-μ)²+ω1(μ1-μ)²；

g＝ω0ω1(μ0-μ1)²；

采用遍历的方法使得类间方差g最大的阈值T，即为所求。

通过边缘点强度下限过滤sobel得到的结果，进行非极大值抑制，得到极大值亚像素点：

对极大值亚像素点进行亚像素点检测得到离散亚像素边缘点。

参见图2和图3，为本申请提供的一种目标定位建模方法的全图求Sobel算法示意图和梯度边缘示意图，进一步的，所述对建模图像全图求Sobel，得到亚像素边缘的梯度幅值和梯度方向的步骤包括：

Sobel算子为：

Dx00＝(-1)×G00+(-2)×G10+(-1)×G20+1×G02+2×G12+1×G22，

Dy00＝(-1)×G00+(-2)×G01+(-1)×G02+1×G20+2×G21+1×G22，

梯度幅值：

梯度方向：Dir＝(Dx00，Dy00)，R01、R02、R03依次类推，

G00、G01、G02等为实际图像像素值，左侧两个3×3矩阵为Sobel算子滑窗，R00、R01、R02等为Sobel结果，得到每个亚像素边缘的梯度幅值和梯度方向。

Sobel算子是计算机视觉领域的一种重要处理方法，主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。Sobel算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘，在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值，在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。Sobel算子不但产生较好的检测效果，而且对噪声具有平滑抑制作用，但是得到的边缘较粗，且可能出现伪边缘。

求图像边缘可用sobel算法也可用Roberts、Canny、Scharr、拉普拉斯算子替代。

进一步的，所述通过边缘点强度下限过滤sobel得到的结果，进行非极大值抑制，得到极大值亚像素点的步骤包括：

假设R11经Sobel运算后的梯度方向Dir为45度，则R11＝R11＞R00？R11：0，

R11＝R11＞R22？R11：0，每个点以此类推。

上述运算符为三目运算符，又称条件运算符，是唯一有3个操作数的运算符。对于条件表达式b？x：y，先计算条件b，然后进行判断，如果b的值为真，计算x的值，运算结果为x的值；否则，计算y的值，运算结果为y的值。一般来说，三目运算符的结合性是右结合的，也就是说，从右向左分组计算，一个条件表达式绝不会既计算x，又计算y。

针对本申请所要解决的问题，关键技术是如何自动获得边缘强度阈值，只有选择了合适的边缘强度阈值才能保留真实需要的边缘信息，边缘点强度下限用于抑制低对比度边缘，这里自动计算边缘点强度下限方法采用Otsu法但不限于Otsu法，也可以采用局部自适应方法等变体。

进一步的，所述对极大值亚像素点进行亚像素点检测得到离散亚像素边缘点的步骤包括：

以非极大值检测后像素级别的边缘点为中心，Dir方向上左右各取两个点，一共三个点进行抛物线拟合，抛物线顶点为离散亚像素边缘点。

所述Dir代表亚像素边缘点经Sobel运算后的梯度方向。

进一步的，所述抛物线拟合的步骤包括：

以极大值亚像素点为坐标系原点，梯度方向为x轴，选取x轴上的三个点进行抛物线拟合，所述抛物线拟合的方程为：y＝Ax²+Bx+C；

设三个点坐标为(x1，y1)，(x2，y2)，(x3，y3)，则

denom＝(x1-x2)(x1-x3)(x2-x3)

顶点坐标为：

即亚像素点坐标。

参见图4，为本申请提供的一种目标定位建模方法的亚像素点示意图，进一步的，所述将建模图像中的离散亚像素边缘点连接成数条亚像素边缘的步骤包括：

采用相邻原则和梯度方向一致原则连接离散边缘点，选定图像中最接近边缘的离散亚像素点，搜索最近的亚像素边缘点，两点间距离小于2且二者的梯度方向差值小于22.5度，判断这两个点为同一条边，连接二者，对被连接的亚像素边缘点执行同一操作，重复上述步骤直至离散亚像素边缘点连接成亚像素边缘。

关键技术在于交叉边缘点的分配，这里加入梯度方向一致性条件，保证梯度方向一致且相邻则为同边缘点。边缘点连接时可以采用2个像素范围内，也可以扩大范围，甚至可以采用边缘段的方法，即连接相邻的几个点作为边缘段，再将相近的边缘段连接成图像边缘。

离散亚像素边缘点连接成亚像素边缘，这里指的是连接相邻的点。相邻的亚像素点间距离最大不超过2个像素，超过2则表示边缘终止。图3中交叉表示了5个亚像素点，这里会遇到一个问题是点2与点3点4都在2个像素范围内，满足连接条件，此时引入另一个连接条件，梯度方向最近邻条件。实际中此类边缘叫交叉边缘，会连接梯度方向接近的点而断开方向差别大的点。

进一步的，所述计算所述亚像素边缘的边缘长度均值的步骤包括：

所述边缘长度均值为边缘长度和除以边缘数。

计算梯度长度均值即统计所有边缘长度和除以边缘数。

进一步的，所述以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘的步骤包括：

比较各亚像素边缘长度与边缘长度均值，去除长度小于边缘长度均值的边缘，剩下的亚像素边缘即为理想边缘。

删除短边缘可以采用不同的阈值，本申请采用了小于长度均值即删除方案，也可以在此基础上乘以一个系数，比如0.8倍长度均值，方法可灵活使用。

参见图5，为本申请提供的一种目标定位建模方法的模板信息示意图，进一步的，所述将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器的步骤包括：

留下的模板边缘中的亚像素边缘点即为理想边缘点，得到理想边缘点的位置信息，在Sobel图中取出理想边缘点的梯度方向信息，将包含位置信息和梯度方向信息的理想边缘点组合到一起，打包到一容器形成模板。

实施例

参见图6，为本申请实施例中工业相机拍摄电路板所得的原始图像，需要定位白色斑块用于后续引导机器人焊接，生产线上这种电路板成千上万，由于生产线上每一块板子的位置都不一样，所以都需要先定位再焊接，那么如何定位呢，首先需要知道要定位的目标是什么，以人类的思维就是在大脑里存储需要定位的目标，这个目标具有什么特征、颜色、大小等信息。模仿人类的思维，通过计算机存储需要定位目标的特征，提取特征这一过程就是建模，按算法原理第一步进行图片亚像素边缘点检测。

第一步，求Sobel，参见图7，为本申请实施例中全图求Sobel所得的图像，可以看出在图像中灰度变化大的位置梯度幅值较大，也就是图中较亮的位置，图中黑色区域只是值比较小但不一定为0。

第二步，通过Otsu法获得边缘强度下限为51，并用于Sobel后梯度幅值过滤，参见图8，为本申请实施例中通过Otsu法处理并过滤sobel得到的结果所得的图像，除了白色区域保存下来其他全部为0，可以看到弱边缘已经被删除，保留的都是强边缘。

第三步，进行非极大值抑制，获得一个像素宽度的边缘点，参见图9，为本申请实施例中进行非极大值抑制所得的图像。

第四步，图9中所有白色点为需要的像素精度的边缘点，在这些白色点梯度方向上左右各取2个点，进行抛物线拟合得到极值点获得亚像素点，参见图10，为本申请实施例中获取离散亚像素边缘点所得的图像。

第五步，亚像素边缘点连接，将距离最近的两个亚像素点，两点间距离小于2并且梯度方向差值小于22.5度的点连接起来，参见图11，为本申请实施例中进行亚像素边缘点连接所得的图像。

第六步，计算边缘长度均值，对图11中所有边缘长度求和为254，一共13条亚像素边缘得到均值19.5，去除边缘长度小于长度均值的小边缘，用上一步获得的长度均值19.5对所有边缘进行过滤，得到最终的干净边缘，参见图12，为本申请实施例中删除长度小于阈值的亚像素边缘所得的图像，可以看出右侧的小边缘都已经过滤掉，这样剩下边缘就是图像中的真实边缘。

第七步，理想的边缘点已经获得，这些只是模板特征的位置信息，还需要根据这些点的位置信息在Sobel图中取出梯度方向信息，则一个特征点就包含位置信息和梯度方向信息)，这些信息组合到一起就是打包生成了一个模板。

本申请提供的一种目标定位建模方法，包括对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点；将建模图像中的离散亚像素边缘点连接成数条亚像素边缘；计算所述亚像素边缘的边缘长度均值；以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘；将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器。

本申请选择最优阈值方法有效去除了低梯度值边缘，删除短边缘有效去除了杂边，可以获得比较理想的模板信息，同时整个过程算法自动执行，不需要人为设置参数，降低了对使用者的专业要求。

以上显示和描述了本申请的基本原理和主要特征以及本申请的优点，对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种目标定位建模方法，其特征在于，包括：

对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点；

将建模图像中的离散亚像素边缘点连接成数条亚像素边缘；

计算所述亚像素边缘的边缘长度均值；

以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘；

将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器。

2.根据权利要求1所述的一种目标定位建模方法，其特征在于，所述对建模图像进行亚像素边缘检测，获得建模图像中的离散亚像素边缘点的步骤包括：

对建模图像全图求Sobel，得到亚像素边缘的梯度幅值和梯度方向；

通过Otsu法处理所得的梯度幅值得到边缘点强度下限；

通过边缘点强度下限过滤sobel得到的结果，进行非极大值抑制，得到极大值亚像素点：

对极大值亚像素点进行亚像素点检测得到离散亚像素边缘点。

3.根据权利要求2所述的一种目标定位建模方法，其特征在于，所述对建模图像全图求Sobel，得到亚像素边缘的梯度幅值和梯度方向的步骤包括：

Sobel算子为：

Dx00＝(-1)×G00+(-2)×G10+(-1)×G20+1×G02+2×G12+1×G22,

Dy00＝(-1)×G00+(-2)×G01+(-1)×G02+1×G20+2×G21+1×G22,

梯度幅值：

梯度方向：Dir＝(Dx00,By00)，R01、R02、R03依次类推，

G00、G01、G02等为实际图像像素值，左侧两个3×3矩阵为Sobel算子滑窗，R00、R01、R02等为Sobel结果，得到每个亚像素边缘的梯度幅值和梯度方向。

4.根据权利要求2所述的一种目标定位建模方法，其特征在于，所述通过边缘点强度下限过滤sobel得到的结果，进行非极大值抑制，得到极大值亚像素点的步骤包括：

假设R11经Sobel运算后的梯度方向Dir为45度，则R11＝R11>R00？R11:0，

R11＝R11>R22？R11:0，每个点以此类推。

5.根据权利要求2所述的一种目标定位建模方法，其特征在于，所述对极大值亚像素点进行亚像素点检测得到离散亚像素边缘点的步骤包括：

以非极大值检测后像素级别的边缘点为中心，Dir方向上左右各取两个点，一共三个点进行抛物线拟合，抛物线顶点为离散亚像素边缘点。

6.根据权利要求5所述的一种目标定位建模方法，其特征在于，所述抛物线拟合的步骤包括：

以极大值亚像素点为坐标系原点，梯度方向为x轴，选取x轴上的三个点进行抛物线拟合，所述抛物线拟合的方程为：y＝Ax²+Bx+C；

设三个点坐标为(x1,y1),(x2,y2),(x3,y3)，则

denom＝(x1-x2)(x1-x3)(x2-x3)

顶点坐标为：

即亚像素点坐标。

7.根据权利要求2-6任一所述的一种目标定位建模方法，其特征在于，所述将建模图像中的离散亚像素边缘点连接成数条亚像素边缘的步骤包括：

采用相邻原则和梯度方向一致原则连接离散边缘点，选定图像中最接近边缘的离散亚像素点，搜索最近的亚像素边缘点，两点间距离小于2且二者的梯度方向差值小于22.5度，判断这两个点为同一条边，连接二者，对被连接的亚像素边缘点执行同一操作，重复上述步骤直至所有的离散亚像素边缘点都连接成亚像素边缘。

8.根据权利要求2-6任一所述的一种目标定位建模方法，其特征在于，所述计算所述亚像素边缘的边缘长度均值的步骤包括：

所述边缘长度均值为边缘长度和除以边缘数。

9.根据权利要求2-6任一所述的一种目标定位建模方法，其特征在于，所述以边缘长度均值为阈值，将长度大于或等于阈值的亚像素边缘设为理想边缘的步骤包括：

比较各亚像素边缘长度与边缘长度均值，去除长度小于边缘长度均值的边缘，剩下的亚像素边缘即为理想边缘。

10.根据权利要求2-6任一所述的一种目标定位建模方法，其特征在于，所述将理想边缘中包含的亚像素边缘点设为理想边缘点，存储理想边缘点的梯度方向和位置，打包到一容器的步骤包括：

留下的模板边缘中的亚像素边缘点即为理想边缘点，得到理想边缘点的位置信息，在Sobel图中取出理想边缘点的梯度方向信息，将包含位置信息和梯度方向信息的理想边缘点组合到一起，打包到一容器形成模板。

Images