CN113673410A - 人工标记的生成方法、识别方法、装置、设备、介质和程序 - Google Patents

Abstract

本公开提供了一种应用于口腔手术机器人的人工标记的生成方法、识别方法、装置、设备、介质和程序。其中，该人工标记的识别方法包括：通过人工标记的像素梯度向量获取相对连接列表；对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别。相对于现有技术中难以保证运算速度和筛选效果的情况，基于上述本公开实施例的方法，采用多步递进式进行，极大地减少了运算量，能够有效满足手术导航定位过程中的实时性要求，此外，还可以提升交叉点的筛选效果，剔除图像中绝大部分错误候选点。

Description

人工标记的生成方法、识别方法、装置、设备、介质和程序

技术领域

本公开涉及图像处理技术领域或医疗机器人控制领域，具体涉及一种应用于口腔手术机器人的人工标记的生成方法、识别方法、装置、设备、介质和程序。

背景技术

随着医疗技术的快速进步，为确保更好的医疗效果，同时给患者带来更小的医疗风险，医疗手术机器人在临床上展现出越来越广泛的应用，使得医生可以远离手术台直接实现手术操作，可以实现远程的精确微创手术。其中，口腔手术机器人在执行口腔手术过程中，一般需要通过二值图像实现手术导航定位。二值图像提供了丰富的特征，易于计算机检测、识别与匹配，通过相应设计还可以将图像进行解码，获取其内含的信息。因此，以二值图像为基础，通过设计具备相关需求的人工特征形成人工标记图像，可以极大地提高相关应用中算法的速度和鲁棒性。然而，由于口腔手术机器人的手术操作环境(口腔)复杂性较大，给口腔手术机器人的人工标记的定位识别过程带来更大的挑战。

发明内容

(一)要解决的技术问题

为解决现有技术中在通过人工标记图像进行口腔手术机器人的定位的过程中所存在的技术问题至少之一，本公开提供了一种应用于口腔手术机器人的人工标记的生成方法、识别方法、装置、设备、介质和程序。

(二)技术方案

本公开的一个方面提供了一种人工标记的生成方法，应用于口腔手术机器人，其中，包括：对设定的特征子区域进行预处理形成初始连接网络；根据具有最大可继续更新方案数的方向对初始连接网络进行更新以生成中间连接网络；以及确定根据与预设目标尺寸相符的中间连接网络的搜索路径生成的对应图案为人工标记。

根据本公开的实施例，在确定根据与预设目标尺寸相符的中间连接网络的搜索路径生成的对应图案为人工标记之前，还包括：对中间连接网络的全部特征子区域的可继续更新方案数状态进行更新。

根据本公开的实施例，在确定根据与预设目标尺寸相符的中间连接网络的搜索路径生成的对应图案为人工标记之前，还包括：根据具有最大可继续更新方案数的方向对中间连接网络进行重复更新。

本公开的另一方面一种人工标记的识别方法，应用于口腔手术机器人，其中，包括：通过人工标记的像素梯度向量获取相对连接列表；对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别。

根据本公开的实施例，在通过人工标记的像素梯度向量获取相对连接列表中，包括：根据像素梯度向量获取对应人工标记的每个原始交叉点的业像素坐标；根据亚像素坐标筛选原始交叉点形成交叉点列表；获取交叉点列表对应的相对连接列表。

根据本公开的实施例，在根据像素梯度向量获取对应人工标记的每个原始交叉点的亚像素坐标中，包括：提取人工标记的灰度化图像的像素梯度向量；根据像素梯度向量定义的跳变线方向获取每个原始交叉点周围梯度响应最大的两条边缘方向；根据两条边缘方向定义的两条边缘的交点确定亚像素坐标。

根据本公开的实施例，在提取人工标记的灰度化图像的像素梯度向量之后，还包括：循环判断灰度化图像的每一像素为中心的区域梯度模量；根据区域梯度模量和像素梯度模量之间的差值与预设第一阈值之间关系，确定像素梯度向量；其中，像素梯度模量为灰度化图像的所有像素的像素梯度向量之和对应的梯度模量。

根据本公开的实施例，在根据亚像素坐标筛选原始交叉点形成交叉点列表中，包括：根据像素梯度向量定义的跳变线方向和亚像素坐标生成设定交叉点模板的参数响应值，其中，参数响应值为原始交叉点为中心的设定区域的归一化积相关参数；当参数响应值大于预设模板阈值时，确定原始交叉点为筛选交叉点；对筛选交叉点进行非极大值抑制，以形成筛选交叉点的交叉点列表。

根据本公开的实施例，在对筛选交叉点进行非极大值抑制，以形成筛选交叉点的交叉点列表中，包括：对筛选交叉点进行非极大值抑制，若当前的筛选交叉点邻域内存在参数响应值更大的像素点时，剔除当前的筛选交叉点；组织剔除了当前的筛选交叉点之后剩余的筛选交叉点，以生成交叉点列表。

根据本公开的实施例，在获取交叉点列表对应的相对连接列表中，包括：根据交叉点列表中的任意两个筛选交叉点之间的欧氏距离和角度筛选连接点；根据连接点形成的连接列表进行相对坐标值的分配，形成相对连接列表。

根据本公开的实施例，在根据交叉点列表中的任意两个筛选交叉点之间的欧氏距离和角度筛选连接点中，包括：利用对应像素梯度向量定义的跳变线方向对角度进行分类；当当前的两个筛选交叉点之间的欧氏距离小于当前角度所对应分类的最小距离时，筛选两个筛选交叉点为连接点。

根据本公开的实施例，在根据连接点形成的连接列表进行相对坐标值的分配，形成相对连接列表中，包括：获取连接点在对应分类上的连接列表；对连接列表中的每个连接成功的连接点分配相对坐标值，形成相对连接列表。

根据本公开的实施例，在对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心中，包括：基于针对人工标记的灰度化图像的边缘检测提取对应的边缘像素；针对与像素梯度向量定义的跳变线方向对应的直线进行广义霍夫变换，以统计霍夫空间中超过圆形判断阈值的像素点；对像素点执行遍历，以确定符合预设圆形半径阈值范围中的像素点为候选圆心；其中，预设圆形半径阈值范围与口腔手术机器人的手术环境约束有关。

根据本公开的实施例，在根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别中，包括：循环判断候选圆心的坐标位于相对连接列表对应的棋盘格中心，以获取人工标记对应的解码矩阵。

根据本公开的实施例，该方法还包括：判断在人工标记的灰度化图像中符合设定子区域尺寸的特征子区域；根据特征子区域确定对应的解码矩阵的解码值；通过解码值确定特征子区域的绝对坐标和旋转方向，特征子区域的绝对坐标和旋转方向用于确定与特征子区域的相对坐标之间的偏置关系；根据偏置关系，恢复人工标记对应相对连接列表的绝对坐标，以完成口腔手术机器人的视觉定位与导航任务。

本公开的另一方面提供了一种人工标记的生成装置，应用于口腔手术机器人，其中，包括预处理模块、网络更新模块和网络确定模块。预处理模块用于对设定的特征子区域进行预处理形成初始连接网络；网络更新模块用于根据具有最大可继续更新方案数的方向对初始连接网络进行更新以生成中间连接网络；以及网络确定模块用于确定与预设目标尺寸相符的中间连接网络为人工标记。

本公开的另一方面提供了一种人工标记的识别装置，应用于口腔手术机器人，其中，包括列表获取模块、像素点遍历模块和矩阵获取模块。列表获取模块用于通过人工标记的像素梯度向量获取相对连接列表；像素点遍历模块用于对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及矩阵获取模块用于根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别。

本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述本公开实施例的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现本公开实施例如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现本公开实施例如上所述的方法。

(三)有益效果

本公开提供了一种应用于口腔手术机器人的人工标记的生成方法、识别方法、装置、设备、介质和程序。其中，该人工标记的识别方法包括：通过人工标记的像素梯度向量获取相对连接列表；对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别。基于上述本公开实施例的方法，采用多步递进式进行，极大地减少了运算量，能够有效满足手术导航定位过程中的实时性要求，此外，相对于现有技术中难以保证运算速度和筛选效果的情况，还可以提升交叉点的筛选效果，剔除图像中绝大部分错误候选点。

附图说明

图1示意性示出了根据本公开实施例的人工标记的生成方法的一流程图；

图2示意性示出了根据本公开实施例的人工标记的生成方法的另一流程图；

图3示意性示出了根据本公开实施例的15×14棋盘格的人工标记的图案；

图4示意性示出了根据本公开实施例的对应图3所示人工标记图案的一2×2棋盘格的指定子区域的图案及其对应的编码图；

图5示意性示出了根据本公开实施例的一3×3棋盘格的指定子区域中交叉点的图案标识(圆圈所示交点即为交叉点)；

图6示意性示出了根据本公开实施例的另一3×3棋盘格的指定子区域分别在原位置、顺时针旋转90°、180°和270°后的图案形式；

图7示意性示出了根据本公开实施例的另一3×3棋盘格的指定子区域的密钥提取图；

图8示意性示出了根据本公开实施例的另一3×3棋盘格的指定子区域利用启发式搜索方式进行更新生成人工标记的图案的一过程状态图；

图9示意性示出了根据本公开实施例的上述生成的人工标记的识别方法的流程图；

图10示意性示出了根据本公开实施例的适用上述图9所示方法的一15×14棋盘格提取密钥矩阵的场景图；

图11示意性示出了根据本公开实施例的可以实现上述图1所示方法的人工标记的生成装置的组成图；

图12示意性示出了根据本公开实施例的可以实现上述图9所示方法的人工标记的识别装置的组成图；

图13示意性示出了根据本公开实施例的可以实现上述图1和/或图9方法的电子设备的组成图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。

并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。

说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序或是制造方法上的顺序，这些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把他们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把他们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的代替特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。

类似地，应当理解，为了精简本公开并帮助理解各个公开方面的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

传统的人工标记可分为重复图形式、半自识别式、自识别式等种类。其中，重复图形式广泛应用于相机标定等领域，通过正方形、圆形、三角形等基础图案的重复排列得到最终标记图案；半自识别式标记在重复图形式的基础上在标记中心或四周添加易识别的人工特征，从而可用于方向指示或定位；自识别式标记则将人工特征的范围拓展至整张标记中，因此相机只需捕获人工标记的部分范围即可得到当前人工特征的全部信息。

然而，传统的人工标记具有体积大、抗弯折能力差、精度低、信息量不足等问题。例如，对于重复图形式或半自识别式的人工标记，其正常工作需提供给读取算法完整图案，而对于口腔手术中工作区域较小的场景，这类需求显然是不切实际的；另外，对于部分自识别标记，其人工特征的设计与分布是固连于平面的，读取算法的基本假设是完整标记正附着于某一固定平面，对于空间狭窄的口腔手术来说，无法提供足够尺寸的平面供人工标记附着。

此外，采用上述的传统人工标记，同时还存在这运算量过大的情况，导致手术导航定位过程中的实时性较差，严重影响口腔手术的进程。而且，现有的交叉点检测技术的交叉点筛选效果也并不理想，给手术导航定位的准确性带来明显的影响。

为解决现有技术中在通过人工标记图像进行口腔手术机器人的定位的过程中所存在的技术问题至少之一，本公开提供了一种应用于口腔手术机器人的人工标记的生成方法、识别方法、装置、设备、介质和程序，对基于视觉的口腔手术机器人的定位导航应用具有积极的促进作用。

如图1-图8所示，本公开的一个方面提供了一种人工标记的生成方法，应用于口腔手术机器人，其中，包括步骤S101-S103。

在步骤S101中，对设定的特征子区域进行预处理形成初始连接网络；

在步骤S102中，根据具有最大可继续更新方案数的方向对初始连接网络进行更新以生成中间连接网络；以及

在步骤S103中，确定根据与预设目标尺寸相符的中间连接网络的搜索路径生成的对应图案为人工标记。

在本公开的实施例中，人工标记具有一定的识别图案，该识别图案主要由黑白相间的棋盘格与部分棋盘格中心位置具有的和所属棋盘格反色的圆形斑点这两部分组成。如图3所示，15×14黑白相间且部分棋盘格中心具有和所属棋盘格反色的圆斑，如黑色棋盘格中心可以具有白色圆斑，白色棋盘格中心可以具有黑色圆斑。

其中，对于每一种C×C的正方形区域可以定义为本公开实施例的特征子区域，可以理解为整个人工标记图案中的一指定子区域，可以用于作为构成人工标记图案的最小组成单元。如图4所示，对于任意一个2×2的指定子区域的棋盘格，可通过棋盘格内部有无圆形斑点将其分为“0”和“1”两类，“0”代表棋盘格内部无斑点，“1”则代表内部包含斑点。因此，可根据指定子区域内部圆形斑点分布情况，利用二进制将其进行编码，从而得到相关信息。

如图5所示，以上述C＝3的指定子区域为例，其内部均包含(C-1)²个交叉点，即(3-1)²＝4。需要说明的是，如图5所示的圆圈中黑色棋盘格与白色棋盘格相交得到的角点为本公开实施例的交叉点。其中，该(C-1)²个交叉点对应至多C²个分布于各棋盘格中心的圆形斑点，并且存在中心棋盘格的底色为黑色或白色两种情况。因此，可将这C²+1个变量组成一个C²+1位二进制数密钥，例如最高位置1代表中心格背景为黑色，其余C²位分别代表1至C²号棋盘格中心有无圆形存在。因此，可通过提取到的C²+1位二进制数密钥唯一地解码出当前C×C区域在整个人工标记中的位置与旋转方向。

由此，本公开实施例中的人工标记的图案具备反色无歧义、旋转无重复等特性。其中，反色无歧义是指对于任意C×C特征子区域，将其棋盘格底色全部反色后，解码得到的密钥应不得与人工标记中存在的任一密钥冲突；旋转无重复是指对于任意C×C特征子区域，在旋转操作(如图6所示特指顺时针旋转90°、180°、270°时所对应的三种情况)后解码得到的密钥均不得与人工标记中存在的任一密钥冲突。也即，任意C×C的棋盘格区域在人工标记中的位置与方向均唯一，可通过解码提取其唯一的隐含信息。

因此，如图7所示，对于上述人工标记的密钥解码过程为：从低位至高位的前C²位表示C×C的特征子区域中，以左上角棋盘格(棋盘格内交叉点具有最小横坐标)为起点，右下角棋盘格(棋盘格内交叉点具有最大横坐标)为终点的C²个棋盘格内有无圆形斑点。第C²+1位表示当前正方形区域的判色棋盘格(对于C为偶数的情况，定义判色棋盘格为中心四个棋盘格中左上位置棋盘格，对于C为奇数的情况，定义判色棋盘格为中心棋盘格)底色是否为黑色，从而共同组成C²+1位密钥。因此，该人工标记可以应用于增强现实、机器人视觉导航的自识别，具体可以应用于口腔手术机器人。

如前述所言，对于设定的特征子区域而言，若要据此生成上述例如图3所示的人工标记的图案，需要提前对特征子区域进行一定的预处理操作，该预处理操作可以理解为对特征子区域进行外周方向的扩展，如图8所示的当前图形状态，即为根据中间3×3的特征子区域进行四个方向的外周扩展所形成的初始连接网络，如图2所示步骤S201。其中，所谓初始连接网络可以理解为在生成人工标记图案中进行第一步的外周扩展之后形成的图案形式。

对于某次更新，通过获取当前更新方向的候选区域(即带扩展区域)的信息，以及通过预处理及之前更新已使用的特征子区域的信息，可综合得到每种候选区域当前可继续更新的方案数。

因此，可将特征子区域抽象成一张网络中的点，将该特征子区域可继续更新的方案数作为连接网络中的边，则问题转化为寻找某一条路径，使得此路径上经过的点尽可能多，即能够使得生成的自识别的人工标记图案尺寸尽可能大。在利用启发式搜索生成人工标记的过程中，对于某次更新，贪心地选择具有最大可继续更新方案数的特征子区域，并认为此子区域具有更大地概率延长搜索路径。

如图1-图8所示，根据本公开的实施例，在步骤S103确定根据与预设目标尺寸相符的中间连接网络的搜索路径生成的对应图案为人工标记之前，还包括：根据具有最大可继续更新方案数的方向对中间连接网络进行重复更新。

具体地，如图8所示某次更新时，向四个方向继续更新的剩余方案信息，可见，上下左右四个候选区域对应的可继续更新方案数分别为5、4、6、7，也即当前状态下向右侧更新具有最多的更新方案数7，因此选择向右侧更新，如图2所示步骤S203，以此可以保证根据该特征子区域生成的人工标记图案最大。

其中，中间连接网络为基于特征子区域进行至少2次的候选区域的更新扩展之后形成的棋盘图案，当该中间连接网络最终形成的图案与预设的人工标记的目标尺寸相符合时，则可以对应的将依据该中间连接网络的搜索路径生成的图案确定为所要生成的人工标记的图案。因此，需要预先输入所要生成的人工标记的目标尺寸(如图2所示步骤S202)，当中间连接网络的尺寸大于等于该预设目标尺寸时，则可以确定该中间连接网络的尺寸与之相符。

如图1-图8所示，根据本公开的实施例，在步骤S103确定根据与预设目标尺寸相符的中间连接网络的搜索路径生成的对应图案为人工标记之前，还包括：

对中间连接网络的全部特征子区域的可继续更新方案数状态进行更新。

如图2所示，在步骤S203中，所生成的中间连接网络可以具有与初始的特征子区域尺寸相同的多个特征子区域，若该中间连接网络的尺寸与预设目标尺寸不相符，则一般可以对该中间连接网络所具有的可持续更新的方案数的状态(即是否仍然具有可持续更新扩展的方向)进行判断，当其多个特征子区域中具有可持续更新扩展的方向时，对该中间连接网络的每个特征子区域进行最大可继续更新方案数的方向的更新扩展，对中间连接网络作进一步的扩大，具体如步骤S204。

进一步地，如步骤S205中，当中间连接网络的生成尺寸与人工标记的预设目标尺寸相符时，则成功生成人工标记，整个生成过程结束，否则继续对中间连接网络进行具有最大可继续更新方案数的方向进行更新。

因此，基于上述人工标记的生成方法，采用启发式搜索实现了本公开实施例的人工标记的生成，整个生成的过程更为快速、准确，保证了所生成人工标记的反色无歧义、旋转无重复等特性。

需要说明的是，本公开实施例中所生成的上述人工标记可以具有如下优势：在针对工作场景区域狭小的问题中，该人工标记的尺寸与弯曲程度无较大限制，可附着于较小面积或存在曲面的区域，且不会影响其定位效果；针对部分场景相机无法捕获完整人工标记的问题，该人工标记任意C×C区域均满足反色无歧义、旋转无重复等条件；针对手术区域可视范围小的问题，该人工标记采用棋盘格作为基础，可以提供丰富、紧凑的交叉点，易于视觉处理算法读取、检测。

如图3-图9所示，本公开的另一方面一种上述方法生成的人工标记的识别方法，应用于口腔手术机器人，其中，包括步骤S901-S903。

在步骤S901中，通过人工标记的像素梯度向量获取相对连接列表；

在步骤S902中，对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及

在步骤S903中，根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别。

该人工标记的识别方法，主要应用于口腔手术机器人，可以使得口腔手术机器人在口腔手术中具有更为精确的定位导航效果。

像素梯度向量主要用于反映该人工标记图案的灰度化图像的梯度大小和角度。相对连接列表则是根据该像素梯度向量的方向获取的人工标记图案中的经过筛选的多个交叉点的数据列表。借此相对连接列表，可以实现对交叉点的多次筛选处理，使得所获得的交叉点数据更为精确，数据量更为精简，从而大幅减少了识别过程中的运算量。

由于图像属性中的变化显著通常反映了属性的重要事件和变化，如深度上的不连续、表面方向不连续以及物质属性的变化和场景照明的变化。为此，采用边缘检测作为一种用于人工标记的图案特征提取的方式，主要用于标识人工标记的数字图像中亮度变化明显的点。当对人工标记的图案进行边缘检测时，可以获取相应的变化明显的像素点，对这些像素点执行遍历，从而确定相应像素点的候选圆心。其中，候选圆心对应的是霍夫空间中超过圆形判断阈值的像素点。因此，可以通过遍历进一步对候选像素点作进一步筛选，使得候选圆心的数据量更为精简且准确，以利于极大地减少运算量，还可以保证识别准确率。

借助于上述的相对连接列表和候选圆心可以实现人工标记对应的解码矩阵的解码，具体的解码矩阵具体可以是如前述图7所示的密钥矩阵，作为该人工标记的图案的识别结果。

因此，针对手术导航定位过程中的实时性要求，本公开实施例的上述识别方法采用多步递进式进行，极大地减少了运算量；针对现有交叉点检测技术难以保证运算速度与筛选效果的问题，该识别方法通过在第一步利用图像梯度信息，在保证运算量较小的前提下，提升了交叉点的筛选效果，可剔除图像中绝大部分错误候选点。

如图3-图10所示，根据本公开的实施例，在步骤S901通过人工标记的像素梯度向量获取相对连接列表中，包括：

根据像素梯度向量获取对应人工标记的每个原始交叉点的亚像素坐标；

根据亚像素坐标筛选原始交叉点形成交叉点列表；

获取交叉点列表对应的相对连接列表。

人工标记的图案中具有多个交叉点，原始交叉点为基于人工标记的原始灰度图案所检测得到的未经筛除的交叉点。亚像素坐标为对应于人工标记的灰度图案的每个原始交叉点的亚像素级的平面坐标，具体以基于该灰度图案所设定的平面坐标系为参考坐标系。通过对亚像素坐标进行设定规则的筛选，可以将不符合设定规则的原始交叉点予以筛除，使得剩余的交叉点形成交叉点列表，之后通过交叉点列表形成相对连接列表。在此过程中，可以实现多步递进式的交叉点筛选过程，极大地减少了运算量，以满足手术导航定位过程中的实时性要求。

如图3-图10所示，根据本公开的实施例，在根据像素梯度向量获取对应人工标记的每个原始交叉点的亚像素坐标中，包括：

提取人工标记的灰度化图像的像素梯度向量；

根据像素梯度向量定义的跳变线方向获取每个原始交叉点周围梯度响应最大的两条边缘方向；

根据两条边缘方向定义的两条边缘的交点确定亚像素坐标。

首先，通过相机等图像获取设备直接获取自识别的标识版的人工标记的图案，将该图案进行灰度化，以获取相应的灰度化图像。利用图像梯度算子(如Sobel、Scharr、Laplacian等)对该灰度化图像进行梯度向量提取，从而获取该灰度化图像的像素梯度向量。

根据上述灰度化图像的像素梯度向量的梯度方向(即跳变线方向)，获取每个原始交叉点的周围梯度响应最大的两条边缘方向，之后利用平面几何学知识求取两条边缘的焦点，从而获取在灰度化图案中定义的平面坐标系中该每个原始交叉点的亚像素级坐标。

因此，利用人工标记的图像梯度信息，在保证运算量较小的前提下，提升了交叉点的筛选效果，可剔除图像中绝大部分错误候选点。

如图3-图10所示，根据本公开的实施例，在提取人工标记的灰度化图像的像素梯度向量之后，还包括：

循环判断灰度化图像的每一像素为中心的区域梯度模量；

根据区域梯度模量和像素梯度模量之间的差值与预设第一阈值之间关系，确定像素梯度向量；

其中，像素梯度模量为灰度化图像的所有像素的像素梯度向量之和对应的梯度模量。

对于灰度化图像的像素梯度向量而言，其具有大小和角度的关系。循环对灰度化图像的每一个像素进行判断以获取每个像素为中心小范围区域内的区域梯度模量。此时，便可以确定对应同一人工标记的灰度化图像的所有像素点的区域梯度模量和像素梯度模量之间的差值。该像素梯度模量具体为灰度化图像的所有像素点的所有像素梯度向量的和所对应的梯度模量。因此，为对所有像素点进行筛选，则通过上述的差值与设定的预设第一阈值之间的大小关系，判断该灰度化图像中的像素点是否筛除。当差值小于该第一阈值时，则对应的像素点予以筛除，相反，则对应的像素点则予以保留。从而，完成对灰度化图像中的像素点的运算数据的第一步筛选，以初步简化运算量，提高运算精度和效率。

如图3-图10所示，根据本公开的实施例，在根据亚像素坐标筛选原始交叉点形成交叉点列表中，包括：

根据像素梯度向量定义的跳变线方向和亚像素坐标生成设定交叉点模板的参数响应值，其中，参数响应值为原始交叉点为中心的设定区域的归一化积相关参数；

当参数响应值大于预设模板阈值时，确定原始交叉点为筛选交叉点；

对筛选交叉点进行非极大值抑制，以形成筛选交叉点的交叉点列表。

首先，通过前述所得到的像素梯度向量的跳变线方向和交叉点的亚像素坐标，形成一个对应尺寸的交叉点模板，即设定交叉点模板。通过归一化积的方式对设定的交叉点为中心的上述交叉点模板进行求解，以确定参数响应值。当该参数响应值大于预设的模板阈值时，则将该点视为筛选出的可用交叉点，即筛选交叉点，否则，将该点予以筛除。即，借此可以完成对初步筛选的交叉点的再次筛选，进一步简化运算量，并提高运算精度和效率。

如图3-图10所示，根据本公开的实施例，在对筛选交叉点进行非极大值抑制，以形成筛选交叉点的交叉点列表中，包括：

对筛选交叉点进行非极大值抑制，

若当前的筛选交叉点邻域内存在参数响应值更大的像素点时，剔除当前的筛选交叉点；

组织剔除了当前的筛选交叉点之后剩余的筛选交叉点，以生成交叉点列表。

进一步地，当对筛选交叉点进行非极大值抑制，若当前的筛选交叉点领域内存在参数响应值更大的像素点时，将该当前的筛选交叉点予以剔除。因此，基于当前的筛选交叉点的剔除，将剩余的筛选交叉点组织生成交叉点列表。因此，可以借助上述的参数响应值完成至少两次递进式的筛选交叉点的剔除，从而更好的减少运算量，同时使得运算精度和效率更高。其中，该筛选交叉点的邻域为当前筛选交叉点为中心的特定尺寸区域。

如图3-图10所示，根据本公开的实施例，在获取交叉点列表对应的相对连接列表中，包括：

根据交叉点列表中的任意两个筛选交叉点之间的欧氏距离和角度筛选连接点；

根据连接点形成的连接列表进行相对坐标值的分配，形成相对连接列表。

对于交叉点列表中所存在的筛选交叉点，对其中任意一个筛选交叉点，循环获取该筛选交叉点与其他全部交叉点的每个交叉点之间的欧氏距离和角度。根据该欧氏距离和角度获取相应的连接点，连接点为欧式距离小于当前角度对应分类的最小距离的当前两个筛选交叉点。对该连接点进行阻止形成连接列表，并对该连接列表中的每个筛选交叉点进行坐标分配，从而形成具有分配坐标的相对连接列表。

如图3-图10所示，根据本公开的实施例，在根据交叉点列表中的任意两个筛选交叉点之间的欧氏距离和角度筛选连接点中，包括：

利用对应像素梯度向量定义的跳变线方向对角度进行分类；

当当前的两个筛选交叉点之间的欧氏距离小于当前角度所对应分类的最小距离时，筛选两个筛选交叉点为连接点。

基于上述所获取的交叉点列表中的每个不同的两个交叉点之间的角度进行跳变线信息的分类，由于一个交叉点最多连接另外4个交叉点，一般可以分为四类。当当前的角度对应的分类的最小距离大于当前两点对应的欧式距离时，则该当前两个筛选交叉点不为连接点，相反，则为连接点。最终可以获取交叉点列表中全部交叉点在四个分类上的连接列表。

可见，在此又进一步实现了对所形成的连接列表中的筛选交叉点更进一步的筛选剔除，从而更深层次地实现了运算量的简化。

如图3-图10所示，根据本公开的实施例，在根据连接点形成的连接列表进行相对坐标值的分配，形成相对连接列表中，包括：

获取连接点在对应分类上的连接列表；

对连接列表中的每个连接成功的连接点分配相对坐标值，形成相对连接列表。

针对前述所获取的连接点及其对应分类的连接列表，可以为连接列表中每个连接成功的交叉点分配一个相对坐标值，该相对坐标值为人工标记在图像坐标系中的相对坐标，该图像坐标系可以理解为上述人工标记的图案的平面坐标系。因此，可以形成具有相对坐标值的筛选交叉点的相对连接列表。

如图3-图10所示，根据本公开的实施例，在步骤S902对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心中，包括：

基于针对人工标记的灰度化图像的边缘检测提取对应的边缘像素；

针对与像素梯度向量定义的跳变线方向对应的直线进行广义霍夫变换，以统计霍夫空间中超过圆形判断阈值的像素点；

对像素点执行遍历，以确定符合预设圆形半径阈值范围中的像素点为候选圆心；其中，预设圆形半径阈值范围与口腔手术机器人的手术环境约束有关。

通过对人工标记的灰度化图像进行边缘检测，可以获取该灰度化图像的边缘像素，以期对应的像素梯度向量的梯度方向所对应的直线进行广义霍夫变换(GHT)，可以实现对霍夫空间中超过圆形判断阈值的像素点的统计，这些像素点可以认为是对应霍夫空间中的各个圆形的对应圆心。其中，圆形判断阈值为本领域技术人员能够基于霍夫变换算法所能够确定的内容。

对统计得到的各个像素点执行遍历，可以判断这些像素点为圆心的圆所对应的圆形半径值，根据该像素点对应的圆的圆形半径和根据口腔手术机器人的手术环境预先设定的圆形半径的下阈值和圆形半径的上阈值之间的关系，来判断是否保留该圆所对应的像素点。其中，预设圆形半径阈值范围为上述的手术环境预先设定的圆形半径的下阈值和圆形半径的上阈值之间的半径范围。当该像素点对应的圆的圆形半径落入该预设圆形半径阈值范围时，则确定该像素点符合，为候选圆心。否则，可以予以剔除。也即，在此又一次实现了对像素点的进一步筛选，从而与上述的多步递进式的交叉点筛选配合，实现了运算量的极大减少，极大提高了运算的精度和效率。

如图3-图10所示，根据本公开的实施例，在步骤S903根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别中，包括：

循环判断候选圆心的坐标位于相对连接列表对应的棋盘格中心，以获取人工标记对应的解码矩阵。

根据上述所确定的候选圆心在图像坐标系中的坐标，判断该坐标与前述相对连接列表中的筛选交叉点所定义的棋盘格中心是否对应，具体涉及该棋盘格中心的相对坐标与该候选圆心的坐标之间的对应距离关系。借助于该相对连接列表和前述的候选圆心实现了对人工标记图案的解码矩阵的获取。从而，能够实现对上述人工标记的自识别过程，整个过程中采用多步递进的方式进行视觉处理，极大减少了运算量，而且还提升了交叉点的筛选效果，提出图像中的大部分错误候选点，使得本公开的识别方法更加准确。

如图3-图10所示，根据本公开的实施例，该方法还包括：

判断在人工标记的灰度化图像中符合设定子区域尺寸的特征子区域；

根据特征子区域确定对应的解码矩阵的解码值；

通过解码值确定特征子区域的绝对坐标和旋转方向，特征子区域的绝对坐标和旋转方向用于确定与特征子区域的相对坐标之间的偏置关系；

根据偏置关系，恢复人工标记对应相对连接列表的绝对坐标，以完成口腔手术机器人的视觉定位与导航任务。

对于对人工标记进行预处理所获取的解码矩阵和对应的设定特征子区域，可以根据前述通过相对连接列表和候选圆心所确定的解码矩阵，判断该解码矩阵中是否具有满足预处理的人工标记的设定特征子区域的尺寸的特征子区域，当尺寸满足时，则确定解码矩阵中存在对应的特征子区域，则可以确定对应该特征子区域的解码矩阵的解码值。通过该解码值对解码矩阵执行查询，以确定该当前特征子区域的绝对坐标和旋转方向，也即得到当前特征子区域相对的坐标和绝对坐标之间的偏置。通过对该偏置的恢复，可以恢复人工标记对应与相对连接列表的绝对坐标，从而最终实现口腔手术机器人的视觉定位和导航的任务。

基于上述关于图9所示人工标记的识别方法，结合上述描述，特举一具体实施案例步骤S1-S7，对其作更进一步地说明如下：

具体地，可以图10所示C＝3时的特征子区域对应的自识别人工标记识别目标，其具有15×14个棋盘格与13×12个特征子区域。

S1：将相机采集的图像进行灰度化，并利用图像梯度算子(如Sobel、Scharr、Laplacian等)提取灰度化图像的像素梯度向量G_ij(其中，梯度模量为|G_ij|，方向为θ_ij)。循环判断该灰度化图像的每一像素，对任一像素求以其为中心的5×5区域内梯度模量，获取该区域内梯度模量与所有像素的像素梯度向量之和的梯度模量之间对应的模量之差，若该差值大于阈值T_Gra则进入下一步。

S2：通过步骤S1所得梯度方向，求得候选交叉点周围梯度响应最大的两条边缘方向，利用平面几何学知识可求得该两条边缘的交点，从而得到候选交叉点的亚像素坐标。对每个候选交叉点的跳变线信息进行存储，以进一步定义跳变线为候选交叉点附近的两条边缘，分为跳黑线、跳白线两类。通过分析两条边缘周围灰度信息，可将两条边缘的斜率转换为角度对应于跳变线存储。

S3：通过S1得到的跳变线方向及S2得到的交点亚像素坐标，生成一个与之对应的7×7交叉点模板，求得该交叉点模板与以候选点为中心的7×7区域的归一化积相关参数响应值NCC，当该NCC大于规定的模板相应阈值T_NCC时，将该点视为交叉点。将全部获取的交叉点应用非极大值抑制，若当前交叉点邻域内存在参数响应值更大的像素点时，则将当前交叉点剔除。

S4：将步骤S3所得到的一系列具有亚像素坐标的交叉点组织成列表形式，形成交叉点列表。对于任意一个交叉点，循环其他全部交叉点，求得每个两点之间的欧式距离与角度，将角度利用跳变线信息分为四类(因一个交叉点最多连接四个交叉点)，判断当前两点欧氏距离是否小于当前角度对应分类的最小距离，若当前距离更小则更新当前两点为连接点。最终得到全部交叉点在四个分类上的连接列表。

S5：对于S4得到的连接列表，为每个连接成功的交叉点分配一个相对坐标值。定义每个人工标记在图像坐标系中具有最小y值的交叉点，即位于图像最上方的交叉点为起始点，并赋以相对坐标(20，20)，存储当前所处的列表编号。进而根据上述生成的连接列表的连接关系，可以更新全部交叉点的相对坐标，形成相对连接列表。

S6：对于当前相机采集的人工标记的图像进行Canny边缘检测，并利用步骤S1中得到的梯度图，对任意Canny边缘检测提取出的边缘像素以梯度方向对应的直线做广义霍夫变换(GHT)，统计霍夫空间中超过圆形判断阈值的像素点。其中，这些点为各圆形对应圆心。遍历候选圆心，判断该候选圆心所对应的圆形半径值，若介于根据手术环境预先设定的圆形半径下阈值与圆形半径上阈值之间，则保留该候选点。

S7：根据上述的连接列表，循环判断全部候选圆心点的坐标是否位于某一棋盘格中心，最终得到人工标记对应的解码矩阵。之后，根据预先处理得到的解码矩阵及其对应的特征子区域尺寸，判断是否存在满足该特征子区域尺寸的特征子区域，若存在可得到最终解码值，查询解码矩阵，得到当前特征子区域的绝对坐标与旋转方向，从而可得到当前子区域相对坐标与绝对坐标的偏置，最终恢复出人工标记对应列表的绝对坐标，完成视觉定位与导航任务。

因此，针对手术导航定位过程中的实时性要求，本公开实施例的上述识别方法采用多步递进式进行，极大地减少了运算量；针对现有交叉点检测技术难以保证运算速度与筛选效果的问题，该识别方法通过在第一步利用图像梯度信息，在保证运算量较小的前提下，提升了交叉点的筛选效果，可剔除图像中绝大部分错误候选点。

如图11所示，本公开的另一方面提供了一种人工标记的生成装置1100，应用于口腔手术机器人，其中，包括预处理模块1110、网络更新模块1120和网络确定模块1130。预处理模块1110用于对设定的特征子区域进行预处理形成初始连接网络；网络更新模块1120用于根据具有最大可继续更新方案数的方向对初始连接网络进行更新以生成中间连接网络；以及网络确定模块1130用于确定与预设目标尺寸相符的中间连接网络的搜索路径的生成图案为人工标记。

需要说明的是，人工标记的生成装置1100部分的实施例方式与上述图1所示人工标记的生成方法部分的实施例方式对应类似，并且所达到的技术效果也对应类似，在此不再赘述。

如图12所示，本公开的另一方面提供了一种人工标记的识别装置1200，应用于口腔手术机器人，其中，包括列表获取模块1210、像素点遍历模块1220和矩阵获取模块1230。列表获取模块1210用于通过人工标记的像素梯度向量获取相对连接列表；像素点遍历模块1220用于对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及矩阵获取模块1230用于根据相对连接列表和候选圆心获取解码矩阵，以用于实现对人工标记的识别。

需要说明的是，人工标记的识别装置1200部分的实施例方式与图9所示人工标记的识别方法部分的实施例方式对应类似，并且所达到的技术效果也对应类似，在此不再赘述。

本公开的另一方面提供了一种电子设备，包括一个或多个处理器和存储器；存储器用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现本公开实施例的方法。

如图13所示，根据本公开实施例的计算机系统1300包括处理器1301，其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。处理器1301例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1301还可以包括用于缓存用途的板载存储器。处理器1301可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1303中，存储有系统1300操作所需的各种程序和数据。处理器1301、ROM1302以及RAM 1303通过总线1304彼此相连。处理器1301通过执行ROM 1302和/或RAM 1303中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1302和RAM 1303以外的一个或多个存储器中。处理器1301也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统1300还可以包括输入/输出(I/O)接口1305，输入/输出(I/O)接口1305也连接至总线1304。系统1300还可以包括连接至I/O接口1305的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1308。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被处理器1301执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

其中，图13示意性示出了根据本公开实施例的电子设备的框图。图13示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1302和/或RAM 1303和/或ROM 1302和RAM 1303以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现本公开实施例的方法。

具体地，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

或者，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

本公开的另一方面提供了一种计算机程序，上述计算机程序包括计算机可执行指令，上述指令在被执行时用于实现本公开实施例的方法。

至此，已经结合附图对本公开实施例进行了详细描述。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

至此，已经结合附图对本公开实施例进行了详细描述。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (20)

1.一种人工标记的生成方法，应用于口腔手术机器人，其中，包括：

对设定的特征子区域进行预处理形成初始连接网络；

根据具有最大可继续更新方案数的方向对所述初始连接网络进行更新以生成中间连接网络；以及

确定根据与预设目标尺寸相符的所述中间连接网络的搜索路径生成的对应图案为所述人工标记。

2.根据权利要求1所述的方法，其中，在所述确定根据与预设目标尺寸相符的所述中间连接网络的搜索路径生成的对应图案为所述人工标记之前，还包括：

对所述中间连接网络的全部特征子区域的可继续更新方案数状态进行更新。

3.根据权利要求1所述的方法，其中，在所述确定根据与预设目标尺寸相符的所述中间连接网络的搜索路径生成的对应图案为所述人工标记之前，还包括：

根据具有最大可继续更新方案数的方向对所述中间连接网络进行重复更新。

4.一种人工标记的识别方法，应用于口腔手术机器人，其中，包括：

通过所述人工标记的像素梯度向量获取相对连接列表；

对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及

根据所述相对连接列表和所述候选圆心获取解码矩阵，以用于实现对所述人工标记的识别。

5.根据权利要求4所述的方法，其中，在所述通过所述人工标记的像素梯度向量获取相对连接列表中，包括：

根据所述像素梯度向量获取对应所述人工标记的每个原始交叉点的亚像素坐标；

根据所述亚像素坐标筛选所述原始交叉点形成交叉点列表；

获取所述交叉点列表对应的相对连接列表。

6.根据权利要求5所述的方法，其中，在所述根据所述像素梯度向量获取对应所述人工标记的每个原始交叉点的亚像素坐标中，包括：

提取所述人工标记的灰度化图像的像素梯度向量；

根据所述像素梯度向量定义的跳变线方向获取所述每个原始交叉点周围梯度响应最大的两条边缘方向；

根据所述两条边缘方向定义的两条边缘的交点确定所述亚像素坐标。

7.根据权利要求6所述的方法，其中，在所述提取所述人工标记的灰度化图像的像素梯度向量之后，还包括：

循环判断所述灰度化图像的每一像素为中心的区域梯度模量；

根据所述区域梯度模量和像素梯度模量之间的差值与预设第一阈值之间关系，确定所述像素梯度向量；

其中，所述像素梯度模量为所述灰度化图像的所有像素的像素梯度向量之和对应的梯度模量。

8.根据权利要求5所述的方法，其中，在所述根据所述亚像素坐标筛选所述原始交叉点形成交叉点列表中，包括：

根据所述像素梯度向量定义的跳变线方向和所述业像素坐标生成设定交叉点模板的参数响应值，其中，参数响应值为所述原始交叉点为中心的设定区域的归一化积相关参数；

当所述参数响应值大于预设模板阈值时，确定所述原始交叉点为筛选交叉点；

对所述筛选交叉点进行非极大值抑制，以形成所述筛选交叉点的交叉点列表。

9.根据权利要求8所述的方法，其中，在所述对所述筛选交叉点进行非极大值抑制，以形成所述筛选交叉点的交叉点列表中，包括：

对所述筛选交叉点进行非极大值抑制，

若当前的所述筛选交叉点邻域内存在参数响应值更大的像素点时，剔除所述当前的筛选交叉点；

组织剔除了所述当前的筛选交叉点之后剩余的筛选交叉点，以生成所述交叉点列表。

10.根据权利要求5所述的方法，其中，在所述获取所述交叉点列表对应的相对连接列表中，包括：

根据所述交叉点列表中的任意两个筛选交叉点之间的欧氏距离和角度筛选连接点；

根据所述连接点形成的连接列表进行相对坐标值的分配，形成所述相对连接列表。

11.根据权利要求10所述的方法，其中，在所述根据所述交叉点列表中的任意两个筛选交叉点之间的欧氏距离和角度筛选连接点中，包括：

利用对应所述像素梯度向量定义的跳变线方向对所述角度进行分类；

当当前的两个筛选交叉点之间的欧氏距离小于当前角度所对应分类的最小距离时，筛选所述两个筛选交叉点为连接点。

12.根据权利要求11所述的方法，其中，在所述根据所述连接点形成的连接列表进行相对坐标值的分配，形成所述相对连接列表中，包括：

获取所述连接点在对应分类上的连接列表；

对所述连接列表中的每个连接成功的连接点分配相对坐标值，形成所述相对连接列表。

13.根据权利要求4所述的方法，其中，在所述对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心中，包括：

基于针对所述人工标记的灰度化图像的边缘检测提取对应的边缘像素；

针对与所述像素梯度向量定义的跳变线方向对应的直线进行广义霍夫变换，以统计霍夫空间中超过圆形判断阈值的像素点；

对所述像素点执行遍历，以确定符合预设圆形半径阈值范围中的像素点为候选圆心；

其中，所述预设圆形半径阈值范围与所述口腔手术机器人的手术环境约束有关。

14.根据权利要求1所述的方法，其中，在所述根据所述相对连接列表和所述候选圆心获取解码矩阵，以用于实现对所述人工标记的识别中，包括：

循环判断所述候选圆心的坐标位于所述相对连接列表对应的棋盘格中心，以获取所述人工标记对应的解码矩阵。

15.根据权利要求1所述的方法，其中，还包括：

判断在所述人工标记的灰度化图像中符合设定子区域尺寸的特征子区域；

根据所述特征子区域确定对应的解码矩阵的解码值；

通过所述解码值确定所述特征子区域的绝对坐标和旋转方向，所述特征子区域的绝对坐标和旋转方向用于确定与所述特征子区域的相对坐标之间的偏置关系；

根据所述偏置关系，恢复所述人工标记对应所述相对连接列表的绝对坐标，以完成所述口腔手术机器人的视觉定位与导航任务。

16.一种人工标记的生成装置，应用于口腔手术机器人，其中，包括：

预处理模块，用于对设定的特征子区域进行预处理形成初始连接网络；

网络更新模块，用于根据具有最大可继续更新方案数的方向对所述初始连接网络进行更新以生成中间连接网络；以及

网络确定模块，用于确定与预设目标尺寸相符的所述中间连接网络为所述人工标记。

17.一种人工标记的识别装置，应用于口腔手术机器人，其中，包括：

列表获取模块，用于通过所述人工标记的像素梯度向量获取相对连接列表；

像素点遍历模块，用于对基于边缘检测获取的像素点执行遍历，以确定对应像素点的候选圆心；以及

矩阵获取模块，用于根据所述相对连接列表和所述候选圆心获取解码矩阵，以用于实现对所述人工标记的识别。

18.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至15中任一项所述的方法。

19.一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1至15中任一项所述的方法。

20.一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现权利要求1至15中任一项所述的方法。

Images