CN115187552B - 一种基于边缘检测的车身门缝检测方法 - Google Patents

Abstract

一种基于边缘检测的车身门缝检测方法，1)搭建车身门缝检测设备，检测车身门缝图像；2)对图像进行滤波处理；3)利用高斯函数的一阶偏导对滤波后的图像进行平滑，再利用一阶偏导的有限差分计算图像的梯度和方向，形成梯度图像；4)对梯度图像中的梯度幅值进行非极大值抑制，只保留局部最大值点，获得边缘轮廓梯度图的离散点；5)给定低阈值和高阈值，梯度值大于高阈值记为强边缘像素，作为图像中的锚点，小于低阈值的点将像素置0，连接锚点形成边缘图像；6)提取边缘图像的特征点，匹配激光标记的图像窗口，找到垂直于缝隙的位置，在该窗口处计算曼哈顿距离，获取门缝宽度最小值。本发明利用边缘检测和曼哈顿距离提高检测模型的鲁棒性和精确度。

Description

一种基于边缘检测的车身门缝检测方法

技术领域

本发明涉及车门检测领域，特别是涉及一种基于边缘检测的车身门缝检测方法。

背景技术

车身作为车辆最基本的组成部分之一，可以称之为车辆的基本骨架，车辆上几乎所有的零部件都在此基础上进行安装，所以车身质量的好坏对整车性能会有一定的影响，车身就是将大量的冲压件或者金属构件，通过焊接、铆接以及机械方式来进行连接，从而形成一个复杂的壳体结构，焊接由于其较其他连接方式的优越性，成为车身连接的主要方式。

车门是整个车身的重要部件之一，车门关终后的门缝大小和错位程度是确保车门正常合拢，是汽车正常安全运行的两个非常重要的指标。如果这两个指标出现偏差，就会影响车门的合拢效果，导致汽车隔音防水效果差，影响人身等问题。因而方便、快捷、准确地检测车门缝宽是否合格成为车辆生产过程中的重要一环，针对车身门缝宽度检测问题，本发明提出了一种基于边缘检测的车身门缝检测方法提取方法，设计了一种针对车身门缝的机器视觉检测系统，实现对门缝图像数据的快速采集，并通过边缘检测对门缝宽度的定量检测。

发明内容

为解决上述问题，本发明提出了一种基于边缘检测的车身门缝检测方法，具体步骤如下，其特征在于：

步骤1，搭建车身门缝检测设备，检测车身门缝图像，检测设备包括：光源控制器、CCD 相机、激光指示器、网口通讯、计算机处理系统等；

步骤2，对图像进行滤波处理，先将所检测的车身门缝进行灰度化处理，再将灰度化处理后的图像进行滤波处理；

步骤3，利用高斯函数的一阶偏导对滤波后的图像进行平滑，再利用一阶偏导的有限差分计算图像的梯度和方向，形成梯度图像，使用Roberts算子作为边缘检测算子；

步骤4，对梯度图像中的梯度幅值进行非极大值抑制，只保留局部最大值点，获得边缘轮廓梯度图的离散点；

步骤5，给定低阈值和高阈值，梯度值大于高阈值记为强边缘像素，作为图像中的锚点，小于低阈值的点将像素置0，连接锚点形成边缘图像；

步骤6，提取边缘图像的特征点，匹配激光标记的图像窗口，找到垂直于缝隙的位置，在该窗口处计算曼哈顿距离，将窗口内最大的曼哈顿距离作为车身门缝曼哈顿宽度，确定车身门缝宽度，根据多帧图像中的门缝宽度，获取门缝宽度最小值。

进一步，步骤1中搭建车身门缝检测设备的过程可以表示如下：

将CCD相机放置于待检测车辆车门正前方，激光指示器发射条形光束，垂直于门缝照射，相机以待测位置光束为轴心旋转一定角度，此时在相机拍摄图像上，激光在门缝间会形成断点，相机还要延门缝的走向方向移动，获取多帧的车身门缝图像，通过网络通讯将图像数据上传至计算机处理系统。

进一步，步骤2中对图像进行滤波处理的过程可以表示如下：

步骤2.1，将连续两帧图像的灰度图像分别作为输入图像和引导图像，通过下式进行滤波处理，获得滤波后的输出图像：

O_i＝a_kG_i+b_k，i∈ω_k  (1)

式中，O为输出图像，G为引导图像，O_i为滤波窗口下的输出图像，G_i为滤波窗口下的引导图像，a_k和b_k为滤波系数，ω_k为滤波窗口，k为图像位置；

步骤2.2，定义图像滤波的代价函数：

式中，I为输入图像，I_i为滤波窗口下的输入图像，ε为正则化参数；

步骤2.3，分别对a_k和b_k求偏导，并令偏导数等于零，可得：

式中，mean为取平均，Cov为协方差公式，Val为方差公式

步骤2.4，在确定a_k和b_k后，返回式1对输入图像进行滤波处理，获得滤波后的图像。

进一步，步骤3中制作梯度图像的过程可以表示如下：

通过下式将滤波后的图像转换为梯度图像

g_x＝f(x+1，y+1)-f(x，y)                      (5)

g_y＝f(x+1，y)-f(x，y+1)                  (6)

式中，g_x为x轴方向的梯度值，g_y为y轴方向的梯度值，x轴代表水平方向，y轴代表垂直方向，f(x,y)为滤波后灰度图像中(x,y)位置处的灰度值。

进一步，步骤5中获取边缘图像的过程可以表示如下：

步骤5.1，先计算每个锚点之间的曼哈顿距离，距离计算公式如下：

d＝|x₁-x₂|+|y₁-y₂|  (7)

式中，d为两个锚点(x₁，y₁)、(x₂，y₂)间的距离，x₁和x₂是锚点的水平方向坐标，y₁和y₂是锚点的垂直方向坐标；

步骤5.2筛选出与周围锚点曼哈顿距离较小的锚点，在不同方向上分解得到不同分析要求的数据，并选出与该锚点曼哈顿距离最小的锚点，并连接该两个锚点获得边缘图像。

进一步，步骤6中获取门缝宽度最小值的过程可以表示如下：

步骤6.1，根据下式提取边缘图像特征点L_Hessian：

式中，σ为当前层尺度参数，L_xx、L_yy分别为图像在x、y处的二阶微分值，L_xy为二阶交叉偏导数；

步骤6.2，通过计算特征向量间的欧式距离并结合最近邻次近邻比值法来确定两个特征点是否匹配，并与设好的阈值进行比较，如果该比值更小，那么就将该处作为激光标记点；

步骤6.3，相机利用距离传感器拍摄标准尺寸板的照片，通过式7计算每一像素点对应的尺寸，相机与标准板之间的距离和每像素点对应的尺寸为一组数据；

步骤6.4，相机在离标准板不同距离测量，算出相机每像素在不同距离上对应的尺寸；

步骤6.5，通过步骤6.4的数据计算出相机拍摄的发散角度，对实物进行测量时，相机与被测物体表面参考激光线保持相同的距离；

步骤6.6，如果步骤6.5的距离不同,通过步骤6.5计算的角度和距离换算，算出每像素在在该测量距离上代表的尺寸，乘上曼哈顿方法的像素点数量就是该距离上测出的缝隙长度；

步骤6.7，再通过对测得的最小距离在不同方向上的分解，得到需要的不同尺寸数据。

本发明一种基于边缘检测的车身门缝检测方法，有益效果在于：

1.本发明提出了一种基于边缘检测的车身门缝检测方法，实现车身门缝宽度的自动化检测；

2.本发明滤波处理具有快速且非近似的线性时间算法，可有效地对图像去雾和羽化；

3.本发明通过曼哈顿距离作为边缘检测锚点筛选的距离，可有效减少过分割和错误分割现象；

4.本发明通过边缘图像特征点匹配激光标记处，可快速定位车身门缝窗口；

5.本发明同样适用于对实体的测量，可是作为对间隙测量的反向方法。

附图说明

图1为本发明的流程图；

图2为本发明的边缘检测流程图；

图3为本发明的拍摄方式图；

图4为本发明的标准尺寸板照片；

图5为本发明的原理图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提出了一种基于边缘检测的车身门缝检测方法，利用CCD相机获得的图像数据，结合图像滤波、边缘检测、特征点匹配等步骤，实现了对车身门缝宽度的检测，通过图像滤波可有效地对图像去雾和羽化，并将曼哈顿距离作为边缘检测锚点筛选的距离，可有效减少过分割和错误分割现象，图1为本发明的系统结构图，图5为本发明的原理图。下面结合系统结构图对本发明的步骤作详细介绍。

步骤1，搭建车身门缝检测设备，检测车身门缝图像，检测设备包括：光源控制器、CCD 相机、激光指示器、网口通讯、计算机处理系统等；

将CCD相机放置于待检测车辆车门正前方，将激光指示器垂直于门缝照射，激光在门缝间会形成断点，相机还要延门缝的走向方向移动，获取多帧的车身门缝图像，通过网络通讯将图像数据上传至计算机处理系统。

步骤2，对图像进行滤波处理，先将所检测的车身门缝进行灰度化处理，再将灰度化处理后的图像进行滤波处理；

步骤2.1，将连续两帧图像的灰度图像分别作为输入图像和引导图像，通过下式进行滤波处理，获得滤波后的输出图像：

O_i＝a_kG_i+b_k，i∈ω_k (1)

式中，O为输出图像，G为引导图像，O_i为滤波窗口下的输出图像，G_i为滤波窗口下的引导图像，a_k和b_k为滤波系数，ω_k为滤波窗口，k为图像位置；

步骤2.2，定义图像滤波的代价函数：

式中，I为输入图像，I_i为滤波窗口下的输入图像，ε为正则化参数；

步骤2.3，分别对a_k和b_k求偏导，并令偏导数等于零，可得：

式中，mean为取平均，Cov为协方差公式，Val为方差公式

步骤2.4，在确定a_k和b_k后，返回式1对输入图像进行滤波处理，获得滤波后的图像。

步骤3，利用高斯函数的一阶偏导对滤波后的图像进行平滑，再利用一阶偏导的有限差分计算图像的梯度和方向，形成梯度图像，使用Roberts算子作为边缘检测算子，边缘检测流程图如图2所示；

通过下式将滤波后的图像转换为梯度图像

g_x＝f(x+1，y+1)-f(x，y)                     (5)

g_y＝f(x+1，y)-f(x，y+1)                 (6)

式中，g_x为x轴方向的梯度值，g_y为y轴方向的梯度值，x轴代表水平方向，y轴代表垂直方向，f(x,y)为滤波后灰度图像中(x,y)位置处的灰度值。

步骤4，对梯度图像中的梯度幅值进行非极大值抑制，只保留局部最大值点，获得边缘轮廓梯度图的离散点；

步骤5，给定低阈值和高阈值，梯度值大于高阈值记为强边缘像素，作为图像中的锚点，小于低阈值的点将像素置0，连接锚点形成边缘图像；

步骤5.1，先计算每个锚点之间的曼哈顿距离，距离计算公式如下：

d＝|x₁-x₂|+|y₁-y₂|     (7)

式中，d为两个锚点(x₁，y₁)、(x₂，y₂)间的距离，x₁和x₂是锚点的水平方向坐标，y₁和y₂是锚点的垂直方向坐标；

步骤5.2筛选出与周围锚点曼哈顿距离较小的锚点，在不同方向上分解得到不同分析要求的数据，并选出与该锚点曼哈顿距离最小的锚点，并连接该两个锚点获得边缘图像。

步骤6，提取边缘图像的特征点，匹配激光标记的图像窗口，找到垂直于缝隙的位置，在该窗口处计算曼哈顿距离，将窗口内最大的曼哈顿距离作为车身门缝曼哈顿宽度，确定车身门缝宽度，根据多帧图像中的门缝宽度，获取门缝宽度最小值。

步骤6.1，根据下式提取边缘图像特征点L_Hessian：

式中，σ为当前层尺度参数，L_xx、L_yy分别为图像在x、y处的二阶微分值，L_xy为二阶交叉偏导数；

步骤6.2，通过计算特征向量间的欧式距离并结合最近邻次近邻比值法来确定两个特征点是否匹配，并与设好的阈值进行比较，如果该比值更小，那么就将该处作为激光标记点；

步骤6.3，相机利用距离传感器拍摄标准尺寸板的照片，拍摄方式如图3所示，标准尺寸板照片如图4所示，通过式7计算每一像素点对应的尺寸，相机与标准板之间的距离和每像素点对应的尺寸为一组数据；

步骤6.4，相机在离标准板不同距离测量，算出相机每像素在不同距离上对应的尺寸；

步骤6.5，通过步骤6.4的数据计算出相机拍摄的发散角度，对实物进行测量时，相机与被测物体表面参考激光线保持相同的距离；

步骤6.6，如果步骤6.5的距离不同,通过步骤6.5计算的角度和距离换算，算出每像素在在该测量距离上代表的尺寸，乘上曼哈顿方法的像素点数量就是该距离上测出的缝隙长度；

步骤6.7，再通过对测得的最小距离在不同方向上的分解，得到需要的不同尺寸数据。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (1)

1.一种基于边缘检测的车身门缝检测方法，具体步骤如下，其特征在于：

步骤1，搭建车身门缝检测设备，检测车身门缝图像，检测设备包括：光源控制器、CCD相机、激光指示器、网络通讯、计算机处理系统；

步骤1中搭建车身门缝检测设备的过程如下：

将CCD相机放置于待检测车辆车门正前方，将激光指示器垂直于门缝照射，激光在门缝间会形成断点，CCD相机沿门缝的走向方向移动，获取多帧的车身门缝图像，通过网络通讯将图像数据上传至计算机处理系统；

步骤2，对图像进行滤波处理，先将待检测车辆的车身门缝进行灰度化处理，再将灰度化处理后的图像进行滤波处理；

步骤2中对图像进行滤波处理的过程如下：

步骤2.1，将连续两帧图像的灰度图像分别作为输入图像和引导图像，通过式(1)进行滤波处理，获得滤波后的输出图像：

O_i＝a_kG_i+b_k，i∈ω_k      (1)

式中，O为输出图像，G为引导图像，O_i为滤波窗口下的输出图像，G_i为滤波窗口下的引导图像，a_k和b_k为滤波系数，ω_k为滤波窗口，k为图像位置；

步骤2.2，定义图像滤波的代价函数：

式中，I为输入图像，I_i为滤波窗口下的输入图像，ε为正则化参数；

步骤2.3，分别对a_k和b_k求偏导，并令偏导数等于零，可得：

式中，mean为取平均，Cov为协方差公式，Val为方差公式

步骤2.4，在确定a_k和b_k后，返回式1对输入图像进行滤波处理，获得滤波后的图像；

步骤3，利用高斯函数的一阶偏导对滤波后的图像进行平滑，再利用一阶偏导的有限差分计算图像的梯度和方向，形成梯度图像，使用Roberts算子作为边缘检测算子；

步骤4，对梯度图像中的梯度幅值进行非极大值抑制，只保留局部最大值点，获得边缘轮廓梯度图的离散点；

步骤5，给定低阈值和高阈值，梯度值大于高阈值记为强边缘像素，作为图像中的锚点，小于低阈值的点将像素置0，连接锚点形成边缘图像；

步骤5中获取边缘图像的过程如下：

步骤5.1，先计算每个锚点之间的曼哈顿距离，距离计算公式如下：

d＝|x₁-x₂|+|y₁-y₂|    (7)

式中，d为两个锚点(x₁，y₁)、(x₂，y₂)间的距离，x₁和x₂是锚点的水平方向坐标，y₁和y₂是锚点的垂直方向坐标；

步骤5.2，筛选出与周围锚点曼哈顿距离小的锚点，在不同方向上分解得到不同分析要求的数据，并选出与该锚点曼哈顿距离最小的锚点，并连接该两个锚点获得边缘图像；

步骤6，提取边缘图像的特征点，匹配激光标记的图像窗口，找到垂直于缝隙的位置，在该窗口处计算曼哈顿距离，将窗口内最大的曼哈顿距离作为车身门缝曼哈顿宽度，确定车身门缝宽度，根据多帧图像中的门缝宽度，获取门缝宽度最小值；

步骤6中获取门缝宽度最小值的过程如下：

步骤6.1，根据式(8)提取边缘图像特征点L_Hessian：

式中，σ为当前层尺度参数，L_xx、L_yy分别为图像在x、y处的二阶微分值，L_xy为二阶交叉偏导数；

步骤6.2，通过计算特征向量间的曼哈顿距离并结合最近邻次近邻比值法来确定两个特征点是否匹配，并与设好的阈值进行比较，如果最近邻次近邻比值法计算出来的比值比阈值小，那么就将该提取边缘图像的特征点处作为激光标记点；

步骤6.3，相机利用距离传感器拍摄标准尺寸板的照片，通过式(7)计算每一像素点对应的尺寸，相机与标准板之间的距离和每像素点对应的尺寸为一组数据；

步骤6.4，相机在离标准板不同距离测量，算出相机每像素在不同距离上对应的尺寸；

步骤6.5，通过步骤6.4的数据计算出相机拍摄的发散角度，对实物进行测量，相机与被测物体表面参考激光线保持相同的距离；

步骤6.6，如果步骤6.5的距离不同,通过步骤6.5计算的角度和距离换算，算出每像素在在该测量距离上代表的尺寸，乘上曼哈顿方法的像素点数量就是该距离上测出的缝隙长度；

步骤6.7，再通过对测得的最小距离在不同方向上的分解，得到需要的不同尺寸数据。

Images