CN117011596B - 结构运动视觉测量的圆识别及圆心定位方法和装置 - Google Patents

结构运动视觉测量的圆识别及圆心定位方法和装置 Download PDF

Info

Publication number
CN117011596B
CN117011596B CN202310851741.XA CN202310851741A CN117011596B CN 117011596 B CN117011596 B CN 117011596B CN 202310851741 A CN202310851741 A CN 202310851741A CN 117011596 B CN117011596 B CN 117011596B
Authority
CN
China
Prior art keywords
edge
closed
circle
frame
subset
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.)
Active
Application number
CN202310851741.XA
Other languages
English (en)
Other versions
CN117011596A (zh
Inventor
覃曼青
李广
何孟夫
徐自力
刘浪
辛存
肖超平
吴高峰
吴应喜
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 Nuclear Power Engineering Co Ltd
Original Assignee
China Nuclear Power Engineering Co Ltd
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 Nuclear Power Engineering Co Ltd filed Critical China Nuclear Power Engineering Co Ltd
Priority to CN202310851741.XA priority Critical patent/CN117011596B/zh
Publication of CN117011596A publication Critical patent/CN117011596A/zh
Application granted granted Critical
Publication of CN117011596B publication Critical patent/CN117011596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及结构运动视觉测量的圆识别及圆心定位方法和装置，包括步骤：采集运动结构的视频图像；对视频图像的每一帧进行灰度化处理；对每一帧进行边缘检测及子集划分获得每一的边缘子集；根据每一的边缘子集进行分类及有效像素提取，获得每一帧的非封闭边缘和封闭边缘的有效边缘像素；对非封闭边缘和封闭边缘分别进行筛选和计算，识别出非封闭圆和封闭圆及圆心亚像素坐标。本发明在边缘检测后划分子集再进行筛选，提高了有效圆形目标的识别速度与精度，通过对边缘子集有效边缘像素提取，增加了圆心定位的精度，将圆形目标分为非封闭圆和封闭圆两类进行圆识别与圆心定位，提高了测量精度，增加在复杂背景下测量的鲁棒性。

Description

结构运动视觉测量的圆识别及圆心定位方法和装置
技术领域
本发明涉及机械结构振动测量的技术领域，更具体地说，涉及一种结构运动视觉测量的圆识别及圆心定位方法和装置。
背景技术
基于计算机视觉的结构运动测量主要是通过相机拍摄的连续视频图像并进行目标跟踪，通过被测点的图像运动轨迹获取结构运动信息，具有非接触的优势，同时能够实现高精度的运动(μm级)测量。
通过圆形目标的识别和圆心定位的运动测量即点追踪是基于计算机视觉的结构运动测量方法的一种，具有操作简单、测量精度高等优点，被广泛应用于土木、机械等领域。该方法将一系列圆形目标粘贴安装到结构表面，通过对圆形目标的识别、圆心坐标定位以及圆形目标的跟踪来实现对结构运动的测量。圆形目标识别和圆心定位是影响结构运动测量的关键因素。
在实际工程结构测量环境中，成像视场大，圆形目标相对尺寸较小，并且被测结构背景复杂，存在背景与圆形目标区分不明显、圆形目标边缘轮廓模糊、背景中含有大量边缘信息、含有与圆形目标相似的干扰目标等特征。现有的圆识别和圆心定位方法主要有Hough变换、圆度检测、模板匹配等方法。基于Hough变换的圆识别和圆心定位方法计算量较大，检测效率慢，每帧图像均需要对参数进行调试，并考虑现场测量圆形目标小、复杂背景图像的特征，圆识别准确性和圆心定位的精准性有所降低，只能达到像素级精度；基于圆度检测方法中对图像边缘采取形态学处理一定程度上破坏了原有图像特性，并且在复杂背景下容易将圆的边界扩展造成圆识别不准和圆心定位误差较大，此外若待识别的圆形目标边缘存在间断情况时该方法则无法识别目标，复杂背景下精度低、鲁棒性差；基于模板匹配也有其性质固有的缺陷，如识别的结果只能达到像素级，只能识别出图像中的相同属性的目标。
发明内容
本发明要解决的技术问题在于，提供一种结构运动视觉测量的圆识别及圆心定位方法和装置。
本发明解决其技术问题所采用的技术方案是：构造一种结构运动视觉测量的圆识别及圆心定位方法，包括以下步骤：
采集运动结构的视频图像；
对所述视频图像的每一帧进行灰度化处理，获得灰度化图像；
对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集；
根据所述每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素；
对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆；
根据所述非封闭圆的有效边缘像素和所述封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述对所述视频图像的每一帧进行灰度化处理，获得灰度化图像包括：
获取所述视频图像的每一帧的彩色图像的红色像素值、绿色像素值以及蓝色像素值；
对每一帧的彩色图像的红色像素值、绿色像素值以及蓝色像素值进行加权平均计算，获得所述灰度化图像。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集包括：
采用边缘检测算子对每一帧灰度化图像进行边缘检测，并依据像素连通性理论进行子集划分，获得每一帧灰度化图像的边缘子集。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述采用边缘检测算子对每一帧灰度化图像进行边缘检测，并依据像素连通性理论进行子集划分，获得每一帧灰度化图像的边缘子集包括：
将水平方向的边缘检测算子和竖直方向的边缘检测算子分别与灰度化图像进行卷积计算，分别获得灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值；
根据所述灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值进行计算，获得像素点的梯度幅值；
根据所述像素点的梯度幅值和边缘检测阈值进行边缘检测，获得二值图像；
根据像素连通性理论对所述二值图像进行子集划分，获得每一帧灰度化图像的边缘子集。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述根据像素连通性理论对所述二值图像进行子集划分，获得每一帧灰度化图像的边缘子集包括：
确定领域连通依据；
对所述二值图像中所有的边缘像素点根据所述领域连通依据依次进行判断，并将所有满足所述领域连通依据的边缘像素点划分为一个边缘子集，获得每一帧灰度化图像的边缘子集。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述根据所述每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素包括：
对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集；
对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘；
对每一帧灰度化图像的非封闭边缘和封闭边缘分别进行有效边缘像素提取，获得每一帧灰度化图像的非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集包括：
获取边缘子集的区域几何特征；
根据所述区域几何特征判断所述边缘子集是否满足条件；
若不满足条件，则将不满足条件的边缘子集所在像素点的像素值置0；
若满足条件，则将所有满足条件的边缘子集整合为预处理的边缘子集。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：
获取所述预处理的边缘子集的端点数和节点数；
根据所述端点数和所述节点数之间的数量关系对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述根据所述端点数和所述节点数之间的数量关系对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：
若所述预处理的边缘子集的端点数与节点数之间的差值为2，则将所述预处理的边缘子集划分为非封闭边缘；
若所述预处理的边缘子集的端点数与节点数相同，则将所述预处理的边缘子集划分为封闭边缘。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆包括：
获取所述非封闭边缘的所有边缘子集；
将所述非封闭边缘的所有边缘子集平均划分，获得第一部分边缘子集和第二部分边缘子集；
将所述第一部分边缘子集的所有有效边缘像素坐标代入圆的方程中进行计算，获得第一圆心坐标和第一半径；
将所述第二部分边缘子集的所有有效边缘像素坐标代入圆的方程中进行计算，获得第二圆心坐标和第二半径坐标和第一半径；
根据所述第一圆心坐标和所述第二圆心坐标进行计算，获得所述第一圆心坐标和所述第二圆心坐标之间的欧氏距离；
根据所述欧氏距离对所述非封闭边缘进行筛选，获得非封闭圆。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆包括：
获取所述封闭边缘的有效边缘像素；
计算每一个封闭边缘的有效边缘像素围成区域的面积和周长；
计算每一个封闭边缘的有效边缘像素围成区域的面积与周长平方的比值，获得所有边缘子集围成区域的面积与周长平方的比值；
根据所述比值对所述封闭边缘进行筛选，获得封闭圆。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述根据所述非封闭圆的有效边缘像素和所述封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标包括：
将所述非封闭圆的所有边缘子集的所有有效边缘像素的坐标代入圆的方程中进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标；
将所述封闭圆的所有边缘子集的所有有效边缘像素的坐标代入圆的方程中进行计算，获得每一帧灰度化图像的封闭圆的圆心亚像素坐标。
在本发明所述的结构运动视觉测量的圆识别及圆心定位方法中，所述方法还包括：
获取不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标；
根据不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标对所述运动结构进行运动测量。
本发明还提供一种结构运动视觉测量的圆识别及圆心定位装置，包括：
图像采集单元，用于采集运动结构的视频图像；
灰度处理单元，用于对所述视频图像的每一帧进行灰度化处理，获得灰度化图像；
边缘检测及划分单元，用于对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集；
分类提取单元，用于根据所述每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素；
圆识别单元，用于对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆；
圆心定位单元，用于根据所述非封闭圆的有效边缘像素和所述封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标。
在本发明所述的结构运动视觉测量的圆识别及圆心定位装置中，还包括：
运动测量单元，用于：
获取不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标；
根据不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标对所述运动结构进行运动测量。
本发明还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如上所述的结构运动视觉测量的圆识别及圆心定位方法的步骤。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如上所述的结构运动视觉测量的圆识别及圆心定位方法的步骤。
实施本发明的结构运动视觉测量的圆识别及圆心定位方法和装置具有以下有益效果：包括步骤：采集运动结构的视频图像；对视频图像的每一帧进行灰度化处理；对每一帧进行边缘检测及子集划分获得每一的边缘子集；根据每一的边缘子集进行分类及有效像素提取，获得每一帧的非封闭边缘和封闭边缘的有效边缘像素；对非封闭边缘和封闭边缘分别进行筛选和计算，识别出非封闭圆和封闭圆及圆心亚像素坐标。本发明在边缘检测后划分子集再进行筛选，提高了有效圆形目标的识别速度与精度，通过对边缘子集有效边缘像素提取，增加了圆心定位的精度，将圆形目标分为非封闭圆和封闭圆两类进行圆识别与圆心定位，提高了测量精度，增加在复杂背景下测量的鲁棒性。同时，还实现了亚像素精度的圆心定位，增加了运动测量的精度；提高了在复杂背景下结构运动测量过程中对多个小尺寸圆识别及圆心定位的效率与精度，增强了运动测量的准确性与精准度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的对每一帧图像进行圆识别和圆心定位及运动测量的流程示意图；
图2是本发明提供的结构运动视觉测量的圆识别及圆心定位方法的流程示意图；
图3是本发明提供的边缘具有间断点不封闭且具有分支的示例图；
图4是本发明提供的边缘检测后封闭圆具有分支的示例图；
图5是本发明提供的端点和节点形象化含义示意图；
图6是本发明提供的圆边界和亚像素圆心坐标示意图；
图7为运动结构由上到下第一个点的水平方向的位移图；
图8为运动结构由上到下第二个点的水平方向的位移图；
图9为运动结构由上到下第四个点的水平方向的位移图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有在复杂背景下结构运动测量过程中，对多圆识别及圆心定位的效率低、精度差、鲁棒性差的问题，本发明提供一种结构运动视觉测量的圆识别及圆心定位方法，该方法可适用于在复杂背景下运动结构测量过程中对多圆识别及圆心的定位，具体如图1所示：
步骤1)，采用圆形贴片对结构表面进行标记，利用高速相机对复杂背景下已标记结构的运动进行视频记录，将视频图像逐帧进行灰度化处理；
步骤2)，采用Sobel算子对灰度化图像进行边缘检测，依据像素连通性理论划分边缘子集；
步骤3)，依据边缘子集的区域几何特性对边缘子集进行初步筛选，去除复杂背景及部分非圆特征的边缘信息；根据边缘子集的端点和节点之间的数量关系将筛选后的边缘子集分为非封闭边缘和封闭边缘两类，并对非封闭边缘和封闭边缘分别进行有效边缘像素提取；
步骤4)，将复杂背景下的圆形目标分为非封闭圆和封闭圆两类，对步骤(3)中的非封闭边缘和封闭边缘分别进行筛选，识别非封闭圆和封闭圆，利用识别出的圆形目标有效边缘像素坐标拟合计算圆心亚像素坐标；
步骤5)，逐帧重复步骤2)——步骤4)，获取不同帧图像的圆心亚像素坐标，对结构运动进行测量。
在一个具体实施例中，以悬壁梁自动振动测量为例进行说明，即测量力锤激励后悬壁梁自动振动的过程。具体的，如图2所示，该实施例中，该结构运动视觉测量的圆识别及圆心定位方法包括以下步骤：
步骤S101、采集运动结构的视频图像。
具体的，本实施例中，在对运动结构的视频图像进行采集之前，采用圆形贴片对运动结构表面进行标记，然后再利用高速相机对复杂背景下已标记的运动结构的运动进行视频记录，获得运动结构的视频图像。
步骤S102、对视频图像的每一帧进行灰度化处理，获得灰度化图像。
具体的，该步骤中，对视频图像的每一帧进行灰度化处理，获得灰度化图像包括：获取视频图像的每一帧的彩色图像的红色像素值、绿色像素值以及蓝色像素值；对每一帧的彩色图像的红色像素值、绿色像素值以及蓝色像素值进行加权平均计算，获得灰度化图像。
具体的，本实施例中，将视频图像中的每一帧的图像RGB三个分量进行加权平均计算，完成灰度化处理。其中，计算公式为：
Gray＝0.299×R+0.587×G+0.144×B(1)。
(1)式中，Gray为图像像素灰度值，R为红色像素值、G为绿色像素值、B为蓝色像素值。
步骤S103、对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集。
具体的，该步骤中，对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集包括：采用边缘检测算子对每一帧灰度化图像进行边缘检测，并依据像素连通性理论进行子集划分，获得每一帧灰度化图像的边缘子集。
其中，采用边缘检测算子对每一帧灰度化图像进行边缘检测，并依据像素连通性理论进行子集划分，获得每一帧灰度化图像的边缘子集包括：将水平方向的边缘检测算子和竖直方向的边缘检测算子分别与灰度化图像进行卷积计算，分别获得灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值；根据灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值进行计算，获得像素点的梯度幅值；根据像素点的梯度幅值和边缘检测阈值进行边缘检测，获得二值图像；根据像素连通性理论对二值图像进行子集划分，获得每一帧灰度化图像的边缘子集。
本实施例中，根据像素连通性理论对二值图像进行子集划分，获得每一帧灰度化图像的边缘子集包括：确定领域连通依据；对二值图像中所有的边缘像素点根据领域连通依据依次进行判断，并将所有满足领域连通依据的边缘像素点划分为一个边缘子集，获得每一帧灰度化图像的边缘子集。
本实施例中，采用边缘检测算子(Sobel算子)对灰度化图像进行边缘检测，依据像素连通性理论划分边缘子集。具体操作如下：
首先，将水平方向的Sobel算子分别和灰度化图像进行卷积计算，获取灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值，即：
(2)式中，Gx、Gy为像素点(x,y)在水平和竖直方向的梯度幅值，I(x,y)为图像像素点(x,y)灰度值，代表卷积运算。
其次，通过灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值，可以得到像素点的梯度幅值G(x,y)，即：
(3)式中G(x,y)为像素点的梯度幅值。
接着，根据所设定的边缘检测阈值和像素点的梯度幅值进行边缘检测，获得二值图像。即将梯度幅值G(x,y)大于边缘检测阈值的像素点输出像素值为1作为检测出来的边缘，将梯度幅值G(x,y)小于边缘检测阈值的像素点输出像素值为0作为背景，最终经过边缘检测后输出的图像是二值图像，即二值图像为图像像素点取值只有1或0。具体来说，二值图像是指图像上的每一个像素只有两种可能的取值或灰度等级状态---白色和黑色(即如图3所示)。其中，边缘检测阈值按照全局边缘梯度幅值计算而得，计算公式为：
(4)式中，T为边缘检测阈值，s为比例因子，n为图像水平方向的像素的数量，m为图像竖直方向的像素的数量，G(x，y)为像素点的梯度幅值。
最后，根据像素连通性理论对二值图像进行边缘子集划分，获得每一帧灰度化图像的边缘子集。具体的，先确定领域连通依据。该步骤中，可以选取像素点的8领域连通性作为依据。即若边缘像素点M(x，y)在边缘像素点P(x，y)的8邻域N8(P(x，y))内(数学表达为：M(x，y)∈N8(P(x，y)))，则将这两个边缘像素点划分为一个边缘子集。本实施例中，边缘像素点是指检测出来的图像边缘的像素点，即如图3中所有白色像素点均为边缘像素点。其中，图像像素点I(x，y)的8邻域N8(I(x，y))表示为：
N8(I(x，y))＝{(x-1，y-1)，(x-1，y)，(x-1，y+1)，(x，y-1)，(x，y+1)，(x+1，y-1)，(x+1，y)，(x+1，y+1)} (5)。
对二值图像中所有的边缘像素点依次进行判断，将所有满足8领域通连的边缘像素点划分为一个边缘子集。
步骤S104、根据每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素。
本实施例中，根据每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素包括：对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集；对预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘；对每一帧灰度化图像的非封闭边缘和封闭边缘分别进行有效边缘像素提取，获得每一帧灰度化图像的非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素。
其中，对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集包括：获取边缘子集的区域几何特征；根据区域几何特征判断边缘子集是否满足条件；若不满足条件，则将不满足条件的边缘子集所在像素点的像素值置0；若满足条件，则将所有满足条件的边缘子集整合为预处理的边缘子集。
本实施例中，对预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：获取预处理的边缘子集的端点数和节点数；根据端点数和节点数之间的数量关系对预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘。其中，根据端点数和节点数之间的数量关系对预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：若预处理的边缘子集的端点数与节点数之间的差值为2，则将预处理的边缘子集划分为非封闭边缘；若预处理的边缘子集的端点数与节点数相同，则将预处理的边缘子集划分为封闭边缘。
具体的，依据边缘子集的区域几何特征对边缘子集进行初步筛选，去除复杂背景及部分非圆特征的边缘信息，获得预处理的边缘子集。其中，依据边缘子集的区域几何特征对边缘子集进行筛选的具体要求是满足以下四个条件：
(6)式中，Rmin、Rmax为人为输入参数中的最小圆半径、最大圆半径，dx、dy为边缘子集在水平、竖直方向的像素跨度值，N为边缘子集包含的像素点数。
将不满足(6)式中四个条件的所有边缘子集所在像素点的像素值置0，在后续分析中视为背景不再考虑。
考虑图像质量和复杂背景成分的影响，圆边缘检测出现间断点导致边缘不封闭、边缘具有多个分支等现象，如图3和图4所示，图3是边缘具有间断点不封闭且具有分支的示例图，图4是边缘检测后封闭圆具有分支的示例图。通过边缘子集的端点和节点之间的数量关系将筛选后的边缘子集分为非封闭边缘和封闭边缘两类，同时对非封闭边缘和封闭边缘分别进行有效边缘像素提取。
具体的，本实施例中，端点的定义为：对于某边缘子集S中的某个像素占PSi，若该像素点的8领域内仅存在1个边缘像素点，则该像素点PSi为该边缘子集S的端点。节点的定义为：若该像素点的8邻域内至少存在3个边缘像素点，则该像素点PSi称为是该边缘子集S的节点。其中，端点和节点的形象化含义如图5所示。图中网格为中心边缘像素的8领域，图中共有3个边缘像素点为端点，1个边缘像素点为节点。
对于非封闭边缘和封闭边缘检测的分类标准为：对于非封闭边缘，其所在的边缘子集的端点数与节点数差为2；对于封闭边缘，其所在的边缘子集的端点数和节点数相同。因此，对初步筛选后的边缘子集分为非封闭边缘和封闭边缘两类：满足端点数和节点数之差为2的边缘子集为非封闭边缘；满足端点数和节点数相同的边缘子集为封闭边缘。
本实施例中，对于有效边缘像素的提取具体为：如果边缘子集存在1个或以上的节点，则该边缘子集具有由于噪声造成的无效分支。将节点和节点之间、节点和端点、端点和端点之间的边缘像素视为不同边缘分支。对于非封闭圆边缘，将所有边缘分支进行组合，带入圆方程拟合计算圆心，统计不同组合获取的圆心坐标，对比不同组合下圆心坐标进行离群值分析，离群值所在的组合里含有的特定边缘分支(特定边缘分支是指其他组合里没有的边缘)视为对圆心影响较大的边缘分支，即为无效边缘分支，去除无效边缘分支后的边缘子集像素点为有效边缘像素。对于封闭边缘，节点-端点分支为无效边缘分支，去除无效边缘分支后的边缘子集像素点为有效边缘像素。将无效边缘分支的像素值置0，后续不再考虑。
步骤S105、对非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆。
本实施例中，对非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆包括：获取非封闭边缘的所有边缘子集；将非封闭边缘的所有边缘子集平均划分，获得第一部分边缘子集和第二部分边缘子集；将第一部分边缘子集的所有有效边缘像素坐标代入圆的方程中进行计算，获得第一圆心坐标和第一半径；将第二部分边缘子集的所有有效边缘像素坐标代入圆的方程中进行计算，获得第二圆心坐标和第二半径；根据第一圆心坐标和第二圆心坐标进行计算，获得第一圆心坐标和第二圆心坐标之间的欧氏距离；根据欧氏距离对非封闭边缘进行筛选，获得非封闭圆。
具体的，对于非封闭圆的筛选识别：取非封闭边缘的有效边缘像素的二分之一(即第一部分边缘子集)，将第一部分边缘子集所有的有效边缘像素坐标代入到圆的方程中，拟合计算第一圆心坐标O1和第一半径R1；将非封闭边缘的边缘子集的另二分之一(即第二部分边缘子集)所有的像素坐标代入圆的方程中，拟合计算得到第二圆心坐标O2和第二半径R2；计算O1和O2的欧氏距离；根据O1和O2的欧氏距离、第一半径R1和第二半径R2对非封闭边缘进行筛选，识别出非封闭圆。其中，欧氏距离小于两个半径之和的5％的识别为非封闭圆。即：
根据(7)式即可识别出非封闭圆(非封闭圆可用nno_close表示)，其中，为O1和O2的欧氏距离。
本实施例中，对非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆包括：获取封闭边缘的所有边缘子集；计算每一个封闭边缘的有效边缘像素围成区域的面积和周长；计算每一个封闭边缘的有效边缘像素围成区域的面积与周长平方的比值，获得所有边缘子集围成区域的面积与周长平方的比值；根据比值对封闭边缘进行筛选，获得封闭圆。
具体的，对于封闭圆的筛选识别：计算每一个封闭边缘的有效边缘像素围成区域的面积(S)和周长(L)，再计算每一个封闭边缘的面积S和周长平方L的比值D，将所有封闭边缘的面积S和周长L平方的比值D从高到低进行排序，选取前nclose个比值D对应的封闭边缘作为筛选识别出的封闭圆。
其中，D可表示为：
nclose＝ncircle-nno_close (9)。
(8)式中，D为面积S与周长L平方的比值；(9)式中，ncircle为图像中需要识别圆形目标的个数，nno_close为识别出的非封闭圆个数。
步骤S106、根据非封闭圆的有效边缘像素和封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标。
本实施例中，根据非封闭圆的有效边缘像素和封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标包括：将非封闭圆的所有边缘子集的所有有效边缘像素的坐标代入圆的方程中进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标；将封闭圆的所有边缘子集的所有有效边缘像素的坐标代入圆的方程中进行计算，获得每一帧灰度化图像的封闭圆的圆心亚像素坐标。
具体的，将筛选识别出的非封闭圆和封闭圆的边缘子集的所有边缘像素坐标代入圆的方程中，拟合计算亚像素圆位置坐标，其中，非封闭圆和封闭圆均可通过以下方法计算亚像素圆心位置坐标。具体计算如下：
在圆上的点均满足圆的方程：
x2+y2+a1x+a2y+a3＝0 (10)。
(10)式中，x、y为点的坐标，a1、a2、a3为圆方程的系数。
若有n个点在圆上，将圆的方程用矩阵表示为：
由圆方程的矩阵表达(即(11)式)可求解圆的方程系数a1、a2、a3，即：
[a1 a2 a3]T＝-(AT A-1)ATB (12)。
(12)式中，
由圆的方程的系数可以求出圆的圆心(xo,yo)及半径RO：
最终识别出来的圆边界和亚像素圆心坐标如图6所示，其中o1为识别出的非封闭圆和其圆心位置，o2为识别出的封闭圆和其圆心位置。
进一步地，如图2所示，在步骤S106之后还包括：
步骤S107、获取不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标。
步骤S108、根据不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标对运动结构进行运动测量。
具体的，该步骤中，设初始帧时刻圆形目标的圆心坐标为(x0,y0)，第i帧时圆形目标的圆心坐标为(xi,yi)，则结构运动可计算为：
(14)式中，sx、sy分别为水平和竖直方向上单位像素对应的实际物理长度。
本实施例结构的主要运动方向为激励方向，即图像的水平方向。因此在水平方向测量出的悬臂梁的自由振动位移如图7～图9所示，图7为结构由上到下第一个点的水平方向的位移，图8为结构由上到下第二个点的水平方向的位移，图9为结构由上到下第四个点的水平方向的位移。随着时间增加，每个点的位移响应逐渐减小，随着测点越来越靠近固定端(由图7到图8再到9)，测点的位移响应也越来越小，符合力学原理，测量无误。
本发明在边缘检测后划分了边缘子集并结合区域几何特性对其进行筛选，提高了有效圆形目标的识别速度与精度；通过对边缘子集有效边缘像素进行提取，增加了圆心定位的精度；将圆形目标分为非封闭圆和封闭圆两类，分别对这两种类型的圆形目标进行圆识别与圆心定位，提高了测量精度，增加在复杂背景下测量的鲁棒性；实现了亚像素精度的圆心定位，增加了运动测量的精度；提高了在复杂背景下结构运动测量过程中对多个小尺寸圆识别及圆心定位的效率与精度，增强了运动测量的准确性与精准度。
本发明还提供一种结构运动视觉测量的圆识别及圆心定位装置，包括：
图像采集单元，用于采集运动结构的视频图像。
灰度处理单元，用于对视频图像的每一帧进行灰度化处理，获得灰度化图像。
边缘检测及划分单元，用于对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集。
分类提取单元，用于根据每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素。
圆识别单元，用于对非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆。
圆心定位单元，用于根据非封闭圆的有效边缘像素和封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标。
进一步地，该结构运动视觉测量的圆识别及圆心定位装置还包括：
运动测量单元，用于：获取不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标；根据不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标对运动结构进行运动测量。
具体的，这里的结构运动视觉测量的圆识别及圆心定位装置中各单元之间具体的配合操作过程具体可以参照上述结构运动视觉测量的圆识别及圆心定位方法，这里不再赘述。
另，本发明的一种电子设备，包括存储器和处理器；存储器用于存储计算机程序；处理器用于执行计算机程序实现如上面任意一项的结构运动视觉测量的圆识别及圆心定位方法。具体的，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明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电子设备下载和安装并且执行时，执行本发明实施例的方法中限定的上述功能。本发明中的电子设备可为笔记本、台式机、平板电脑、智能手机等终端，也可为服务器。
另，本发明的一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上面任意一项的结构运动视觉测量的圆识别及圆心定位方法。具体的，需要说明的是，本发明上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本发明中，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。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。

Claims (13)

1.一种结构运动视觉测量的圆识别及圆心定位方法，其特征在于，包括以下步骤：
采集运动结构的视频图像；
对所述视频图像的每一帧进行灰度化处理，获得灰度化图像；
对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集；
根据所述每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素；所述根据所述每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素包括：对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集；对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘；对每一帧灰度化图像的非封闭边缘和封闭边缘分别进行有效边缘像素提取，获得每一帧灰度化图像的非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素；
所述对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集包括：获取边缘子集的区域几何特征；根据所述区域几何特征判断所述边缘子集是否满足条件；若不满足条件，则将不满足条件的边缘子集所在像素点的像素值置0；若满足条件，则将所有满足条件的边缘子集整合为预处理的边缘子集；
所述对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：获取所述预处理的边缘子集的端点数和节点数；根据所述端点数和所述节点数之间的数量关系对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘；
所述根据所述端点数和所述节点数之间的数量关系对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：若所述预处理的边缘子集的端点数与节点数之间的差值为2，则将所述预处理的边缘子集划分为非封闭边缘；若所述预处理的边缘子集的端点数与节点数相同，则将所述预处理的边缘子集划分为封闭边缘；
对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆；
根据所述非封闭圆的有效边缘像素和所述封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标。
2.根据权利要求1所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述对所述视频图像的每一帧进行灰度化处理，获得灰度化图像包括：
获取所述视频图像的每一帧的彩色图像的红色像素值、绿色像素值以及蓝色像素值；
对每一帧的彩色图像的红色像素值、绿色像素值以及蓝色像素值进行加权平均计算，获得所述灰度化图像。
3.根据权利要求1所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集包括：
采用边缘检测算子对每一帧灰度化图像进行边缘检测，并依据像素连通性理论进行子集划分，获得每一帧灰度化图像的边缘子集。
4.根据权利要求3所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述采用边缘检测算子对每一帧灰度化图像进行边缘检测，并依据像素连通性理论进行子集划分，获得每一帧灰度化图像的边缘子集包括：
将水平方向的边缘检测算子和竖直方向的边缘检测算子分别与灰度化图像进行卷积计算，分别获得灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值；
根据所述灰度化图像水平方向的梯度幅值和竖直方向的梯度幅值进行计算，获得像素点的梯度幅值；
根据所述像素点的梯度幅值和边缘检测阈值进行边缘检测，获得二值图像；
根据像素连通性理论对所述二值图像进行子集划分，获得每一帧灰度化图像的边缘子集。
5.根据权利要求4所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述根据像素连通性理论对所述二值图像进行子集划分，获得每一帧灰度化图像的边缘子集包括：
确定领域连通依据；
对所述二值图像中所有的边缘像素点根据所述领域连通依据依次进行判断，并将所有满足所述领域连通依据的边缘像素点划分为一个边缘子集，获得每一帧灰度化图像的边缘子集。
6.根据权利要求1所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆包括：
获取所述非封闭边缘的所有边缘子集；
将所述非封闭边缘的所有边缘子集平均划分，获得第一部分边缘子集和第二部分边缘子集；
将所述第一部分边缘子集的所有有效边缘像素坐标代入圆的方程中进行计算，获得第一圆心坐标和第一半径；
将所述第二部分边缘子集的所有有效边缘像素坐标代入圆的方程中进行计算，获得第二圆心坐标和第二半径坐标和第一半径；
根据所述第一圆心坐标和所述第二圆心坐标进行计算，获得所述第一圆心坐标和所述第二圆心坐标之间的欧氏距离；
根据所述欧氏距离对所述非封闭边缘进行筛选，获得非封闭圆。
7.根据权利要求1所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆包括：
获取所述封闭边缘的有效边缘像素；
计算每一个封闭边缘的有效边缘像素围成区域的面积和周长；
计算每一个封闭边缘的有效边缘像素围成区域的面积与周长平方的比值，获得所有边缘子集围成区域的面积与周长平方的比值；
根据所述比值对所述封闭边缘进行筛选，获得封闭圆。
8.根据权利要求1所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述根据所述非封闭圆的有效边缘像素和所述封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标包括：
将所述非封闭圆的所有边缘子集的所有有效边缘像素的坐标代入圆的方程中进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标；
将所述封闭圆的所有边缘子集的所有有效边缘像素的坐标代入圆的方程中进行计算，获得每一帧灰度化图像的封闭圆的圆心亚像素坐标。
9.根据权利要求1-8任一项所述的结构运动视觉测量的圆识别及圆心定位方法，其特征在于，所述方法还包括：
获取不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标；
根据不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标对所述运动结构进行运动测量。
10.一种结构运动视觉测量的圆识别及圆心定位装置，其特征在于，包括：
图像采集单元，用于采集运动结构的视频图像；
灰度处理单元，用于对所述视频图像的每一帧进行灰度化处理，获得灰度化图像；
边缘检测及划分单元，用于对每一帧灰度化图像进行边缘检测及子集划分，获得每一帧灰度化图像的边缘子集；
分类提取单元，用于根据所述每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素；所述根据所述每一帧灰度化图像的边缘子集进行分类及有效像素提取，获得每一帧灰度化图像的非封闭边缘和封闭边缘，以及非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素包括：对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集；对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘；对每一帧灰度化图像的非封闭边缘和封闭边缘分别进行有效边缘像素提取，获得每一帧灰度化图像的非封闭边缘的有效边缘像素和封闭边缘的有效边缘像素；
所述对每一帧灰度化图像的边缘子集进行初步筛选，获得预处理的边缘子集包括：获取边缘子集的区域几何特征；根据所述区域几何特征判断所述边缘子集是否满足条件；若不满足条件，则将不满足条件的边缘子集所在像素点的像素值置0；若满足条件，则将所有满足条件的边缘子集整合为预处理的边缘子集；
所述对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：获取所述预处理的边缘子集的端点数和节点数；根据所述端点数和所述节点数之间的数量关系对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘；
所述根据所述端点数和所述节点数之间的数量关系对所述预处理的边缘子集进行分类，获得每一帧灰度化图像的非封闭边缘和封闭边缘包括：若所述预处理的边缘子集的端点数与节点数之间的差值为2，则将所述预处理的边缘子集划分为非封闭边缘；若所述预处理的边缘子集的端点数与节点数相同，则将所述预处理的边缘子集划分为封闭边缘；
圆识别单元，用于对所述非封闭边缘和封闭边缘分别进行筛选，识别出非封闭圆和封闭圆；
圆心定位单元，用于根据所述非封闭圆的有效边缘像素和所述封闭圆的有效边缘像素进行计算，获得每一帧灰度化图像的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标。
11.根据权利要求10所述的结构运动视觉测量的圆识别及圆心定位装置，其特征在于，还包括：
运动测量单元，用于：
获取不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标；
根据不同帧灰度化图低的非封闭圆的圆心亚像素坐标和封闭圆的圆心亚像素坐标对所述运动结构进行运动测量。
12.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1至9任一项所述的结构运动视觉测量的圆识别及圆心定位方法的步骤。
13.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如权利要求1至9任一项所述的结构运动视觉测量的圆识别及圆心定位方法的步骤。
CN202310851741.XA 2023-07-11 2023-07-11 结构运动视觉测量的圆识别及圆心定位方法和装置 Active CN117011596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310851741.XA CN117011596B (zh) 2023-07-11 2023-07-11 结构运动视觉测量的圆识别及圆心定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310851741.XA CN117011596B (zh) 2023-07-11 2023-07-11 结构运动视觉测量的圆识别及圆心定位方法和装置

Publications (2)

Publication Number Publication Date
CN117011596A CN117011596A (zh) 2023-11-07
CN117011596B true CN117011596B (zh) 2024-08-13

Family

ID=88568345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310851741.XA Active CN117011596B (zh) 2023-07-11 2023-07-11 结构运动视觉测量的圆识别及圆心定位方法和装置

Country Status (1)

Country Link
CN (1) CN117011596B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651828A (zh) * 2016-09-21 2017-05-10 哈尔滨工业大学 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法
CN114445404A (zh) * 2022-04-06 2022-05-06 湖南大学 基于亚像素边缘检测的结构振动响应自动识别方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9721358B2 (en) * 2015-08-13 2017-08-01 Excelsius Medical Co., Ltd. Method, system, and non-transitory computer readable medium for video-based circular object localization
CN115100240A (zh) * 2022-06-20 2022-09-23 中国工商银行股份有限公司 视频中的物体追踪方法及装置、电子设备、存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651828A (zh) * 2016-09-21 2017-05-10 哈尔滨工业大学 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法
CN114445404A (zh) * 2022-04-06 2022-05-06 湖南大学 基于亚像素边缘检测的结构振动响应自动识别方法及系统

Also Published As

Publication number Publication date
CN117011596A (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
US8086041B2 (en) Pattern evaluation method, pattern matching method and computer readable medium
CN113498528A (zh) 图像缺陷确定方法与装置、电子设备及存储介质
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN111259908A (zh) 基于机器视觉的钢卷号识别方法、系统、设备及存储介质
US6507675B1 (en) Structure-guided automatic learning for image feature enhancement
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN115063618B (zh) 一种基于模板匹配的缺陷定位方法、系统、设备及介质
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN113673515A (zh) 一种计算机视觉目标检测算法
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN112926695A (zh) 基于模板匹配的图像识别方法和系统
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN113408519A (zh) 一种基于模板旋转匹配的指针仪表读数的方法及系统
CN117351063A (zh) 测量微纳器件尺寸的方法、装置、设备及存储介质
CN117314901A (zh) 一种尺度自适应的芯片检测神经网络系统
CN117011596B (zh) 结构运动视觉测量的圆识别及圆心定位方法和装置
CN111178111A (zh) 二维码检测方法、电子设备、存储介质及系统
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
CN115471494A (zh) 基于图像处理的沃柑质检方法、装置、装备及存储介质
CN114677428A (zh) 基于无人机图像处理的输电线覆冰厚度检测方法
CN110188601B (zh) 一种基于学习的机场遥感图像检测方法

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