基于ransac的激光網(wǎng)格標(biāo)記圖像特征提取的制作方法
【專利摘要】在用視覺傳感器對工件的表面進行特征提取的過程中，工件表面的自然特征往往表現(xiàn)得不夠明顯，使得后續(xù)的處理非常困難。因此，經(jīng)常使用激光網(wǎng)格投影到待檢測的工件表面，使工件表面具備確定的可識別特征。針對激光網(wǎng)格標(biāo)記圖像特點，在RANSAC(Random Sample Consensus)算法的基礎(chǔ)上，提出了像素權(quán)重化和假設(shè)模型預(yù)檢驗的方法，用于激光網(wǎng)格標(biāo)記的特征提取。實驗結(jié)果表明，該方法不僅克服了RANSAC算法計算量大的缺點，在實際圖像的激光網(wǎng)格標(biāo)記特征提取過程中也具有很好的準確性和魯棒性。
【專利說明】
基于RANSAC的激光網(wǎng)格標(biāo)記圖像特征提取
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種基于RANSAC(RandomSampIe Consensus)的激光網(wǎng)格標(biāo)記圖像特征提取方法。
【背景技術(shù)】
[0002]目標(biāo)識別是計算機在智能化領(lǐng)域的一個重要分支，目標(biāo)識別實質(zhì)就是目標(biāo)特征空間到識別樣本空間的一種映射。目標(biāo)識別已廣泛應(yīng)用于工業(yè)制造、信息安全、門禁安全、車牌識別等領(lǐng)域。目標(biāo)識別在視覺領(lǐng)域又被稱為特征提取。
[0003]圖像的特征提取是指提取能夠反映圖像內(nèi)容本質(zhì)屬性的特征的過程，如點、線、邊緣、紋理等。在圖像的特征提取中，顯著點是圖像中能引起視覺注意的感興趣區(qū)域的一些相對穩(wěn)定而突出的點。它包含了圖像的顏色、形狀、紋理等特征信息。利用圖像中顯著點作為視點線索，從而找到視覺重要的局部區(qū)。但是往往物體表面的自然特征表現(xiàn)得不夠明顯，使得后續(xù)的處理非常困難，這種無標(biāo)記的測量方式就受到很大的限制，要提高測量的精確性和可靠性，必須把物體表面的特征凸顯出來，因此需要對物體表面進行標(biāo)記。而使用網(wǎng)格激光器向物體表面附加網(wǎng)格便是其中最常用的一種方法。本發(fā)明針對激光網(wǎng)格的直線特征提取進行研究。
[0004]目前，直線特征的提取算法主要有霍夫變換和RANSAC算法等?；舴蜃儞Q是圖像處理中的一種特征提取技術(shù)，它通過一種投票算法檢測具有特定形狀的物體。該過程在一個參數(shù)空間中通過計算累計結(jié)果的局部最大值得到一個符合該特定形狀的集合作為霍夫變換結(jié)果。經(jīng)典霍夫變換用來檢測圖像中的直線、圓和橢圓等。霍夫變換運用兩個坐標(biāo)空間之間的變換將在一個空間中具有相同形狀的曲線或直線映射到另一個坐標(biāo)空間的一個點上形成峰值，從而把檢測任意形狀的問題轉(zhuǎn)化為統(tǒng)計峰值問題。然而，霍夫變換需占用大量內(nèi)存空間，耗時久、實時性差；另外，現(xiàn)實中的圖像一般都受到外界噪聲的干擾，信噪比較低，此時常規(guī)霍夫變換的性能將急劇下降，進行參數(shù)空間極大值的搜索時由于合適的閾值難以確定，往往出現(xiàn)“虛峰”和“漏檢”的問題。
[0005]RANSAC是根據(jù)一組包含異常數(shù)據(jù)的樣本數(shù)據(jù)集，計算出數(shù)據(jù)的數(shù)學(xué)模型參數(shù)，得到有效樣本數(shù)據(jù)的算法。它于1981年由Fischler和Bolles最先提出。RANSAC的優(yōu)點是它能魯棒地估計模型參數(shù)。例如，它能從包含大量局外點的數(shù)據(jù)集中估計出高精度的參數(shù)。RANSAC的缺點是計算量大，實驗的結(jié)果和閾值的選擇有較大的關(guān)聯(lián)。

【發(fā)明內(nèi)容】

[0006]本發(fā)明針對現(xiàn)有技術(shù)存在的上述不足，提出一種基于RANSAC的特征提取新方法。本發(fā)明可以有效地削弱了不同閾值對實驗結(jié)果的影響，擁有更加優(yōu)秀的魯棒性;此外，本發(fā)明克服RANSAC算法計算量大的缺點，很好地提高了特征提取速度。
[0007]本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括以下步驟:
[0008]第一步，將原始圖像A變?yōu)榛叶葓D像B，并計算每個像素點的灰度值。根據(jù)像素的灰度值，為每個像素分配權(quán)重值，灰度值越高，則分配的權(quán)重值越大。
[0009]第二步，將灰度圖像B變?yōu)槎祱D像C，并將像素值為I的像素點的坐標(biāo)記錄在Data中。
[0010]第三步，確定改進RANSAC算法的最大循環(huán)次數(shù)m和殘差閾值Θ，以及假設(shè)模型預(yù)檢驗時選取的點數(shù)X。
[0011]第四步，在Data中隨機選取X個不同的點，點的坐標(biāo)記作集合Z，在Z中隨機選取兩個點確定一條直線L。分別計算剩余x-2個點到直線L的距離，記作Di(i = l，...，x-2)，若Di〈0，則該點為內(nèi)點，將所有內(nèi)點坐標(biāo)的集合記作W。若W為空集，則循環(huán)執(zhí)行第四步，直至W不為空集。如W不為空集，則此時Z中隨機選取兩個點所確定的直線即為符合要求的假設(shè)模型。(該步即為假設(shè)模型預(yù)檢驗)
[0012]第五步，計算Data中所有點到第四步中假設(shè)模型的距離，記作Ei(i = l，…，Data-2)，若Ei〈Θ，則該點為內(nèi)點，將所有內(nèi)點坐標(biāo)的集合記作Y。計算Y中所有內(nèi)點坐標(biāo)的權(quán)重值之和，記作S。
[0013]第六步，重復(fù)第四步和第五步，直至達到最大循環(huán)次數(shù)m。該過程可以得到多個S值，找出其中最大的S值，記作Smax。則獲得Smax所對應(yīng)的兩個隨機點所確定的直線模型，即為最優(yōu)擬合直線。
[0014]第七步，將最優(yōu)擬合直線的所有內(nèi)點，都從Data中剔除。
[0015]第八步，確定所需擬合直線的數(shù)量，記作n，重復(fù)η次第四步到第七步，即可找到η條擬合直線。
[0016]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:通過設(shè)定像素權(quán)重等方法，有效地降低了不同殘差閾值對結(jié)果的影響；提出了一種假設(shè)模型預(yù)檢驗的方法，直接排除一些大概率不符合要求的模型，很好地提高了檢測速度。
【具體實施方式】
[0017]下面對本發(fā)明的實施例作詳細說明:本實施例在以本發(fā)明技術(shù)方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實施例。
[0018]本實施例是提取激光網(wǎng)格標(biāo)記圖像中的直線特征，因激光網(wǎng)格標(biāo)記圖像背景復(fù)雜、多目標(biāo)及灰度相近等特點使得目標(biāo)對象的特征提取困難。本實施例選取電梯導(dǎo)軌表面的激光網(wǎng)格標(biāo)記圖像進行直線特征的提取，如圖1所示。
[0019]第一步，將原始圖像A變?yōu)榛叶葓D像B，并計算每個像素點的灰度值。根據(jù)像素的灰度值，為每個像素分配權(quán)重值，灰度值越高，則分配的權(quán)重值越大。
[0020]所述的像素權(quán)重值，具體是:灰度在150-185的點權(quán)重設(shè)為0.5，灰度在185-220的點權(quán)重設(shè)為0.8，灰度在220-255的點權(quán)重設(shè)為I。
[0021]第二步，將灰度圖像B變?yōu)槎祱D像C，并將像素值為I的像素點的坐標(biāo)記錄在Data中。
[0022]第三步，確定改進RANSAC算法的最大循環(huán)次數(shù)m和殘差閾值Θ，以及假設(shè)模型預(yù)檢驗時選取的點數(shù)X。
[0023]所述的假設(shè)模型預(yù)檢驗，具體是:傳統(tǒng)的RANSAC算法擬合直線的過程如下:首先隨機選擇兩個點作為局內(nèi)點，并用這兩個點構(gòu)建直線，作為假設(shè)模型;然后，計算圖像上剩下的點到直線的距離，將距離小于閾值的點記為內(nèi)點，計算內(nèi)點的數(shù)量;最后，重復(fù)以上步驟，將內(nèi)點數(shù)最多的直線模型當(dāng)作最優(yōu)模型。傳統(tǒng)的RANSAC算法在每個循環(huán)中，都需要計算圖像中所有的點到假設(shè)模型的距離，這一過程需要很大的計算量。為了克服這個缺點，本發(fā)明提出了一種假設(shè)模型預(yù)檢驗的方法。在構(gòu)建假設(shè)模型的時候，一次選取η個點(n>2)，用其中兩個點構(gòu)建直線模型，計算剩余η-2個點到直線模型的距離，若η-2個點均為局外點，則舍棄該假設(shè)模型，用上述方法重新構(gòu)建新的假設(shè)模型，直至找到有局內(nèi)點的假設(shè)模型，再進行余下的操作。其中，η的取值可以根據(jù)具體的情況來確定。
[0024]第四步，在Data中隨機選取X個不同的點，點的坐標(biāo)記作集合Ζ，在Z中隨機選取兩個點確定一條直線L。分別計算剩余x-2個點到直線L的距離，記作Di(i = l，...，x-2)，若Di〈0，則該點為內(nèi)點，將所有內(nèi)點坐標(biāo)的集合記作W。若W為空集，則循環(huán)執(zhí)行第四步，直至W不為空集。如W不為空集，則此時Z中隨機選取兩個點所確定的直線即為符合要求的假設(shè)模型。(該步即為假設(shè)模型預(yù)檢驗)
[0025]第五步，計算Data中所有點到第四步中假設(shè)模型的距離，記作Ei(i = I，…，Data-
2)，若Ei〈Θ，則該點為內(nèi)點，將所有內(nèi)點坐標(biāo)的集合記作Y。計算Y中所有內(nèi)點坐標(biāo)的權(quán)重值之和，記作S。
[0026]第六步，重復(fù)第四步和第五步，直至達到最大循環(huán)次數(shù)m。該過程可以得到多個S值，找出其中最大的S值，記作Smax。則獲得Smax所對應(yīng)的兩個隨機點所確定的直線模型，即為最優(yōu)擬合直線。
[0027]第七步，將最優(yōu)擬合直線的所有內(nèi)點，都從Data中剔除。
[0028]第八步，確定所需擬合直線的數(shù)量，記作n，重復(fù)η次第四步到第七步，即可找到η條擬合直線。
[0029]實施效果
[0030]如圖2所示，為算法流程圖，按照該流程，輸入原始圖像，便可以得到激光網(wǎng)格的特征提取結(jié)果。在本文的實驗中，所提出的特征提取算法由英特爾2.2GHz的CPU的個人計算機執(zhí)行。在代碼沒有優(yōu)化的情況下，1024X1024分辨率的圖像檢測以平均每6.8秒I幀的速度完成。如圖3所示，為其中一次激光網(wǎng)格特征提取的結(jié)果。(黑色線條為激光網(wǎng)格線，白色線條為擬合所得直線)
[0031 ]本實施例針對RANSAC算法進行特征提取時算法的提取速度慢、參數(shù)敏感等問題，提出了一種改進的RANSAC特征提取算法。算法采用像素權(quán)重化的方法，很好地提高了魯棒性；同時，算法采用假設(shè)模型預(yù)檢驗的方法，大大提高了算法的速度。實驗證明，此算法進行激光網(wǎng)格的特征提取，既保證了精度又提高了速度，是一種精確快速的特征提取算法。
【附圖說明】
[0032]圖1電梯導(dǎo)軌表面的激光網(wǎng)格標(biāo)記圖像；
[0033]圖2算法流程圖；
[0034]圖3激光網(wǎng)格直線特征提取結(jié)果。
【主權(quán)項】
1.一種基于RANSAC的激光網(wǎng)格標(biāo)記圖像特征提取方法，其特征在于，包括以下步驟: 第一步，將原始圖像A變?yōu)榛叶葓D像B，并計算每個像素點的灰度值。根據(jù)像素的灰度值，為每個像素分配權(quán)重值，灰度值越高，則分配的權(quán)重值越大。 第二步，將灰度圖像B變?yōu)槎祱D像C，并將像素值為I的像素點的坐標(biāo)記錄在Data中。第三步，確定改進RANSAC算法的最大循環(huán)次數(shù)m和殘差閾值Θ，以及假設(shè)模型預(yù)檢驗時選取的點數(shù)X。 第四步，在Data中隨機選取X個不同的點，點的坐標(biāo)記作集合Z，在Z中隨機選取兩個點確定一條直線L。分別計算剩余x-2個點到直線L的距離，記作Di(i = l，…，x-2)，若Di〈0，則該點為內(nèi)點，將所有內(nèi)點坐標(biāo)的集合記作W。若W為空集，則循環(huán)執(zhí)行第四步，直至W不為空集。如W不為空集，則此時Z中隨機選取兩個點所確定的直線即為符合要求的假設(shè)模型。(該步即為假設(shè)模型預(yù)檢驗) 第五步，計算Data中所有點到第四步中假設(shè)模型的距離，記作Ei(i = l，…，Data-2)，若Ει<θ，則該點為內(nèi)點，將所有內(nèi)點坐標(biāo)的集合記作Y。計算Y中所有內(nèi)點坐標(biāo)的權(quán)重值之和，記作S。 第六步，重復(fù)第四步和第五步，直至達到最大循環(huán)次數(shù)m。該過程可以得到多個S值，找出其中最大的S值，記作Smax。則獲得Smax所對應(yīng)的兩個隨機點所確定的直線模型，即為最優(yōu)擬合直線。 第七步，將最優(yōu)擬合直線的所有內(nèi)點，都從Data中剔除。 第八步，確定所需擬合直線的數(shù)量，記作η，重復(fù)η次第四步到第七步，即可找到η條擬合直線。2.根據(jù)權(quán)利要求1所述的基于RANSAC的激光網(wǎng)格標(biāo)記圖像特征提取方法，其特征是，所述的像素權(quán)重值，具體是:根據(jù)激光網(wǎng)格區(qū)域的亮度，將灰度在150-185的點權(quán)重設(shè)為0.5，灰度在185-220的點權(quán)重設(shè)為0.8，灰度在220-255的點權(quán)重設(shè)為I。3.根據(jù)權(quán)利要求1所述的基于RANSAC的激光網(wǎng)格標(biāo)記圖像特征提取方法，其特征是，所述的假設(shè)模型預(yù)檢驗，具體是:傳統(tǒng)的RANSAC算法擬合直線的過程如下:首先隨機選擇兩個點作為局內(nèi)點，并用這兩個點構(gòu)建直線，作為假設(shè)模型；然后，計算圖像上剩下的點到直線的距離，將距離小于閾值的點記為內(nèi)點，計算內(nèi)點的數(shù)量;最后，重復(fù)以上步驟，將內(nèi)點數(shù)最多的直線模型當(dāng)作最優(yōu)模型。傳統(tǒng)的RANSAC算法在每個循環(huán)中，都需要計算圖像中所有的點到假設(shè)模型的距離，這一過程需要很大的計算量。為了克服這個缺點，本發(fā)明提出了一種假設(shè)模型預(yù)檢驗的方法。在構(gòu)建假設(shè)模型的時候，一次選取η個點(η>2)，用其中兩個點構(gòu)建直線模型，計算剩余η-2個點到直線模型的距離，若η-2個點均為局外點，則舍棄該假設(shè)模型，用上述方法重新構(gòu)建新的假設(shè)模型，直至找到有局內(nèi)點的假設(shè)模型，再進行余下的操作。其中，η的取值可以根據(jù)具體的情況來確定。
【文檔編號】G06K9/46GK105894000SQ201610184556
【公開日】2016年8月24日
【申請日】2016年3月28日
【發(fā)明人】秦煜, 吳靜靜, 安偉
【申請人】江南大學(xué)