本發(fā)明涉及光三維視覺測量
技術(shù)領(lǐng)域：
，特別是涉及一種激光光心提取方法。
背景技術(shù)：
：在結(jié)構(gòu)光三維視覺測量系統(tǒng)中，光條中心的提取精度直接影響到整個測量系統(tǒng)的測量精度。影響其提取精度的主要因素有：光平面自身“厚度”變化、光強的變化、被測物體表面的性質(zhì)、圖像采集系統(tǒng)內(nèi)部產(chǎn)生的熱噪聲和電噪聲等，而由后兩種情況造成的光條中心提取誤差屬于隨機誤差，故要提高光條中心的提取精度必須消除隨機噪聲的影響。目前常用的提取光條中心的方法可分為三類：閾值法、擬合曲線求極值法和重心法。2001年，吳劍波等提出了一種光刀中心自適應(yīng)閾值提取法。該方法結(jié)合了閾值法、極值法和重心法三種方法，其充分利用光強極值點附近所有點的光強信息，同時也克服了因光刀方向上光強分布不均給提取帶來的影響，利用極值點光強下浮幾個灰度級作為閾值的方法，能有效去除某些噪聲的影響，并將所處理的數(shù)據(jù)集中在光刀中心附件的小范圍內(nèi)，提高了運算的速度。2004年，梁治國等提出了及光光條的雙特征線亞像素級檢測算法。該方法借鑒傳統(tǒng)光切法思想，選擇激光光束內(nèi)一對共軛光平面作為光刀，同樣可以求取物體表面的兩條輪廓特征線。根據(jù)圖像處理技術(shù)中關(guān)于目標(biāo)邊緣檢測的基本原理，選擇激光光條中梯度最大的邊緣點集(以下稱為光刀特征線)來表征激光光束中光強相等的一對共扼光刀平面與物體表面的交線。針對所討論的激光圖像特征，利用基于灰度閉值方法檢測像素級邊緣之后，在邊緣位置上通過插值方法獲取亞像素級邊緣位置。2005年，黎明等提出了一種利用光強信息對結(jié)構(gòu)光輪廓提取進行修正的方法。該方法通過自行搭建的試驗裝置獲得原始光強圖像，有中心線法提取帶有誤差的輪廓，再使用光強分布對其進行修正。根據(jù)物體表面光強與表面法線方向的關(guān)系，用逐次逼近的方法驗證物體表面的法線方向。最后通過理論推導(dǎo)計算以及和之前獲得的輪廓進行比較，得到修正值。技術(shù)實現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是提供一種激光光心提取方法，能夠有效提取激光光心，并能夠定位至亞像素精度。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：提供一種激光光心提取方法，包括以下步驟：(1)根據(jù)混合高斯背景模型實現(xiàn)背景差分獲取運動的激光光條；(2)根據(jù)激光光心空間幾何分布確立激光光條的光心坐標(biāo)；(3)利用Hessian矩陣的特征值具有的方向性完成對激光光條的光心坐標(biāo)的亞像素定位。所述步驟(1)中將圖像當(dāng)前幀和高斯背景模型進行差分，以此判別灰度變化較大的區(qū)域為前景區(qū)域，灰度變化較小的區(qū)域為背景區(qū)域；其中，混合高斯背景模型是利用多個高斯模型來表征各像素點特征，對于任意像素點在t時刻的觀測值It，則該像素點屬于背景圖像的概率為其中，η(It,μi,t,Σi,t)為第i個高斯模型，μi,t為高斯分布的均值，Σi,t為高斯分布的協(xié)方差矩陣，ωi,t為高斯分布的權(quán)重。所述步驟(1)中還包括在t時刻對圖像序列的觀測值It和多個高斯模型進行匹配檢驗的步驟。所述步驟(2)具體為：先采用極值法在給定窗口下搜索激光光條的極值，再依據(jù)(3R-G-B)分量的取值來進行自適應(yīng)閾值從而判別出激光光心。有益效果由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點和積極效果：本發(fā)明依據(jù)混合高斯背景模型實現(xiàn)背景差分獲取運動的激光光條，遵循激光光心空間幾何分布確立激光光心坐標(biāo)，并利用Hessian矩陣的特征值具有的方向性定位亞像素激光光心坐標(biāo)，本發(fā)明能夠有效定位具有亞像素精度的激光光心坐標(biāo)。附圖說明圖1是激光掃描圖像顏色分布圖；圖2是極值法提取光條中心示意圖；圖3是激光光條提取圖；圖4是激光光心提取圖；圖5是激光光心法線方向標(biāo)識圖；圖6是本發(fā)明的流程圖。具體實施方式下面結(jié)合具體實施例，進一步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。本發(fā)明的實施方式涉及一種激光光心提取方法，如圖6所示，包括以下步驟：根據(jù)混合高斯背景模型實現(xiàn)背景差分獲取運動的激光光條；根據(jù)激光光心空間幾何分布確立激光光條的光心坐標(biāo)；利用Hessian矩陣的特征值具有的方向性完成對激光光條的光心坐標(biāo)的亞像素定位。激光光條提取本實施方式中建立基于混合高斯背景建模的背景差分法來檢測運動的激光。該模型通過將圖像當(dāng)前幀和背景模型進行差分，以此判別灰度變化較大的區(qū)域為前景區(qū)域，灰度變化較小的區(qū)域為背景區(qū)域。假定背景圖像為B(x,y,t)，當(dāng)前幀圖像為I(x,y,t)，將當(dāng)前幀圖像的灰度值與背景圖像的灰度值作差得到差值圖像，并將差值圖像與設(shè)定閾值Th相比較，若滿足式(1)，則將該像素判定為前景區(qū)域，置為1，若不滿足式(1)，則將該像素判定為背景區(qū)域，置為0。|I(x,y,t)-B(x,y,t)|＞Th(1)混合高斯背景模型是利用K個高斯模型來表征各像素點特征，其中K＝3～5，且隨著K值增大，處理波動能力增強，處理消耗時間增長。對于任意像素點在t時刻的觀測值It，則該點屬于背景圖像的概率為：p(It)=Σi=1Kωi,t×η(It,μi,t,Σi,t)---(2)]]>其中，η(It,μi,t,Σi,t)為第i個高斯模型，其表達式如(3)所示，i＝1,2,…,K，μi,t為高斯分布的均值，表現(xiàn)為高斯分布中心，Σi，t為高斯分布的協(xié)方差矩陣，表現(xiàn)為像素值的不穩(wěn)定度，ωi，t為高斯分布的權(quán)重，表示對應(yīng)模型的可靠度，且n表示It的維數(shù)，當(dāng)對灰度圖像背景建模時，n＝1。η(It,μi,t,Σi,t)=1(2π)n/2|Σi,t|1/2e12(It-μi,t)TΣi,t(It-μi,t)---(3)]]>為提高算法速度，降低計算復(fù)雜度，通常假定It各分量之間相互獨立，且具有相同的方差，則協(xié)方差矩陣表示為：Σi,t=σi,t2It---(4)]]>其中，i＝1,2,…,K，σi,t為相應(yīng)的高斯模型方差。利用某段時間內(nèi)圖像序列的像素值It的均值μ0和方差作為K個高斯模型的初始化參數(shù)，如下所示：μ0=1nΣi=t-ntIi---(5)]]>σ02=1nΣi=t-nt(Ii-μ0)2---(6)]]>在t時刻對圖像序列的像素值It和K個高斯模型進行匹配檢驗，若滿足(7)式，則認(rèn)為該高斯模型與像素值It匹配，否則認(rèn)為該高斯模型與像素值It不匹配。|It-μi,t-1|≤2.5σi,t-1(7)對于與像素值It匹配的高斯模型，其參數(shù)更新如下所示：ωi,t＝(1-α)ωi,t-1+α(8)μi,t＝(1-β)μi,t-1+βIt(9)σi,t2=(1-β)σi,t-12+β(It-μi,t)T(It-μi,t)---(10)]]>其中，α、β均是學(xué)習(xí)速率，α表示背景模型的更新速度，β表示高斯模型參數(shù)更新速度，β≈α/ωi,t。對于與像素值It不匹配并且在不匹配中權(quán)值最小的高斯模型，引入新的高斯模型替換，其以當(dāng)前像素值為均值，并取較大的方差和較小的權(quán)值，而對于其余不匹配的高斯模型，參數(shù)μi,t和則不予以更新，其權(quán)值依據(jù)下式進行衰減：ωi,t＝(1-α)ωi,t-1(11)此時，將K個高斯模型按照ωi,t/σi,t值進行降序排列，并用m1～mK對應(yīng)表示這些值。由于這些值表示對應(yīng)像素出現(xiàn)的概率，故值越大其為背景的可能性越大，即描述穩(wěn)定背景的高斯模型位于序列頂部，此時選取序列前M個高斯模型，若該M個高斯模型權(quán)值之和滿足(12)式，則是背景像素的最佳描述，即為背景模型。M=argmmin{Σi=m1mKωi,t≥Th}---(12)]]>其中，Th為前M個高斯模型之和的閾值，一般取0.5≤Th≤1.0。激光光心提取當(dāng)采用紅色激光掃描被測物體時，為了準(zhǔn)確有效地提取激光光心，在此將分析激光光心的局部分布特性，如圖1所示，其中，圖1(a)為R分量二維分布圖，圖1(b)為(3R-G-B)分量二維分布圖。從圖1中可以看出，對于二維分布而言，(3R-G-B)分量相比于R分量可以將激光區(qū)域與非激光區(qū)域更為有效地分割開來，因而本實施方式選取(3R-G-B)分量對經(jīng)背景差分獲取的激光光條進行進一步篩選。本實施方式在提取激光光心前，已先利用背景差分法有效地提取了激光光條，因而受外界干擾較少，在提取激光光條的基礎(chǔ)上，先參照極值法在給定窗口下搜索激光光條的極值，再依據(jù)(3R-G-B)分量的取值來進行自適應(yīng)閾值從而判別出激光光心。極值法是最基本的激光光條中心提取算法，此算法利用光條截面高斯模型分布具有零階極大值的特征，從而提取光條截面極大值作為光條中心。該算法簡單且處理速度快，但易受外界噪聲影響，如圖2所示，其中μ0為實際極值中心，μ1為干擾極值中心。自適應(yīng)閾值法建立在極值法的基礎(chǔ)之上，該算法通過提取光條極值并將其與閾值比較大小來判別是否為光條中心。若極值小于閾值，則舍棄該值，若極值大于閾值，則判定該值為光條中心，以極值點的灰度值為依據(jù)，推算光條截面的閾值。設(shè)極值位于μ0，其取值為(3R-G-B)分量，閾值為η，若任意點μ滿足下式，則認(rèn)為該點為光條中心。G(μ)-Th＞0(14)其中，Th＝(G(μ0)-k)，k為經(jīng)驗值，一般取10～20，由此看出光條截面的灰度閾值隨光強變化而變化。激光光心亞像素定位提取激光光條中心后，獲取初步定位的光心坐標(biāo)xm，再通過Hessian矩陣精確定位光心的亞像素坐標(biāo)xp。光條圖像邊緣法線方向向量n對應(yīng)為Hessian矩陣的最大絕對特征值的特征向量，其Hessian矩陣表示為：H=hxxhxyhxyhyy---(15)]]>求取Hessian矩陣最大絕對特征值的特征向量，即為激光光條在xm處的邊緣法線方向向量n，其中，n＝[nxny]T，||n||＝1。令t=-nxhx+nyhynx2hxx+2nxnyhxy+ny2hyy---(16)]]>其中，hx，hy，hxx，hxy，hyy為圖像灰度值在x和y方向的一階和二階微分。則激光光心的亞像素坐標(biāo)為xp＝tn+xm。下面對本發(fā)明進行實驗驗證，采用VisualC++及OpenCV進行驗證。對激光掃描被測物體視頻的驗證結(jié)果表明，本實施方式中能夠有效提取激光光心，并能夠定位至亞像素精度，為三維視覺測量提供數(shù)據(jù)支撐。如圖3所示，圖3(a)為利用數(shù)碼相機拍攝的激光掃描視頻第300幀圖像，其中包含被測物體、輔助平面和激光光條，圖3(b)為混合高斯背景建模獲取的背景圖像，其依據(jù)建立K個高斯模型來表征各像素點特征，并利用各高斯模型間的匹配與不匹配關(guān)系來建立更新背景模型，圖3(c)為依據(jù)混合高斯背景模型實現(xiàn)背景差分的前景二值圖像，其通過源圖像與背景模型的差分運算獲取，從圖中可以看出，對于激光掃描視頻的第300幀圖像，經(jīng)由混合高斯背景建模獲取穩(wěn)定的背景圖像，通過背景差分可有效提取激光光條。如圖4所示，圖3(a)為利用數(shù)碼相機拍攝的激光掃描視頻第300幀圖像，其中包含被測物體、輔助平面和激光光條，圖4為對應(yīng)幀圖像的激光光心提取圖像，其參照極值法在給定窗口下搜索激光光條的極值，再依據(jù)自適應(yīng)閾值判別激光光心，從圖中可以看出，對于激光掃描視頻的第300幀圖像，在提取激光光條的前提下，經(jīng)激光光心提取能有效獲取激光光心。如圖5所示，圖3(a)為利用數(shù)碼相機拍攝的激光掃描視頻第300幀圖像，其中包含被測物體、輔助平面和激光光條，圖5為對應(yīng)幀圖像激光光心法線方向標(biāo)識圖像，其依據(jù)Hessian矩陣的最大絕對特征值的特征向量實現(xiàn)求取，圖中標(biāo)識過程為在圖像高度10％與90％之間，每隔10個激光光心標(biāo)識1個光心法線，采用8種不同的顏色實現(xiàn)標(biāo)識，從圖中可以看出，在提取激光光心的前提下，激光光心法線方向能有效標(biāo)識。依據(jù)圖5所示的激光光心法線方向?qū)?yīng)點的順序即可得到序號為50的倍數(shù)的光心亞像素坐標(biāo)，其序號隨橫坐標(biāo)x的取值增大而增大，如圖5和表1所示。這些坐標(biāo)將在三維測量中作為圖像坐標(biāo)系下的亞像素坐標(biāo)用以計算世界坐標(biāo)系下的物體坐標(biāo)，在此利用Hessian矩陣獲取的法線方向計算得到具有亞像素級精度的坐標(biāo)，從而達到測量被測物體的目的。表1激光光心亞像素坐標(biāo)不難發(fā)現(xiàn)，本發(fā)明依據(jù)混合高斯背景模型實現(xiàn)背景差分獲取運動的激光光條，遵循激光光心空間幾何分布確立激光光心坐標(biāo)，并利用Hessian矩陣的特征值具有的方向性定位亞像素激光光心坐標(biāo)，本發(fā)明能夠有效定位具有亞像素精度的激光光心坐標(biāo)。當(dāng)前第1頁1 2 3