本发明属于机器视觉及应用领域,具体涉及一种焊缝跟踪控制领域应用的焊缝特征点目标跟踪提取方法。
背景技术:
通常来说,焊缝特征点的提取方法有形态学处理方法和目标跟踪方法两种。形态学处理方法有膨胀腐蚀、开闭运算、顶底帽变换、骨架提取和拟合求交等,形态学方法提取过程简单,提取速度快,结果比较精确,但是对于图像的纯净度要求比较高,当图像中存在较多的噪声干扰时,会造成提取结果错误甚至无法得到结果。传统的图像形态学处理算法不能有效的对特征点进行像素提取。目标跟踪算法虽然计算过程复杂,处理速度相对形态学处理较慢,但是目标跟踪算法对于噪声不敏感,具有很强的鲁棒性。
技术实现要素:
为了克服现有技术的不足,本发明提供一种计算简单方便,满足焊接大噪声条件下焊缝特征点实时跟踪提取的计算方法。
本发明采用以下技术方案:一种焊缝特征点的实时跟踪提取方法,其特征在于,包括以下步骤:s1:焊接开始前通过形态学处理获得初始的焊缝特征点;s2:焊接开始之后利用高斯核相关算法实时跟踪提取出焊缝特征点的位置坐标,并将目标模型进行更新。
在本发明一实施例中,s1包括以下具体步骤:s11:焊接开始前,将采集到的图像进行动态阈值处理,参考图像的对应灰度值为
进一步的,s11中利用开闭运算对图像进行降噪处理。
在本发明一实施例中,s2包括以下步骤:s21:将获得的特征点周围固定大小的窗口作为正样本,利用循环偏移获得大量的负样本,将正负样本输入分类器进行训练;s22:输入到分类器中的训练样本集xi和与之相对应的回归值yi如下所示:{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)};w表示回归值对应的权重向量,λ作为防止过拟合的正则化参数;为了得到训练样本集和回归值对应的函数关系,假设线性回归函数为f(xi)=wtxi,则对应的残差函数为:
上式在复数域内的解为
w=(xhx+λ)-1xhy;
其中xh表示x的复共轭转置矩阵,为了降低计算的复杂度,将上式进行傅里叶变换,得权重向量为:
式中,中x是x的第一行矩阵,整个矩阵由这一行的循环偏移得到,
上式中φ(x)=[φ(x1),φ(x2),…,φ(xn)]t,则w为φ(x)行向量组成的空间中的一个向量,由于偏移矩阵为循环矩阵,则上式简化为:
式中kxx=φ(x)tφ(x)t表示核矩阵k的第一行元素组成的向量,求解参数由权重向量w变成了α,α={α1,α2,…,αj,…};
s24:待检测的样本集是预测区域和其循环偏移得到的待分类样本集合zj=pjz,则:
f(zj)=αtφ(x)φ(zj)
那么f(zj)最大的样本即为检测出的新目标区域,目标移动的位置由zj得到,引入高斯核函数,表达式如下:
那么在新的一帧图像中,所求特征点的二维像素坐标值为:
式中,f-1为傅里叶反变换;
s25:在求得新的特征点之后,对前面获得αm和目标模型x进行如下的更新:
式中,0<β<1为学习因子,
与现有技术相比,本发明能实现快速实时准确的进行焊缝特征点跟踪检测,且能满足焊接大噪声条件下焊缝特征点实时跟踪。
附图说明
图1是焊接前焊缝特征点提取结果。
图2是焊缝特征点跟踪算法计算检测过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步解释说明。
本发明提供一种焊缝特征点的实时跟踪提取方法:s1:焊接开始前通过形态学处理获得初始的焊缝特征点;s2:焊接开始之后利用高斯核相关算法实时跟踪提取出焊缝特征点的位置坐标,并将目标模型进行更新。
s1具体计算步骤如下:
s11:焊接开始前,将采集到的图像进行动态阈值处理,参考图像的对应灰度值为
s12:得到了目标激光条纹之后,利用最大圆盘法进行骨架提取,然后利用ramer算法进行直线拟合,将拟合所得的直线进行延长求交即可获得初始焊缝特征点的坐标值,特征点如附图1所示。
s2具体步骤如下:
s21:焊接开始后,将:获得的特征点周围固定大小的窗口作为正样本,利用循环偏移获得大量的负样本,将正负样本输入分类器进行训练;
s22:输入到分类器中的训练样本集xi和与之相对应的回归值yi如下所示:
{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}
w表示回归值对应的权重向量,λ作为防止过拟合的正则化参数。为了得到训练样本集和回归值对应的函数关系,假设线性回归函数为f(xi)=wtxi,则对应的残差函数为:
上式在复数域内的解为
w=(xhx+λ)-1xhy
上式中xh表示x的复共轭转置矩阵,为了降低计算的复杂度,将上式进行傅里叶变换,可得权重向量为
上式中,中x是x的第一行矩阵,整个矩阵由这一行的循环偏移得到,
s23:使用岭回归分类器将权重向量的求解映射到新空间中,令
上式中φ(x)=[φ(x1),φ(x2),l,φ(xn)]t,w是φ(x)行向量组成的空间中的一个向量,由于偏移矩阵为循环矩阵,则上式可以简化为:
上式中kxx=φ(x)tφ(x)t表示核矩阵k的第一行元素组成的向量。这样,求解参数就由权重向量w变成了α,这里α={α1,α2,l,αj,l}。
s24:待检测的样本集是预测区域和其循环偏移得到的待分类样本集合zj=pjz,其中,z为图像中目标区域所在的正样本,pj为循环偏移矩阵,zj为循环偏移得到的样本集合;则:
f(zj)=αtφ(x)φ(zj)
那么f(zj)最大的样本即为检测出的新目标区域,目标移动的位置可由zj得到。引入高斯核函数,表达式如下:
那么在新的一帧图像中,所求特征点的二维像素坐标值为:
上式中,f-1为傅里叶反变换,这样我们就获得了新的一帧图像中所求特征点的位置。
s25:在求得新的特征点之后,对前面获得αm和目标模型x进行如下的更新:
上式中,0<β<1为学习因子,
上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。