基于ransac的激光网格标记图像特征提取的制作方法
【专利摘要】在用视觉传感器对工件的表面进行特征提取的过程中，工件表面的自然特征往往表现得不够明显，使得后续的处理非常困难。因此，经常使用激光网格投影到待检测的工件表面，使工件表面具备确定的可识别特征。针对激光网格标记图像特点，在RANSAC(Random Sample Consensus)算法的基础上，提出了像素权重化和假设模型预检验的方法，用于激光网格标记的特征提取。实验结果表明，该方法不仅克服了RANSAC算法计算量大的缺点，在实际图像的激光网格标记特征提取过程中也具有很好的准确性和鲁棒性。
【专利说明】
基于RANSAC的激光网格标记图像特征提取
技术领域
[0001 ]本发明涉及的是一种图像处理技术领域的方法，具体是一种基于RANSAC(RandomSampIe Consensus)的激光网格标记图像特征提取方法。
【背景技术】
[0002]目标识别是计算机在智能化领域的一个重要分支，目标识别实质就是目标特征空间到识别样本空间的一种映射。目标识别已广泛应用于工业制造、信息安全、门禁安全、车牌识别等领域。目标识别在视觉领域又被称为特征提取。
[0003]图像的特征提取是指提取能够反映图像内容本质属性的特征的过程，如点、线、边缘、纹理等。在图像的特征提取中，显著点是图像中能引起视觉注意的感兴趣区域的一些相对稳定而突出的点。它包含了图像的颜色、形状、纹理等特征信息。利用图像中显著点作为视点线索，从而找到视觉重要的局部区。但是往往物体表面的自然特征表现得不够明显，使得后续的处理非常困难，这种无标记的测量方式就受到很大的限制，要提高测量的精确性和可靠性，必须把物体表面的特征凸显出来，因此需要对物体表面进行标记。而使用网格激光器向物体表面附加网格便是其中最常用的一种方法。本发明针对激光网格的直线特征提取进行研究。
[0004]目前，直线特征的提取算法主要有霍夫变换和RANSAC算法等。霍夫变换是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。经典霍夫变换用来检测图像中的直线、圆和椭圆等。霍夫变换运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转化为统计峰值问题。然而，霍夫变换需占用大量内存空间，耗时久、实时性差；另外，现实中的图像一般都受到外界噪声的干扰，信噪比较低，此时常规霍夫变换的性能将急剧下降，进行参数空间极大值的搜索时由于合适的阈值难以确定，往往出现“虚峰”和“漏检”的问题。
[0005]RANSAC是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。它于1981年由Fischler和Bolles最先提出。RANSAC的优点是它能鲁棒地估计模型参数。例如，它能从包含大量局外点的数据集中估计出高精度的参数。RANSAC的缺点是计算量大，实验的结果和阈值的选择有较大的关联。
【发明内容】
[0006]本发明针对现有技术存在的上述不足，提出一种基于RANSAC的特征提取新方法。本发明可以有效地削弱了不同阈值对实验结果的影响，拥有更加优秀的鲁棒性;此外，本发明克服RANSAC算法计算量大的缺点，很好地提高了特征提取速度。
[0007]本发明是通过以下技术方案实现的，本发明包括以下步骤:
[0008]第一步，将原始图像A变为灰度图像B，并计算每个像素点的灰度值。根据像素的灰度值，为每个像素分配权重值，灰度值越高，则分配的权重值越大。
[0009]第二步，将灰度图像B变为二值图像C，并将像素值为I的像素点的坐标记录在Data中。
[0010]第三步，确定改进RANSAC算法的最大循环次数m和残差阈值Θ，以及假设模型预检验时选取的点数X。
[0011]第四步，在Data中随机选取X个不同的点，点的坐标记作集合Z，在Z中随机选取两个点确定一条直线L。分别计算剩余x-2个点到直线L的距离，记作Di(i = l，...，x-2)，若Di〈0，则该点为内点，将所有内点坐标的集合记作W。若W为空集，则循环执行第四步，直至W不为空集。如W不为空集，则此时Z中随机选取两个点所确定的直线即为符合要求的假设模型。(该步即为假设模型预检验)
[0012]第五步，计算Data中所有点到第四步中假设模型的距离，记作Ei(i = l，…，Data-2)，若Ei〈Θ，则该点为内点，将所有内点坐标的集合记作Y。计算Y中所有内点坐标的权重值之和，记作S。
[0013]第六步，重复第四步和第五步，直至达到最大循环次数m。该过程可以得到多个S值，找出其中最大的S值，记作Smax。则获得Smax所对应的两个随机点所确定的直线模型，即为最优拟合直线。
[0014]第七步，将最优拟合直线的所有内点，都从Data中剔除。
[0015]第八步，确定所需拟合直线的数量，记作n，重复η次第四步到第七步，即可找到η条拟合直线。
[0016]与现有技术相比，本发明的有益效果是:通过设定像素权重等方法，有效地降低了不同残差阈值对结果的影响；提出了一种假设模型预检验的方法，直接排除一些大概率不符合要求的模型，很好地提高了检测速度。
【具体实施方式】
[0017]下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。
[0018]本实施例是提取激光网格标记图像中的直线特征，因激光网格标记图像背景复杂、多目标及灰度相近等特点使得目标对象的特征提取困难。本实施例选取电梯导轨表面的激光网格标记图像进行直线特征的提取，如图1所示。
[0019]第一步，将原始图像A变为灰度图像B，并计算每个像素点的灰度值。根据像素的灰度值，为每个像素分配权重值，灰度值越高，则分配的权重值越大。
[0020]所述的像素权重值，具体是:灰度在150-185的点权重设为0.5，灰度在185-220的点权重设为0.8，灰度在220-255的点权重设为I。
[0021]第二步，将灰度图像B变为二值图像C，并将像素值为I的像素点的坐标记录在Data中。
[0022]第三步，确定改进RANSAC算法的最大循环次数m和残差阈值Θ，以及假设模型预检验时选取的点数X。
[0023]所述的假设模型预检验，具体是:传统的RANSAC算法拟合直线的过程如下:首先随机选择两个点作为局内点，并用这两个点构建直线，作为假设模型;然后，计算图像上剩下的点到直线的距离，将距离小于阈值的点记为内点，计算内点的数量;最后，重复以上步骤，将内点数最多的直线模型当作最优模型。传统的RANSAC算法在每个循环中，都需要计算图像中所有的点到假设模型的距离，这一过程需要很大的计算量。为了克服这个缺点，本发明提出了一种假设模型预检验的方法。在构建假设模型的时候，一次选取η个点(n>2)，用其中两个点构建直线模型，计算剩余η-2个点到直线模型的距离，若η-2个点均为局外点，则舍弃该假设模型，用上述方法重新构建新的假设模型，直至找到有局内点的假设模型，再进行余下的操作。其中，η的取值可以根据具体的情况来确定。
[0024]第四步，在Data中随机选取X个不同的点，点的坐标记作集合Ζ，在Z中随机选取两个点确定一条直线L。分别计算剩余x-2个点到直线L的距离，记作Di(i = l，...，x-2)，若Di〈0，则该点为内点，将所有内点坐标的集合记作W。若W为空集，则循环执行第四步，直至W不为空集。如W不为空集，则此时Z中随机选取两个点所确定的直线即为符合要求的假设模型。(该步即为假设模型预检验)
[0025]第五步，计算Data中所有点到第四步中假设模型的距离，记作Ei(i = I，…，Data-
2)，若Ei〈Θ，则该点为内点，将所有内点坐标的集合记作Y。计算Y中所有内点坐标的权重值之和，记作S。
[0026]第六步，重复第四步和第五步，直至达到最大循环次数m。该过程可以得到多个S值，找出其中最大的S值，记作Smax。则获得Smax所对应的两个随机点所确定的直线模型，即为最优拟合直线。
[0027]第七步，将最优拟合直线的所有内点，都从Data中剔除。
[0028]第八步，确定所需拟合直线的数量，记作n，重复η次第四步到第七步，即可找到η条拟合直线。
[0029]实施效果
[0030]如图2所示，为算法流程图，按照该流程，输入原始图像，便可以得到激光网格的特征提取结果。在本文的实验中，所提出的特征提取算法由英特尔2.2GHz的CPU的个人计算机执行。在代码没有优化的情况下，1024X1024分辨率的图像检测以平均每6.8秒I帧的速度完成。如图3所示，为其中一次激光网格特征提取的结果。(黑色线条为激光网格线，白色线条为拟合所得直线)
[0031 ]本实施例针对RANSAC算法进行特征提取时算法的提取速度慢、参数敏感等问题，提出了一种改进的RANSAC特征提取算法。算法采用像素权重化的方法，很好地提高了鲁棒性；同时，算法采用假设模型预检验的方法，大大提高了算法的速度。实验证明，此算法进行激光网格的特征提取，既保证了精度又提高了速度，是一种精确快速的特征提取算法。
【附图说明】
[0032]图1电梯导轨表面的激光网格标记图像；
[0033]图2算法流程图；
[0034]图3激光网格直线特征提取结果。
【主权项】
1.一种基于RANSAC的激光网格标记图像特征提取方法，其特征在于，包括以下步骤: 第一步，将原始图像A变为灰度图像B，并计算每个像素点的灰度值。根据像素的灰度值，为每个像素分配权重值，灰度值越高，则分配的权重值越大。 第二步，将灰度图像B变为二值图像C，并将像素值为I的像素点的坐标记录在Data中。第三步，确定改进RANSAC算法的最大循环次数m和残差阈值Θ，以及假设模型预检验时选取的点数X。 第四步，在Data中随机选取X个不同的点，点的坐标记作集合Z，在Z中随机选取两个点确定一条直线L。分别计算剩余x-2个点到直线L的距离，记作Di(i = l，…，x-2)，若Di〈0，则该点为内点，将所有内点坐标的集合记作W。若W为空集，则循环执行第四步，直至W不为空集。如W不为空集，则此时Z中随机选取两个点所确定的直线即为符合要求的假设模型。(该步即为假设模型预检验) 第五步，计算Data中所有点到第四步中假设模型的距离，记作Ei(i = l，…，Data-2)，若Ει<θ，则该点为内点，将所有内点坐标的集合记作Y。计算Y中所有内点坐标的权重值之和，记作S。 第六步，重复第四步和第五步，直至达到最大循环次数m。该过程可以得到多个S值，找出其中最大的S值，记作Smax。则获得Smax所对应的两个随机点所确定的直线模型，即为最优拟合直线。 第七步，将最优拟合直线的所有内点，都从Data中剔除。 第八步，确定所需拟合直线的数量，记作η，重复η次第四步到第七步，即可找到η条拟合直线。2.根据权利要求1所述的基于RANSAC的激光网格标记图像特征提取方法，其特征是，所述的像素权重值，具体是:根据激光网格区域的亮度，将灰度在150-185的点权重设为0.5，灰度在185-220的点权重设为0.8，灰度在220-255的点权重设为I。3.根据权利要求1所述的基于RANSAC的激光网格标记图像特征提取方法，其特征是，所述的假设模型预检验，具体是:传统的RANSAC算法拟合直线的过程如下:首先随机选择两个点作为局内点，并用这两个点构建直线，作为假设模型；然后，计算图像上剩下的点到直线的距离，将距离小于阈值的点记为内点，计算内点的数量;最后，重复以上步骤，将内点数最多的直线模型当作最优模型。传统的RANSAC算法在每个循环中，都需要计算图像中所有的点到假设模型的距离，这一过程需要很大的计算量。为了克服这个缺点，本发明提出了一种假设模型预检验的方法。在构建假设模型的时候，一次选取η个点(η>2)，用其中两个点构建直线模型，计算剩余η-2个点到直线模型的距离，若η-2个点均为局外点，则舍弃该假设模型，用上述方法重新构建新的假设模型，直至找到有局内点的假设模型，再进行余下的操作。其中，η的取值可以根据具体的情况来确定。
【文档编号】G06K9/46GK105894000SQ201610184556
【公开日】2016年8月24日
【申请日】2016年3月28日
【发明人】秦煜, 吴静静, 安伟
【申请人】江南大学