采集不完整条件下的棋盘格标定模板及其自动识别方法与流程

本发明属于图像处理与模式识别领域，具体涉及到三维测量领域中相机标定的相关技术。

背景技术：

用于相机标定的棋盘格模板识别技术是基于提取的棋盘格角点识别棋盘格中黑白相间的矩阵网格，并匹配矩阵网格中行和列的序号与角点的像素坐标。目前比较成熟的标定模板识别技术的特点是：要么需要检测完整的标定模板，要么需要手动辅助完成模板识别。由于受相机镜头的畸变影响以及相机标定时需要采集多个不同姿态的标定模板图像，因此在相机采集的标定模板不完整的条件下自动识别标定模板是比较困难的问题。而且，随着人工智能技术的快速发展三维测量操作过程的简化与智能化已势在必行。

常用的标定模板识别方法有：基于双三角的单应变换方法，基于边的聚类方法，基于方格中心点的属性关系图方法，手动标定的Matlab方法，基于棋盘格角点的Delaunay三角剖分方法，OpenCV的特定标定板模式识别方法。然而，为了取得一定的标定精度并适应于重构不同类型的物件，标定时需要调整物件至相机的距离以及两相机之间的距离，从而经常无法采集完整的标定板图像。对比起来，Delaunay三角剖分能克服这个问题，其特点在于对于弱光照与镜头存在严重畸变的情况也能取得稳定的性能。

采用Delaunay三角剖分确定棋盘格的黑白相间的矩阵网格的缺点有以下两个方面：(a)会显著受到检测的棋盘格角点的完整性与正确性影响，(b)在标定模板采集不完整的条件下需要指定一个唯一的参考点使得所有识别的标定模板具有相同的角点像素坐标与矩阵网格中行列序号的对应关系，(c)标定板过渡倾斜会影响棋盘格模板识别的正确性。上述问题使得至今在商业应用中很难找到能够自动识别棋盘格标定模板的技术。

因此，在三维测量领域亟需一个在采集不完整条件下自动识别棋盘格模板的技术。

技术实现要素：

本发明的目的在于，提供一种采集不完整条件下的棋盘格标定模板，解决以上技术问题。

本发明的另一目的在于，提供一种采集不完整条件下的棋盘格标定模板自动识别方法，解决以上技术问题。

本发明所解决的技术问题可以采用以下技术方案来实现：

采集不完整条件下的棋盘格标定模板，包括基板，所述基板表面设有棋盘格层，所述棋盘格层由尺寸相同的黑白方格阵列形成，在所述棋盘格层中部的一个白色单元方格内设有黑色圆形标记。

在所述白色单元方格相邻的四个白色单元方格内各设有字符标记。

所述黑色圆形标记、所述字符标记均采用激光雕刻技术雕刻在所述棋盘格层上。

所述基板的背面设有均匀的背光装置，以提高图像采集的对比度。

采集不完整条件下的棋盘格标定模板自动识别方法，包括如下步骤：

步骤a，设计一个带有中心圆的棋盘格标定模板；

步骤b，提出一个基于Delaunay三角剖分的棋盘格模板自动识别方法：

首先，根据二值化图像与Canny边图像自动计算棋盘格单元方格的大小，并依此剔除重复的角点与非X-型的角点；

其次，采用Delaunay三角剖分连接棋盘格角点；

再次，采用拓扑滤波去除非法的三角形；

然后，采用拓扑游走建立物点坐标与像点坐标的对应关系；

最后，采用单应变换补齐缺失角点的像点坐标，并第二次采用基于Delaunay三角剖分的方法识别棋盘格模板。

有益效果：由于采用上述技术方案，在标定板不过度倾斜条件下，相对于光照与颜色变化、标定板的姿态变化以及相机镜头的畸变能够自动精确地识别棋盘格标定模板。

附图说明

图1(a)为现有的棋盘格标定模板的一种结构示意图；(b)为本发明一种棋盘格标定模板的结构示意图；(c)为图(b)的部分放大示意图；

图2为本发明的一种算法流程图；

图3(a)为棋盘格标定模板图像的二值化图像；(b)为Canny边图像；

图4(a)为原有的Harris角点示意图；(b)为剔除干扰点后的Harris角点示意图；

图5为位于图像中间区域的Delaunay三角剖分结果示意图；

图6为棋盘格标定模板单元方格的属性示意图；

图7为本发明最终识别的棋盘格标定模板；

图8是图7的局部放大演示示意图；

图9为27组棋盘格图像的平均正确识别率示意图；

图10(a)是极端光照条件下的棋盘格图像；(b)是图(a)相应的二值化图像示意图；(c)是图(a)相应的Canny边图像示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示进一步阐述本发明。

参照图1，采集不完整条件下的棋盘格标定模板，包括基板，基板表面设有棋盘格层，棋盘格层由尺寸相同的黑白方格阵列形成，在棋盘格层中部的一个白色单元方格内采用激光雕刻技术雕刻有黑色圆形标记1。在白色单元方格相邻的四个白色单元方格内各雕刻有字符标记2。字符标记2可以根据需要设置，比如采用阿拉伯字符标记，罗马字符标记等。基板的背面设有均匀的背光装置，以提高图像采集的对比度。图1(a)是传统的棋盘格标定模板，图1(b)是本发明设计的棋盘格标定模板，图1(c)是图1(b)中间区域的局部放大图。从图中可见，字符标记2采用左侧的H字符标记和右侧的X字符标记。

参照图2，采集不完整条件下的棋盘格标定模板自动识别方法，包括如下步骤：

第一步，设计一个如图1(b)所示的带有中心圆的棋盘格标定模板，在中间白色的单元方格内用激光雕刻有一个黑色的小圆，为了便于调节相机采集图像的清晰度，如图1(c)所示，在中心圆周围雕刻有四个阿拉伯字符，并在棋盘格标定模板的背面打上均匀的背光以提高图像采集的对比度。

第二步，采用Canny算法提取棋盘格标定模板的Canny边，采用大津法对棋盘格标定模板图像进行二值化，并根据二值化图像与Canny边图像估计棋盘格单元方格的大小。图3(a)与(b)分别为棋盘格标定模板图像的二值化图像与Canny边图像。通过对比图(a)与(b)可以发现，在估计单元方格的大小时，同时采用二值化图像与Canny边图像能够提高估计的精确性，因为不仅Canny边有助于更精确地划定不同单元格之间的界限，而且在Canny边断开的地方二值化图像能够有效的划定。

第三步，根据估计的棋盘格单元方格大小，从检测的Harris角点中剔除重复的角点与非X型角点。图4(a)与(b)分别显示原有的Harris角点与剔除干扰点后的Harris角点。在图4(a)中存在重复的角点与非X型角点，在图4(b)中这些干扰点都已被剔除。由图4可知，如果不剔除这些干扰点将导致Delaunay三角剖分错误。

第四步，采用Watson的Delaunay三角剖分算法连接棋盘格角点，图5显示了位于图像中间区域的Delaunay三角剖分结果，结果中存在错误的三角形，如果不剔除，那么在随后的过程中必然会导致棋盘格标定模板识别错误。

第五步，在采用拓扑滤波剔除非法的三角形时，考虑了棋盘格标定模板的如下属性，以图6为例，棋盘格中的单元方格具有以下属性：除d点外棋盘格上的其它点与三角形Δabc的外接圆相距甚远，三角形Δadc具有类似的情况；由于位于同一单元方格的像素点的色彩基本相同，因此可以根据以上属性剔除非法的三角形。

第六步，在拓扑游走建立物点坐标与像点坐标的对应关系时，根据三角形边长判断与像点对应的物点坐标，具体过程如下：计算三角形的平均边长，假如三角形的一条边连接的两顶点的像点x坐标或y坐标之差的绝对值大于平均边长的x分量或y分量，则相应x坐标或y坐标才改变1(加1或减1)。

第七步，采用基于Ransac算法的单应变换补齐缺失角点的像点坐标，并重复第四步到第六步的过程再次识别棋盘格标定模板。具体实现方法为：根据匹配的像点坐标与物点坐标采用计算Ransac算法单应变换矩阵，并根据单应变换矩阵的逆矩阵由物点坐标反过来计算像点坐标，从而能够补齐棋盘格矩阵网格中没有检测到的角点像点坐标。如图7所示的是最终识别的棋盘格标定模板，图8是图7的局部放大演示示意图。

图9显示了包含486幅棋盘格图像的27组数据的平均正确识别率性能曲线图。在正确识别率性能曲线图中，发生误识别的都是图10(a)所示的极端光照情况。在图10(a)显示的极端光照条件下的棋盘格图像中，在中间暗的区域中棋盘格角点信息几乎完全丢失，从而影响图像二值化图10(b)。但是，由于Canny边是以图像的局部梯度信息为基础，因此并不影响Canny边检测如图10(c)的结果。可见，本发明对于处于不同距离、具有不同姿态、且受不同光照变化影响的棋盘格模板图像都能稳定精确的进行识别。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。