本发明涉及图像检测任务的直线拟合，尤其涉及一种用于复杂干扰环境下进行图像检测的直线拟合方法。
背景技术：
1、在工业检测/医疗图像检测/日常生活检测等多种检测任务中，都需要对图像进行轮廓提取，然后通过特征点进行直线拟合，然后根据拟合直线及其形成的几何图形对环境进行检测和判断。目前拟合直线的方法主要有基于ransac拟合直线和线性回归直线拟合，但是ransac拟合直线方法通过反复选择数据的随机子集，拟合模型并评估其一致性来找到最合适的模型，效果依赖于参数设置，不合适的参数可能导致算法无法找到合适的模型，计算复杂度过高，只能处理相对简单的模型，对于复杂的模型难以定义合适的残差阈值，且由于算法中涉及随机选择样本，直线拟合结果存在过大的不稳定性。而线性回归直线拟合方法通过最小化预测值与实际值之间的均方误差来拟合模型，但是该方法基于假设变量之间的关系是线性的，如果线性假设不成立，模型的预测效果会很差，而且线性回归对异常值非常敏感，异常值可能严重影响模型的参数估计和预测结果，当自变量之间存在高度相关性（共线性）时，线性回归的参数估计可能不稳定，影响模型的解释性。因此，现有的两种常用的直线拟合方法对于复杂干扰环境来说，最终拟合直线的精度均存在不足。
技术实现思路
1、本发明的目的是提供一种用于复杂干扰环境下进行图像检测的直线拟合方法，提升直线拟合精度。
2、本发明为解决上述技术问题所采用的技术方案是，一种用于复杂干扰环境下进行图像检测的直线拟合方法，包括以下步骤：
3、步骤一、从环境中获取图像，然后进行轮廓提取，得到特征点集合；
4、步骤二、分别计算每个特征点在预设的邻域范围内的其它特征点数量，当数量小于预设的数量阈值时，将该特征点视为干扰点并从特征点集合中删除；
5、步骤三、对步骤二删除干扰点后的特征点集合进行多次随机抽样，得到多个抽样点集合；
6、步骤四、对抽样点集合进行k-means聚类，从多个抽样点集合中分别得到与需要拟合的直线相对应的总点集合；
7、步骤五、通过线性回归方法分别对每个总点集合进行多次直线拟合，其中一次直线拟合选用总点集合的全部特征点，其余若干次直线拟合分别随机选用总点集合的部分特征点，得到多个直线模型；
8、步骤六、分别计算每个总点集合中的特征点与该总点集合对应的多个直线模型之间的距离，当特征点与直线模型的距离小于预设的残差阈值时，将特征点视为内点，统计内点数量并计算内点数量与总点数量的比值，得到每个直线模型的内点比例；
9、重复进行上述过程，对每个直线模型的内点比例分别进行多次计算，在迭代过程中逐次减小残差阈值，当任一次迭代后的内点比例减小时，停止迭代，统计每个直线模型的最终内点数量，将内点数量最多的直线模型选为最优模型；
10、步骤七、对最优模型所对应的总点集合进行内点二次采样，然后通过线性回归方法对二次采样的内点集合进行直线拟合，得到最终的拟合直线。
11、优选的，步骤六中，下次残差阈值=本次残差阈值×k，k为调节因子。
12、优选的，k=0.9。
13、根据上述技术方案，本发明的有益效果是：
14、本发明对环境图像的特征点集合先进行干扰点删除，然后进行多次随机采样，再通过聚类形成多个总点集合，然后对每个总点集合都进行多次直线拟合，并保证多次拟合时选取的特征点不同，然后根据直线模型来计算总点集合中的内点比例，最后根据所有直线模型的内点数量选出最优模型，即使某次抽样包含了异常点，其他抽样仍然有很大概率会生成更好的模型，而且通过选取不同的特征点进行多次拟合，能够保证最优模型的有效性，提升了直线拟合的精度。而在计算内点时，通过动态调整残差阈值的反馈机制，在多次迭代计算中不断减小残差阈值，在迭代初始阶段可以使更多点进入模型，以保证模型的多样性和鲁棒性，并随着模型的收敛逐渐收紧阈值，从而更精准地筛选出符合模型的内点。最后通过内点二次采样并对二次采样的内点集合再次进行直线拟合，排除潜在的错误内点，进一步提高拟合精度，与现有的拟合直线方法相比，拟合过程更为简单，而拟合结果的随机性大幅减小、稳定性大幅提升，拟合精度也得到显著提高。
1.一种用于复杂干扰环境下进行图像检测的直线拟合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于复杂干扰环境下进行图像检测的直线拟合方法，其特征在于：步骤六中，下次残差阈值=本次残差阈值×k，k为调节因子。
3.根据权利要求2所述的一种用于复杂干扰环境下进行图像检测的直线拟合方法，其特征在于：k=0.9。