一種基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明屬于機(jī)器視覺(jué)圖像處理技術(shù)領(lǐng)域，具體為一種基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法。本發(fā)明方法包括：提取連續(xù)邊緣特征、建立目標(biāo)輪廓模型、基于Hough變換思想提取候選目標(biāo)、對(duì)候選目標(biāo)進(jìn)行篩選并實(shí)現(xiàn)精確定位等步驟。尤其適用于在工業(yè)場(chǎng)景下，快速建立未知平面目標(biāo)的模型并實(shí)現(xiàn)目標(biāo)檢測(cè)。本發(fā)明無(wú)需對(duì)于特定目標(biāo)調(diào)整方法，可適用于各種平面目標(biāo)（以及表面為平面的目標(biāo)），一定程度上解決了目前視覺(jué)系統(tǒng)泛用能力較弱的問(wèn)題。同時(shí)本發(fā)明具有較高的檢測(cè)精度、高效的處理速率以及一定的抗噪能力。
【專(zhuān)利說(shuō)明】
-種基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于機(jī)器視覺(jué)圖像處理技術(shù)領(lǐng)域，具體設(shè)及在工業(yè)場(chǎng)景下，快速建立未知 平面目標(biāo)的模型并實(shí)現(xiàn)目標(biāo)檢測(cè)的方法。
【背景技術(shù)】
[0002] 圖像處理技術(shù)通常是一個(gè)視覺(jué)系統(tǒng)的核屯、部分，本發(fā)明所設(shè)及的邊緣提取技術(shù)W 及目標(biāo)檢測(cè)技術(shù)均為圖像處理領(lǐng)域最為重要的研究方法之一。
[0003] 當(dāng)人們觀(guān)察一個(gè)物體時(shí)，所感知到邊緣通常是顏色有明顯變化的地方，而在圖像 中對(duì)運(yùn)種變化進(jìn)行數(shù)學(xué)表示的就是邊緣檢測(cè)算子。其中比較常用的算子有Robeds算子、 Sobel算子、Prewitt算子、Laplacian算子W及化nny算子等。運(yùn)些傳統(tǒng)的基于邊緣檢測(cè)算子 的算法雖然能夠提取出邊緣的像素，但同時(shí)會(huì)將很多噪聲點(diǎn)誤認(rèn)為是邊緣。
[0004] 化U曲變換是由化Ul Hou曲于1962年提出的，實(shí)現(xiàn)了一種從圖像空間到參數(shù)空間 的映射關(guān)系。其核屯、思想在于點(diǎn)與線(xiàn)的對(duì)偶性，圖像空間中共線(xiàn)的點(diǎn)可W與參數(shù)空間中交 于同一點(diǎn)的線(xiàn)一一對(duì)應(yīng)。化U曲變換被廣泛用于線(xiàn)段、圓、楠圓等目標(biāo)的檢測(cè)中，各種新的改 進(jìn)算法也陸續(xù)提出，比如Li等人提出的快速霍夫變換W及Mclau曲Iin提出的隨機(jī)化霍夫變 換。
[0005] 該類(lèi)研究可W在各種基于機(jī)器視覺(jué)的檢測(cè)系統(tǒng)中得到運(yùn)用。從20世紀(jì)90年代開(kāi) 始，隨著圖像處理技術(shù)的發(fā)展W及人力成本的上升，基于機(jī)器視覺(jué)的檢測(cè)系統(tǒng)是成為了視 覺(jué)技術(shù)研究的熱點(diǎn)之一。相機(jī)、光源等視覺(jué)環(huán)境的搭建是機(jī)器視覺(jué)研究的基礎(chǔ)，Tarabanis 等人對(duì)機(jī)器視覺(jué)系統(tǒng)中相機(jī)和光源的位置關(guān)系設(shè)計(jì)方案進(jìn)行了總結(jié)歸納。機(jī)器視覺(jué)技術(shù)中 另一個(gè)核屯、部分就是圖像處理技術(shù)，基于機(jī)器視覺(jué)的檢測(cè)系統(tǒng)所需的圖像技術(shù)主要體現(xiàn)在 目標(biāo)檢測(cè)等方面。近年來(lái)，對(duì)于運(yùn)些領(lǐng)域的算法研究也是絡(luò)繹不絕，相關(guān)研究進(jìn)展將在后續(xù) 章節(jié)分別介紹。而機(jī)器視覺(jué)技術(shù)最注重的還是應(yīng)用，近年來(lái)，基于機(jī)器視覺(jué)的檢測(cè)系統(tǒng)在智 能化工業(yè)生產(chǎn)制造領(lǐng)域得到了廣泛的應(yīng)用。Malamas等人對(duì)用于工業(yè)領(lǐng)域的各種視覺(jué)系統(tǒng)、 應(yīng)用及工具進(jìn)行了研究。具體到實(shí)際的應(yīng)用，Moganti等人對(duì)PCB電路板的檢測(cè)技術(shù)進(jìn)行了 總結(jié)介紹；Saenthon等人設(shè)計(jì)了采用遺傳算法尋找邊緣進(jìn)行電路板焊點(diǎn)質(zhì)量檢測(cè)的系統(tǒng)； Lin等人設(shè)計(jì)了一套通過(guò)分析瓷磚表面紋理判斷瓷磚是否合格的檢測(cè)系統(tǒng);Lslam等人設(shè)計(jì) 了一套通過(guò)邊緣檢測(cè)的方式判斷膠囊是否合格的檢測(cè)系統(tǒng)。W上運(yùn)些基于機(jī)器視覺(jué)的檢測(cè) 系統(tǒng)只是機(jī)器視覺(jué)技術(shù)應(yīng)用中的冰山一角，但足W說(shuō)明機(jī)器視覺(jué)技術(shù)具有較高的研究和應(yīng) 用價(jià)值。

【發(fā)明內(nèi)容】

[0006] 為了快速適應(yīng)不同場(chǎng)景下的目標(biāo)檢測(cè)需求，本發(fā)明提供了一種基于連續(xù)邊緣特征 的平面目標(biāo)檢測(cè)方法，能夠快速建立未知平面目標(biāo)的輪廓模型，并且根據(jù)該模型對(duì)該種類(lèi) 目標(biāo)進(jìn)行檢測(cè)。一定程度上解決了現(xiàn)有檢測(cè)方法泛用性不夠強(qiáng)的問(wèn)題。
[0007] 本發(fā)明由W下技術(shù)方案實(shí)現(xiàn)：
[0008] -種基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法，具體步驟為：
[0009] (1)提取連續(xù)邊緣特征；
[0010] (2)建立目標(biāo)輪廓模型；
[0011] (3)基于化U曲變換思想提取候選目標(biāo)；
[0012] (4)對(duì)候選目標(biāo)進(jìn)行篩選并實(shí)現(xiàn)精確定位。
[0013] 優(yōu)選地，在步驟1)中，所述的連續(xù)邊緣特征提取內(nèi)容進(jìn)一步包括：
[0014] (1.1)梯度計(jì)算；
[0015] (1.2)邊緣候選點(diǎn)提??；
[0016] (1.3)連續(xù)邊緣提取。
[0017] 步驟(1.1)所述的梯度計(jì)算部分中，采用與化nny算法相同的公式對(duì)所有像素的梯 度值及梯度方向進(jìn)行計(jì)算，并將梯度方向的結(jié)果根據(jù)范圍進(jìn)行分類(lèi)。
[0018] 步驟(1.2)所述的邊緣候選點(diǎn)提取部分中，根據(jù)邊緣像素梯度值較高的特性，尋找 局部區(qū)域內(nèi)的梯度極值點(diǎn)作為顯著邊緣候選點(diǎn)。對(duì)于每個(gè)像素，考慮其周?chē)鷎Xk的鄰域，如 果該像素的梯度值為其鄰域內(nèi)最大的，就將其作為一個(gè)邊緣候選點(diǎn)。運(yùn)里k的取值可W根據(jù) 目標(biāo)的大小分布等因素改變。當(dāng)k的取值較大時(shí)，為了防止遺漏邊緣，如果該像素為其kXk 的鄰域梯度值第二大的點(diǎn)，且梯度值最大的點(diǎn)不在該像素的化/2) X化/2)的領(lǐng)域內(nèi)，則將 該像素也提取為邊緣候選點(diǎn)。
[0019] 步驟(1.3)所述的連續(xù)邊緣提取部分中，在已有候選邊緣點(diǎn)的基礎(chǔ)上，對(duì)候選點(diǎn)進(jìn) 行連接得到連續(xù)邊緣，設(shè)計(jì)方法如下：
[0020] (a)枚舉所有邊緣候選點(diǎn)；
[0021] (b)如果該候選點(diǎn)被已有邊緣包含，轉(zhuǎn)到(a)枚舉下一個(gè)點(diǎn)；
[0022] (C)根據(jù)該像素的梯度方向類(lèi)型，沿著其邊緣方向的兩端分別尋找梯度最大且梯 度方向相近的像素點(diǎn)作為后繼；
[0023] (d)在后繼的基礎(chǔ)上不斷尋找新的后繼，尋找原則同樣是根據(jù)梯度方向類(lèi)型；
[0024] (e)重復(fù)(d)的操作，直到區(qū)域內(nèi)找不到符合條件的后繼，或者后繼已被已有邊緣 包含，如后繼被已有邊緣包含，則將正在提取的邊緣與該已有邊緣合并為同一條邊緣；
[0025] (f)轉(zhuǎn)到(a)枚舉下一個(gè)點(diǎn)；
[0026] 化)對(duì)于得到的所有邊緣進(jìn)行篩選，刪除長(zhǎng)度（即包含的像素點(diǎn)個(gè)數(shù))小于一定闊 值的邊緣。
[0027] 優(yōu)選地，步驟(2)所述的目標(biāo)輪廓模型建立部分中，對(duì)于配備設(shè)計(jì)圖紙的目標(biāo)，優(yōu) 先采用對(duì)設(shè)計(jì)圖紙進(jìn)行柵格化處理的方式建立輪廓模型;對(duì)于不具備設(shè)計(jì)圖紙的目標(biāo)，采 用步驟1)所提取的連續(xù)邊緣特征作為輪廓模型。
[00%]優(yōu)選地，步驟(3)所述的基于化U曲變換思想的候選目標(biāo)提取部分中，首先建立目 標(biāo)的參數(shù)模型表示(U，V，dir，scale)，其中U，V為目標(biāo)的圖像坐標(biāo)，W像素作為最小分辨率； dir為目標(biāo)的平面旋轉(zhuǎn)角度，將圓周劃分成36個(gè)區(qū)域，每10°作為區(qū)域，而dir用來(lái)表示區(qū)域 的編號(hào)（當(dāng)目標(biāo)旋轉(zhuǎn)角度屬于[0°，10°)時(shí)dir為0,當(dāng)目標(biāo)旋轉(zhuǎn)角度屬于[10°，20°)時(shí)dir為 1，W此類(lèi)推）；scale表示相對(duì)于輪廓模型的縮放因子，WO. 1作為最小分辨率。WH(u，v， dir, scale)表示其權(quán)值，所有權(quán)值的初值均為0。在此參數(shù)模型的基礎(chǔ)上，設(shè)計(jì)方法如下： [0029] (a)采用步驟(1)所述方法提取圖像邊緣信息；
[0030] (b)枚舉每一個(gè)邊緣像素點(diǎn)(Xj，Yj)，計(jì)算其梯度方向aj;
[0031] (C)對(duì)于每一個(gè)邊緣像素點(diǎn)，同時(shí)枚舉輪廓模型點(diǎn)集中的每一個(gè)點(diǎn)(xi，yi，0i);
[0032] (d)假設(shè)像素點(diǎn)化，Y八J)與模型中的點(diǎn)（xi，yi，0i)為同一個(gè)點(diǎn)，計(jì)算在不同縮放 因子條件下滿(mǎn)足該假設(shè)的參數(shù)空間：
[0033]
[0034] (e)對(duì)滿(mǎn)足假設(shè)的參數(shù)空間（山化，Vi化，diri化，scalei化)及其附近參數(shù)空間（化化± 1，vij± 1，di；Tij± 1 ,scaleijk)進(jìn)行加權(quán)：
[0035]
[0036] (f)枚舉完所有邊緣像素后，假設(shè)得到的最高權(quán)值為Hmax，選取所有權(quán)值大于0.8- Hmax的參數(shù)對(duì)應(yīng)的目標(biāo)作為候選目標(biāo)。
[0037] 優(yōu)選地，步驟4)所述的目標(biāo)篩選及精確定位部分中，對(duì)于通過(guò)步驟3)得到的每一 個(gè)候選目標(biāo)(Ui，Vi，di;ri，scalei)，將di;ri所對(duì)應(yīng)角度區(qū)域的中間角度記為目i。在xG[Ui-k，Ui +^，7￡[乂1~4，乂1+^，日￡[0廣5°，目1+5°]，范圍內(nèi)枚舉目標(biāo)的整數(shù)位置參數(shù)。假設(shè)通過(guò)步驟 3)得到了n個(gè)候選目標(biāo)位置，那么總共需要枚舉11 ? (2k+l) ? (2k+l) ?!!組位置參數(shù)。對(duì)于 每一組位置參數(shù)，根據(jù)其圖像坐標(biāo)、旋轉(zhuǎn)角度及縮放因子，結(jié)合之前建立的輪廓模型，可W 得到在該參數(shù)情況下，目標(biāo)邊緣點(diǎn)在圖像中的位置，記為{(Xi,yi) I (Xi，yi) Gcontoura = 1，2, ...，N}其中（xi，yi)為邊緣點(diǎn)在該參數(shù)情況下的圖像坐標(biāo)，N為當(dāng)前參數(shù)情況下圖像中 邊緣點(diǎn)的個(gè)數(shù)，根據(jù)角度及縮放因子的變化會(huì)有不同。在原圖的梯度圖像上(并不是經(jīng)過(guò)連 續(xù)邊緣提取的圖像），對(duì)運(yùn)些邊緣點(diǎn)的梯度進(jìn)行加權(quán)求和：
[00；3 引
[0039] 其中，log函數(shù)是為了平衡邊緣各個(gè)部分的權(quán)重，降低加權(quán)算法受噪聲的影響。根 據(jù)加權(quán)的結(jié)果，選取最大權(quán)值對(duì)應(yīng)的參數(shù)作為目標(biāo)的最終定位結(jié)果。
[0040] 本發(fā)明提出的基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法，能夠快速建立未知平面目 標(biāo)的輪廓模型，并且根據(jù)該模型對(duì)該種類(lèi)目標(biāo)進(jìn)行檢測(cè)，解決了現(xiàn)有檢測(cè)方法泛用性不夠 強(qiáng)的問(wèn)題。實(shí)驗(yàn)驗(yàn)證，本發(fā)明對(duì)于目標(biāo)定位的平均像素誤差小，一般為I個(gè)像素，最大像素誤 差為2像素，能夠達(dá)到較高的檢測(cè)精度；同時(shí)能夠滿(mǎn)足工業(yè)場(chǎng)景實(shí)時(shí)檢測(cè)的需求，并且對(duì)于 外界干擾具備一定的抗噪能力。
【附圖說(shuō)明】
[0041] 圖1為本發(fā)明算法框架圖。
[0042] 圖2為本發(fā)明梯度方向分割示意圖。
[0043] 圖3為本發(fā)明后繼捜索范圍示意圖。
[0044] 圖4為本發(fā)明邊緣連接示意圖。
[0045] 圖5為本發(fā)明目標(biāo)檢測(cè)結(jié)果效果圖。
【具體實(shí)施方式】
[0046] 下面結(jié)合附圖，進(jìn)一步描述本發(fā)明，但不W任何方式限制本發(fā)明的范圍。
[0047] -、平面目標(biāo)檢測(cè)的操作流程
[004引如圖1所示，本發(fā)明的框架可W分為模型建立及目標(biāo)檢測(cè)兩部分，模型建立階段通 過(guò)對(duì)設(shè)計(jì)圖紙柵格化或者對(duì)模板目標(biāo)進(jìn)行連續(xù)邊緣提取得到目標(biāo)的輪廓模型，目標(biāo)檢測(cè)部 分利用目標(biāo)的輪廓模型對(duì)候選目標(biāo)進(jìn)行提取，并通過(guò)目標(biāo)篩選及精確定位算法得到目標(biāo)的 精確位置。
[0049] 二、平面目標(biāo)檢測(cè)的具體實(shí)現(xiàn)流程
[0050] 本發(fā)明所提供的基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法，其實(shí)現(xiàn)流程可W總結(jié)為 如下部分：
[0051 ] 1)提取連續(xù)邊緣特征
[0052] 為了實(shí)現(xiàn)連續(xù)邊緣特征提取，需要分別實(shí)現(xiàn)W下內(nèi)容：
[0053] 1.1)梯度計(jì)算
[0054] 采用與化nny算法相同的公式對(duì)所有像素的梯度值及梯度方向進(jìn)行計(jì)算，并將梯 度方向的結(jié)果根據(jù)范圍進(jìn)行分類(lèi)，如圖2所示，即根據(jù)梯度方向分成[-22.5° ,22.5°)與 [157.5°,202.5°)、[22.5° ,67.5°)與[202.5°,247.5°)、[67.5°,112.5°)與[247.5°， 292.5°)、[112.5°，157.5°)與[292.5°，337.5°)運(yùn)4類(lèi)，分別記為(：1、〔2、〔3、〔4，表示水平、垂 直W及兩個(gè)對(duì)角線(xiàn)方向的邊緣類(lèi)型。
[0055] 1.2)邊緣候選點(diǎn)提取
[0056] 根據(jù)邊緣像素梯度值較高的特性，尋找局部區(qū)域內(nèi)的梯度極值點(diǎn)作為顯著邊緣候 選點(diǎn)。對(duì)于每個(gè)像素，考慮其周?chē)鷎Xk的鄰域，如果該像素的梯度值為其鄰域內(nèi)最大的，就 將其作為一個(gè)邊緣候選點(diǎn)。運(yùn)里k的取值可W根據(jù)目標(biāo)的大小分布等因素改變。當(dāng)k的取值 較大時(shí)，為了防止遺漏邊緣，如果該像素為其kXk的鄰域梯度值第二大的點(diǎn)，且梯度值最大 的點(diǎn)不在該像素的化/2) X化/2)的領(lǐng)域內(nèi)，則將該像素也提取為邊緣候選點(diǎn)。
[0057] 1.3)連續(xù)邊緣提取
[0058] 在已有候選邊緣點(diǎn)的基礎(chǔ)上，對(duì)候選點(diǎn)進(jìn)行連接得到連續(xù)邊緣，設(shè)計(jì)方法如下：
[0059] (a)枚舉所有邊緣候選點(diǎn)；
[0060] (b)如果該候選點(diǎn)被已有邊緣包含，轉(zhuǎn)到(a)枚舉下一個(gè)點(diǎn)；
[0061] (C)根據(jù)該像素的梯度方向類(lèi)型，沿著其邊緣方向的兩端分別尋找梯度最大且梯 度方向相近的像素點(diǎn)作為后繼，WCl類(lèi)垂直型邊緣為例，如圖3所示，在藍(lán)色背景的像素及 綠色背景的像素中分別尋找梯度最大且滿(mǎn)足連續(xù)邊緣條件的像素作為后繼，其他類(lèi)型邊緣 同理；
[0062] (d)在后繼的基礎(chǔ)上不斷尋找新的后繼，尋找原則同樣是根據(jù)梯度方向類(lèi)型，W圖 3(a)所示的Cl類(lèi)垂直型邊緣為例，如果尋找序列中當(dāng)前像素的前驅(qū)像素屬于藍(lán)色區(qū)域，就 在綠色區(qū)域內(nèi)尋找梯度值最大且滿(mǎn)足連續(xù)邊緣條件的點(diǎn)作為后繼，如果前驅(qū)像素屬于綠色 區(qū)域，就在藍(lán)色區(qū)域內(nèi)尋找梯度值最大且滿(mǎn)足連續(xù)邊緣條件的點(diǎn)作為后繼，其他類(lèi)型邊緣 同理；
[0063] (e)重復(fù)(d)的操作，直到區(qū)域內(nèi)找不到符合條件的后繼，或者后繼已被已有邊緣 包含，如后繼被已有邊緣包含，則將正在提取的邊緣與該已有邊緣合并為同一條邊緣；
[0064] (f)轉(zhuǎn)到(a)枚舉下一個(gè)點(diǎn)；
[0065] 化)對(duì)于得到的所有邊緣進(jìn)行篩選，刪除長(zhǎng)度（即包含的像素點(diǎn)個(gè)數(shù))小于一定闊 值的邊緣。
[0066] W圖4為例進(jìn)一步演示連續(xù)邊緣提取的實(shí)施流程，圖中的數(shù)值表示像素的梯度值， 通過(guò)邊緣候選點(diǎn)提取部分得到了標(biāo)為紅字的5個(gè)邊緣候選點(diǎn)。首先枚舉第1個(gè)候選點(diǎn)（梯度 值為紅色93的像素），在其2個(gè)邊緣方向的鄰近點(diǎn)中尋找后繼（由于向上尋找超出圖像邊界， 運(yùn)里沒(méi)表現(xiàn)出來(lái)），找到第一個(gè)后繼(梯度值為87的像素），對(duì)于該后繼，由于其梯度屬于Cl 類(lèi)型且其前驅(qū)來(lái)自上方，故在其下方3個(gè)相鄰像素內(nèi)繼續(xù)尋找后繼，依次類(lèi)推得到圖中藍(lán)色 的連續(xù)邊緣，紅色箭頭即為每次尋找后繼的尋找方向。接下來(lái)枚舉第2個(gè)候選點(diǎn)（梯度值為 紅色84的像素），由于其已經(jīng)屬于由第一個(gè)候選點(diǎn)尋找得到的邊緣，故直接跳過(guò)。接下來(lái)枚 舉第3個(gè)候選點(diǎn)（梯度值為紅色32的像素），由于其梯度方向上找不到滿(mǎn)足連續(xù)邊緣條件的 相鄰像素，故該像素作為單一像素邊緣。接下來(lái)枚舉第4個(gè)候選點(diǎn)（梯度值為紅色88的像 素），其情況與第2個(gè)候選點(diǎn)相同，直接跳過(guò)。最后枚舉第5個(gè)候選點(diǎn)（梯度值為紅色90的像 素），該像素梯度方向?qū)儆贑4類(lèi)型，在其左上和右下2個(gè)方向分別尋找相鄰的后繼，往左上尋 找到第3個(gè)后繼時(shí)，遇到了被已有藍(lán)色邊緣包含的像素，則終止該方向的尋找，并將該邊緣 與已有的藍(lán)色邊緣合并成同一條邊緣。最后通過(guò)邊緣篩選，將長(zhǎng)度只有1的黃色邊緣刪除， 即得到最終的連續(xù)邊緣結(jié)果。
[0067] 2)建立目標(biāo)輪廓模型；
[0068] 對(duì)于配備設(shè)計(jì)圖紙的目標(biāo)，優(yōu)先采用對(duì)設(shè)計(jì)圖紙進(jìn)行柵格化處理的方式建立輪廓 模型;對(duì)于不具備設(shè)計(jì)圖紙的目標(biāo)，采用步驟1)所提取的連續(xù)邊緣特征作為輪廓模型。
[0069] 3)基于化U曲變換思想提取候選目標(biāo)
[0070] 首先建立目標(biāo)的參數(shù)模型表示(U，Vidir,scale)，其中U，V為目標(biāo)的圖像坐標(biāo)，W 像素作為最小分辨率;dir為目標(biāo)的平面旋轉(zhuǎn)角度，將圓周劃分成36個(gè)區(qū)域，每10°作為區(qū) 域，而dir用來(lái)表示區(qū)域的編號(hào)（當(dāng)目標(biāo)旋轉(zhuǎn)角度屬于[0°，10°)時(shí)dir為0,當(dāng)目標(biāo)旋轉(zhuǎn)角度 屬于[10°，20°)時(shí)dir為1，W此類(lèi)推）；scale表示相對(duì)于輪廓模型的縮放因子，W0.1作為最 小分辨率。WH(u，V，dir，scale)表示其權(quán)值，所有權(quán)值的初值均為0。在此參數(shù)模型的基礎(chǔ) 上，設(shè)計(jì)方法如下：
[0071 ] (a)采用步驟1)所述方法提取圖像邊緣信息；
[0072] (b)枚舉每一個(gè)邊緣像素點(diǎn)(Xj，Yj)，計(jì)算其梯度方向aj;
[0073] (C)對(duì)于每一個(gè)邊緣像素點(diǎn)，同時(shí)枚舉輪廓模型點(diǎn)集中的每一個(gè)點(diǎn)(xi，yi，0i);
[0074] (d)假設(shè)像素點(diǎn)化，Y八J)與模型中的點(diǎn)（xi，yi，0i)為同一個(gè)點(diǎn)，計(jì)算在不同縮放 因子條件下滿(mǎn)足該假設(shè)的參數(shù)空間：
[0075]
[0076] (e)對(duì)滿(mǎn)足假設(shè)的參數(shù)空間（山化，Vi化，diri化，scalei化)及其附近參數(shù)空間（化化± 1，vij± 1，di；Tij± 1 ,scaleijk)進(jìn)行加權(quán)：
[0077]
[0078] (f)枚舉完所有邊緣像素后，假設(shè)得到的最高權(quán)值為Hmax，選取所有權(quán)值大于0.8- Hmax的參數(shù)對(duì)應(yīng)的目標(biāo)作為候選目標(biāo)。
[0079] 4)對(duì)候選目標(biāo)進(jìn)行篩選并實(shí)現(xiàn)精確定位。
[0080] 對(duì)于通過(guò)步驟3)得到的每一個(gè)候選目標(biāo)(化，￥1，(1；[1'1，3。曰160，將(1；[1'1所對(duì)應(yīng)角度 區(qū)域的中間角度記為目i。在XG [iu-k，Ui+k]，yG [V廣k，Vi+k]，aG [目廣5°，目i+5° ]，范圍內(nèi)枚 舉目標(biāo)的整數(shù)位置參數(shù)。假設(shè)通過(guò)步驟3)得到了 n個(gè)候選目標(biāo)位置，那么總共需要枚舉11 ? (化+1) ? (2k+l) -n組位置參數(shù)。對(duì)于每一組位置參數(shù)，根據(jù)其圖像坐標(biāo)、旋轉(zhuǎn)角度及縮放 因子，結(jié)合之前建立的輪廓模型，可W得到在該參數(shù)情況下，目標(biāo)邊緣點(diǎn)在圖像中的位置， 記為{(Xi，yi) I (Xi，yi) Gcontoura = I，2, ...，N}其中（Xi，yi)為邊緣點(diǎn)在該參數(shù)情況下的 圖像坐標(biāo)，N為當(dāng)前參數(shù)情況下圖像中邊緣點(diǎn)的個(gè)數(shù)，根據(jù)角度及縮放因子的變化會(huì)有不 同。在原圖的梯度圖像上(并不是經(jīng)過(guò)連續(xù)邊緣提取的圖像），對(duì)運(yùn)些邊緣點(diǎn)的梯度進(jìn)行加 權(quán)求和：
[0081]
[0082] 其中l(wèi)og函數(shù)是為了平衡邊緣各個(gè)部分的權(quán)重，降低加權(quán)算法受噪聲的影響。根據(jù) 加權(quán)的結(jié)果，選取最大權(quán)值對(duì)應(yīng)的參數(shù)作為目標(biāo)的最終定位結(jié)果。
[0083] S、平面目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果
[0084]如圖5所示，本發(fā)明所提供的基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法能夠提取出 目標(biāo)的精確位置W及方向。同時(shí)經(jīng)實(shí)驗(yàn)驗(yàn)證，本發(fā)明對(duì)于目標(biāo)定位的平均像素誤差為0.81 像素，最大像素誤差為2像素，能夠達(dá)到較高的檢測(cè)精度。同時(shí)能夠滿(mǎn)足工業(yè)場(chǎng)景實(shí)時(shí)檢測(cè) 的需求，并且對(duì)于外界干擾具備一定的抗噪能力。
【主權(quán)項(xiàng)】
1. 一種基于連續(xù)邊緣特征的平面目標(biāo)檢測(cè)方法，其特征在于，具體步驟為： (1) 提取連續(xù)邊緣特征； (2) 建立目標(biāo)輪廓模型； (3) 基于Hough變換思想提取候選目標(biāo)； (4) 對(duì)候選目標(biāo)進(jìn)行篩選并實(shí)現(xiàn)精確定位。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟（1)所述提取連續(xù)邊緣特征，具體步 驟如下： (1.1) 梯度計(jì)算； (1.2) 邊緣候選點(diǎn)提??； (1.3) 連續(xù)邊緣提取。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于： 步驟（1.1)所述的梯度計(jì)算，采用與Canny算法相同的公式對(duì)所有像素的梯度值及梯度 方向進(jìn)行計(jì)算，并將梯度方向的結(jié)果根據(jù)范圍進(jìn)行分類(lèi)； 步驟（1.2)所述的邊緣候選點(diǎn)提取，根據(jù)邊緣像素梯度值較高的特性，尋找局部區(qū)域內(nèi) 的梯度極值點(diǎn)作為顯著邊緣候選點(diǎn);對(duì)于每個(gè)像素，考慮其周?chē)鷎 X k的鄰域，如果該像素的 梯度值為其鄰域內(nèi)最大的，就將其作為一個(gè)邊緣候選點(diǎn)，這里k的取值根據(jù)目標(biāo)的大小分布 因素改變，當(dāng)k的取值較大時(shí)，如果該像素為其kXk的鄰域梯度值第二大的點(diǎn)，且梯度值最 大的點(diǎn)不在該像素的(k/2) X (k/2)的領(lǐng)域內(nèi)，則將該像素也提取為邊緣候選點(diǎn)； 步驟（1.3)所述的連續(xù)邊緣提取，是在已有候選邊緣點(diǎn)的基礎(chǔ)上，對(duì)候選點(diǎn)進(jìn)行連接， 得到連續(xù)邊緣，設(shè)計(jì)方法如下： (a) 枚舉所有邊緣候選點(diǎn)； (b) 如果該候選點(diǎn)被已有邊緣包含，轉(zhuǎn)到(a)枚舉下一個(gè)點(diǎn)； (c) 根據(jù)該像素的梯度方向類(lèi)型，沿著其邊緣方向的兩端分別尋找梯度最大且梯度方 向相近的像素點(diǎn)作為后繼； (d) 在后繼的基礎(chǔ)上不斷尋找新的后繼，尋找原則同樣是根據(jù)梯度方向類(lèi)型； (e) 重復(fù)(d)的操作，直到區(qū)域內(nèi)找不到符合條件的后繼，或者后繼已被已有邊緣包含， 則將正在提取的邊緣與該已有邊緣合并為同一條邊緣； (f) 轉(zhuǎn)到(a)枚舉下一個(gè)點(diǎn)； (h)對(duì)于得到的所有邊緣進(jìn)行篩選，刪除長(zhǎng)度即包含的像素點(diǎn)個(gè)數(shù)小于一定閾值的邊 緣。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟(2)所述的目標(biāo)輪廓模型建立，對(duì)于配 備設(shè)計(jì)圖紙的目標(biāo)，采用對(duì)設(shè)計(jì)圖紙進(jìn)行柵格化處理的方式建立輪廓模型;對(duì)于不具備設(shè) 計(jì)圖紙的目標(biāo)，采用步驟(1)所提取的連續(xù)邊緣特征作為輪廓模型。5. 根據(jù)權(quán)利要求3或4所述的方法，其特征在于，步驟(3)所述的基于Hough變換思想的 候選目標(biāo)提取，首先建立目標(biāo)的參數(shù)模型表示^ clfcjratey，其中，W 為目標(biāo)的圖 像坐標(biāo)，以像素作為最小分辨率;dir為目標(biāo)的平面旋轉(zhuǎn)角度，將圓周劃分成36個(gè)區(qū)域，每10 °作為區(qū)域，而dir用來(lái)表示區(qū)域的編號(hào)，當(dāng)目標(biāo)旋轉(zhuǎn)角度屬于1〇 :: )時(shí)dir為0,當(dāng)目標(biāo) 旋轉(zhuǎn)角度屬于Ρ〇%20- )時(shí)dir為1，以此類(lèi)推）；SCale表示相對(duì)于輪廓模型的縮放因子， 以ο. 1作為最小分辨率；以/、/<μ, 〖Λ iiir, 表示其權(quán)值，所有權(quán)值的初值均為ο;在此 參數(shù)模型的基礎(chǔ)上，設(shè)計(jì)方法如下： (a) 采用步驟(1)所述方法提取圖像邊緣信息即連續(xù)邊緣特征； (b) 枚舉每一個(gè)邊緣像素點(diǎn)，計(jì)算其梯度方向％; (C)對(duì)于每一個(gè)邊緣像素點(diǎn)，同時(shí)枚舉輪廓模型點(diǎn)集中的每一個(gè)點(diǎn)(&<>>. %); (d) 假設(shè)像素點(diǎn)與模型中的為同一個(gè)點(diǎn)，計(jì)算在不同縮放因子 條件下滿(mǎn)足該假設(shè)的參數(shù)空間：(e) 對(duì)滿(mǎn)足假設(shè)的參數(shù)空間?其附近參數(shù)空間(f) 枚舉完所有邊緣像素后，假設(shè)得到的最高權(quán)值為，選取所有權(quán)值大于 福胃》的參數(shù)對(duì)應(yīng)的目標(biāo)作為候選目標(biāo)。6.根據(jù)權(quán)利要求5所述的方法，其特征在于，步驟(4)所述的目標(biāo)篩選及精確定位，對(duì)于 通過(guò)步驟(3)得到的每一個(gè)候選目標(biāo)沿化5CC?岣），將也?丨:所對(duì)應(yīng)角度區(qū)域的中 間角度記為_(kāi)|，在』范圍內(nèi)枚舉目標(biāo)的整數(shù)位置參數(shù);假設(shè)通過(guò)步驟(3)得到了η個(gè)候選目標(biāo)位置，那么總共需 要枚舉Γ1 < + (2裊+ 1〇 ^組位置參數(shù);對(duì)于每一組位置參數(shù)，根據(jù)其圖像坐 標(biāo)、旋轉(zhuǎn)角度及縮放因子，結(jié)合之前建立的輪廓模型，得到在該參數(shù)情況下，目標(biāo)邊緣點(diǎn)在 圖像中的位置，記為丨(％只）€ awiimr j = ，其中(??為邊緣 點(diǎn)在該參數(shù)情況下的圖像坐標(biāo)，N為當(dāng)前參數(shù)情況下圖像中邊緣點(diǎn)的個(gè)數(shù)，根據(jù)角度及縮放 因子的變化會(huì)有不同；在原圖的梯度圖像上，對(duì)這些邊緣點(diǎn)的梯度進(jìn)行加權(quán)求和：其中，log函數(shù)是為了平衡邊緣各個(gè)部分的權(quán)重，降低加權(quán)算法受噪聲的影響；根據(jù)加 權(quán)的結(jié)果，選取最大權(quán)值對(duì)應(yīng)的參數(shù)作為目標(biāo)的最終定位結(jié)果。
【文檔編號(hào)】G06K9/46GK106022337SQ201610344722
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月22日
【發(fā)明人】張文強(qiáng), 薛向陽(yáng), 王洪榮, 張睿, 路紅, 鄭驍慶, 張超, 杜正陽(yáng)
【申請(qǐng)人】復(fù)旦大學(xué)