法律状态公告日
法律状态信息
法律状态
2017-12-19
授权
授权
2016-01-06
实质审查的生效 IPC(主分类):G01C7/00 申请日:20150811
实质审查的生效
2015-12-09
公开
公开
技术领域
本发明涉及物体断面测量技术领域,尤其涉及一种基于线结构光测量 物体断面的方法。
背景技术
当今测量领域有一种基于线结构光测量物体断面的方法。其核心思想是 利用线结构光投影到被测断面上,再利用影像单元以一定角度和距离拍摄被 测物体。根据拍摄结果,对影像数据进行图像分析,提取线结构光代表曲线。 最终根据预先标定参数对代表曲线的坐标进行转换,得到被测断面物方的坐 标,其测量原理示意图如图1所示。该方法主要用于当今各种需要快速测量 断面的领域。图1所示的线结构光源1包括而不限于:激光器、LED灯、氙气 灯等;影像单元2包括而不限于:感光元件、相机或摄像机等。
而随着该方法在工程应用,实践中陆续出现以下问题:
1、在环境光源复杂的条件下,特别是环境光强度远大于线结构光源的光 强度时,即使采用滤光设备(例如滤光片),也无法过滤掉与线结构光波段 相同的环境光。特别是路面上存在着高反光杂物的区域的时候此现象更加明 显。如此会造成通过影像数据对线结构光代表曲线提取过程失败或造成极大 误差。如图2所示;
2、在保持精度不变,也即单位像素对应实际物方距离比例不变的情况下, 断面测量范围受到影像单元视场或者线结构光源本身线长度所限,无法应用 于一些大型断面的测量。虽然可以通过提高影像单元、线结构光与被测物体 之间的距离可以提高测量范围,但也损失了测量精度。
3、如果采用多幅拼接的方法,则在动态运动环境下,因固定结构受外力 而产生微小变形,从而造成所测量断面的相对位置变化(平移或旋转),无 法组成有效测量断面。包括:情形一:运动过程中,固定结构受力产生微 小变形,产生扭动,投影到被测物体端时,误差被放大。情形二:运动过 程中,固定结构受力产生微小变形,产生相互位移,投影到被测物体端时, 误差被放大。
发明内容
本发明所要解决的技术问题是克服上述不足,提供一种复杂光环境下基 于线结构光的大断面测量方法。
为解决上述技术问题,本发明提供一种复杂光环境下基于线结构光的大 断面测量方法,包括以下步骤:
i-1、提取结构光疑似区域,所述结构光疑似区域包括真实的结构光区域 以及与真实的结构光区域近似的区域,所述与真实的结构光区域近似的区域, 也称为错误识别区域;
i-2、在所述结构光疑似区域内排除错误识别区域,得到初步识别区域;
i-3、在所述初步识别区域基础上,进行代表曲线的提取;
i-4、从影像中提取到的线结构光代表曲线的相方坐标转换为物方坐 标;
i-5、利用相邻两组线结构光所处影像的重合部分线性形态进行拟合, 进行多断面曲线的拼接融合。
i-1-1、根据线结构光的几何尺寸和发光特性,构建线结构光特征矩阵A, 所述线结构光特征矩阵A的标定方法为:将线结构光照射在室内、密闭、无 外界光干扰、均匀色值、平直的投影板面上;然后利用影像系统拍摄多幅 影像,获取一定时间内的多幅影像的灰度数据;通过人工限定影像中光带 区域,按光带区域宽度的像素个数x,取一个x×x像素的矩阵区域,计算 矩阵区域内每个像素灰度值在多幅影像的连续取样均值与255的比值,将 所述比值根据其像素在矩阵区域的位置对应赋予所述线结构光特征矩阵A 的各元素值;
i-1-2、根据被测物体所处背景环境的纹理特性、光反射特性,构建背 景特征矩阵B,所述背景特征矩阵B的标定方法为:通过影像系统在环境光 下对线结构光需要投射的背景进行拍摄,获取一定时间内的灰度数据;取 一个x×nx像素的矩阵区域,其中n是自然数,取值范围3~5,计算矩阵 区域内每个像素灰度值在多幅影像的连续取样均值与255的比值,将所述 比值根据其像素在矩阵区域的位置对应赋予所述背景特征矩阵B的各元素 值;
i-1-3、从影像第一排像素的最左端开始,选取包含x×nx个像素的第 一像素区域,第一像素区域的长方向垂直于要提出的光带;提取第一像素 区域的像素灰度值构建临时的图像矩阵MBi,计算PBi=B×MBi/NB,下标i 为从1开始的自然数;从x×nx的像素区域的中心,提取x×x的第二像素 区域的像素灰度值构建临时的图像矩阵MAi,计算PAi=A×MAi/NA,NA、 NB分别为A、B矩阵中非0值的个数;计算Pi=PAi/PBi;
i-1-4、从所述影像中下移一个像素行,重复步骤i-1-3中计算Pi的过 程,直到被选取第一像素区域到达影像的最下端的像素行;
i-1-5、比较,最大的Pi所对应的图像矩阵MAi区域即为线结构光代表 曲线所在疑似区域的一列位置;
i-1-6、回到影像第一排像素,右平移N个像素列选取所述第一像素区 域,然后重复步骤i-1-3、i-1-4的计算Pi的过程,N为自然数,小于等于x;
i-1-7、重复步骤i-1-6,直到被选取第一像素区域到达影像的最右端 的像素行;
i-1-8、每列的最大的Pi所对应的图像矩阵MAi区域的集合,构成所述结 构光疑似区域。
进一步的,所述步骤i-2在所述结构光疑似区域内排除错误识别区域,对 排除后的区域进行内插补值,得到初步识别区域。
所述多断面曲线的拼接融合,具体为:以其中某组线型为基础,对其他组 线型进行一次线性拟合、二次线性拟合或多次线性拟合。
有益效果:传统的基于线结构光测量模式,对线结构光亮度和环境单 一度过于依赖。任何干扰光或高反光介质都会影响线结构光代表曲线的提 取。造成传统方法往往仅能应用于室内简单环境。而本发明基于线结构光 和背景的特征,采用特征模板矩阵的方式快速剔除复杂环境噪点的干扰, 能有效将本测量方法从仅能适用于室内简单环境拓展于通用于户外复杂光 环境下。解决干扰光或高反光介质对线结构光代表曲线的提取;
传统的基于线结构光测量模式,在测量精度保持不变的情况下,无法 增大测量范围。且无法解决多测量组间相对位置变化时的拼接和融合问题, 仅仅能运用于静态环境下。而本发明“基于多断面拼接融合的大断面测量 方式”能有效解决在精度不变的情况下测量大量断面轮廓。同时可应用于 动态测量环境中。
附图说明
下面结合附图和具体实施方式对本发明的技术方案作进一步具体说 明。
图1为基于线结构光测量物体断面的原理流程图,其中,图1(a)是 测量结构原理图,图1(b)是图1(a)测量得到的断面轮廓影像,图1(c) 对图1(b)提取的线结构光代表曲线,图1(d)对图1(c)转换后得到 的物方坐标曲线图。
图2为路面上存在着高反光杂物的区域时,通过影像数据对线结构光 代表曲线提取过程失败或造成极大误差的示意图。其中,图2(a)为含有高 反光噪声的影像数据图,图2(b)为得到的误识别曲线。
图3为提取结构光疑似区域的初次取像素矩阵的处理示意图。
图4为提取结构光疑似区域的移动一次取像素矩阵的处理示意图。
图5为一个提取结构光疑似区域的实施图例。
图6为对图5中的结构光疑似区域排除错误区域后得到的初步识别区域 图例。
图7为相方坐标相方坐标转换到实际世界的物方坐标的示意图。
图8为利用已经标定块的物方大小和其所在影像中的位置建立关系,获 得影像中部分离散标定点和实际物方的对应关系示意图。
图9为通过三角网对未建立对应关系区域进行解算,获取影像中所有像 素点和实际物方坐标的对应关系原理图。
图10为多断面拼接融合过程示意图。其中图10(a)为存在断面的2条 线结构光曲线图,图10(b)为1次拟合后得到的平滑线结构光曲线图,图 10(c)为以最小方差为目标,整体旋转后的线结构光曲线。
图11为本发明的整体流程图。
具体实施方式
结合图11所示,本发明的复杂光环境下基于线结构光的大断面测量方 法,包括以下步骤:
步骤S1、提取结构光疑似区域,结构光疑似区域包括真实的结构光区域 以及与真实的结构光区域近似的区域,与真实的结构光区域近似的区域,也 称为错误识别区域;具体包括以下步骤:
步骤1-1、根据线结构光的几何尺寸和发光特性,构建线结构光特征矩阵 A。由于不同线结构光有其几何尺寸和发光特性,例如窄带的线激光器其线宽 一般为1-3mm,发光特性为光轴中间亮两侧暗。针对各种线结构光的几何尺寸 和发光特性,本发明采用不同特征的线结构光特征矩阵。线结构光特征矩阵A 的标定方法为:将线结构光照射在室内、密闭、无外界光干扰、均匀色值、 平直的投影板面上;光照射角度和高度按照最终运用的实践安装角度而定。 然后利用影像系统拍摄多幅影像,获取一定时间内(例如5分钟)的多幅 影像的灰度数据;通过人工限定影像中光带区域,按光带区域宽度的像素 个数x,取一个x×x像素的矩阵区域,计算矩阵区域内每个像素灰度值在 多幅影像的连续取样均值与255的比值P1、P2、…、P9,将比值根据其像素 在矩阵区域的位置对应赋予所述线结构光特征矩阵A的各元素值;
步骤1-2、根据被测物体所处背景环境的纹理特性、光反射特性,构建 背景特征矩阵B。由于被测物体所处背景环境有其纹理、光照特性,例如沥青 路面的颗粒是离散分布的。针对不同背景的纹理特性和光照特性,采用背景 特征矩阵B。以线激光器照射在路面上为例(本发明不仅局限于此例)。当激 光线宽度为3mm时,如影像分辨率为1mm/pix,则其普遍占据3pix。且两端 像素较暗。而路面作为背景,比较单一,通过滤光片滤光后,背景大多数为 黑色(除了可透过滤光片光带的环境光和路面上高反光杂物的区域)。
背景特征矩阵B的标定方法为:通过影像系统在环境光下对线结构光需 要投射的背景进行拍摄,获取一定时间内(例如5分钟)的灰度数据;取 一个x×nx像素的矩阵区域,其中n是自然数,取值3~5,计算矩阵区域 内每个像素灰度值在多幅影像的连续取样均值与255的比值,将所述比值 根据其像素在矩阵区域的位置对应赋予所述背景特征矩阵B的各元素值;
步骤1-3、如图3、图4所示,对于影像33,由若干排列的像素31组成。 从第一排像素的最左端开始,选取x×nx的第一像素区域,x=3,n=9,即 3×9的像素区域32的长方向垂直于要提取的光带35;提取3×9的像素区 域的像素灰度值构建临时的图像矩阵MBi,计算PBi=B×MBi/NB,下标i 为从1开始的自然数,开始记为1;然后从3×9的像素区域的中心,提取 3×3的第二像素区域34的像素灰度值构建临时的图像矩阵MAi,计算PAi= A×MAi/NA,其中NA、NB分别为A、B矩阵中非0值的个数;计算Pi=PAi/PBi; 第一像素区域32的大小是由矩阵B决定,与矩阵B映射的,表征背景区域。 第二像素区域34与矩阵A映射,认为是在当前背景区域中的线结构光的光 点区域。
步骤1-4、从影像中下移一个像素行,重复步骤1-3中计算Pi的过程, 直到被选取3×9的像素区域到达影像的最下端的像素行;
步骤1-5、比较,最大的Pi所对应的图像矩阵MAi区域即为线结构光代 表曲线所在疑似区域的一列位置;
步骤1-6、回到影像的第一排像素,将第一像素区域右平移N个像素列, N为自然数,小于等于x。重复步骤1-3、1-4的计算Pi的过程;
步骤1-7、重复步骤1-6,直到被选取第一像素区域到达影像的最右端 的像素行;
步骤1-8、每列的最大的Pi所对应的图像矩阵MAi区域的集合,构成结 构光疑似区域,如图5中的标识所示:标识13指向的区域为复杂光影像区域, 标识14指向的区域为结构光疑似区域。
步骤S2、在结构光疑似区域内排除错误识别区域,可以采用多种方法进 行。本发明所示方法仅代表基于结构光线性特征的一种推荐提取方法,其可 以基于形态学的多种图像识别方式进行替代。本发明推荐方法具体如下:
所识别出的每个可疑区域沿横向投影,即每行计算可疑区域个数,以投影 值最大的行作为线结构光的主光轴;
以主光轴上灰度值最大的区域作为起始信任点,以最小偏差D为阈值向其 左右两边遍历,选出前后两区域纵向差值小于D的区域;
对排除后的区域进行内插补值。
即得到初步识别区域,如图6所示。
步骤S3、在所述初步识别区域基础上,进行代表曲线的提取。具体方式 根据实际应用,采用不同的方法,列举如下:
(1)以区域中心点为代表点的提取方法;
(2)以区域最亮点为代表点的提取方法;
(3)以上下边界点为代表点的提取方法;
(4)以连接结果方差或标准差最小的曲线为代表点的提取方法。
上述列举方法为本领域的常规技术手段,故不予赘述。
步骤S4、从影像中提取到的线结构光代表曲线的相方坐标转换为物方 坐标。从影像中提取到的线结构光代表曲线虽然和被测物体的轮廓一致,但 由于其为相方坐标(像素),需要进一步转换。将相方坐标转换到实际世界 的物方坐标。如图7所示。
相方坐标和物方坐标之间的对应关系是通过前期标定而得。在标定过程 中,利用已经标定块的物方大小和其所在影像中的位置建立关系,获得影像 中部分离散标定点和实际物方的对应关系。如下图8所示。
在获取到部分离散点对应关系后,如图9所示,通过三角网对未建立对 应关系区域进行解算,获取影像中所有像素点和实际物方坐标的对应关系。 根据不同的投影模型,可采用多种解算方法。
步骤S5、利用相邻两组线结构光所处影像的重合部分线性形态进行拟 合,进行多断面曲线的拼接融合。
本发明对多断面拼接的技术思路是:利用相邻两组线结构光所处影像的重 合部分线性形态进行拟合。具体为:以其中某组为基础,对其他组线型进行 逐次转换。其中本发明推荐拟合方式为:一次线性拟合,但不仅局限于一次 线型拟合。二次、多次拟合都可以代替本发明推荐方法。下图10所示为基本 原理图。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案 而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通 技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而 不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范 围当中。
机译: 移动GPU环境下基于帧差的SURF算法的GPU SURF复杂度降低方法
机译: 移动GPU环境下基于帧差的SURF算法的GPU SURF复杂度降低方法
机译: 在变化的环境光条件下对基于LCD的笔记本计算机进行背光照明