本發(fā)明涉及機(jī)器視覺領(lǐng)域，尤其涉及一種復(fù)雜場景下個體x角點(diǎn)提取方法。

背景技術(shù)：

在機(jī)器視覺中，對目標(biāo)物體快速精準(zhǔn)的定位，一直是學(xué)界和工程界研究的重點(diǎn)問題，解決了識別與定位問題，就完成了“機(jī)器人眼睛”的一個重要工作。

在目標(biāo)檢測方面，從識別目標(biāo)上來區(qū)分，包括有marker的方式和無marker的途徑。marker是指固定在目標(biāo)物體上，可以被系統(tǒng)自身算法識別的二維或三維標(biāo)記點(diǎn)，例如二維碼、條形碼以及本發(fā)明所要識別的x角點(diǎn)。無marker識別指的是識別目標(biāo)物體本身，通過提取目標(biāo)物體的輪廓及紋理特征，然后對特征加以分類，最后對目標(biāo)的種類做出判斷。從識別的途徑上來分，有基于形態(tài)學(xué)方法和基于深度學(xué)習(xí)的方式，這兩種方式的區(qū)別在于，形態(tài)學(xué)方法是采用人工的方式對特征進(jìn)行提取，而深度學(xué)習(xí)相當(dāng)于一個黑箱，通過眾多不同功能的神經(jīng)元和深層次的卷積神經(jīng)網(wǎng)絡(luò)對圖片進(jìn)行特征提取。

本發(fā)明中，采用相對環(huán)境辨識度高、抗干擾能力強(qiáng)的x角點(diǎn)為marker，x角點(diǎn)是兩個暗塊和兩個亮塊圖案交替排列形成圖案的公共點(diǎn)。目前學(xué)術(shù)界對于x角點(diǎn)檢測的工作幾乎全部集中于棋盤格特征點(diǎn)的檢測，比如張正友在“aflexiblenewtechniqueforcameracalibration”中公開了一種基于棋盤格角點(diǎn)的相機(jī)標(biāo)定方法，通過識別多張棋盤格圖像中的x角點(diǎn)，計(jì)算出相機(jī)的內(nèi)參。另外還有例如西安理工大學(xué)的楊幸芳等人再“用于攝像機(jī)標(biāo)定的棋盤圖像角點(diǎn)檢測新算法”中提出的使用環(huán)形模板的識別算法，北京航空航天大學(xué)魏軍等人在“基于段測試的x角點(diǎn)快速檢測與亞像素定位”一文中提出了使用段測試的x角點(diǎn)檢測方法。其中張正友標(biāo)定法中采用的識別方法依賴于棋盤格的幾何特征，無法檢測個體的x角點(diǎn)；其他的基于幾何特征、基于模板匹配、基于梯度特征等等方法雖然適用于個體x角點(diǎn)，但是這些方法普遍具有對圖像投影變換、平面外旋轉(zhuǎn)、光照、噪聲等敏感，并且在復(fù)雜場景下會有很多的誤檢測點(diǎn)，導(dǎo)致識別時間過長，無法滿足機(jī)器視覺對實(shí)時性的要求。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：

本發(fā)明克服了現(xiàn)有x角點(diǎn)檢測技術(shù)在復(fù)雜場景下的檢測率低的問題，提出了一種基于響應(yīng)值提取和支持向量機(jī)(supportvectormachine，簡稱svm)分類的角點(diǎn)提取方法，大大提高了角點(diǎn)檢測的準(zhǔn)確率和魯棒性，縮短了檢測時間。

技術(shù)方案：

本發(fā)明一種復(fù)雜場景下個體x角點(diǎn)提取方法，其步驟如下：

步驟一：制作x角點(diǎn)標(biāo)準(zhǔn)板。為了盡可能得提升svm分類器的適應(yīng)性，避免分類器過擬合，在標(biāo)準(zhǔn)板上打印18個x角點(diǎn)，以第一個x角點(diǎn)為基準(zhǔn)，從第二個開始，每個x角點(diǎn)是前一個x角點(diǎn)繞中心順時針旋轉(zhuǎn)10°構(gòu)成，所以最終會得到一個旋轉(zhuǎn)角從0°～170°的x角點(diǎn)標(biāo)準(zhǔn)板。

步驟二：采集訓(xùn)練svm使用的圖像，并將圖片灰度化。在0.5m-4m的視野范圍內(nèi)，通過旋轉(zhuǎn)亮暗調(diào)節(jié)的方式擴(kuò)充樣本數(shù)量，采集上千張訓(xùn)練圖像。采集的圖片如果是帶有rgb(紅、綠、藍(lán))三個通道的彩色圖像，需要將其轉(zhuǎn)化為灰度圖像以降低數(shù)據(jù)的維度?；叶然墓饺缦拢?/p>

grey＝0.299*r+0.587*g+0.114*b

其中g(shù)rey表示當(dāng)前像素點(diǎn)灰度化之后的像素值大小，r表示原圖像紅色通道像素值，g表示原圖像綠色通道像素值，b表示原圖像藍(lán)色通道像素值。

步驟三：對采集的圖片進(jìn)行高斯濾波。高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。例如可以采用11*11的模板，設(shè)置x(圖像水平)和y(圖像豎直)方向的方差都為1.5，對圖像進(jìn)行高斯濾波，就能有效降低高斯噪聲對后續(xù)步驟的影響，提升x角點(diǎn)識別的準(zhǔn)確性。

步驟四：計(jì)算各個圖像中各個像素的響應(yīng)值，并進(jìn)行響應(yīng)值過濾。由于x角點(diǎn)的對稱性和黑白相見的特性，采用一種對x角點(diǎn)具有高響應(yīng)值而對其他角點(diǎn)響應(yīng)值低的算子來計(jì)算當(dāng)前角點(diǎn)的響應(yīng)值。在以當(dāng)前像素點(diǎn)為中心，半徑為5個像素的圓上，均勻取16個像素點(diǎn)編號0～15，然后將當(dāng)前像素點(diǎn)的上、右、下、左和當(dāng)前像素點(diǎn)5個像素編號為16、17、18、19、20。計(jì)算其總響應(yīng)值(sr)，微分響應(yīng)(dr)和平均響應(yīng)值(mr)，公式如下：

其中：in表示在位置n處的像素值。

最后，通過以下公式算出當(dāng)前點(diǎn)的響應(yīng)值：

r＝sr-dr-16mr

計(jì)算出像素點(diǎn)的響應(yīng)值后，對其閾值過濾，只保留響應(yīng)值高于閾值的點(diǎn)，這樣能大幅度減少點(diǎn)的規(guī)模。閾值過濾之后再采用局部非極大值抑制的方法，消除相互距離過近的點(diǎn)。

步驟五：特征提取。在特征的選擇上，采用surf(speeded-uprobustfeatures)特征。相比與其他特征提取方法，surf特征具有明暗不變、尺度不變以及旋轉(zhuǎn)不變性等特點(diǎn)。由于x角點(diǎn)是中心對稱的，所以不需要它的旋轉(zhuǎn)不變性，因此，采用了u-surf特征，也就是不帶方向的surf特征描述子，這樣不僅能大大提高運(yùn)算的速度，在準(zhǔn)確率上也有一定的提升。采用u-surf特征描述子對特征進(jìn)行提取之后，由每個角點(diǎn)可以得到一個64維的特征描述向量。假設(shè)一共有n個特征點(diǎn)，那么就可以得到一個n*64的特征描述矩陣。

步驟六：人工添加標(biāo)記。在候選角點(diǎn)中，包含了所要識別的x角點(diǎn)，但是大部分是干擾點(diǎn)，需要生成一個標(biāo)簽文件來告訴svm分類器哪些是正樣本，哪些是負(fù)樣本。例如把正樣本標(biāo)記為1，將負(fù)樣本標(biāo)記為-1，這樣就得到了一個n*1的標(biāo)簽向量。

步驟七：svm分類器訓(xùn)練。在采集完足夠的樣本之后，需要對svm分類器進(jìn)行訓(xùn)練。經(jīng)過分析和實(shí)驗(yàn)，最終采用徑向基作為svm核函數(shù)。設(shè)定好迭代停止條件，將第五步和第六步得到的特征描述矩陣和標(biāo)簽向量輸入分類器中進(jìn)行訓(xùn)練。訓(xùn)練完成之后就可以使用該svm分類器了。

步驟八：加載圖片進(jìn)行測試。對輸入圖片進(jìn)行灰度化之后，對圖片進(jìn)行三、四、五等三個步驟的處理，生成圖片的n*64的特征矩陣，n表示當(dāng)前圖片中候選點(diǎn)的個數(shù)。將特征矩陣輸入訓(xùn)練好的svm分類器中進(jìn)行訓(xùn)練，它會輸出一個n*1的預(yù)測向量，分別代表從1～n個候選點(diǎn)的預(yù)測值，如果為1，就表示預(yù)測當(dāng)前候選點(diǎn)為x角點(diǎn)；否則如果為-1，就表示預(yù)測當(dāng)前候選點(diǎn)非x角點(diǎn)。

步驟九：對提取的x角點(diǎn)點(diǎn)進(jìn)行亞像素定位。在第八步所確定的x角點(diǎn)屬于像素級定位，也就是說像素點(diǎn)的坐標(biāo)是整數(shù)，它只是實(shí)際角點(diǎn)坐標(biāo)的一個近似值。在實(shí)際應(yīng)用中，像素級的定位是不夠的，必須要達(dá)到亞像素級的定位，也就是要把坐標(biāo)的精度提升到0.1像素級。

本發(fā)明一種復(fù)雜場景下個體x角點(diǎn)提取方法，具有以下優(yōu)點(diǎn)：

1.本發(fā)明適用于嘈雜的環(huán)境中，對噪聲的敏感度低。本發(fā)明中不僅采用了角點(diǎn)響應(yīng)值方法對像素點(diǎn)進(jìn)行了過濾，而且增加了采用機(jī)器學(xué)習(xí)中的svm分類器進(jìn)行篩選，相比與其他x角點(diǎn)檢測算法，具有更強(qiáng)的適應(yīng)性和更高的準(zhǔn)確率。

2.本發(fā)明識別精度高，波動小。在0.5m至2.0m的范圍內(nèi)，對兩點(diǎn)之間距離進(jìn)行測量，測量距離誤差在小于0.1mm，標(biāo)準(zhǔn)差小于0.02mm。

3.本算法具有良好的移植性。用戶可以根據(jù)自身使用環(huán)境、圖片大小、圖片質(zhì)量等的差異，使用自己的圖片訓(xùn)練svm分類器以達(dá)到更好的分類效果。

4.本算法對x角點(diǎn)具有良好的辨識度，對x角點(diǎn)識別進(jìn)行了角度測試。x角點(diǎn)相對于相機(jī)的位置從平行開始，繞測試板的豎直中軸線進(jìn)行離面旋轉(zhuǎn)，每隔5°進(jìn)行采樣。測試結(jié)果顯示，在相機(jī)與x角點(diǎn)距離0.5m的時候，從0°到75°識別率一直是100％，到80°的時候下降為79.75％；而在1m的時候，0～70°的識別率依然是100％，而75°的結(jié)果降至88.89％，80°的識別率降至55.56％；在1.5m的時候，0～65°的正確率為100％，70°的正確率降低至81.22％，75°的正確率降低至52.61％，。相比其他算法，本發(fā)明算法具有很好的魯棒性。

5.本發(fā)明耗時所耗時間短，一張輸入為2560*1024的圖片，完成檢測的所有步驟耗時只需要0.1s，如果圖片縮小或者使用gpu運(yùn)算速度還能有所提升，完全可以滿足機(jī)器視覺對實(shí)時性的要求。

附圖說明

圖1為x角點(diǎn)示意圖

圖2圖2為本發(fā)明x角點(diǎn)識別的流程框圖(算法流程圖如圖2所示)

具體實(shí)施方式

下面結(jié)合附圖，對本發(fā)明的技術(shù)方案做進(jìn)一步的說明。

實(shí)現(xiàn)復(fù)雜場景下x角點(diǎn)的精確識別，需要兩大步驟：首先是高效地篩選，使用專門針對x角點(diǎn)的響應(yīng)值計(jì)算方法，盡可能地放大x角點(diǎn)的響應(yīng)值，同時抑制非x角點(diǎn)的響應(yīng)值，達(dá)到迅速降低數(shù)據(jù)集維度的目的，其次是使用精確的分類方法，剔除掉候選點(diǎn)中的非x角點(diǎn)，最終只剩下人工添加的marker中的x角點(diǎn)。

本發(fā)明的一種復(fù)雜場景下個體x角點(diǎn)提取方法，對象是與自然環(huán)境具有明顯區(qū)別的x角點(diǎn)，參見圖1，如果以一個圓分割出x角點(diǎn)，具有以下三個明顯特征：

1.黑色和白色區(qū)域各占總面積的一半。

2.黑色和白色區(qū)域交替，相鄰區(qū)域有較大的灰度值變化。

3.像素的灰度值關(guān)于中心點(diǎn)對稱。

本發(fā)明一種復(fù)雜場景下個體x角點(diǎn)提取方法的實(shí)現(xiàn)步驟參見圖2所示，具體描述如下：

(一)、制作x角點(diǎn)標(biāo)準(zhǔn)板。為了盡可能得提升svm分類器的適應(yīng)性，避免分類器過擬合，在標(biāo)準(zhǔn)板上打印18個x角點(diǎn)，以第一個x角點(diǎn)為基準(zhǔn)，從第二個開始，每個x角點(diǎn)是前一個x角點(diǎn)繞中心順時針旋轉(zhuǎn)10°構(gòu)成，所以最終會得到一個旋轉(zhuǎn)角從0°～170°的x角點(diǎn)標(biāo)準(zhǔn)板。

(二)、采集訓(xùn)練svm使用的圖像，并將圖片灰度化。在0.5m-4m的視野范圍內(nèi)，通過旋轉(zhuǎn)亮暗調(diào)節(jié)的方式擴(kuò)充樣本數(shù)量，采集上千張訓(xùn)練圖像。采集的圖片如果是帶有rgb(紅、綠、藍(lán))三個通道的彩色圖像，需要將其轉(zhuǎn)化為灰度圖像以降低數(shù)據(jù)的維度?；叶然墓饺缦拢?/p>

grey＝0.299*r+0.587*g+0.114*b

其中g(shù)rey表示當(dāng)前像素點(diǎn)灰度化之后的像素值大小，r表示原圖像紅色通道像素值，g表示原圖像綠色通道像素值，b表示原圖像藍(lán)色通道像素值。

(三)、對采集的圖片進(jìn)行高斯濾波。高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。例如可以采用11*11的模板，設(shè)置x(圖像水平)和y(圖像豎直)方向的方差都為1.5，對圖像進(jìn)行高斯濾波，就能有效降低高斯噪聲對后續(xù)步驟的影響，提升x角點(diǎn)識別的準(zhǔn)確性。

(四)、計(jì)算各個圖像中各個像素的響應(yīng)值，并進(jìn)行響應(yīng)值過濾。參見圖1，由于x角點(diǎn)的圖形特性，采用一種對x角點(diǎn)具有高響應(yīng)值而對其他角點(diǎn)響應(yīng)值低的算子來計(jì)算當(dāng)前角點(diǎn)的響應(yīng)值。在以當(dāng)前像素點(diǎn)為中心，半徑為5個像素的圓上，均勻取16個像素點(diǎn)編號0～15，然后將當(dāng)前像素點(diǎn)的上、右、下、左和當(dāng)前像素點(diǎn)5個像素編號為16、17、18、19、20。計(jì)算其總響應(yīng)值(sr)，微分響應(yīng)(dr)和平均響應(yīng)值(mr)，公式如下：

其中：in表示在位置n處的像素值。

最后，通過以下公式算出當(dāng)前點(diǎn)的響應(yīng)值：

r＝sr-dr-16mr

計(jì)算出像素點(diǎn)的響應(yīng)值后，對其閾值過濾，只保留響應(yīng)值高于閾值的點(diǎn)，這樣能大幅度減少點(diǎn)的規(guī)模，閾值過濾之后再采用局部非極大值抑制的方法，消除相互距離過近的點(diǎn)。

(五)、特征提取。在特征的選擇上，采用surf(speeded-uprobustfeatures)特征。相比與其他特征提取方法，surf特征具有明暗不變、尺度不變以及旋轉(zhuǎn)不變性等特點(diǎn)。由于x角點(diǎn)是中心對稱的，所以不需要它的旋轉(zhuǎn)不變性，因此，采用了u-surf特征，也就是不帶方向的surf特征描述子，這樣不僅能大大提高運(yùn)算的速度，在準(zhǔn)確率上也有一定的提升。采用u-surf特征描述子對特征進(jìn)行提取之后，由每個角點(diǎn)可以得到一個64維的特征描述向量。假設(shè)一共有n個特征點(diǎn)，那么就可以得到一個n*64的特征描述矩陣。

(六)、人工添加標(biāo)記。在候選角點(diǎn)中，包含了所要識別的x角點(diǎn)，但是大部分是干擾點(diǎn)，需要生成一個標(biāo)簽文件來告訴svm分類器哪些是正樣本，哪些是負(fù)樣本。例如把正樣本標(biāo)記為1，將負(fù)樣本標(biāo)記為-1，這樣就得到了一個n*1的標(biāo)簽向量。

(七)、svm分類器訓(xùn)練。在采集完足夠的樣本之后，需要對svm分類器進(jìn)行訓(xùn)練。經(jīng)過分析和實(shí)驗(yàn)，最終采用徑向基作為svm核函數(shù)。設(shè)定好迭代停止條件，將第五步和第六步得到的特征描述矩陣和標(biāo)簽向量輸入分類器中進(jìn)行訓(xùn)練。訓(xùn)練完成之后就可以使用該svm分類器了。

(八)、加載圖片進(jìn)行測試。對輸入圖片進(jìn)行灰度化之后，對圖片進(jìn)行(三)、(四)、(五)三個步驟的處理，生成圖片的n*64的特征矩陣，n表示當(dāng)前圖片中候選點(diǎn)的個數(shù)。將特征矩陣輸入訓(xùn)練好的svm分類器中進(jìn)行訓(xùn)練，它會輸出一個n*1的預(yù)測向量，分別代表從1～n個候選點(diǎn)的預(yù)測值，如果為1，就表示預(yù)測當(dāng)前候選點(diǎn)為x角點(diǎn)；否則如果為-1，就表示預(yù)測當(dāng)前候選點(diǎn)非x角點(diǎn)。

(九)、對提取的x角點(diǎn)進(jìn)行亞像素定位。在第八步篩選出來的x角點(diǎn)都是像素級的，也就是說像素點(diǎn)的坐標(biāo)是整數(shù)，它只是實(shí)際角點(diǎn)坐標(biāo)的一個近似值。在實(shí)際應(yīng)用中，像素級的定位是不夠的，必須要達(dá)到亞像素級的定位，也就是要把坐標(biāo)的精度提升到0.1像素級。

需要指出的是，本發(fā)明中所有的參數(shù)和方法不唯一，只要不脫離復(fù)雜場景下個體x角點(diǎn)提取方法的理論方法，所有顯而易見的改變以及具有等同替換的相似方法，均包含在本發(fā)明的保護(hù)范圍之內(nèi)。