一种基于线框模型的复杂环境下线性特征识别方法及系统

1.本发明涉及机器视觉与智能感知领域，特别是涉及一种基于线框模型的复杂环境下线性特征识别方法及系统。


背景技术：

2.机器视觉被称为智能制造、智能感知的“智慧之眼”，为智能制造、智能感知打开了新的“视”界。特征识别作为机器视觉和图像处理中的一个重要概念，标识着一个图像最基本的属性或特征，其核心是如何在图像中找出目标形状。
3.线性特征作为图像特征的一种重要表现形式，在不同的场合呈现出不同的层次。其将图像分成各具线状特性的区域并提取感兴趣的线状目标的技术和过程，是图像处理与计算机视觉中的重要组成部分，也是理解图像的重要途径，更是图像跟踪、匹配、定位等研究领域及应用的一个必要环节。
4.因此，针对机器视觉定位、车道线检测、匹配追踪、智能感知等不同场合下的复杂环境，如何消除外界因素对图像特征的影响，实现线性特征快速、稳定、精准的识别显得至关重要。


技术实现要素：

5.本发明的目的是提供一种基于线框模型的复杂环境下线性特征识别方法及系统，能够消除外界因素对图像特征的影响，实现线性特征快速、稳定、精准的识别。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于线框模型的复杂环境下线性特征识别方法，所述方法包括：
8.实时采集图像信息，获得原始图像；
9.对所述原始图像进行畸变矫正；
10.对所述畸变矫正后的原始图像进行高斯滤波；
11.对所述高斯滤波后的图像进行灰度变换，得到二值图像；
12.对所述二值图像进行轮廓检测，得到每一个轮廓点的坐标；
13.建立线框模型；
14.基于所述线框模型，对所述轮廓点的坐标进行筛选；
15.将筛选后的轮廓点的坐标进行线性拟合。
16.可选的，所述实时采集图像信息，获得原始图像具体是采用广角相机实时采集图像信息。
17.可选的，对所述原始图像进行畸变矫正具体包括以下步骤：
18.构造一个空图像；
19.将所述空图像作为去畸变图像g(x,y)；
20.针对原始图像每一点坐标m[u v 1]
t
，左乘内参矩阵k-1
得归一化坐标mn[x
n y
n 1]
t
；
[0021]
利用畸变模型的畸变的归一化坐标再左乘内参矩阵k得对应畸变坐
标对畸变坐标采用插值方法得到像素值，赋给空图像的像素值，即得矫正图像。
[0022]
可选的，对所述畸变矫正后的原始图像进行高斯滤波具体采用以下公式：
[0023][0024]
其中，k(x,y)为高斯滤波后的图像，g(x,y)为矫正图像，h(r,s)为二维零均值高斯滤波器的响应。
[0025]
可选的，对所述高斯滤波后的图像进行灰度变换，得到二值图像具体采用以下公式：
[0026][0027]
其中，v(x,y)为二值图像，k(x,y)为高斯滤波后的图像，threshold为二值化阈值，a为图像灰度。
[0028]
可选的，所述基于所述线框模型，对所述轮廓点的坐标进行筛选具体包括以下步骤：
[0029]
过每个轮廓外层点坐标画轮廓最小外接矩形；
[0030]
对所述最小外接矩形区域进行筛选和区域矩形聚合。
[0031]
可选的，所述过每个轮廓外层点坐标画轮廓最小外接矩形具体包括：
[0032]
求取每个轮廓的四个顶点坐标；
[0033]
连接四个顶点坐标可得轮廓最小外接矩形；
[0034]
计算每个最小外接矩形的长度a、宽度b以及长宽比a/b；
[0035]
将所述最小外接矩形的四个顶点的左顶点和右顶点相加取平均点p1(x1,y1)、p2(x2,y2)；
[0036]
通过p1(x1,y1)、p2(x2,y2)求取最小外接矩形的角度：
[0037][0038]
可选的，对所述最小外接矩形区域进行筛选和区域矩形聚合具体包括：
[0039]
设定以最小外接矩形长宽比a/b、角度差d为筛选条件；
[0040]
保留满足筛选条件的外接矩形轮廓区域，并以角度c/分类数f为依据进行分类；
[0041]
将每一类中的所有外接矩形轮廓区域进行拼接、聚合操作，即用一个大的外接矩形包含所有小的外接矩形，将该类所有的轮廓坐标点(x,y)连续，使外接矩形连通成一个大的矩形区域。
[0042]
可选的，所述将筛选后的轮廓点的坐标进行线性拟合具体采用以下公式：
[0043]
y＝kx+b
[0044][0045]
其中，xi、yi为第i个像素坐标值，n为像素总个数。
[0046]
本发明另外提供一种基于线框模型的复杂环境下线性特征识别系统，所述系统包括：
[0047]
图像采集模块，用于实时采集图像信息，获得原始图像；
[0048]
畸变矫正模块，用于对所述原始图像进行畸变矫正；
[0049]
高斯滤波模块，用于对所述畸变矫正后的原始图像进行高斯滤波；
[0050]
灰度变换模块，用于对所述高斯滤波后的图像进行灰度变换，得到二值图像；
[0051]
轮廓检测模块，用于对所述二值图像进行轮廓检测，得到每一个轮廓点的坐标；
[0052]
线框模型建立模块，用于建立线框模型；
[0053]
筛选模块，用于基于所述线框模型，对所述轮廓点的坐标进行筛选；
[0054]
线性拟合模块，用于将筛选后的轮廓点的坐标进行线性拟合
[0055]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0056]
本发明提供了一种具有较强抗干扰能力的线性特征识别方法，通过对高粉尘、低照度、背景复杂环境下图像特征建立线框模型，实现了杂光滤除、区域连通、特征增强的效果，提高了线性特征识别的抗干扰性、高效性、准确性，解决了不同场合复杂环境下的线性特征提取问题。
附图说明
[0057]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0058]
图1为本发明实施例一种基于线框模型的复杂环境下线性特征识别方法流程图；
[0059]
图2为本发明实施例原始图像示意图；
[0060]
图3为本发明实施例经畸变矫正后示意图；
[0061]
图4为本发明实施例经高斯滤波后示意图；
[0062]
图5为本发明实施例经二值化后示意图；
[0063]
图6为本发明实施例外接矩形示意图；
[0064]
图7为本发明实施例线框模型示意图；
[0065]
图8为本发明实施例直线拟合示意图；
[0066]
图9为本发明实施例一种基于线框模型的复杂环境下线性特征识别系统结构示意图。
具体实施方式
[0067]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
本发明的目的是提供一种基于线框模型的复杂环境下线性特征识别方法及系统，能够消除外界因素对图像特征的影响，实现线性特征快速、稳定、精准的识别。
[0069]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0070]
图1为本发明实施例一种基于线框模型的复杂环境下线性特征识别方法流程图，如图1所示，所述方法包括：
[0071]
s101：实时采集图像信息，获得原始图像。
[0072]
具体的，是通过广角相机获取原始图像f(x,y)，定义摄像头视角为cv-视角，原始图像如图2所示。
[0073]
s102：对所述原始图像进行畸变矫正。
[0074]
即找到对应点对的像素值关系，将畸变后的位置的像素值赋给原位置得到矫正图像g(x,y)，具体步骤如下：
[0075]
构造一个空图像作为去畸变图像g(x,y)，针对原始图像每一点坐标m[u v 1]
t
，左乘内参矩阵k-1
得归一化坐标mn[x
n y
n 1]
t
，利用畸变模型的畸变的归一化坐标再左乘内参矩阵k得对应畸变坐标对畸变坐标采用插值方法得到像素值，赋给像素值，即得矫正图像，具体图像如图3所示。
[0076]
s103：对所述畸变矫正后的原始图像进行高斯滤波。
[0077]
对畸变矫正后的图像进行高斯滤波，消除高斯噪声，达到降噪效果。
[0078]
设一个二维零均值高斯滤波器的响应为h(r,s)，对矫正图像g(x,y)进行高斯滤波，获得滤波输出图像k(x,y)，具体图像如图4所示：
[0079][0080]
s104：对所述高斯滤波后的图像进行灰度变换，得到二值图像。
[0081]
对高斯滤波输出图像k(x,y)进行灰度变换，输出二值图像v(x,y)，其中，threshold代表二值化阈值，取值范围为0-255：
[0082][0083]
s105：对所述二值图像进行轮廓检测，得到每一个轮廓点的坐标。
[0084]
检测二值图像v(x,y)中的所有轮廓，并且记录每一个轮廓点的坐标(x,y)。
[0085]
s106：建立线框模型。
[0086]
s107：基于所述线框模型，对所述轮廓点的坐标进行筛选。
[0087]
为了依据轮廓信息实现线性特征精确拟合，需要对轮廓进行处理。故建立线框模
型，具体步骤如下：
[0088]
①
过每个轮廓外层点坐标画轮廓最小外接矩形
[0089]
求取每个轮廓的四个顶点坐标；
[0090]
连接四个顶点坐标可得轮廓最小外接矩形；
[0091]
计算每个最小外接矩形的长度(a)、宽度(b)以及长宽比(a/b)；
[0092]
将最小外接矩形的四个顶点的左顶点和右顶点相加取平均得点p1(x1,y1)、p2(x2,y2)；
[0093]
通过p1(x1,y1)、p2(x2,y2)求取最小外接矩形的角度：
[0094][0095]
②
外接矩形区域筛选与区域矩形聚合
[0096]
设定以最小外接矩形长宽比(a/b)、角度差(d)为筛选条件；
[0097]
保留满足筛选条件的外接矩形轮廓区域，并以角度(c)/分类数(f)为依据进行分类；
[0098]
将每一类中的所有外接矩形轮廓区域进行拼接、聚合操作，即用一个大的外接矩形包含所有小的外接矩形，将该类所有的轮廓坐标点(x,y)连续，使其外接矩形连通成一个大的矩形区域。
[0099]
s108：将筛选后的轮廓点的坐标(xn,yn)进行线性拟合。
[0100]
①
设拟合直线方程为：y＝kx+b
[0101]
②
计算平方偏差：
[0102][0103]
③
对k和b分别求偏导；
[0104]
由得：
[0105][0106]
由上式得：
[0107][0108]
将上式交叉相乘后化简得：
[0109][0110]
由上式得：
[0111][0112]
④
由第
③
步可求得第
①
步中的系数k、b，故可求得拟合直线。
[0113]
图9为本发明实施例一种基于线框模型的复杂环境下线性特征识别系统结构示意图，如图9所示，所述系统包括：
[0114]
图像采集模块201，用于实时采集图像信息，获得原始图像；
[0115]
畸变矫正模块202，用于对所述原始图像进行畸变矫正；
[0116]
高斯滤波模块203，用于对所述畸变矫正后的原始图像进行高斯滤波；
[0117]
灰度变换模块204，用于对所述高斯滤波后的图像进行灰度变换，得到二值图像；
[0118]
轮廓检测模块205，用于对所述二值图像进行轮廓检测，得到每一个轮廓点的坐标；
[0119]
线框模型建立模块206，用于建立线框模型；
[0120]
筛选模块207，用于基于所述线框模型，对所述轮廓点的坐标进行筛选；
[0121]
线性拟合模块208，用于将筛选后的轮廓点的坐标进行线性拟合。
[0122]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0123]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于线框模型的复杂环境下线性特征识别方法，其特征在于，所述方法包括：实时采集图像信息，获得原始图像；对所述原始图像进行畸变矫正；对所述畸变矫正后的原始图像进行高斯滤波；对所述高斯滤波后的图像进行灰度变换，得到二值图像；对所述二值图像进行轮廓检测，得到每一个轮廓点的坐标；建立线框模型；基于所述线框模型，对所述轮廓点的坐标进行筛选；将筛选后的轮廓点的坐标进行线性拟合。2.根据权利要求1所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，所述实时采集图像信息，获得原始图像具体是采用广角相机实时采集图像信息。3.根据权利要求1所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，对所述原始图像进行畸变矫正具体包括以下步骤：构造一个空图像；将所述空图像作为去畸变图像g(x,y)；针对原始图像每一点坐标m[u v1]
t
，左乘内参矩阵k-1
得归一化坐标m
n
[x
n y
n 1]
t
；利用畸变模型的畸变的归一化坐标再左乘内参矩阵k得对应畸变坐标对畸变坐标采用插值方法得到像素值，赋给空图像的像素值，即得矫正图像。4.根据权利要求1所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，对所述畸变矫正后的原始图像进行高斯滤波具体采用以下公式：其中，k(x,y)为高斯滤波后的图像，g(x,y)为矫正图像，h(r,s)为二维零均值高斯滤波器的响应。5.根据权利要求1所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，对所述高斯滤波后的图像进行灰度变换，得到二值图像具体采用以下公式：其中，v(x,y)为二值图像，k(x,y)为高斯滤波后的图像，threshold为二值化阈值，a为图像灰度。6.根据权利要求1所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，所述基于所述线框模型，对所述轮廓点的坐标进行筛选具体包括以下步骤：过每个轮廓外层点坐标画轮廓最小外接矩形；对所述最小外接矩形区域进行筛选和区域矩形聚合。7.根据权利要求6所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，所述过每个轮廓外层点坐标画轮廓最小外接矩形具体包括：
求取每个轮廓的四个顶点坐标；连接四个顶点坐标可得轮廓最小外接矩形；计算每个最小外接矩形的长度a、宽度b以及长宽比a/b；将所述最小外接矩形的四个顶点的左顶点和右顶点相加取平均点p1(x1,y1)、p2(x2,y2)；通过p1(x1,y1)、p2(x2,y2)求取最小外接矩形的角度：8.根据权利要求6所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，对所述最小外接矩形区域进行筛选和区域矩形聚合具体包括：设定以最小外接矩形长宽比a/b、角度差d为筛选条件；保留满足筛选条件的外接矩形轮廓区域，并以角度c/分类数f为依据进行分类；将每一类中的所有外接矩形轮廓区域进行拼接、聚合操作，即用一个大的外接矩形包含所有小的外接矩形，将该类所有的轮廓坐标点(x,y)连续，使外接矩形连通成一个大的矩形区域。9.根据权利要求1所述的基于线框模型的复杂环境下线性特征识别方法，其特征在于，所述将筛选后的轮廓点的坐标进行线性拟合具体采用以下公式：y＝kx+b其中，x
i
、y
i
为第i个像素坐标值，n为像素总个数。10.一种基于线框模型的复杂环境下线性特征识别系统，其特征在于，所述系统包括：图像采集模块，用于实时采集图像信息，获得原始图像；畸变矫正模块，用于对所述原始图像进行畸变矫正；高斯滤波模块，用于对所述畸变矫正后的原始图像进行高斯滤波；灰度变换模块，用于对所述高斯滤波后的图像进行灰度变换，得到二值图像；轮廓检测模块，用于对所述二值图像进行轮廓检测，得到每一个轮廓点的坐标；线框模型建立模块，用于建立线框模型；筛选模块，用于基于所述线框模型，对所述轮廓点的坐标进行筛选；线性拟合模块，用于将筛选后的轮廓点的坐标进行线性拟合。

技术总结
本发明涉及一种基于线框模型的复杂环境下线性特征识别方法及系统，所述方法包括：实时采集图像信息，获得原始图像；对所述原始图像进行畸变矫正；对所述畸变矫正后的原始图像进行高斯滤波；对所述高斯滤波后的图像进行灰度变换，得到二值图像；对所述二值图像进行轮廓检测，得到每一个轮廓点的坐标；建立线框模型基于所述线框模型，对所述轮廓点的坐标进行筛选；将筛选后的轮廓点的坐标进行线性拟合。本发明中的上述方法能够消除外界因素对图像特征的影响，实现线性特征快速、稳定、精准的识别。别。别。


技术研发人员：张旭辉 杨红强 张超 白琳娜 沈奇峰 石硕 万继成 王恒
受保护的技术使用者：西安科技大学
技术研发日：2021.12.13
技术公布日：2022/3/8