CN109949245B - 十字激光检测定位方法、装置、存储介质及计算机设备 - Google Patents
十字激光检测定位方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN109949245B CN109949245B CN201910225699.4A CN201910225699A CN109949245B CN 109949245 B CN109949245 B CN 109949245B CN 201910225699 A CN201910225699 A CN 201910225699A CN 109949245 B CN109949245 B CN 109949245B
- Authority
- CN
- China
- Prior art keywords
- image
- position information
- cross laser
- straight line
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种十字激光检测定位方法、装置、存储介质及计算机设备,通过对包含十字激光的图像进行骨架抽取处理,可以有效减小十字激光的成像宽度,减少甚至避免激光散射带来的影响,从而便于进行直线拟合处理,提高直线拟合结果准确度;在直线拟合之后,根据直线拟合结果进一步进行曲线拟合,可以减少甚至避免镜头畸变带来的影响,通过以上处理过程,从而可以提高十字激光定位的准确性。
Description
技术领域
本申请涉及机器视觉技术领域,特别是涉及一种十字激光检测定位方法、装置、存储介质及计算机设备。
背景技术
机器视觉(machine vision)技术,是指利用机器来代替人眼做测量和判断的技术,该技术首先获取目标的图像,再根据图像的像素分布、亮度、颜色等信息进行图像处理,得到目标的形态、方位等信息,便于后续处理使用。
现有的大多数自动化设备中,多为通过机器视觉技术来完成激光的定位处理,例如,通过机器视觉技术进行十字激光的检测定位。具体地,现有技术中多为通过对十字激光进行直线检测,再根据检测到的直线对十字激光进行定位处理。然而,由于镜头畸变的影响,会导致十字激光的成像可能存在弯曲的情况,另外,由于激光散射的影响,会导致十字激光成像宽度增加,以上情况都会都对直线检测结果的准确度造成影响,从而导致存在定位不准确的问题。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种定位更加准确的十字激光检测定位方法、装置、存储介质及计算机设备。
一种十字激光检测定位方法,包括:
获取包含十字激光的目标图像,并对所述目标图像进行二值化处理,得到对应的二值图像;
根据所述二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;
根据所述二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,将所述第一交点位置信息作为所述十字激光的中心位置信息。
在其中一个实施例中,将所述第一交点位置信息作为所述十字激光的中心位置信息之后,还包括:
根据所述二值化骨架图像、所述第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,并重新将所述第二交点位置信息作为所述十字激光的中心位置信息;
根据所述二值化骨架图像、所述第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,包括:
根据目标点进行曲线拟合,所述目标点为位于所述二值化骨架图像、以及位于目标圆内的像素值为非0的点,所述目标圆为以第一交点为圆心、根据预设半径值构建的圆;
根据曲线拟合结果确定第一曲线以及第二曲线,所述第一曲线以及所述第二曲线表征所述十字激光在所述二值化骨架图像上的方位;
根据所述第一曲线以及所述第二曲线,得到第二交点位置信息。
在其中一个实施例中,对所述目标图像进行二值化处理,得到对应的二值图像,包括:
将所述目标图像转换至HSV空间;
在所述HSV空间的色调通道进行目标颜色分量挑选处理,所述目标颜色为所述目标图像中的十字激光对应的颜色;
在所述HSV空间的亮度通道进行低亮度区域过滤处理;
根据目标颜色分量挑选处理结果以及低亮度区域过滤处理结果,得到所述目标图像对应的二值图像。
在其中一个实施例中,根据所述二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像,包括:
对所述二值图像进行形态学腐蚀处理以及形态学开操作处理;
根据形态学腐蚀处理结果以及形态学开操作处理结果,得到所述十字激光对应的二值化骨架图像。
在其中一个实施例中,根据所述二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,包括:
根据所述二值化骨架图像上像素值为非0的点进行直线检测;
根据直线检测结果确定第一直线以及第二直线,所述第一直线以及所述第二直线表征所述十字激光在所述二值化骨架图像上的方位;
根据所述第一直线以及所述第二直线,得到第一交点位置信息。
在其中一个实施例中,根据直线检测结果确定第一直线以及第二直线,包括:
根据直线检测结果得到多条直线;
根据所述多条直线的倾斜角进行直线过滤;
根据直线过滤结果确定表征所述十字激光在所述二值化骨架图像上的方位的第一直线以及第二直线。
在其中一个实施例中,根据曲线拟合结果确定第一曲线以及第二曲线,包括:
根据所述目标点以及预设曲线阶数进行曲线拟合,得到多条目标曲线,所述预设曲线阶数根据镜头畸变情况确定;
根据所述多条目标曲线对应的目标直线的倾斜角进行曲线过滤;
根据曲线过滤结果确定表征所述十字激光在所述二值化骨架图像上的方位的第一曲线以及第二曲线。
在其中一个实施例中,还包括以下各项中的至少一项:
第一项:
在根据直线拟合结果得到第一交点位置信息之后,在将所述第一交点位置信息作为所述十字激光的中心位置信息之前,还包括:对所述第一交点位置信息进行亚像素精调处理;
第二项:
在根据曲线拟合结果得到第二交点位置信息之后,在重新将所述第二交点位置信息作为所述十字激光的中心位置信息之前,还包括:对所述第二交点位置信息进行亚像素精调处理。
一种十字激光检测定位装置,包括:
二值化处理模块,用于获取包含十字激光的目标图像,并对所述目标图像进行二值化处理,得到对应的二值图像;
骨架抽取处理模块,用于根据所述二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;
拟合定位模块,用于根据所述二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,将所述第一交点位置信息作为所述十字激光的中心位置信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述十字激光检测定位方法、装置、存储介质及计算机设备,通过对包含十字激光的图像进行骨架抽取处理,可以有效减小十字激光的成像宽度,减少甚至避免激光散射带来的影响,从而便于进行直线拟合处理,提高直线拟合结果准确度;在直线拟合之后,根据直线拟合结果进一步进行曲线拟合,可以减少甚至避免镜头畸变带来的影响,通过以上处理过程,从而可以提高十字激光定位的准确性。
附图说明
图1为一个实施例中十字激光检测定位方法的流程示意图;
图2为另一个实施例中十字激光检测定位方法的流程示意图;
图3为一个实施例中对存在镜头畸变的十字激光图像的处理实例图;
图4为一个实施例中对目标图像进行二值化处理,得到对应的二值图像的流程示意图;
图5为一个实施例中目标图像二值化处理的具体实例图;
图6为一个实施例中目标图像二值化处理的另一具体实例图;
图7为一个实施例中根据二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像的流程示意图;
图8为一个实施例中二值图像骨架抽取处理的具体实例图;
图9为一个实施例中根据二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息的流程示意图;
图10为一个实施例中为十字激光的二值化骨架图像中的某一直线片段的具体实例图;
图11为一个实施例中对十字激光进行直线检测得到多条直线的实例图;
图12为一个实施例中根据二值化骨架图像、第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息的流程示意图;
图13为一个实施例中十字激光检测定位装置的结构示意图;
图14为另一个实施例中十字激光检测定位装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供一种十字激光检测定位方法,以该方法应用于可以进行十字激光检测定位的处理器为例进行解释说明,该方法包括以下步骤:
步骤S200、获取包含十字激光的目标图像,并对目标图像进行二值化处理,得到对应的二值图像;
处理器在进行十字激光检测定位时,首先获取包含十字激光的目标图像。具体地,处理器可以是直接获取目标图像,例如:处理器直接获取通过机器视觉产品(即图像摄取装置,分CMOS和CCD两种)得到的目标图像;处理器也可以是间接获取目标图像,例如:处理器通过网络访问获取保存于互联网服务器中的目标图像,或者,处理器通过数据读取等方式读取保存于存储器中的目标图像。
可以理解,处理器获取的目标图像,可以是图像质量较高的图像,也可以是初始的图像质量较低、但是经过预处理之后得到的图像。其中,图像质量可以通过对比度、噪声、伪影、畸变等参数来体现。使用图像质量较高的图像进行十字激光检测定位,可以提高检测定位结果的准确性。
处理器在获取目标图像后,对目标图像进行二值化处理。图像二值化(ImageBinarization)处理,是指将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。二值化处理过程将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像,因此,通过进行二值化处理,可以使得图像中数据量大为减少,从而能起到凸显目标轮廓的目的。
本步骤中,处理器通过对包含十字激光的图像进行二值化处理,可以得到仅包含十字激光的、呈现为黑白效果的二值图像(可以是十字激光为白色,背景为黑色),从而可以有效凸显出图像中的十字激光的轮廓,便于后续的检测定位处理。
步骤S300、根据二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;
处理器通过二值化处理得到的二值图像中,包含轮廓较为明显的十字激光图像,然而,在实际应用过程中,由于激光散射的影响,会导致该十字激光图像的宽度增加,从而对检测定位的准确度造成干扰,因此,为了减少激光散射造成的影响,处理器需要对二值图像进行骨架抽取处理。
图像的骨架,可以理解为是图像细化(Thinning)的产物,其也可以理解为图像的中轴,例如,一个长方形的骨架,是它的长方向上的中轴线,圆的骨架是它的圆心,直线的骨架是它自身,孤立点的骨架也是自身。
十字激光的宽度增加,也就是对应的像素宽度增加,对图像进行骨架抽取(提取)处理,可以理解为对图像进行“腐蚀”的过程,假定从二值图像中十字激光的边界处同时进行“腐蚀”,该十字激光会被逐步细化,但是在“腐蚀”过程中要保证满足一定条件的点被保留或者被“腐蚀掉”,以确定“腐蚀”结束后,最终剩下的为一像素宽(或者像素宽度较小)的十字激光,也就是十字激光的二值化骨架图像。
本步骤中,处理器通过对二值图像进行骨架抽取处理,可以有效减少因激光散射对十字激光图像造成的影响,从而可以有助于提高直线检测的准确性。
步骤S400、根据二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,将第一交点位置信息作为十字激光的中心位置信息。
处理器通过骨架抽取处理得到的十字激光的二值化骨架图像,即像素宽度较小的十字激光图像,通常来说,图像质量越高(分辨率越高),骨架抽取效果越好,其像素宽度越小(理想状态为二值化骨架图像的像素宽度为1,且不存在像素偏移的情况),相应地,直线拟合效果也越准确。
直线拟合,也就是根据二值化骨架图像包含的像素点的坐标位置信息,计算得出表示该二值化骨架图像的直线方程。对于本申请中的十字激光图像,其对应的二值化骨架图像为两条互相垂直(或者近似垂直)的直线,因此可以采用直线拟合的方法求得该二值化骨架图像对应的直线方程,再根据直线方程得到第一交点位置信息,第一交点位置信息可以认为是十字激光中心的粗略位置信息。
本实施例提供一种十字激光检测定位方法,该方法通过对包含十字激光的图像进行骨架抽取处理,可以有效减小十字激光的成像宽度,减少甚至避免激光散射带来的影响,从而便于进行直线拟合处理,提高直线拟合结果准确度;通过以上处理过程,从而可以提高十字激光定位的准确性。
在一个实施例中,如图2所示,在将第一交点位置信息作为十字激光的中心位置信息之后,本申请中的十字激光检测定位方法还包括:
步骤S500、根据二值化骨架图像、第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,并重新将第二交点位置信息作为十字激光的中心位置信息。
理论上来说,通过直线拟合得到的第一交点位置信息,可以作为十字激光的中心位置信息,然而,在实际应用过程中,通常存在镜头畸变的情况。镜头畸变实际上是光学透镜固有的透视失真的总称,也就是因为透视原因造成的失真,这种失真会对图像的质量造成不利的影响,会导致在镜头边缘产生不同程度的变形和失真。
如图3所示,图3中左图为存在镜头畸变的十字激光图像,由于镜头畸变的影响,使得激光线存在一定的弯曲。图3中右图为仅使用直线拟合定位的处理示意图,其中,O为原始的十字激光的中心位置,O’为根据直线拟合定位得到的中心位置,可以看出,O与O’存在一定的位置偏差,因此,当存在镜头畸变的情况时,仅使用直线拟合定位会存在定位准确度低的问题。
本申请中,由于镜头畸变的影响,会导致十字激光二值化骨架图像的靠近末端的直线发生弯曲,从而降低直线拟合的准确度。因此,为了减少镜头畸变造成的不良影响,处理器在得到第一交点位置信息后,可以根据二值化骨架图像以及第一交点位置信息进一步进行曲线拟合。
具体地,由于镜头畸变造成的影响通常体现在二值化骨架图像的靠近末端的位置,因此,可以选择二值化骨架图像中远离末端位置的点,即靠近第一交点的点进行曲线拟合,在得到对应的曲线方程后,再根据求得的曲线方程得到第二交点位置信息,以第二交点位置信息作为十字激光的中心位置信息,从而可以提高十字激光检测定位结果的准确性。
本实施例提供一种十字激光检测定位方法,在直线拟合之后,根据直线拟合结果进一步进行曲线拟合,可以减少甚至避免镜头畸变带来的影响,通过以上处理过程,从而可以进一步地提高十字激光定位的准确性。
在一个实施例中,对于图像质量较低的图像,出于提高图像质量的目的,或者,对于图像质量较高的图像,出于希望进一步地提高检测定位结果的准确性的目的,可以在进行图像处理之前,对图像进行去噪处理。图像噪声是指存在于图像数据中的不必要的或多余的干扰信息,噪声的存在严重影响图像的质量,因此在图像处理之前,必须进行图像去噪处理。
具体地,参考图2,在获取包含十字激光的目标图像之前,本申请中的十字激光检测定位方法还包括以下步骤:
步骤S110,获取包含十字激光的初始图像;
处理器可以是直接获取初始图像,例如:处理器直接获取通过机器视觉产品(即图像摄取装置,分CMOS和CCD两种)得到的初始图像;处理器也可以是间接获取初始图像,例如:处理器通过网络访问获取保存于互联网服务器中的初始图像,或者,处理器通过数据读取等方式读取保存于存储器中的初始图像。
步骤S120,对初始图像进行去噪处理,得到初始图像对应的、包含十字激光的目标图像。
处理器在得到初始图像之后,通过对初始图像进行去噪处理,从而得到质量更高的目标图像,便于后续进行十字激光的检测定位处理。
本实施例通过对获取的初始图像进行去噪处理,可以有效提高图像质量,提高十字激光检测定位的准确性。
在一个实施例中,步骤S120中对初始图像进行去噪处理的过程,包括子步骤122或者子步骤124:
子步骤122,当初始图像为通过单帧采集模式得到的图像时,通过滤波器过滤初始图像的噪声;
子步骤124,当初始图像为通过连续采集模式得到的图像时,通过图像积分过滤初始图像的噪声。
具体地,在对初始图像进行去噪处理时,可以根据初始图像的图像采集模式确定对应的去噪方法。图像采集模式可以分为连续采集和单帧采集,其中,连续采集是指图像采集装置(如摄像头等)以恒定的频率连续采集图像,输出连续的动态视频信号;单帧采集是指图像采集装置受控采集单次图像信号,输出静态的图像信号。
针对通过单帧采集模式得到的图像,可以采用滤波器进行去噪处理,例如,通过高斯滤波去除噪声,或者,可以采用基于空间域的均值滤波、中值滤波等,另外,也可以选择转换到频率域,通过去除高频分量去噪。
针对通过连续采集模式得到的图像,可以采用图像积分进行去噪处理,即取相邻N帧图像的均值等方法。
本实施例根据不同场景使用不同的去噪方法进行去噪处理,相比于现有技术中采用某种固定去噪方法的处理方式,可以有效提高不同图像的去噪处理效果。
在一个实施例中,如图4所示,对目标图像进行二值化处理,得到对应的二值图像,包括步骤S210至步骤S240:
步骤S210,将目标图像转换至HSV空间。HSV(Hue,Saturation,Value)空间是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型(Hexcone Model),其中,颜色的参数分别是:色调(H,Hue),饱和度(S,Saturation),亮度(V,Value)。
步骤S220,在HSV空间的色调通道进行目标颜色分量挑选处理,目标颜色为目标图像中的十字激光对应的颜色。处理器在将目标图像转换至HSV空间后,在色调(H)通道挑选十字激光的颜色对应的颜色分量。例如,对于呈现为红色的激光,即挑选红色分量。
步骤S230,在HSV空间的亮度通道进行低亮度区域过滤处理。处理器在将目标图像转换至HSV空间后,在亮度(V)通道过滤低亮度区域(低亮度区域即背景),并保留高亮度区域(高亮度区域即激光图像)。
步骤S240,根据目标颜色分量挑选处理结果以及低亮度区域过滤处理结果,得到目标图像对应的二值图像。处理器在完成步骤S220以及步骤S230之后,对目标颜色分量挑选处理结果以及低亮度区域过滤处理结果进行取“与”运算,从而可以得到目标图像对应的二值图像。
如图5所示,为目标图像二值化处理的具体实例,图5中左图为目标图像,可以看出,该图像中的背景明显容易对十字激光的检测定位造成影响,从而降低检测定位的准确性。图5中右图为通过二值化处理得到的二值图像,可以看出,通过二值化处理,可以有效过滤掉原图中的背景区域。
进一步地,如图6所示,为另一目标图像二值化处理的具体实例,图6中图(a)为包含十字激光的原始图像(即目标图像),图(b)为通过现有技术中的OTSU法(最大类间差法)对图(a)进行二值化处理得到的二值化图像,图(c)为通过本申请中的方法对图(a)进行二值化处理得到的二值化图像。对比图(b)、图(c),可以明显看出,图(b)中包含有“门”、“过道”等非必要的背景区域,并且图(b)中的十字激光的轮廓存在一定的缺陷,而图(c)仅包含十字激光的二值化图像,并且十字激光的轮廓与原图中的轮廓较为吻合。因此,本申请的方法可以有效过滤背景区域,最大限度保留激光特征,从而提高后续计算处理结果的准确性。
本实施例通过对包含十字激光的图像进行二值化处理,可以得到仅包含十字激光的、呈现为黑白效果的二值图像,从而可以有效过滤掉原图中的背景区域,并凸显出图像中的十字激光的轮廓,便于后续的检测定位处理。
在一个实施例中,如图7所示,根据二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像,包括步骤S310至步骤S320:
步骤S310,对二值图像进行形态学腐蚀处理以及形态学开操作处理;
步骤S320,根据形态学腐蚀处理结果以及形态学开操作处理结果,得到十字激光对应的二值化骨架图像。
具体地,在进行二值图像的骨架抽取处理时,可以采用基于形态学的方法:
其中,A为二值图像;B为卷积模板(例如,可以是尺寸为5×5的高斯卷积核),k+1为A被B腐蚀为空集所需次数。AΘkB表示使用B对A连续做k次形态学腐蚀处理,表示使用B对C做形态学开操作(C即AΘkB)。
进一步地,如图8所示,为二值图像骨架抽取处理的具体实例,图8中左图为二值图像,可以看出,该图像中的十字激光的图像存在一定的宽度,从而降低直线检测的准确性。图8中右图为通过骨架抽取处理得到的图像,可以看出,通过骨架抽取处理,可以有效减小十字激光图像的宽度。
本实施例通过对二值图像进行骨架抽取处理,可以有效减少因激光散射对十字激光图像造成的影响,从而可以有助于提高直线检测的准确性。
在一个实施例中,如图9所示,根据二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,包括步骤S410至步骤S430:
步骤S410,根据二值化骨架图像上像素值为非0的点进行直线检测。直线检测方法包括但不限于Hough直线检测算法、Freeman直线检测算法、尺蠖蠕行算法、最小二乘法等,只要可以进行直线检测即可。理想状态下,根据二值化骨架图像进行直线检测得到直线数量为两条,然而在实际处理过程中,由于二值化骨架图像中可能存在像素偏移的情况,处理器根据二值化骨架图像检测到的直线可能有多条。
步骤S420,根据直线检测结果确定第一直线以及第二直线,第一直线以及第二直线表征十字激光在二值化骨架图像上的方位。处理器在得到多条直线后,可以从得到的多条直线中进行直线筛选,得到最能准确表征十字激光在二值化骨架图像上的方位的第一直线以及第二直线。
步骤S430,根据第一直线以及第二直线,得到第一交点位置信息。在得到第一直线以及第二直线之后,计算二者的交点坐标,即为第一交点位置信息。
本实施例通过进行直线拟合处理,可以确定十字激光中心的位置信息。
在一个实施例中,根据直线检测结果确定第一直线以及第二直线,包括子步骤422至子步骤426:
子步骤422,根据直线检测结果得到多条直线;
子步骤424,根据多条直线的倾斜角进行直线过滤;
子步骤426,根据直线过滤结果确定表征十字激光在二值化骨架图像上的方位的第一直线以及第二直线。
具体地,对于通过直线检测得到的多条直线,通过其对应的倾斜角来进行直线的过滤。在平面直角坐标系内,当直线与横轴(X轴)相交时,以横轴为基准,横轴正方向与直线向上方向之间所成的角即为该直线的倾斜角(angle of inclination)。当直线与横轴平行或者重合时,该直线的倾斜角为0°;当直线与横轴垂直时,该直线的倾斜角为90°。倾斜角的范围为[0°,180°)。
对于互相垂直的两条直线,例如以X轴和Y轴为例,当以X轴为基准时,其对应的倾斜角分别为0°和90°,也就是说,当两条直线互相垂直时,其对应的倾斜角的差为:Δα=|α1-α2|=90°,其中Δα为两条直线的倾斜角的差,α1和α2分别为两条直线的倾斜角。对于本申请中的十字激光图像,其对应的二值化骨架图像为两条互相垂直(或者近似垂直)的直线,因此,可以根据Δα=|α1-α2|=90°或者Δα=|α1-α2|≈90°的条件,进行直线的筛选过滤,最终得到表征十字激光在二值化骨架图像上的方位的第一直线以及第二直线。
如图10所示,为十字激光的二值化骨架图像中的某一片段的具体实例图,图中方框表示像素,可以看出,该片段理想的十字激光直线为AD和GH,但AD代表的直线存在像素偏移的情况,因此,在根据其中的点进行直线拟合时,可能得到多条不同的直线,例如直线AB、AC、AD、AE等,而其中只有AD属于可以较为准确的表征该二值化骨架图像的直线,因此,需要通过直线过滤去除直线AB、AC、AE,保留直线AD。
在一个实施例中,在根据多条直线的倾斜角确定第一直线和第二直线时,可以是从得到的多条直线中任选两条直线,计算对应的倾斜角差值Δα,当满足Δα=|α1-α2|=90°或者Δα=|α1-α2|≈90°时,即可将选择的两条直线作为第一直线和第二直线。
其中,在确定Δα是否满足Δα=|α1-α2|≈90°时,可以预设一倾斜角差值阈值,当Δα小于90°,但是大于该倾斜角差值阈值时,即可认为该Δα≈90°。例如,预设倾斜角差值阈值为89.5°,第一次检测为直线A和直线B的倾斜角差值ΔαA,B为88°,则确定ΔαA,B不满足Δα≈90°的条件;第二次检测为直线C和直线D的倾斜角差值ΔαC,D为89.6°,则确定ΔαC,D满足Δα≈90°的条件,可以将直线C和直线D作为第一直线和第二直线。
本实施例提出一种根据多条直线的倾斜角进行直线过滤,从而确定第一直线和第二直线的方法,该处理过程简单便捷,可以较为快速的确定第一直线和第二直线,从而提高处理效率。
在一个实施例中,提供另一种根据多条直线的倾斜角进行直线过滤的方法,通过根据所有直线的倾斜角进行直线聚类处理,再根据聚类处理结果筛选满足预设条件的直线,从而确定第一直线和第二直线。如图11所示,为对十字激光进行直线检测得到多条直线的实例图,以图中的六条直线为例,对本实施例中的直线过滤方法进行解释说明。
具体地,图中包括X1-X3、Y1-Y3共六条直线,以X轴正方向为基准,X1-X3的倾斜角分别为α1、α2、α3,Y1-Y3的倾斜角分别为β1、β2、β3,其中,由于X1位于X轴下方,因此α1<0。
首先,根据倾斜角对X1-X3、Y1-Y3进行聚类处理。聚类处理(Clump)是指将临近的类似分类区域聚类并合并的处理过程,通过聚类处理,可以将物理对象或抽象对象的集合分组为由类似的对象组成的多类对象组合。在本实施例中,通过对直线进行聚类处理,可以将X1-X3、Y1-Y3分为两类直线,第一类为邻X轴直线,即与X轴重合或者与X轴较为接近的直线,具体包括X1-X3;第二类为邻Y轴直线,即与Y轴重合或者与Y轴较为接近的直线,具体包括Y1-Y3。
然后,从第一类直线中选择第一直线。根据第一类直线中各直线的倾斜角进行大小排序,然后选择排序靠中间位置的直线作为第一直线,对于图9中的直线,即对X1-X3的倾斜角α1、α2、α3进行排序,靠中间位置的直线即X2,因此,以X2作为第一直线。另外,在实际处理过程中,也可以先对第一类直线中的直线进行误差剔除处理,例如,剔除与其他倾斜角差别较大的直线,从而避免偶然误差对结果准确度的干扰。该确定第一直线的方法处理过程更快捷,效率较高。
可以理解,也可以通过密度分析确定第一直线。具体地,可以根据各个直线对应的倾斜角得到对应的密度分布曲线(具体可以是频率分布直方图等形式),然后根据密度分布曲线确定密度最大的倾斜角(对应到频率分布直方图,即为频率最大的倾斜角),最后以该倾斜角对应的直线作为第一直线。该确定第一直线的方法处理过程更准确,精度较高。
最后,在确定第一直线之后,根据倾斜角条件Δα=|α1-α2|=90°或者Δα=|α1-α2|≈90°,从第二类直线中确定第一直线对应的第二直线。
可以理解,在实际处理过程中,也可以是先从第二类直线中确定第一直线,然后再从第一类直线中确定第一直线对应的第二直线。
另外需要说明的是,在实际处理过程中,作为基准线的直线并不唯一,即并不限定为一定要以X轴正方向为基准。另外,也并不限定用于计算倾斜角的坐标系的位置,即该用于计算倾斜角的坐标系的原点位置并不唯一,该坐标系可以是包含十字激光的图像对应的任意图像坐标系。
本实施例通过直线过滤,可以保留最代表原始直线(十字激光的两条直线)的结果,得到更精确的十字激光定位结果。
在一个实施例中,如图12所示,根据二值化骨架图像、第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,包括步骤S510至步骤S530:
步骤S510,根据目标点进行曲线拟合,目标点为位于二值化骨架图像、以及位于目标圆内的像素值为非0的点,目标圆为以第一交点为圆心、根据预设半径值构建的圆;
步骤S520,根据曲线拟合结果确定第一曲线以及第二曲线,第一曲线以及第二曲线表征十字激光在二值化骨架图像上的方位;
步骤S530,根据第一曲线以及第二曲线,得到第二交点位置信息。
具体地,以通过直线拟合得到的第一交点位置信息为圆心,取二值化骨架图像中预设半径范围内的点做曲线拟合,曲线的曲线阶数可以根据镜头畸变情况确定,并使用最小二乘法获得曲线参数。在得到曲线之后,根据得到的曲线确定表征十字激光在二值化骨架图像上的方位的第一曲线以及第二曲线,并计算二者的交点坐标,即为第二交点位置信息。
进一步地,假设曲线阶数为n,那么对于交点(x,y),有:
通过处理,可得:
(a1-b1)xn+(a2-b2)xn-1+...+(an-bn)x+an+1-bn+1=0
(1)如果n<3,则使用解析方法求解。对于n=2的情况会有两个解,选择与第一交点位置信息最接近的解作为第二交点位置信息。
(2)如果n≥3,则使用数值分析方法求解,例如,可以使用牛顿法迭代求解。同样,高阶情况会得到多组解,选择与第一交点位置信息最接近且在图像范围内的解作为第二交点位置信息。
本实施例在直线拟合结果的基础上,进一步进行曲线拟合,从而可以提高拟合结果的准确性。
在一个实施例中,根据曲线拟合结果确定第一曲线以及第二曲线,包括子步骤522至子步骤526:
子步骤522,根据目标点以及预设曲线阶数进行曲线拟合,得到多条目标曲线,预设曲线阶数根据镜头畸变情况确定;
子步骤524,根据多条目标曲线对应的目标直线的倾斜角进行曲线过滤;
子步骤526,根据曲线过滤结果确定表征十字激光在二值化骨架图像上的方位的第一曲线以及第二曲线。
具体地,对于通过曲线拟合得到的多条曲线,可以进行曲线过滤处理。由于倾斜角是用于描述直线的,延伸到曲线上,只能用方向导数,即曲线上的一点沿着某一方向的方向导数。因此,本实施例中,可以根据曲线对应的直线的倾斜角来进行曲线的过滤。对于高阶的曲线函数,可以通过去除一阶以上的参数项,然后将剩下的一阶函数(即直线函数)作为该曲线对应的直线。例如,当目标曲线函数为y=ax3+bx2+cx+d时,去除ax3+bx2,将y=cx+d作为该目标曲线对应的目标直线。再例如,对于公式:
通过降维处理,上述公式可以改写为:
根据目标直线的倾斜角对曲线进行过滤的原理,与之前实施例中根据多条直线的倾斜角进行直线过滤的原理相同,在此不再赘述。
在一个实施例中,在根据直线拟合结果得到第一交点位置信息之后,在将第一交点位置信息作为十字激光的中心位置信息之前,还包括:对第一交点位置信息进行亚像素精调处理。通过进行亚像素精调处理处理,可以进一步地提高第一交点位置信息的准确性。
在一个实施例中,在根据曲线拟合结果得到第二交点位置信息之后,在重新将第二交点位置信息作为十字激光的中心位置信息之前,还包括:对第二交点位置信息进行亚像素精调处理。通过进行亚像素精调处理处理,可以进一步地提高第二交点位置信息的准确性。
在合理条件下应当理解,虽然前文各实施例涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图13所示,提供一种十字激光检测定位装置,该装置包括:二值化处理模块200、骨架抽取处理模块300以及拟合定位模块400。
二值化处理模块200用于获取包含十字激光的目标图像,并对目标图像进行二值化处理,得到对应的二值图像;
骨架抽取处理模块300用于根据二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;
拟合定位模块400用于根据二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息将第一交点位置信息作为十字激光的中心位置信息。
在一个实施例中,拟合定位模块400还用于:根据二值化骨架图像、第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,并重新将第二交点位置信息作为十字激光的中心位置信息。
在一个实施例中,拟合定位模块400还用于:根据目标点进行曲线拟合,目标点为位于二值化骨架图像、以及位于目标圆内的像素值为非0的点,目标圆为以第一交点为圆心、根据预设半径值构建的圆;根据曲线拟合结果确定第一曲线以及第二曲线,第一曲线以及第二曲线表征十字激光在二值化骨架图像上的方位;根据第一曲线以及第二曲线,得到第二交点位置信息。
在一个实施例中,如图14所示,该装置还包括:图像预处理模块100,用于获取包含十字激光的初始图像;对初始图像进行去噪处理,得到初始图像对应的、包含十字激光的目标图像。
在一个实施例中,图像预处理模块100还用于:当初始图像为通过单帧采集模式得到的图像时,通过滤波器过滤初始图像的噪声;当初始图像为通过连续采集模式得到的图像时,通过图像积分过滤初始图像的噪声。
在一个实施例中,二值化处理模块200还用于:将目标图像转换至HSV空间;在HSV空间的色调通道进行目标颜色分量挑选处理,目标颜色为目标图像中的十字激光对应的颜色;在HSV空间的亮度通道进行低亮度区域过滤处理;根据目标颜色分量挑选处理结果以及低亮度区域过滤处理结果,得到目标图像对应的二值图像。
在一个实施例中,骨架抽取处理模块300还用于:对二值图像进行形态学腐蚀处理以及形态学开操作处理;根据形态学腐蚀处理结果以及形态学开操作处理结果,得到十字激光对应的二值化骨架图像。
在一个实施例中,拟合定位模块400还用于:根据二值化骨架图像上像素值为非0的点进行直线检测;根据直线检测结果确定第一直线以及第二直线,第一直线以及第二直线表征十字激光在二值化骨架图像上的方位;根据第一直线以及第二直线,得到第一交点位置信息。
在一个实施例中,拟合定位模块400还用于:根据直线检测结果得到多条直线;根据多条直线的倾斜角进行直线过滤;根据直线过滤结果确定表征十字激光在二值化骨架图像上的方位的第一直线以及第二直线。
在一个实施例中,拟合定位模块400还用于:根据目标点以及预设曲线阶数进行曲线拟合,得到多条目标曲线,预设曲线阶数根据镜头畸变情况确定;根据多条目标曲线对应的目标直线的倾斜角进行曲线过滤;根据曲线过滤结果确定表征十字激光在二值化骨架图像上的方位的第一曲线以及第二曲线。
在一个实施例中,拟合定位模块400还用于实现以下各项中的至少一项:
第一项:在根据直线拟合结果得到第一交点位置信息之后,在将第一交点位置信息作为十字激光的中心位置信息之前,对第一交点位置信息进行亚像素精调处理;
第二项:在根据曲线拟合结果得到第二交点位置信息之后,在重新将第二交点位置信息作为十字激光的中心位置信息之前,对第二交点位置信息进行亚像素精调处理。
关于十字激光检测定位装置的具体限定可以参见上文中对于十字激光检测定位方法的限定,在此不再赘述。上述十字激光检测定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取包含十字激光的目标图像,并对目标图像进行二值化处理,得到对应的二值图像;根据二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;根据二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,将第一交点位置信息作为十字激光的中心位置信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据二值化骨架图像、第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,并重新将第二交点位置信息作为十字激光的中心位置信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据目标点进行曲线拟合,目标点为位于二值化骨架图像、以及位于目标圆内的像素值为非0的点,目标圆为以第一交点为圆心、根据预设半径值构建的圆;根据曲线拟合结果确定第一曲线以及第二曲线,第一曲线以及第二曲线表征十字激光在二值化骨架图像上的方位;根据第一曲线以及第二曲线,得到第二交点位置信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将目标图像转换至HSV空间;在HSV空间的色调通道进行目标颜色分量挑选处理,目标颜色为目标图像中的十字激光对应的颜色;在HSV空间的亮度通道进行低亮度区域过滤处理;根据目标颜色分量挑选处理结果以及低亮度区域过滤处理结果,得到目标图像对应的二值图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对二值图像进行形态学腐蚀处理以及形态学开操作处理;根据形态学腐蚀处理结果以及形态学开操作处理结果,得到十字激光对应的二值化骨架图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据二值化骨架图像上像素值为非0的点进行直线检测;根据直线检测结果确定第一直线以及第二直线,第一直线以及第二直线表征十字激光在二值化骨架图像上的方位;根据第一直线以及第二直线,得到第一交点位置信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据直线检测结果得到多条直线;根据多条直线的倾斜角进行直线过滤;根据直线过滤结果确定表征十字激光在二值化骨架图像上的方位的第一直线以及第二直线。
在一个实施例中,处理器执行计算机程序时还实现以下各项中的至少一项:
第一项:在根据直线拟合结果得到第一交点位置信息之后,在将第一交点位置信息作为十字激光的中心位置信息之前,还包括:对第一交点位置信息进行亚像素精调处理;
第二项:在根据曲线拟合结果得到第二交点位置信息之后,在重新将第二交点位置信息作为十字激光的中心位置信息之前,还包括:对第二交点位置信息进行亚像素精调处理。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取包含十字激光的目标图像,并对目标图像进行二值化处理,得到对应的二值图像;根据二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;根据二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,将第一交点位置信息作为十字激光的中心位置信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据二值化骨架图像、第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,并重新将第二交点位置信息作为十字激光的中心位置信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据目标点进行曲线拟合,目标点为位于二值化骨架图像、以及位于目标圆内的像素值为非0的点,目标圆为以第一交点为圆心、根据预设半径值构建的圆;根据曲线拟合结果确定第一曲线以及第二曲线,第一曲线以及第二曲线表征十字激光在二值化骨架图像上的方位;根据第一曲线以及第二曲线,得到第二交点位置信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将目标图像转换至HSV空间;在HSV空间的色调通道进行目标颜色分量挑选处理,目标颜色为目标图像中的十字激光对应的颜色;在HSV空间的亮度通道进行低亮度区域过滤处理;根据目标颜色分量挑选处理结果以及低亮度区域过滤处理结果,得到目标图像对应的二值图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对二值图像进行形态学腐蚀处理以及形态学开操作处理;根据形态学腐蚀处理结果以及形态学开操作处理结果,得到十字激光对应的二值化骨架图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据二值化骨架图像上像素值为非0的点进行直线检测;根据直线检测结果确定第一直线以及第二直线,第一直线以及第二直线表征十字激光在二值化骨架图像上的方位;根据第一直线以及第二直线,得到第一交点位置信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据直线检测结果得到多条直线;根据多条直线的倾斜角进行直线过滤;根据直线过滤结果确定表征十字激光在二值化骨架图像上的方位的第一直线以及第二直线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据目标点以及预设曲线阶数进行曲线拟合,得到多条目标曲线,预设曲线阶数根据镜头畸变情况确定;根据多条目标曲线对应的目标直线的倾斜角进行曲线过滤;根据曲线过滤结果确定表征十字激光在二值化骨架图像上的方位的第一曲线以及第二曲线。
在一个实施例中,计算机程序被处理器执行时还实现以下各项中的至少一项:
第一项:在根据直线拟合结果得到第一交点位置信息之后,在将第一交点位置信息作为十字激光的中心位置信息之前,对第一交点位置信息进行亚像素精调处理;
第二项:在根据曲线拟合结果得到第二交点位置信息之后,在重新将第二交点位置信息作为十字激光的中心位置信息之前,对第二交点位置信息进行亚像素精调处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种十字激光检测定位方法,其特征在于,包括:
获取包含十字激光的目标图像,并对所述目标图像进行二值化处理,得到对应的二值图像;
根据所述二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;
根据所述二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,将所述第一交点位置信息作为所述十字激光的中心位置信息;
所述将所述第一交点位置信息作为所述十字激光的中心位置信息之后,还包括:
根据所述二值化骨架图像、所述第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,并重新将所述第二交点位置信息作为所述十字激光的中心位置信息;
所述根据所述二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像,包括:
对所述二值图像进行形态学腐蚀处理以及形态学开操作处理;
根据形态学腐蚀处理结果以及形态学开操作处理结果,得到所述十字激光对应的二值化骨架图像。
2.根据权利要求1所述的十字激光检测定位方法,其特征在于,所述根据所述二值化骨架图像、所述第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,包括:
根据目标点进行曲线拟合,所述目标点为位于所述二值化骨架图像、以及位于目标圆内的像素值为非0的点,所述目标圆为以第一交点为圆心、根据预设半径值构建的圆;
根据曲线拟合结果确定第一曲线以及第二曲线,所述第一曲线以及所述第二曲线表征所述十字激光在所述二值化骨架图像上的方位;
根据所述第一曲线以及所述第二曲线,得到第二交点位置信息。
3.根据权利要求1所述的十字激光检测定位方法,其特征在于,对所述目标图像进行二值化处理,得到对应的二值图像,包括:
将所述目标图像转换至HSV空间;
在所述HSV空间的色调通道进行目标颜色分量挑选处理,所述目标颜色为所述目标图像中的十字激光对应的颜色;
在所述HSV空间的亮度通道进行低亮度区域过滤处理;
根据目标颜色分量挑选处理结果以及低亮度区域过滤处理结果,得到所述目标图像对应的二值图像。
4.根据权利要求1所述的十字激光检测定位方法,其特征在于,根据所述二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,包括:
根据所述二值化骨架图像上像素值为非0的点进行直线检测;
根据直线检测结果确定第一直线以及第二直线,所述第一直线以及所述第二直线表征所述十字激光在所述二值化骨架图像上的方位;
根据所述第一直线以及所述第二直线,得到第一交点位置信息。
5.根据权利要求4所述的十字激光检测定位方法,其特征在于,根据直线检测结果确定第一直线以及第二直线,包括:
根据直线检测结果得到多条直线;
根据所述多条直线的倾斜角进行直线过滤;
根据直线过滤结果确定表征所述十字激光在所述二值化骨架图像上的方位的第一直线以及第二直线。
6.根据权利要求2所述的十字激光检测定位方法,其特征在于,根据曲线拟合结果确定第一曲线以及第二曲线,包括:
根据所述目标点以及预设曲线阶数进行曲线拟合,得到多条目标曲线,所述预设曲线阶数根据镜头畸变情况确定;
根据所述多条目标曲线对应的目标直线的倾斜角进行曲线过滤;
根据曲线过滤结果确定表征所述十字激光在所述二值化骨架图像上的方位的第一曲线以及第二曲线。
7.根据权利要求1所述的十字激光检测定位方法,其特征在于,还包括以下各项中的至少一项:
第一项:
在根据直线拟合结果得到第一交点位置信息之后,在将所述第一交点位置信息作为所述十字激光的中心位置信息之前,还包括:对所述第一交点位置信息进行亚像素精调处理;
第二项:
在根据曲线拟合结果得到第二交点位置信息之后,在重新将所述第二交点位置信息作为所述十字激光的中心位置信息之前,还包括:对所述第二交点位置信息进行亚像素精调处理。
8.一种十字激光检测定位装置,其特征在于,包括:
二值化处理模块,用于获取包含十字激光的目标图像,并对所述目标图像进行二值化处理,得到对应的二值图像;
骨架抽取处理模块,用于根据所述二值图像进行骨架抽取处理,得到十字激光对应的二值化骨架图像;
拟合定位模块,用于根据所述二值化骨架图像进行直线拟合,并根据直线拟合结果得到第一交点位置信息,将所述第一交点位置信息作为所述十字激光的中心位置信息;
所述拟合定位模块还用于:根据二值化骨架图像、第一交点位置信息进行曲线拟合,根据曲线拟合结果得到第二交点位置信息,并重新将第二交点位置信息作为十字激光的中心位置信息;
所述骨架抽取处理模块还用于:对二值图像进行形态学腐蚀处理以及形态学开操作处理;根据形态学腐蚀处理结果以及形态学开操作处理结果,得到十字激光对应的二值化骨架图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225699.4A CN109949245B (zh) | 2019-03-25 | 2019-03-25 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225699.4A CN109949245B (zh) | 2019-03-25 | 2019-03-25 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949245A CN109949245A (zh) | 2019-06-28 |
CN109949245B true CN109949245B (zh) | 2021-04-16 |
Family
ID=67011565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910225699.4A Active CN109949245B (zh) | 2019-03-25 | 2019-03-25 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949245B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977403B (zh) * | 2023-09-20 | 2023-12-22 | 山东科技大学 | 一种基于双目视觉的薄膜生产幅宽检测和控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5178146A (en) * | 1988-11-03 | 1993-01-12 | Giese William L | Grid and patient alignment system for use with MRI and other imaging modalities |
JPH08115385A (ja) * | 1994-10-14 | 1996-05-07 | Riibuson:Kk | パターン認識装置 |
CN102645219A (zh) * | 2012-05-16 | 2012-08-22 | 航天科工哈尔滨风华有限公司 | 用于焊缝检测的爬壁机器人的视觉导航***及焊缝的焊接定位方法及焊缝偏移量获取方法 |
CN105117701A (zh) * | 2015-08-21 | 2015-12-02 | 郑州轻工业学院 | 基于最大正方形原理的玉米作物行骨架提取方法 |
CN107133565A (zh) * | 2017-03-31 | 2017-09-05 | 大连理工大学 | 基于线激光的激光刻型线特征提取方法 |
CN107341810A (zh) * | 2017-06-16 | 2017-11-10 | 重庆交通大学 | 一种车辆自动识别方法、装置及电子设备 |
CN107705294A (zh) * | 2017-09-14 | 2018-02-16 | 兰州交通大学 | 一种十字激光的图像式路基表面沉降监测方法和监测*** |
CN208149641U (zh) * | 2018-04-04 | 2018-11-27 | 陕西飞机工业(集团)有限公司 | 一种便于安装飞机侧壁板窗框组件的装置 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9934566B2 (en) * | 2015-07-14 | 2018-04-03 | Siemens Healthcare Gmbh | 3-D vessel tree surface reconstruction method |
-
2019
- 2019-03-25 CN CN201910225699.4A patent/CN109949245B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5178146A (en) * | 1988-11-03 | 1993-01-12 | Giese William L | Grid and patient alignment system for use with MRI and other imaging modalities |
JPH08115385A (ja) * | 1994-10-14 | 1996-05-07 | Riibuson:Kk | パターン認識装置 |
CN102645219A (zh) * | 2012-05-16 | 2012-08-22 | 航天科工哈尔滨风华有限公司 | 用于焊缝检测的爬壁机器人的视觉导航***及焊缝的焊接定位方法及焊缝偏移量获取方法 |
CN105117701A (zh) * | 2015-08-21 | 2015-12-02 | 郑州轻工业学院 | 基于最大正方形原理的玉米作物行骨架提取方法 |
CN107133565A (zh) * | 2017-03-31 | 2017-09-05 | 大连理工大学 | 基于线激光的激光刻型线特征提取方法 |
CN107341810A (zh) * | 2017-06-16 | 2017-11-10 | 重庆交通大学 | 一种车辆自动识别方法、装置及电子设备 |
CN107705294A (zh) * | 2017-09-14 | 2018-02-16 | 兰州交通大学 | 一种十字激光的图像式路基表面沉降监测方法和监测*** |
CN208149641U (zh) * | 2018-04-04 | 2018-11-27 | 陕西飞机工业(集团)有限公司 | 一种便于安装飞机侧壁板窗框组件的装置 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
Non-Patent Citations (2)
Title |
---|
Andr'es Ruiz Bernabeu等.X-GSD: Cross-Platform Game Skeleton (Data-Driven).《Bachelor’s Degree in Informatics》.2015, * |
基于十字结构光的三维重建及精度分析;吴珊珊;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20160715(第07期);第1章至第5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN109949245A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN114418957B (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN115830033B (zh) | 基于机器视觉的汽车轮毂表面缺陷检测方法 | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
US6993187B2 (en) | Method and system for object recognition using fractal maps | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及*** | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN113019973A (zh) | 一种易拉罐制造缺陷在线视觉检测方法 | |
CN111429429A (zh) | 干细胞融合度检测方法、装置、计算机设备及存储介质 | |
CN117495856B (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
US11068740B2 (en) | Particle boundary identification | |
CN116563298A (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN113744200B (zh) | 一种摄像头脏污检测方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Cross laser detection and positioning method, device, storage medium and computer equipment Effective date of registration: 20221031 Granted publication date: 20210416 Pledgee: Hunan Xiangjiang Zhongying Investment Management Co.,Ltd. Pledgor: CHANGSHA INTELLIGENT DRIVING RESEARCH INSTITUTE Co.,Ltd. Registration number: Y2022980020220 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |