CN114943761A - 一种fpga中线结构光条纹中心提取方法及装置 - Google Patents

一种fpga中线结构光条纹中心提取方法及装置 Download PDF

Info

Publication number
CN114943761A
CN114943761A CN202210572013.0A CN202210572013A CN114943761A CN 114943761 A CN114943761 A CN 114943761A CN 202210572013 A CN202210572013 A CN 202210572013A CN 114943761 A CN114943761 A CN 114943761A
Authority
CN
China
Prior art keywords
image
derivative
pixel
point
center
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.)
Pending
Application number
CN202210572013.0A
Other languages
English (en)
Inventor
杨浩
庞仕安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210572013.0A priority Critical patent/CN114943761A/zh
Publication of CN114943761A publication Critical patent/CN114943761A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/2518—Projection by scanning of the object
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种FPGA中线结构光条纹中心提取方法及装置。方法包括：对图像数据进行缓存，获取到图像中相邻行列的像素点；利用缓存数据和高斯核参数对图像进行二维高斯滤波，获取滤波后的激光条纹图像；通过求解图像中每一个像素的二阶偏导数构建Hessian矩阵，获取每一个像素的法向量；利用一阶导数过零点、二阶导数取得极小值的像素点为中心点的判断条件，筛选出满足条件的线结构光条纹中心点。本发明能够保证单像素中心点提取的精度和稳定性，并提高线结构光条纹中心点的提取速度。

Description

一种FPGA中线结构光条纹中心提取方法及装置
技术领域
本发明涉及一种FPGA中线结构光条纹中心提取方法及装置，属于线结构光三维视觉测量技术领域。
背景技术
在光学非接触式测量方法中，线结构光三维视觉测量技术因其速度快、实时性高且易于实现的优势，被广泛的应用于工业生产工程中的尺寸测量、三维形貌重构和表面缺陷检测等领域。线结构光表面形貌测量的原理是根据投影结构光成像在CCD像元的位置，通过标定***的参数反演计算出物体在物空间的三维坐标。其中投射的线结构光条纹中心线包含了被测物的所有空间位置信息，是整个测量***的基础。因此，在实际的测量中需要尽可能的提高线结构光条纹中心提取的精度、速度、抗噪性和稳定性。
线结构光条纹中心提取分为提取几何中心和能量中心两种方法，提取几何中心主要包括阈值法、边缘法、骨架细化法等。其中阈值法和边缘法方法实现简单，提取速度快。但阈值法中阈值选取容易受到干扰，只能用于粗中心提取。边缘法提取的中心线稳定差，精度较低，只能在图像质量较好的情况下使用。骨架细化法则主要针对二值图像进行处理，得到的结果通常具有较多毛刺，还需配合其他形态学操作来进行处理，造成其提取速度缓慢。提取能量中心的算法主要包括极值法、灰度重心法和Steger算法等，其中极值法通过选取激光条纹横截面灰度值最大的点作为条纹中心点，这种方法运算速度快，但提取精度较低，不适用于信噪比较低的图像。灰度重心法通过对激光条纹图像横截面像素点列坐标的灰度值进行加权然后进行除法操作，从而获得激光条纹中心点，这种方法速度快、精度高、但抗噪性差，仅适用于光带均匀、宽度一致的场合。 Steger算法根据激光条纹的高斯分布特性，将一阶导数过零点，二阶导数取得极小值的点作为激光条纹中心点，Steger算法提取精度较高、抗噪性好，但计算量较大、不能够实时对激光条纹中心进行提取。文献[杨镇豪,杨柳等.复杂环境下结构光中心线提取算法[J].中国激光,28(9):7-10,2018]利用极值法快速得到激光条纹的粗略位置和感兴趣区域(Region of Interest,ROI)，然后在ROI区域中使用Hessian矩阵法提取图像中激光条纹的亚像素位置。虽然创建ROI区域减少了卷积的运算量，但固定区域大小的ROI仍然无法避免非条纹区域参与计算。周富强，张广军，江洁，胡坤发明的专利号为CN 200510123724.6的“一种结构光条纹中心快速高精度提取方法”采用求解Hessian矩阵确定光条的法方向，利用泰勒展开和递归方法求解光条的亚像素级中心位置，在保证精度和鲁棒性的条件下减小了运算量。但受限于运行平台和算法本身执行结构，仍然不能够实现激光条纹中心线的实时提取。
发明内容
本发明要解决的问题是在使用三角测量原理测量物体，提取激光条纹中心的过程中，对提取激光条纹中心线的精度和速度之间的矛盾问题。发明了一种基于Steger算法的激光条纹中心线快速提取方法，在保证提取精度的同时，提高处理速度。
本发明采用的技术方案是一种基于Steger的快速激光条纹中心提取方法，使用FPGA作为算法实现平台，可以对多个像素点并行处理，提高算法运行速度。提取方法首先对CMOS图像传感器采集数据预处理操作。然后将预处理后的数据与高斯核的0阶、1阶、2阶导数进行卷积，求出像素的一阶导数和二阶偏导数。再根据偏导数生成hessian的矩阵，求出每个像素的最大特征值和对应的特征向量。最后根据算法的特定约束条件，对每个像素点进行判断，从而找出激光条纹中心点。
第一方面，提供一种线结构光条纹中心提取方法，包括：
获取线结构光条纹图像；
对线结构光条纹图像进行预处理；
利用二维高斯函数的可分解特性，对预处理后的线结构光条纹图像进行求解得到图像的一阶导数和二阶偏导数；
根据二阶偏导数建立Hessian矩阵，求解图像像素的特征向量；
基于特征向量，根据一阶导数过零点、二阶导数取得极小值的像素点为中心点的判断条件，求解亚像素中心点，即为线结构光条纹中心。
对线结构光条纹图像进行预处理，包括：
通过对图像行的缓存，形成同二维高斯核尺寸大小一致的数据缓存窗口；
利用二维高斯滤波，去除线结构光条纹图像中含有的高斯白噪声和随机噪声，从而获得高质量的线结构光条纹图像。
在一些实施例中，二维高斯滤波，包括：
h(x,y)＝f(x,y)*g(x,y)＝f(x,y)*g(x)*g(y)
其中,h(x,y)为高斯滤波后的图像灰度值，f(x,y)为图像中坐标为(x,y)处的灰度值，g(x,y)为(x,y)处二维高斯函数，g(x)、g(y)为二维高斯函数分解为的两个一维高斯函数。
在一些实施例中，利用二维高斯函数的可分解特性，对预处理后的线结构光条纹图像进行求解得到图像的一阶导数和二阶偏导数，包括：
Figure BDA0003660581620000041
其中，h′x(x,y)、h′y(x,y)为图像的一阶导数，h″xx(x,y)、h″xy(x,y)、h′yy(x,y)为图像的二阶偏导数，g′(x)、g″(x)、g′(y)、g″(y)分别为g(x)和g(y)的一、二阶导数。
在一些实施例中，根据二阶偏导数建立Hessian矩阵，求解图像像素的特征向量，包括：
利用二阶偏导数建立Hessian矩阵；
Figure BDA0003660581620000042
对Hessian矩阵进行展开求解，求解特征值λ与特征向量(nx,ny)：
Figure BDA0003660581620000043
Figure 100002_1
其中，(nx,ny)为图像中(x,y)处的特征向量。
在一些实施例中，根据一阶导数过零点、二阶导数取得极小值的像素点为中心点的判断条件，求解亚像素中心点，包括：
定义每个像素点对应的Hessian矩阵对应的特征向量为所述像素点的法向量，沿着法向量方向对h(x,y)进行二维泰勒展开以找到最逼近一阶过零点的坐标点， h(x,y)沿特征向量(nx,ny)方向的二阶泰勒展开式为：
Figure BDA0003660581620000051
其中，t为特征向量(nx.ny)的权值系数；
对Steger算法中特定约束条件参数求解，令一阶导数
Figure BDA0003660581620000052
Figure BDA0003660581620000053
得：
Figure BDA0003660581620000054
相应的二阶导数h″t(x,y)求解如下；
Figure BDA0003660581620000055
亚像素中心点判定，通过预设的二阶导数的阈值h″thres，滤除掉二阶导数 h″t(x,y)大于阈值h″thres的非候选线结构光条纹中心点；从各个离散像素点中，找出最接近一阶过零点的像素点，即满足
Figure BDA0003660581620000056
得到图像中(x,y)处二维图像亚像素中心坐标为:(x0+tnx,y0+tny)，其中(x0，y0) 为满足条件的当前像素点坐标。
第二方面，本发明提供了一种线结构光条纹中心提取装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
第三方面，本发明提供了一种存储介质，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第一方面所述方法的步骤。
第四方面，一种线结构光条纹中心提取***，包括第二方面所述的线结构光条纹中心提取装置。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明针对线结构激光条纹提取精度和速度的问题，采用了Steger算法和 FPGA运算平台，利用FPGA并行计算和流水线结构优势，最大限度的提高算法运行速度。另外在FPGA中多位定点数的使用保证了算法精度。与软件实现的 Steger算法相比，本发明与软件计算误差精度小于0.3个像素，提取速度相较于软件得到了极大提高，能够满足激光条纹中心线实时提取要求。
附图说明
图1为：线结构光三位测量***模型；
图2为：Steger算法求解流程；
图3为：高斯滤波前后对比；
图4为：FPGA微分卷积结构变换；
图5为：FPGA提取的激光条纹中心线；
图6为：FPGA硬件与软件中心线提取对比误差分布。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图及具体方法对本发明进行详细描述。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
实施例1
一种线结构光条纹中心提取方法，包括：
获取线结构光条纹图像；
对线结构光条纹图像进行预处理；
利用二维高斯函数的可分解特性，对预处理后的线结构光条纹图像进行求解得到图像的一阶导数和二阶偏导数；
根据二阶偏导数建立Hessian矩阵，求解图像像素的特征向量；
基于特征向量，根据一阶导数过零点、二阶导数取得极小值的像素点为中心点的判断条件，求解亚像素中心点，即为线结构光条纹中心。
在一些实施例中，所述线结构光以激光为例。
在一些实施例中，如图2所示，具体步骤的说明如下：
(1)对图像数据和高斯核参数进行缓存操作。
进行滤波之前，需要根据高斯核的大小，生成高斯核参数，缓存相应的图像行，将图像行和高斯核参数缓存到对应的RAM或ROM中。
(2)根据步骤(1)缓存的图像行和高斯核参数进行二维高斯滤波操作。
针对二维高斯滤波的结构，如果将二维高斯参数核同图像直接进行卷积操作，对于一个大小为N×N的高斯核，则需要消耗N2个乘法器和加法器，由于 FPGA内部DSP资源有限，在进行算法映射时需要尽量减少DSP的使用。因此，利用二维高斯函数的可分解性，将二维高斯函数分解为两个一维高斯函数相乘的形式。一维高斯卷积定义式如下：
Figure BDA0003660581620000081
Figure BDA0003660581620000082
结合公式(1)和公式(2)，当图像f(x,y)与二维高斯核进行卷积时，可将卷积改写为：
h(x,y)＝f(x,y)*g(x,y)＝f(x,y)*g(x)*g(y) (3)
其中,h(x,y)为高斯滤波后的图像灰度值，f(x,y)为图像中坐标为(x,y)处的灰度值，g(x,y)为(x,y)处二维高斯函数，g(x)、g(y)为二维高斯函数分解为的两个一维高斯函数。
根据公式(3)，图像同二维高斯核卷积被分解为图像先同一维高斯核进行行卷积操作，其卷积结果再同一维高斯核进行列卷积操作。相比于二维高斯卷积，使用两个大小为N的一维高斯核同图像进行卷积时，只需消耗2N个乘法器和加法器，相较于二维高斯卷积减少了0.5N倍的DSP资源。滤波前后光条纹对比图像如图3所示，可以明显观察到图像光条部分相较于滤波前更加模糊，图像亮度有所降低。高斯滤波后最大灰度值有所降低，但列向像素点分布更加均匀，形成的高斯曲线更加平滑。
(3)图像滤波后，求解一阶导数h′x(x,y)、h′y(x,y)和二阶偏导数h″xx(x,y)、 h″xy(x,y)、h″yy(x,y)。
高斯微分卷积模块计算方式同二维高斯滤波计算方式类似，都首先利用二维高斯函数的可分解特性，对卷积函数求微分。根据卷积微分顺序可以进行交换的性质，对一阶导数和二阶偏导数求解结构进行调整，调整后结构如图4所示，调整后卷积消耗的一阶高斯函数模块由10个减少为8个。对需要的求解的 5个参数，每一个参数求解的结构相同，结构上采用并行设计。
(4)利用步骤(3)求解出的二阶偏导数，构建Hessian矩阵，求解Hessian 最大特征值λ和对应的特征向量(nx,ny)。
Figure BDA0003660581620000091
Figure BDA0003660581620000092
根据公式(4)和公式(5)，利用FPGA的电路特性，对整数运算结构和顺序做出一定调整，如公式(4)中，hxx+hyy、hxx-hyy、
Figure BDA0003660581620000093
三部分可以同时进行并行计算，但计算时，加法器和乘法器所消耗的时钟周期不同，运算后需要对计算结果相应延时进行同步。结构上使用串行流水线结构，计算延迟只会出现在第一个像素之中，之后每个时钟周期都可以完成一个像素点对应的 Hessian矩阵的特征值和特征向量求解。
(5)亚像素中心点判定。激光条纹中心点的判定具有两个原则，首先需要满足
Figure BDA0003660581620000094
然后二阶导数h″t(x,y)必须小于某一设定阈值，t值作为特征向量的权值系数，用于判断像素点是否落到当前像素点(x0， y0)周围0.5个像素大小范围之内。t值的求解方法如公式(6)所示，计算时同样将h′xnx、h′yny、
Figure BDA0003660581620000095
nxny、
Figure BDA0003660581620000096
同时进行计算。公式中部分乘法操作直接采用移位操作，减少内部DSP乘法器资源的消耗。
Figure BDA0003660581620000101
(6)亚像素中心点输出。步骤(5)判断出对应像素点是否为中心点，最终的求得激光条纹中心亚像素坐标为(x0+tnx,y0+tny)，为了便于其他设备获取中心点进行处理，X轴和Y轴方向输出的中心线数据位宽均为16位，其中高 10位为整数位，低6位为小数位。
图5为实际测得激光条纹提取的实际效果图。
图6根据计算软硬件结果的差值，绘制了软硬件对比误差分布图。与软件相比，Steger算法硬件提取结果误差分布在0.2～0.5个像素。
本发明软件操作环境，计算机配置为Intel Core i5-9300H [email protected]，内存为16G，操作***为Window 10，编译工具为Microsoft Visual Studio，采用本发明的线激光提取方法，消耗时间为2.363秒。另外在FPGA硬件平台上行，使用的主控为ZYNQ7000处理器，执行时间为0.0025秒。
根据上述实验结果可以看出，本发明将较为复杂的中心线提取算法，通过 FPGA进行了实现，使得算法整体提取速度得到了较大提升。提取精度上，最终提取的激光条纹中心点坐标标准差小于0.2个像素，能够很好的满足高精度测量要求。从通用性上来看，本发明选用的Steger算法具有良好的抗噪和抗干扰能力，提取精度受物体形状的影响较小。因此，本发明能够在保证较高测量精度的前提下，具备较快的提取速度，且通用性好、抗干扰能力强。
实施例2
第二方面，本实施例提供了一种线结构光条纹中心提取装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。
实施例3
第三方面，本实施例提供了一种存储介质，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实施例1所述方法的步骤。
实施例4
一种线结构光条纹中心提取***，包括所述的线结构光条纹中心提取装置，还包括：
图像采集模块，用于采集线结构光条纹图像，并上传给线结构光条纹中心提取装置；本实施例中，图像采集模块采用3D相机。
线结构光提供模块，本实施例中，采用激光器。
在一些具体实施例中，图1是测量***的示意图，基于激光三角法设计了整个***，使用了ON Semiconductor Python300 CMOS工业传感器，分辨率为 600(H)×480(V)，镜头选用的为8mm焦距的百万级摄像头，相机的主控为 XILINX ZYNQ7000处理器，激光器为波长520nm的一字线激光器，功率为 100mW，为了实现对物体的动态扫描，增加了可移动平台。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种线结构光条纹中心提取方法，其特征在于，包括：
获取线结构光条纹图像；
对线结构光条纹图像进行预处理；
利用二维高斯函数的可分解特性，对预处理后的线结构光条纹图像进行求解得到图像的一阶导数和二阶偏导数；
根据二阶偏导数建立Hessian矩阵，求解图像像素的特征向量；
基于特征向量，根据一阶导数过零点、二阶导数取得极小值的像素点为中心点的判断条件，求解亚像素中心点，即为线结构光条纹中心。
2.根据权利要求1所述的线结构光条纹中心提取方法，其特征在于，对线结构光条纹图像进行预处理，包括：
通过对图像行的缓存，形成同二维高斯核尺寸大小一致的数据缓存窗口；
利用二维高斯滤波，去除线结构光条纹图像中含有的高斯白噪声和随机噪声。
3.根据权利要求2所述的线结构光条纹中心提取方法，其特征在于，二维高斯滤波，包括：
h(x,y)＝f(x,y)*g(x,y)＝f(x,y)*g(x)*g(y)
其中,h(x,y)为高斯滤波后的图像灰度值，f(x,y)为图像中坐标为(x,y)处的灰度值，g(x,y)为(x,y)处二维高斯函数，g(x)、g(y)为二维高斯函数分解为的两个一维高斯函数。
4.根据权利要求1所述的线结构光条纹中心提取方法，其特征在于，利用二维高斯函数的可分解特性，对预处理后的线结构光条纹图像进行求解得到图像的一阶导数和二阶偏导数，包括：
Figure FDA0003660581610000021
其中，h′x(x,y)、h′y(x,y)为图像的一阶导数，h″xx(x,y)、h″xy(x,y)、h′yy(x,y)为图像的二阶偏导数，g′(x)、g″(x)、g′(y)、g″(y)分别为g(x)和g(y)的一、二阶导数。
5.根据权利要求1所述的线结构光条纹中心提取方法，其特征在于，根据二阶偏导数建立Hessian矩阵，求解图像像素的特征向量，包括：
利用二阶偏导数建立Hessian矩阵；
Figure FDA0003660581610000022
对Hessian矩阵进行展开求解，求解特征值λ与特征向量(nx,ny)：
Figure FDA0003660581610000023
Figure 1
其中，(nx,ny)为图像中(x,y)处的特征向量。
6.根据权利要求1所述的线结构光条纹中心提取方法，其特征在于，根据一阶导数过零点、二阶导数取得极小值的像素点为中心点的判断条件，求解亚像素中心点，包括：
定义每个像素点对应的Hessian矩阵对应的特征向量为所述像素点的法向量，沿着法向量方向对h(x,y)进行二维泰勒展开以找到最逼近一阶过零点的坐标点，h(x,y)沿特征向量(nx,ny)方向的二阶泰勒展开式为：
Figure FDA0003660581610000031
其中，t为特征向量(nx.ny)的权值系数；
对Steger算法中特定约束条件参数求解，令一阶导数
Figure FDA0003660581610000032
Figure FDA0003660581610000033
得：
Figure FDA0003660581610000034
相应的二阶导数h″t(x,y)求解如下；
Figure FDA0003660581610000035
亚像素中心点判定，通过预设的二阶导数的阈值h″thres，滤除掉二阶导数h″t(x,y)大于阈值h″thres的非候选线结构光条纹中心点；从各个离散像素点中，找出最接近一阶过零点的像素点，即满足
Figure FDA0003660581610000036
得到图像中(x,y)处二维图像亚像素中心坐标为:(x0+tnx,y0+tny)，其中(x0，y0)为满足条件的当前像素点坐标。
7.一种线结构光条纹中心提取装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1至6任一项所述方法的步骤。
8.一种存储介质，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6任一项所述方法的步骤。
9.一种线结构光条纹中心提取***，其特征在于，包括权利要求7所述的线结构光条纹中心提取装置。
CN202210572013.0A 2022-05-25 2022-05-25 一种fpga中线结构光条纹中心提取方法及装置 Pending CN114943761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210572013.0A CN114943761A (zh) 2022-05-25 2022-05-25 一种fpga中线结构光条纹中心提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210572013.0A CN114943761A (zh) 2022-05-25 2022-05-25 一种fpga中线结构光条纹中心提取方法及装置

Publications (1)

Publication Number Publication Date
CN114943761A true CN114943761A (zh) 2022-08-26

Family

ID=82909070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210572013.0A Pending CN114943761A (zh) 2022-05-25 2022-05-25 一种fpga中线结构光条纹中心提取方法及装置

Country Status (1)

Country Link
CN (1) CN114943761A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882358A (zh) * 2023-09-07 2023-10-13 深圳比特微电子科技有限公司 滤波器、滤波方法、数据处理***和芯片

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882358A (zh) * 2023-09-07 2023-10-13 深圳比特微电子科技有限公司 滤波器、滤波方法、数据处理***和芯片
CN116882358B (zh) * 2023-09-07 2024-05-28 深圳比特微电子科技有限公司 滤波器、滤波方法、数据处理***和芯片

Similar Documents

Publication Publication Date Title
US10115035B2 (en) Vision system and analytical method for planar surface segmentation
CN103971406B (zh) 基于线结构光的水下目标三维重建方法
CN110866924A (zh) 一种线结构光中心线提取方法及存储介质
CN111553858B (zh) 基于生成对抗网络的图像修复方法、***及其应用
CN109945802B (zh) 一种结构光三维测量方法
CN111524233B (zh) 一种静态场景动态目标的三维重建方法
EP2294555A1 (en) Three dimensional mesh modeling
CN114943761A (zh) 一种fpga中线结构光条纹中心提取方法及装置
CN113628170B (zh) 一种基于深度学习的激光线提取方法及***
CN114612412A (zh) 三维点云数据的处理方法及其用途、电子设备、存储介质
CN110223356A (zh) 一种基于能量生长的单目相机全自动标定方法
CN116817796B (zh) 基于双远心镜头的曲面工件精确度参数测量方法及装置
CN114066752A (zh) 面向焊缝跟踪的线结构光骨架提取及毛刺去除方法
Dong et al. Lightweight and edge-preserving speckle matching network for precise single-shot 3D shape measurement
CN113256706A (zh) 一种基于zynq的实时光条纹中心提取***及方法
CN112085752B (zh) 一种图像的处理方法、装置、设备及介质
US8837815B2 (en) Method of filtering a disparity mesh obtained from pixel images
CN113129348B (zh) 一种基于单目视觉的道路场景中车辆目标的三维重建方法
Yang et al. Center extraction algorithm of linear structured light stripe based on improved gray barycenter method
CN110084887B (zh) 一种空间非合作目标相对导航模型三维重建方法
Marković et al. Improving sub-pixel estimation of laser stripe reflection center by autoconvolution on FPGA
CN116109788B (zh) 一种实体件建模重构的方法
CN118070434B (zh) 一种汽车零部件的工艺信息模型构建方法及***
CN117197215B (zh) 基于五目相机***的多目视觉圆孔特征的鲁棒提取方法
CN116295097B (zh) 一种具有材质普适性的三维数据集采集评估方法及装置

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