一种基于时空跟踪的光条中心提取跟踪方法
【专利摘要】本发明涉及一种基于时空跟踪的光条中心提取跟踪方法，包括以下步骤：利用时间序列模型预测下一时刻光条中心坐标；以预测的光条中心作为起点，光条中心的切向由Hessian矩阵的特征向量决定，利用Hessian矩阵获取该点的单位切向量，沿着光条切线方向作为谷脊区域延伸方向，用以实现光条在空间上的谷脊跟踪。本发明能够提高提取速度和提取精度。
【专利说明】
-种基于时空跟踪的光条中心提取跟踪方法
技术领域
[0001] 本发明设及光条中屯、提取跟踪技术领域，特别是设及一种基于时空跟踪的光条中 屯、提取跟踪方法。
【背景技术】
[0002] 特征提取跟踪的研究可追溯至20世纪70年代末，其在机器视觉和模式识别领域发 挥着至关重要的作用，其提取结果直接影响着后续的检测和识别效果。线结构光系统标定 和=维测量过程中特征提取跟踪的身影更是无处不在，线结构光=维测量的本质在于提取 旋转台编码角点确定转角，W及提取结构光光条中屯、定位光屯、，进而重建所采集图像序列 中回转类零件的=维轮廓点云。如何快速准确地提取跟踪特征势必决定测量系统的性能， 故而提取跟踪由角点光屯、构成的点线特征是实现线结构光=维测量的关键所在。
[0003] 光条特征作为线状特征中较为特殊的一种，其表现为具有一定宽度且强度呈现变 化，其提取过程在线结构光系统标定和测量中具有重要意义。激光光条具有能量高、相干性 好、抗干扰能力强等优点，使其较为适合在复杂工业环境下实现零件=维测量。光条中屯、快 速准确提取是实现线结构光=维测量的关键任务，其既是激光面标定的前提，又是被测物 体重建的基础，因而光条中屯、提取效果直接影响着整个测量系统的性能。
[0004] 常用的光条中屯、提取算法包括灰度重屯、法、方向模板法、曲线拟合法和化SSian矩 阵法，其中各光条中屯、提取算法性能如表1所示，灰度重屯、法和方向模板法算法简单易行且 快速有效，但提取的光条中屯、精度不高，难于适用高精度测量场合；曲线拟合法具有亚像素 级精度，但算法较复杂且耗时，难于满足实时性测量的需要;Hessian矩阵法算法复杂度较 高，但具有亚像素级精度，且能够判别结构光方向，综合鲁棒性能最好。
[0005] 表1各光条中屯、提取算法性能比较
[0006]
【发明内容】
[0007]本发明所要解决的技术问题是提供一种基于时空跟踪的光条中屯、提取跟踪方法， 能够提高提取速度和提取精度。
[000引本发明解决其技术问题所采用的技术方案是:提供一种基于时空跟踪的光条中屯、 提取跟踪方法，包括W下步骤：
[0009] (1)利用时间序列模型预测下一时刻光条中屯、坐标；
[0010] (2似预测的光条中屯、作为起点，光条中屯、的切向由化SSian矩阵的特征向量决 定，利用化SSian矩阵获取该点的单位切向量，沿着光条切线方向作为谷脊区域延伸方向， 用W实现光条在空间上的谷脊跟踪。
[0011] 所述步骤(1)中将二维图像平面降至一维。
[0012] 所述步骤(1)中时间序列模型采用线性/非线性时间序列模型。
[0013] 所述步骤(1)中时间序列模型预测的误差引入AIC信息准则。
[0014] 所述步骤(2)具体包括W下步骤：
[0015] (21)利用预测的光条中屯、作为谷脊跟踪的起始点，则谷脊跟踪方向为两个光条切 线方向，该两个方向被分别处理用W跟踪光条，即可确定下一个谷脊跟踪位置；
[0016] (22)依赖Steger算法提取下一个谷脊跟踪位置的亚像素坐标，并根据前后两个跟 踪点的位置关系，更新下一个谷脊跟踪方向；
[0017] (23)依据谷脊跟踪的新位置和新方向，重复上述步骤继续进行光条空间跟踪直至 提取所有光条中屯、。
[001引有益效果
[0019] 由于采用了上述的技术方案，本发明与现有技术相比，具有W下的优点和积极效 果:本发明利用灰度重屯、法和化SSian矩阵法提取像素级和亚像素级光条中屯、，依赖时间连 续性结合时间序列预测下一时刻光屯、坐标，依据空间连续性利用谷脊跟踪确定下一位置光 屯、坐标，从而实现了快速准确地提取跟踪线结构光光条中屯、坐标。
【附图说明】
[0020] 图1是光条谷脊跟踪示意图；
[0021] 图2是亚像素级光条时间预测图；
[0022] 图3是GNA則寸间序列预测模型图；
[0023] 图4是亚像素级光条空间跟踪图；
[0024] 图5是谷脊空间跟踪模型图。
【具体实施方式】
[0025] 下面结合具体实施例，进一步阐述本发明。应理解，运些实施例仅用于说明本发明 而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人 员可W对本发明作各种改动或修改，运些等价形式同样落于本申请所附权利要求书所限定 的范围。
[0026] 本发明的实施方式设及一种基于时空跟踪的光条中屯、提取跟踪方法，包括W下步 骤:利用时间序列模型预测下一时刻光条中屯、坐标；W预测的光条中屯、作为起点，光条中屯、 的切向由Hess ian矩阵的特征向量决定，利用Hess ian矩阵获取该点的单位切向量，沿着光 条切线方向作为谷脊区域延伸方向，用W实现光条在空间上的谷脊跟踪。具体如下：
[0027] (1)光条时间预测：
[0028] 图像序列前后帖图像存在时间上的关联性，因而利用时间序列模型预测下一时刻 光条中屯、坐标，同时为进一步提高提取光条的快速性，考虑将二维图像平面降至一维，假设 光条中屯、坐标为(u，v)，则所跟踪的光条中屯、V值保持不变，而仅对其U值进行预测。
[0029] 时间序列模型具有多种形式，对线性平稳系统，多采用自回归滑动平均(ARMA)模 型。对非线性、非平稳系统，可采用多项式逼近ARMA模型，其中线性/非线性时间序列(GNAR) 模型表示为，
[0030] (!)
[0031] 其中，n为多项式展开的阶次，为各子项的记忆步长，at为多项式的常数项，.....^ 为模型参数。当n = l时，上式即为线性模型。
[0032] 其中，模型定阶可采用修正的Akaike最小信息准则(AIC)，即
[0033] 巧
[0034] 其中，m为各子项记忆步长之和，
^^/为建模残差方差，巧,为预测误差 方差，N为序列长度，将预测误差引入AIC信息准则，其目的在于防止模型过拟合。
[0035] (2)光条空间跟踪
[0036] 谷脊区域表现为连续的局部极值点的集合，W时间预测的光条中屯、作为起点，光 条中屯、的切向由Hessian矩阵的特征向量决定，利用Hessian矩阵获取该点的单位切向量t， 其中，t=[tu tv]T，| |t||=l，tu和tv表示单位切向量在水平和竖直方向上的分量，沿着光条 切线方向t作为谷脊区域延伸方向，用W实现光条在空间上的谷脊跟踪。具体为：
[0037] 如图1所示，利用时间预测获取谷脊跟踪的起始点qi，则谷脊跟踪方向为ti和-ti， 该两个方向应当被分别处理用W跟踪光条，即可确定下一个谷脊跟踪位置PW，
[003引 pi+i = qi+ti (3)
[0039] 依赖Steger算法即可提取点PW的亚像素坐标qw，并根据前后两个跟踪点的位置 关系，更新下一个谷脊跟踪方向tw，
[0040] ti+i = si即（ei ? ti)ei (4)
[0041 ]其中，e康示跟踪点qi处Hessian矩阵切向量t与其前的跟踪点qi-i的几何方向的加 权和，且Mei I I =1，如下所示，
[0042] ei = at+(l-a) (qi-qi-i)巧）
[0043] 其中，a为权重，且QE [0，1]，鉴于光条方向由化SSian矩阵切向量和跟踪点几何方 向共同决定，该处取权重a = 〇.7，sign()表示狄利克雷函数。此时依据谷脊跟踪的新位置 qw和新方向t W，结合式(3)继续进行光条空间跟踪直至提取所有光条中屯、。
[0044] 在使用本发明的方法进行光条时间预测实验时，依赖Steger算法提取亚像素光条 中屯、坐标，所提取坐标对应的法线方向如图2所示，为便于观察在局部放大图中每隔5个坐 标作一条法线，其中纵向线条为由光条中屯、坐标相连构成的中屯、线，由此可见，本发明提取 光条中屯、坐标速度较快，约为平均38ms/帖，提取光条中屯、坐标精度较高，且无冗余坐标点。
[0045] 依据时间预测的光条中屯、坐标，结合实际提取的光条中屯、坐标，光条中屯、坐标预 测平均误差定义为光条中屯、坐标的实际提取值与时间预测值间差值的平均值，即光条中屯、 预测平均误差为，
[0046]
(6)
[0047] 其中，k为图像序列帖数，化为第i帖光条中屯、实际提取值,?为第i帖光条中屯、时间 预测值。
[0048] 针对图像序列中光条纵坐标V取值为240的前600帖图像，依据GNAR(3; 5，5，1)模型 对光条横坐标U值进行预测，其实际提取值与时间预测值分别如图3中的V'点和V'点所 示，由图可知GNAR模型能够较为准确地预测光条下一时刻的U坐标，光条中屯、坐标预测的最 大误差为1. ISlpixel，平均误差为0.17：3pixel。
[0049] 在使用本发明的方法进行光条空间跟踪实验中，利用时间预测值提取其邻域的 亚像素级光条中屯、坐标，并W此作为光条空间跟踪的起始点逐一进行跟踪，根据光条谷脊 区域的空间连续性顺序提取光条中屯、坐标，如图4所示，局部放大图中左侧纵向线条为由光 条中屯、坐标相连构成的中屯、线，局部放大图中右侧的纵向线条为光条跟踪坐标相连构成的 中屯、线，为便于观察而将其水平平移25个像素绘制。
[0050] 依据空间跟踪的光条中屯、坐标，结合实际提取的光条中屯、坐标，光条中屯、坐标跟 踪平均误差定义为光条中屯、坐标的实际提取值与空间跟踪值间差值的平均值，即光条中屯、 坐标跟踪平均误差为，
[0化1 ] (7)
[0化2] 其中，k为光条空间跟踪次数，qi为第i个光条中屯、实际提取值，焉为第i个光条中屯、 空间跟踪值。
[0053]针对图像序列中第250帖图像，依据切向跟踪方向对光条坐标进行跟踪，其实际提 取值与空间跟踪值间差值如图5中的V'点所示，其中在光条弯曲区域的光条中屯、跟踪误差 变化较大，由图可见光条跟踪能够较为准确地跟踪下一位置的光条中屯、，光条中屯、跟踪误 差被限制于1.8口;[义61^内，平均误差为0.365口;[义61。
【主权项】
1. 一种基于时空跟踪的光条中心提取跟踪方法，其特征在于，包括以下步骤： (1) 利用时间序列模型预测下一时刻光条中心坐标； (2) 以预测的光条中心作为起点，光条中心的切向由Hessian矩阵的特征向量决定，利 用Hessian矩阵获取该点的单位切向量，沿着光条切线方向作为谷脊区域延伸方向，用以实 现光条在空间上的谷脊跟踪。2. 根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步 骤(1)中将二维图像平面降至一维。3. 根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步 骤(1)中时间序列模型采用线性/非线性时间序列模型。4. 根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步 骤(1)中时间序列模型预测的误差引入AIC信息准则。5. 根据权利要求1所述的基于时空跟踪的光条中心提取跟踪方法，其特征在于，所述步 骤(2)具体包括以下步骤： (21) 利用预测的光条中心作为谷脊跟踪的起始点，则谷脊跟踪方向为两个光条切线方 向，该两个方向被分别处理用以跟踪光条，即可确定下一个谷脊跟踪位置； (22) 依赖Steger算法提取下一个谷脊跟踪位置的亚像素坐标，并根据前后两个跟踪点 的位置关系，更新下一个谷脊跟踪方向； (23) 依据谷脊跟踪的新位置和新方向，重复上述步骤继续进行光条空间跟踪直至提取 所有光条中心。
【文档编号】G06T7/20GK106023247SQ201610294947
【公开日】2016年10月12日
【申请日】2016年5月5日
【发明人】肖轶, 郝静, 陈平, 周开俊, 张瑞华, 邢硕
【申请人】南通职业大学