基于机器视觉的空间两点中点智能测量方法与系统与流程
本发明涉及机器视觉,具体涉及基于机器视觉的空间两点中点智能测量方法与系统。
背景技术:
1、随着工业制造、精密装配、机器人引导、自动化检测及科学实验等领域不断向高精度、智能化方向发展,机器视觉测量技术凭借非接触、高效率和自动化程度高等优势,逐渐替代传统接触式测量方式,成为空间几何尺寸测量的重要技术手段。其中,对空间中两个特征点进行定位并确定其连线中点,是定位基准建立、装配校准、轨迹规划、对称分析及尺寸检测等应用中的基础测量内容。现阶段,利用工业相机获取图像,并结合图像处理算法实现特征识别、坐标定位及空间坐标计算,已经成为空间两点中点测量的主流实现方式。
2、现有技术通常采用串联式测量流程,即首先采集包含目标特征的图像,并通过模板匹配、边缘检测、角点检测或霍夫变换等视觉算法分别完成两个目标特征点的位置检测;随后根据获得的两个特征点坐标计算连线中点坐标,当需要获得空间坐标时,再结合相机标定参数完成坐标转换,从而得到目标中点的位置。整个测量过程以两个特征点的独立定位结果作为中点计算的基础,各检测环节依次执行,以完成最终测量任务。
3、现有技术虽然能够实现空间两点中点的自动测量,但由于采用两个特征点独立检测、后续再进行中点计算的处理方式,在检测过程中未能充分利用两点与中点之间固有的几何关联关系,使中点测量结果完全依赖于两个特征点的定位精度,当图像存在噪声干扰、光照变化、局部遮挡或镜头畸变等情况时,两个特征点的定位误差容易直接传递至中点计算结果,导致整体测量精度和稳定性下降,同时,当其中一个特征点检测异常时,还容易造成整体测量失败,难以兼顾复杂场景下的测量精度、鲁棒性及测量效率。
技术实现思路
1、针对现有技术所存在的上述缺点,本发明提供了基于机器视觉的空间两点中点智能测量方法与系统。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、基于机器视觉的空间两点中点智能测量方法,其特征在于,包括以下步骤:
4、s1、采集原始图像,构建高斯图像金字塔,输出高斯图像金字塔对应的图像;
5、s2、获取高斯图像金字塔对应的图像,同时定义检测子并计算特征响应卷积核,基于特征响应卷积核与高斯图像金字塔对应的图像进行卷积,得到特征响应图,并基于特征响应图,获取初始几何结构与锁定感兴趣区域;
6、s3、构建联合优化模型,具体包括以下步骤:
7、s301、设定待优化变量和线段方向,并确定目标点的位置;
8、s302、基于目标点的位置建立外观模板,并在感兴趣区域内提取对应位置的局部图像块,计算外观相似性损失,同时基于感兴趣区域计算检测图像坐标和待优化变量,计算几何一致性损失,输出外观相似性损失与几何一致性损失;
9、s303、基于外观相似性损失和几何一致性损失,建立联合优化目标函数,并输出联合优化模型;
10、s4、将初始几何结构作为联合优化模型的初始优化变量,通过高斯-牛顿法由粗到精逐层对联合优化目标函数进行迭代求解,输出最终优化后几何结构;
11、s5、基于最终优化后几何结构,计算最终线段方向单位向量,获取目标点的最终图像坐标,并与最终优化后几何结构的中点坐标作为同一共线点集,计算联合重投影误差,并进行联合畸变校正及反投影,获取世界坐标系中的空间中点坐标,作为空间中点测量结果。
12、更进一步的,所述步骤s1中,通过高斯平滑和下采样构建高斯图像金字塔。
13、更进一步的,所述步骤s2中,获取高斯图像金字塔对应的图像中最低分辨率图像层;
14、采用轻量级的线段特征响应卷积核,定义一对关于中心对称的检测子和,将这两个检测子以预设距离和方向角排列,形成线段特征响应卷积核。
15、更进一步的,所述步骤s302中,所述步骤s302中,外观相似性损失计算公式为:
16、
17、其中,为目标点a对应的外观相似性损失,为目标点b对应的外观相似性损失,为待测图像,为局部图像块提取函数,与分别为目标点a与目标点b的局部图像块,为图像相似性度量函数,和分别为目标点a与目标点b的外观模板;
18、几何一致性损失计算公式为:
19、
20、其中,为几何一致性损失,为中点位置约束权重,为线段方向约束权重,为待优化的中点坐标,l为线段半长度,为目标点a检测图像坐标,为目标点b检测图像坐标。
21、更进一步的,所述步骤s303中,联合优化目标函数计算公式为:
22、
23、
24、其中,为联合优化目标函数,为目标点a对应的外观相似性损失,为目标点b对应的外观相似性损失,为几何一致性损失。
25、更进一步的,所述步骤s4中,对联合优化目标函数采用高斯-牛顿法进行迭代求解,其更新公式为:
26、
27、其中,为第t次迭代对应的优化变量,为第t+1次迭代对应的优化变量,为残差向量对应的雅可比矩阵,为联合优化目标函数对应的残差向量,为高斯-牛顿迭代对应的近似海森矩阵逆矩阵。
28、更进一步的,所述步骤s4中,通过高斯-牛顿法对联合优化目标函数进行迭代求解,具体为:
29、获取当前层对应的优化后几何结构,并将优化后几何结构映射至下一层高分辨率图像,得到下一层对应的初始优化变量;
30、获取下一层高分辨率图像,根据所述下一层高分辨率图像重新构建目标点外观模板,并重新获取目标点检测图像坐标,将重新构建的外观模板、检测图像坐标以及初始优化变量输入联合优化模型进行迭代求解,得到下一层对应的优化后几何结构;
31、重复上述过程,从高斯图像金字塔顶层的最低分辨率图像层逐层向原始分辨率图像层进行联合优化,直至完成原始分辨率图像层的联合优化,得到最终优化后的几何结构。
32、更进一步的,所述步骤s5中最终线段方向单位向量计算公式为:
33、
34、最终图像坐标计算公式为:
35、
36、其中,为最终线段方向单位向量,为最终线段半长度,为最终中点坐标,为目标点a对应的最终图像坐标,为目标点b对应的最终图像坐标,为原始分辨率图像层对应的最终线段方向。
37、更进一步的,所述步骤s5中,联合重投影误差计算公式为:
38、
39、其中,为联合重投影误差,为图像坐标系中点i的图像坐标,为世界坐标系中点i的空间坐标,为相机投影函数;
40、世界坐标系中的空间中点坐标表达式为:
41、
42、其中,为世界坐标系中的空间中点坐标,为世界坐标系x方向坐标,为世界坐标系y方向坐标,为世界坐标系z方向坐标,为转置运算。
43、基于机器视觉的空间两点中点智能测量系统,所述系统包括:
44、图像采集与特征金字塔构建模块:采集原始图像,通过高斯平滑和下采样构建高斯图像金字塔,输出高斯图像金字塔对应的图像;
45、向量假设模块:获取高斯图像金字塔对应的图像中最低分辨率图像层,并与“线段特征响应”卷积核定义的线段特征响应卷积核进行卷积,获取初始几何结构与锁定感兴趣区域;
46、模型构建模块:设定待优化变量和线段方向,并确定目标点的位置,基于目标点的位置建立外观模板,同时在感兴趣区域内提取对应位置的局部图像块,并计算外观相似性损失,同时基于感兴趣区域计算检测图像坐标和待优化变量,计算几何一致性损失,基于外观相似性损失和几何一致性损失,建立联合优化目标函数,获取联合优化模型;
47、迭代优化求解模块:将初始几何结构作为联合优化模型的初始优化变量,通过高斯-牛顿法由粗到精逐层对联合优化目标函数进行迭代求解,输出最终优化后几何结构;
48、输出与转换模块:基于最终优化后几何结构,计算最终线段方向单位向量,获取目标点的最终图像坐标,并与最终优化后几何结构的中点坐标作为同一共线点集,计算联合重投影误差,并进行联合畸变校正及反投影,获取世界坐标系中的空间中点坐标,作为空间中点测量结果。
49、本发明相较于现有技术,其有益效果为:
50、1、本发明将两个目标特征点及其中点作为统一的几何结构进行整体求解,通过建立融合外观信息与几何约束的联合优化模型,对中点位置、线段方向及线段长度进行同步优化,使中点定位过程不再完全依赖两个特征点的独立检测结果,而是在整体几何关系约束下完成协同优化,有效降低了定位误差向中点测量结果的传递,提高了复杂成像条件下中点测量的精度、稳定性及可靠性;
51、2、本发明结合多尺度由粗到精的优化策略以及联合几何约束机制,实现了目标区域的快速定位与逐层精化,在局部遮挡、光照变化、噪声干扰及镜头非线性畸变等复杂场景下,仍能够利用整体几何关系保持测量过程连续进行,并同步获得中点坐标、两端点坐标、线段方向及长度等多种测量结果,不仅提高了测量效率和测量成功率,而且增强了系统在复杂工业环境中的鲁棒性和综合应用能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com