一种汽车纵梁图像去抖动及边缘校准方法和系统与流程

1.本发明属于计算机视觉技术领域，具体涉及一种汽车纵梁图像快速去抖动及边缘校准方法、系统、设备及存储介质。


背景技术：

2.随着计算机视觉技术在工业生产中应用的逐渐推广，机器识别精度逐渐增高并被逐步用于工件加工和质检过程中的识别。在车辆纵梁生产中，会在其的特定位置进行冲孔，以降低车辆整体重量、增强车身抗撞击能力、并方便后续的工件安装。然而在生产过程中，冲孔机械会受到环境等因素的影响，可能会造成漏打、多打孔或者打孔偏移过大，从而严重影响车辆安全及后续安装过程。若采用视觉方案对冲孔后的汽车纵梁进行冲孔位的识别检测，冲孔机的大幅震动，也会对图像的采样质量产生极大地影响，即采样图像中会存在明显的图像抖动痕迹及边缘振幅现象，从而进一步影响了后续冲孔位的检测精度。
3.因此，目前对于汽车纵梁冲孔的检测主要依赖于人工质检，即生产线依赖于特定的模具或者蒙版对冲孔后的纵梁进行手工检验。这种方法效率、精度都不高，批量采样和依赖肉眼判断的质检方式无法保证精准度且耗费了大量的人力成本。
4.在其他生产领域中的检测环节，有采用计算机视觉中的一些算法对图像中的特定位置进行识别匹配及检测。然而，当前在汽车纵梁的质检环节中并没有这样一种通用方法可以直接适用于线上的冲孔位识别及尺寸检测。其原因主要在于以下几点：
5.1、受生产环境影响，大部分汽车纵梁冲孔作业的震动很大，对图片采样的稳定性及图像的清晰度造成极大地影响。大部分汽车纵梁冲孔位及尺寸的检测误差范围需要控制在50mm以内。如果是线上作业的检测模式，即采用置于数位冲孔机之后的固定点位的相机对当前正在加工的汽车纵梁进行采样及检测，这种模式的好处是保证了检测环节不会影响生产节拍，然而风险就是冲孔作业的震动幅度很大，往往会导致长10m的纵梁末端的振幅超过2cm，远远超过了检测误差范围，也对采样精度造成了严重影响。同时，也会造成采样的纵梁图像边界抖动明显，从而进一步影响检测精度。
6.2、大部分检测及识别方法对于图像的质量要求很高，需要定制化的图像预处理流程为后期检测算法提供稳定性高的测试样本。比如在其他生产领域中的检测环节，有采用霍夫变换等检测方法对轮廓识别。此类传统方法虽然效率高，但是该类方法往往对于图像质量及预制参数的敏感度极高，且对于图像中的噪音点极为敏感。现有的深度学习等方法虽然在大量实验上证明了其算法的准确性，但是这类算法的计算量过大，算法难以部署在实际生产中的低成本工控设备中。


技术实现要素：

7.为解决针对汽车纵梁图像采集过程中，因数位冲孔机造成的剧烈抖动对图像采集设备采样过程的问题，本发明提供了一种汽车纵梁图像去抖动及边缘校准方法、系统、设备及存储介质，基于双线性校正的方式将采集到的汽车纵梁图片快速去抖动并进行边缘校
准。
8.本发明采用以下技术方案实现：
9.一种汽车纵梁图像去抖动及边缘校准方法，包括：
10.获取线扫描相机采样的汽车纵梁图像；
11.对所述汽车纵梁图像采用自适应阈值otsu算法进行二值化处理，确定所述汽车纵梁图像中的所有上下边界点；
12.根据所述上下边界点获得上边界点训练集和下边界点训练集，并通过线性回归模型分别拟合汽车纵梁上下边界；
13.根据所述拟合汽车纵梁上下边界，计算汽车纵梁上下边界的理论位置，得到预测的汽车纵梁上下边界的理论位置；
14.基于预测的汽车纵梁上下边界的理论位置，计算每一帧图像中的钢梁宽度，并取平均值得到所述汽车纵梁的平均宽度；
15.将当前图像帧的钢梁宽度变换为所述平均宽度，并映射到理论位置中，得到去抖动及边缘校准后的目标图像。
16.进一步的，所述汽车纵梁图像的高频采样方法，包括：
17.通过编码器识别汽车纵梁的水平位移，捕获得到汽车纵梁平移的脉冲信号；
18.利用捕获的脉冲信号触发线扫相机对汽车纵梁的钢梁进行图像采样。
19.进一步的，所述汽车纵梁图像采用自适应阈值otsu算法进行二值化处理的方法，包括：
20.获取待处理的汽车纵梁图像，并从所述汽车纵梁图像中圈定感兴趣区域(roi)；
21.采用otsu对所述roi区域进行二值化评估，求得阈值t；
22.将得到的阈值t应用于所述汽车纵梁图像的灰度图中，完成所述汽车纵梁图像的二值化，得到二值图；
23.其中，所述汽车纵梁图像的灰度图中，像素值大于阈值t像素点视为前景，设置为白色，像素值小于阈值t像素点视为背景，设置为黑色，实现前后景分离。
24.进一步的，在所述汽车纵梁图像采用自适应阈值otsu算法进行二值化处理之前，还包括：
25.将获取的汽车纵梁图像进行灰度化处理，得到灰度图；
26.对完整的所述汽车纵梁图像的灰度图进行高斯平滑处理，去除噪音点干扰。
27.进一步的，确定所述汽车纵梁图像中的所有上下边界点的方法，包括：
28.根据获取平滑处理后的二值图，确定所述二值图中的第i列图像数据i＝{1，...，w}，其中，w表示图像总列数；
29.提取初始前景点y轴坐标和末端前景点y轴坐标得到确定汽车纵梁在图片中的所有上下边界点。
30.进一步的，根据所述上下边界点获得上边界点训练集和下边界点训练集之间还包括：去除所述上下边界点中过分偏离其对应边界所在的均值点的样本，其中，初始前景点坐标的均值点为末端前景点坐标的均值点为然后根据所述上下边界点获得上边界点训练集d1和下边界点训练集d2。
31.进一步的，通过线性回归模型分别拟合汽车纵梁上下边界的方法包括：
32.拟合汽车纵梁上边界：
33.拟合汽车纵梁下边界：
34.其中，x(i)＝i，表示所需训练线性回归的第i列图像x轴坐标。
35.进一步的，根据所述拟合汽车纵梁上下边界，计算汽车纵梁上下边界的理论位置，得到预测的汽车纵梁上下边界的理论位置的方法，包括：
36.通过所述坐标位置训练集d1及坐标位置训练集d2分别训练2个线性回归模型，预测汽车纵梁的上边界及下边界的理论y轴坐标位置和
37.进一步的，基于坐标位置训练集d1及坐标位置训练集d2分别训练直线模型参数；
38.基于训练好的模型参数，预测纵梁边界的理论位置。
39.其中，所述训练直线模型参数为利用线性回归的理论解求得参数值，公式如下：
40.所述汽车纵梁上边界，有：
41.其中，求得的包含直线的斜率coef
start
及直线在y轴的截距intercept
start
，即：
[0042][0043]
所述汽车纵梁下边界，有：
[0044]
其中，求得的包含直线的斜率coef
end
及直线在y轴的截距intercept
end
，即：
[0045][0046]
进一步的，基于求得的汽车纵梁上边界及汽车纵梁下边界计算纵梁上下边界的理论位置及计算公式如下：
[0047][0048][0049]
进一步的，所述汽车纵梁的平均宽度为：
[0050]
对于汽车纵梁图中的每一列，确定当前列的纵梁宽度为：
[0051]
将当前图像帧的钢梁宽度变换为所述平均宽度l
avg
之前，判断提取原始汽车纵梁图片中的在当前列中的上下边界点之间的图像数据，当宽度l(i)和平均宽度l
avg
不符时，采用线性插值的方法将当前图像帧的钢梁宽度l(i)变换为所述平均宽度l
avg
。
[0052]
本发明还包括一种汽车纵梁图像去抖动及边缘校准系统，所述图像去抖动及边缘校准系统采用上述图像去抖动及边缘校准方法将采集到的汽车纵梁图片快速去抖动并进行边缘校准；所述图像去抖动及边缘校准系统包括图像采集模块、边界点确定模块、边界拟合模块、理论位置预测模块以及抖动帧位置映射模块。
[0053]
所述图像采集模块用于获取线扫描相机采样的汽车纵梁图像；所述边界点确定模块，用于对所述汽车纵梁图像采用自适应阈值otsu算法进行二值化处理，确定所述汽车纵梁图像中的所有上下边界点；所述边界拟合模块用于根据所述上下边界点获得上边界点训练集和下边界点训练集，并通过线性回归模型分别拟合汽车纵梁上下边界；所述理论位置预测模块用于根据所述拟合汽车纵梁上下边界，计算汽车纵梁上下边界的理论位置，得到预测的汽车纵梁上下边界的理论位置；以及所述抖动帧位置映射模块用于基于预测的汽车纵梁上下边界的理论位置，计算每一帧图像中的钢梁宽度，并取平均值得到所述汽车纵梁的平均宽度，将当前图像帧的钢梁宽度变换为所述平均宽度，并映射到理论位置中，得到去抖动及边缘校准后的目标图像。
[0054]
本发明还包括一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器加载并执行所述计算机程序时实现图像去抖动及边缘校准方法的步骤。
[0055]
本发明还包括一种存储介质，存储有计算机程序，所述计算机程序被处理器加载并执行时实现所述图像去抖动及边缘校准方法的步骤。
[0056]
本发明提供的技术方案，具有如下有益效果：
[0057]
本发明提供的图像去抖动及边缘校准方法、系统、设备及存储介质，针对纵梁是刚性材料的特性，采用线性回归模型对汽车纵梁边界理论位置准确预测，从而有效实现去抖动及边缘校准；本发明具有一定的通用性，适用于大部分刚性材质的图像去抖动及边缘校准，在确定汽车纵梁边缘位置时采用了局部估算阈值，再应用于全局的策略，加速了算法的运行节奏；在本发明中也提出了相应的图像及数据去噪算法，保证了结果的鲁棒性。
附图说明
[0058]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0059]
图1为本发明实施例的一种汽车纵梁图像去抖动及边缘校准方法的流程图。
[0060]
图2为本发明实施例的一种汽车纵梁图像去抖动及边缘校准方法中高频采样的硬件布局图。
[0061]
图3为本发明实施例的一种汽车纵梁图像去抖动及边缘校准方法中采样硬件逻辑交互图。
[0062]
图4为本发明实施例的一种汽车纵梁图像去抖动及边缘校准方法中二值化处理的流程图。
[0063]
图5为本发明实施例的一种汽车纵梁图像去抖动及边缘校准方法中编码器触发线扫相机采集的测试图。
[0064]
图6为本发明实施例的一种汽车纵梁图像去抖动及边缘校准方法中双线性校正的结果输出图。
[0065]
图7为本发明实施例的一种汽车纵梁图像去抖动及边缘校准方法中单边校准的结果输出图。
[0066]
图8为本发明实施例中一种汽车纵梁图像去抖动及边缘校准系统的系统框图。
具体实施方式
[0067]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0068]
本发明提供的一种汽车纵梁图像去抖动及边缘校准方法，考虑到数位冲孔机造成的剧烈抖动对图像采集设备采样过程的影响，根据大部分汽车纵梁都是刚性材料且宽度恒定，利用高频采样的方式获取汽车纵梁的图像，保证汽车纵梁采样的有效及完整，利用双线性校正的方式将采集到的汽车纵梁图片快速去抖动并进行边缘校准。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，绝不作为对本发明公开及其应用或使用的任何限制。
[0069]
具体地，下面结合附图，对本技术实施例作进一步阐述。
[0070]
如图1所示，本发明的一个实施例提供一种汽车纵梁图像去抖动及边缘校准方法，该方法用于汽车纵梁图片快速去抖动并进行边缘校准；该方法包括如下步骤：
[0071]
s1：获取线扫描相机采样的汽车纵梁图像。
[0072]
在本实施例中，所述汽车纵梁图像的高频采样方法，包括：
[0073]
通过编码器识别汽车纵梁的水平位移，捕获得到汽车纵梁平移的脉冲信号；
[0074]
利用捕获的脉冲信号触发线扫相机对汽车纵梁的钢梁进行图像采样。
[0075]
具体的，参见图2所示，所述汽车纵梁图像的高频采样方法是基于以下的汽车纵梁图像的高频采样装置实现，所述汽车纵梁图像的高频采样装置包括第一光电传感器4、plc控制器5、继电器6、编码器汽缸7、第一编码器8、工业rgb线扫相机9、工控机10、光源控制器14、条形光源15和警报灯16。参见图3所示，其高频采样的工作流程如下：
[0076]
当待测纵梁1经过数位冲孔机2加工后，由位移夹具3携带进入到待测区域，此时会触发第一光电传感器4传递激活信号到plc控制器5；
[0077]
plc控制器5接收到第一光电传感器4传递的激活信号，会控制编码器汽缸7前移，带动第一编码器8由准备位置行进到采样位置；同时plc控制器5会控制继电器6触发第一编码器8开始采样；
[0078]
plc控制器5接收到第一光电传感器4传递的激活信号，会触发光源控制器14开启条形光源15；
[0079]
当位移夹具3继续带动待测纵梁1前行，第一编码器8捕获到待测纵梁1的平移脉冲信号。此脉冲信号会触发工业rgb线扫相机9进行采样；
[0080]
工业rgb线扫相机9会将采样传递到工控机10，用于后续软件算法分析；
[0081]
当位移夹具3继续带动待测纵梁1前行，待测纵梁1触发第二光电传感器11传递激活信号到plc控制器5；
[0082]
plc控制器5收到第二光电传感器11传递的激活信号，会控制编码器汽缸12前移，带动第二编码器13由准备位置行进到采样位置；同时plc控制器5会控制继电器6触发第二编码器13开始采样；
[0083]
plc控制器5会控制编码器汽缸7回撤到准备位置，使第一编码器8与待测钢梁1脱离；
[0084]
当位移夹具3继续带动待测纵梁1前行，第二编码器13会捕获到待测纵梁1的平移脉冲信号。此脉冲信号会继续触发工业rgb线扫相机9进行采样；
[0085]
工业rgb线扫相机9会将采样传递到工控机10，用于后续软件算法分析；
[0086]
当光电感应器11捕捉到待测纵梁1离开的信号后，将此信号传递至plc控制器5。此时plc控制器5会控制编码器汽缸12回撤到准备位置，使第二编码器13与待测钢梁1脱离；
[0087]
plc控制器5控制光源控制器14关闭条形光源15；
[0088]
工控机10接收到完整的汽车纵梁图像信号，触发内置图片合成及视觉检测算法，将汽车纵梁尺寸检测、冲孔位及尺寸检测信息输出到用户界面。若算法检测到异常(孔位异常、钢梁尺寸异常)超出安全范围，工控机10会发出警报，并激活警报灯16持续闪烁。
[0089]
在本实施例中，采用高行频rgb线扫相机配合多个传感器进行汽车纵梁图像采集。此种设计避免了过快的纵梁生产流程导致的采样时间不足、从而进一步引起图像曝光不足及图像不清晰等状况。
[0090]
s2：对所述汽车纵梁图像采用自适应阈值otsu算法进行二值化处理，确定所述汽车纵梁图像中的所有上下边界点。
[0091]
在本实施例中，在对汽车纵梁图像采用自适应阈值otsu算法进行二值化处理之间，包括将获取的汽车纵梁图像进行灰度化处理，得到灰度图，对完整的所述汽车纵梁图像的灰度图进行高斯平滑处理，去除噪音点干扰。
[0092]
其中，针对高斯平滑运用5x5高斯平滑处理完整的汽车纵梁图像，高斯平滑处理的公式如下：
[0093][0094]
在上式中，(x，y)表示为在模糊半径内的所有像素的x、y值，实验中σ＝0.8是正态分布的标准偏差，e表示自然常数。
[0095]
在本实施例中，参见图4所示，所述汽车纵梁图像采用自适应阈值otsu算法进行二值化处理的方法，包括：
[0096]
s21、获取待处理的汽车纵梁图像，并从所述汽车纵梁图像中圈定感兴趣区域(roi)。
[0097]
在本实施例中，采用otsu自适应阈值算法对该roi区域进行二值化评估，其中，确认有效otsu阈值的感兴趣区域(roi)，该区域的选择应符合汽车纵梁常规采样状况，避免有遮挡物及光源过曝等状况。同时该区域范围不能过大影响算法速度，也不能过小影响评估的准确度即可。比如一张长宽尺寸为100000x4096的汽车纵梁图片，可以采用中间第10000至20000列的范围内作为otsu阈值的计算区域。
[0098]
s22、采用otsu对所述roi区域进行二值化评估，求得阈值t。
[0099]
s23、将得到的阈值t应用于所述汽车纵梁图像的灰度图中，完成所述汽车纵梁图像的二值化，得到二值图。
[0100]
在本实施例中，所述otsu自适应阈值算法对感兴趣区域(roi)求得阈值t之后，针对整体汽车纵梁图片应用此阈值，即：在所述汽车纵梁图像的灰度图中，像素值大于阈值t像素点视为前景，设置为像素值为255白色，像素值小于阈值t像素点视为背景，设置为像素值为0黑色，实现前后景分离。
[0101]
s3：根据所述上下边界点获得上边界点训练集和下边界点训练集，并通过线性回归模型分别拟合汽车纵梁上下边界。
[0102]
在本实施例中，确定所述汽车纵梁图像中的所有上下边界点的方法，包括：
[0103]
根据获取平滑处理后的二值图，确定所述二值图中的第i列图像数据i＝{1，...，w}，其中，w表示图像总列数；
[0104]
提取初始前景点y轴坐标和末端前景点y轴坐标得到确定汽车纵梁在图片中的所有上下边界点。
[0105]
其中，初始前景点y轴坐标和末端前景点y轴坐标为分别找到第一个前景点y轴坐标和最后一个前景点y轴坐标从而确定汽车纵梁在图片中的所有上下边界点。
[0106]
s4：根据所述拟合汽车纵梁上下边界，计算汽车纵梁上下边界的理论位置，得到预测的汽车纵梁上下边界的理论位置。
[0107]
在本实施例中，为确保训练的线性回归可以拟合更加准确的汽车纵梁边界直线，在整合线性回归的训练样本时，还包括去除所述上下边界点中过分偏离其对应边界所在的均值点的样本。其中，初始前景点坐标的均值点为末端前景点坐标的均值点为然后根据所述上下边界点获得上边界点训练集d1和下边界点训练集d2。
[0108]
其中，去除上下边界点中过分偏离其对应边界所在的均值点(及)的样本。比如误差超过dis＝50像素的点，最终获得d1及d2两个训练集用于训练2个线性回归模型分别拟合汽车纵梁上下边界。
[0109]
在本实施例中，通过线性回归模型分别拟合汽车纵梁上下边界的方法包括：
[0110]
拟合汽车纵梁上边界：
[0111]
拟合汽车纵梁下边界：
[0112]
其中，x(i)＝i，表示所需训练线性回归的第i列图像x轴坐标。
[0113]
s5：基于预测的汽车纵梁上下边界的理论位置，计算每一帧图像中的钢梁宽度，并
取平均值得到所述汽车纵梁的平均宽度。
[0114]
在本实施例中，根据所述拟合汽车纵梁上下边界，计算汽车纵梁上下边界的理论位置，得到预测的汽车纵梁上下边界的理论位置的方法，包括：
[0115]
通过所述坐标位置训练集d1及坐标位置训练集d2分别训练2个线性回归模型，预测汽车纵梁的上边界及下边界的理论y轴坐标位置和
[0116]
在本发明的实施例中，基于坐标位置训练集d1及坐标位置训练集d2分别训练直线模型参数；基于训练好的模型参数，预测纵梁边界的理论位置。
[0117]
具体的，所述训练直线模型参数为利用线性回归的理论解求得参数值，公式如下：
[0118]
所述汽车纵梁上边界，有：
[0119]
其中，求得的包含直线的斜率coef
start
及直线在y轴的截距intercept
start
，即：
[0120][0121]
所述汽车纵梁下边界，有：
[0122]
其中，求得的包含直线的斜率coef
end
及直线在y轴的截距intercept
end
，即：
[0123][0124]
在本实施例中，基于求得的汽车纵梁上边界及汽车纵梁下边界计算纵梁上下边界的理论位置及计算公式如下：
[0125][0126][0127]
s6：将当前图像帧的钢梁宽度变换为所述平均宽度，并映射到理论位置中，得到去抖动及边缘校准后的目标图像。
[0128]
在本实施例中，对于汽车纵梁图中的每一帧，基于步骤s23得到的二值图，确定当前列的钢梁宽度，并提取原始汽车纵梁图片中的在当前列中的上下边界点之间的图像数据，当钢梁宽度和平均宽度不符时，将其变换到平均宽度。
[0129]
具体的，所述汽车纵梁的平均宽度为：
[0130]
对于汽车纵梁图中的每一列，确定当前列的纵梁宽度为：将当前图像帧的钢梁宽度变换为所述平均宽度l
avg
之前，判断提取原始汽车纵梁图片中的在当前列中的上下边界点之间的图像数据，当宽度l(i)和平均宽度l
avg
坏符时，采用线性插值的方法将当前图像帧的钢梁宽度l(i)变换为所述平均宽度l
avg
。
[0131]
最后，将尺寸变换过后的数据映射到通过线性回归算法得出的理论位置中，即和之间。
[0132]
本发明的方法，利用固定点位的编码器配和线扫描相机进行高频采样，保证汽车纵梁采样的有效及完整；对上述采样的汽车纵梁图像，利用otsu自适应阈值算法快速确定汽车纵梁在图片中的上下边界；对上述提取到的纵梁上下边界上的所有坐标点，利用线性回归分别拟合上下边界直线；利用纵梁是刚性材料的特性，确认抖动帧位置(宽度不同于大部分帧的宽度)，将其上下两端对齐线性回归拟合的边界直线，从而实现边界校准及去抖动。
[0133]
在本发明的一个实施例中，还可以采用单边校准方法进行边界校准及去抖动，与上述的基于双线性校正的方式将采集到的汽车纵梁图片快速去抖动并进行边缘校准的处理方式相同，即利用otsu确认上边界，然后进行上边界对齐。
[0134]
为比较本发明方法和此替代方案的结果，请参考图5-图7所示，其中，图5为编码器触发线扫相机采集的测试图例，图6为本发明的基于双线性校正的方式将采集到的汽车纵梁图片快速去抖动并进行边缘校准的处理方式的结果输出；图7为本发明的基于单边校准方法进行边界校准及去抖动的结果输出图，本发明的两种方法均可实现边界校准及去抖动。
[0135]
在本发明的一个实施例中，参见图8所示，本发明还公开了一种汽车纵梁图像去抖动及边缘校准系统，所述图像去抖动及边缘校准系统采用上述图像去抖动及边缘校准方法将采集到的汽车纵梁图片快速去抖动并进行边缘校准；所述图像去抖动及边缘校准系统包括图像采集模块100、边界点确定模块200、边界拟合模块300、理论位置预测模块400以及抖动帧位置映射模块500。
[0136]
所述图像采集模块100用于获取线扫描相机采样的汽车纵梁图像。
[0137]
所述边界点确定模块200，用于对所述汽车纵梁图像采用自适应阈值otsu算法进行二值化处理，确定所述汽车纵梁图像中的所有上下边界点。
[0138]
所述边界拟合模块300用于根据所述上下边界点获得上边界点训练集和下边界点训练集，并通过线性回归模型分别拟合汽车纵梁上下边界。
[0139]
所述理论位置预测模块400用于根据所述拟合汽车纵梁上下边界，计算汽车纵梁上下边界的理论位置，得到预测的汽车纵梁上下边界的理论位置。
[0140]
所述抖动帧位置映射模块500用于基于预测的汽车纵梁上下边界的理论位置，计算每一帧图像中的钢梁宽度，并取平均值得到所述汽车纵梁的平均宽度，将当前图像帧的钢梁宽度变换为所述平均宽度，并映射到理论位置中，得到去抖动及边缘校准后的目标图像。
[0141]
在本发明的一个实施例中还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上述各方法实施例中的步骤。
[0142]
在本发明的一个实施例中还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0143]
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，所述的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，本技术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易失性存储器中的至少一种。
[0144]
综上所述，本发明提供的技术方案针对纵梁是刚性材料的特性，采用线性回归模型对汽车纵梁边界理论位置准确预测，从而有效实现去抖动及边缘校准；本发明具有一定的通用性，适用于大部分刚性材质的图像去抖动及边缘校准，在确定汽车纵梁边缘位置时采用了局部估算阈值，再应用于全局的策略，加速了算法的运行节奏；在本发明中也提出了相应的图像及数据去噪算法，保证了结果的鲁棒性。
[0145]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。