一种面阵相机图像重叠区域标定方法、装置、设备及存储介质制造方法及图纸

本申请涉及一种面阵相机图像重叠区域标定方法、装置、设备及存储介质，其中，面阵相机图像重叠区域标定方法包括步骤：获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；提取第一采集图像的SIFT特征和第二采集图像的SIFT特征；根据预设的特征匹配算法将第一采集图像的SIFT特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果根据特征匹配结果确定最优匹配特征点；根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。本申请能够标定两个待拼接图像的重叠区域，以简化图像拼接过程，降低算力要求，与此同时，本申请的面阵相机图像重叠区域标定方法、装置、设备及存储介质还具有标定精确度高的优点。

【技术实现步骤摘要】
一种面阵相机图像重叠区域标定方法、装置、设备及存储介质
本申请涉及工业检测领域，尤其涉及一种面阵相机图像重叠区域标定方法、装置、设备及存储介质。
技术介绍
图像拼接是把描述同一场景的相互之间有部分重叠的一系列图像拼接成一幅宽视角图像的技术，它解决了图像视野和图像分辨率之间的矛盾，通过图像拼接即可得到宽视野、高分辨率的图像。图像拼接技术有着广泛的应用。目前面阵相机广泛应用在工业检测领域，用于检测连续的材料，如：纸、布匹、金属、塑料、纤维等。传统的图像拼接方法是根据图像处理算法，寻找各个图片之间的特征值，并进行特征值匹配，找到图片之间的重叠区域并进行拼接。但是这种方法首先是计算量很大，图像拼接算法要求高，而且图像拼接算法需要合适特征点才能完成拼接，对于相似性材料，大部分图片几乎找不到很明显的特征，所以就算是相邻图片也会出现匹配失败的情况，不易拼接。基于视觉的深度学习等人工智能检测技术，也越来越多应用在工业检测领域。相较于传统图像处理算法，人工智能视觉检测方案能更普适于不同的材料，而不用针对性设计视觉特征规则，但其算法要求高，其计算任务密集，会消耗大量资源，影响整个系统运行。有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种面阵相机图像重叠区域的标定方法，使其更具有产业上的利用价值。
技术实现思路
本申请的目的在于公开一种面阵相机图像重叠区域标定方法、装置、设备及存储介质，用于标定两个待拼接图像的重叠区域，以简化图像拼接过程，降低算力要求，与此同时，本申请的面阵相机图像重叠区域标定方法、装置、设备及存储介质还具有标定精确度高的优点。为此，本申请实施例第一方面提供一种面阵相机图像重叠区域标定方法，所述方法包括步骤：获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；根据所述特征匹配结果确定最优匹配特征点；根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。在本申请第一方面中，通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，进而根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，进而根据所述特征匹配结果确定最优匹配特征点，最终根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。在本申请第一方面中，作为一种可选的实施方式，所述根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域，包括：根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像之间的单应性变换矩阵；根据所述单应性变换矩阵的四个点的横向坐标的平均值计算得到所述第一采集图像与所述第二采集图像的所述重叠区域。在本可选的实施方式中，根据第一采集图像与所述第二采集图像之间的单应性变换矩阵，能够计算得到所述第一采集图像与所述第二采集图像的所述重叠区域。在本申请第一方面中，作为一种可选的实施方式包括最接近距离和次接近距离；以及，所述根据所述特征匹配结果确定最优匹配特征点，包括子步骤：计算所述最接近距离和所述次接近距离的比值；判断所述最接近距离和所述次接近距离的比值是小于预设阈值，若是则将所述特征匹配结果确定为最优匹配特征点。在本可选的实施例方式中，根据最接近距离和所述次接近距离的比值可确定最优匹配特征点。在本申请第一方面中，作为一种可选的实施方式，所述预设阈值为0.3。在本申请第一方面中，作为一种可选的实施方式，所述预设的特征匹配算法为KNN算法。采用KNN算法可进一步降低对算力的要求。在本申请第一方面中，作为一种可选的实施方式，所述KNN算法中的K取值为2。将KNN算法的K值设置为2能够实现精确特征匹配。在本申请第一方面中，作为一种可选的实施方式，所述提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，包括子步骤：根据高斯核构建所述第一采集图像的尺度空间和所述第二采集图像的尺度空间；计算所述第一采集图像的尺度空间的极值点；计算所述第二采集图像的尺度空间的极值点；根据所述第一采集图像的尺度空间的极值点计算得到所述第一采集图像的SIFT特征；根据所述第二采集图像的尺度空间的极值点计算得到所述第二采集图像的SIFT特征。在本可选的实施方式中，通过高斯核可构建所述第一采集图像的尺度空间和所述第二采集图像的尺度空间，进而可计算所述第一采集图像的尺度空间的极值点和所述第二采集图像的尺度空间的极值点，进而可根据所述第一采集图像的尺度空间的极值点计算得到所述第一采集图像的SIFT特征，最终可根据所述第二采集图像的尺度空间的极值点计算得到所述第二采集图像的SIFT特征。本申请第二方面提供一种面阵相机图像重叠区域标定装置，所述装置包括：获取模块，用于获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；提取模块，用于提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；匹配模块，用于根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；确定模块，用于根据所述特征匹配结果确定最优匹配特征点；计算模块，用于根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。本申请第二方面的面阵相机图像重叠区域标定装置通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，进而根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，进而根据所述特征匹配结果确定最优匹配特征点，最终根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。本申请第三方面提供一种面阵相机图像重叠区域标定设备所述设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行本申请第一方面所述的面阵相机图像重叠区域标定方法。本申请第三方面的面阵相机图像重叠区域标定设备通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取所述第一采集图像的SIFT特征和所述第二采集图像本文档来自技高网...

【技术保护点】
1.一种面阵相机图像重叠区域标定方法，其特征在于，所述方法包括：/n获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；/n提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；/n根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；/n根据所述特征匹配结果确定最优匹配特征点；/n根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。/n

【技术特征摘要】
1.一种面阵相机图像重叠区域标定方法，其特征在于，所述方法包括：
获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；
提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；
根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；
根据所述特征匹配结果确定最优匹配特征点；
根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。


2.如权利要求1所述的面阵相机图像重叠区域标定方法，其特征在于，所述根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域，包括：
根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像之间的单应性变换矩阵；
根据所述单应性变换矩阵的四个点的横向坐标的平均值计算得到所述第一采集图像与所述第二采集图像的所述重叠区域。


3.如权利要求1所述的面阵相机图像重叠区域标定方法，其特征在于包括最接近距离和次接近距离；
以及，所述根据所述特征匹配结果确定最优匹配特征点，包括：
计算所述最接近距离和所述次接近距离的比值；
判断所述最接近距离和所述次接近距离的比值是小于预设阈值，若是则将所述特征匹配结果确定为最优匹配特征点。


4.如权利要求3所述的面阵相机图像重叠区域标定方法，其特征在于，所述预设阈值为0.3。


5.如权利要求1-4任一项所述的面阵相机图像重叠区域标定方法，其特征在于，所述预设的特征匹配算法为KNN算法。


6.如权利要求5所述的面阵相机图像重叠区域标定方法，其特征在于，所述KN...

【专利技术属性】
技术研发人员：赵勇，朱刚，
申请(专利权)人：阿戈斯智能科技苏州有限公司，
类型：发明
国别省市：江苏;32