用于平面三自由度位姿测量的高速微视觉追踪方法及系统技术方案

本发明专利技术公开了一种用于平面三自由度位姿测量的高速微视觉追踪方法及系统，该方法主要由单目面阵高速视觉成像模块和在线实时追踪算法两部分组成。在成像模块中，面阵相机选用高速数据传输接口，镜头选用可支持同轴光源的低畸变远心镜头或显微镜头。实时追踪算法中，将迭代优化模板追踪与运动预测相结合，通过卡尔曼滤波方法估计当前最优状态并预测下一时刻的状态，从而减少不同图像帧之间的优化初值偏差与迭代次数，实现高速成像下的高精度实时图像处理。本发明专利技术可用于精密测量领域，通过选配不同型号的相机与镜头并结合所提算法，可实现平面耦合三自由度运动的实时高精度检测。现平面耦合三自由度运动的实时高精度检测。现平面耦合三自由度运动的实时高精度检测。

【技术实现步骤摘要】
用于平面三自由度位姿测量的高速微视觉追踪方法及系统


[0001]本专利技术属于密定位平台的位姿高速视觉追踪领域，尤其涉及用于平面三自由度位姿测量的高速微视觉追踪方法及系统。

技术介绍

[0002]随着信息技术的发展和计算机视觉技术的广泛应用，人们能够利用图像处理技术来实现对运动目标的实时监测和跟踪。所谓视觉追踪，就是指对图像序列中的运动目标进行检测，提取、识别和跟踪，获得运动目标的运动参数(如位置、速度、加速度等)，以及运动轨迹，从而进行进一步处理与分析，实现对运动目标的追踪。现在该项技术广泛应用于在人机交互、智能交通、智能机器人等各领域中。
[0003]基于模板匹配的目标追踪方法是现有视觉追踪算法中的一种，其本质就是以待跟踪目标为模板图像在下一帧图像中进行模板匹配，以最佳匹配位置作为目标跟踪结果。模板更新策略是基于模板匹配的目标追踪中有一个重要研究内容，其目的在于使目标模板信息与图像信息变化尽可能保持同步，适应相机运动、目标自身运动或者其他噪声对图像造成的几何或者灰度畸变，从而提高目标追踪精度。通过模板匹配获得最佳匹配位置后，即在该位置截取一定大小的子区域作为更新后的模板，进行下一帧的模板匹配跟踪。这种模板一定程度上降低了模板失效的风险，但是每一次更新的模板都包含了当前模板匹配中的误差，随着这种误差的逐帧累积，最后导致跟踪漂移的出现。
[0004]因此，文献(Li H,Zhang X,Zhu B,et al.Online Precise Motion Measurement of 3
‑r/>DOF Nanopositioners Based on Image Correlation[J].IEEE Transactions on Instrumentation and Measurement,2018,PP:1
‑
9.)为了解决迭代过程中目标模板更新所产生的误差积累，实现高效、高精度、高带宽的目标，提出了以在第一帧中选取的目标区域为模板，并且以差平方和函数为匹配准则，以高斯牛顿迭代法为优化算法，同时结合逆向合成法对迭代过程中的扭曲函数进行更新，从而实现高速视觉追踪。文献(Li H,Zhang X,Yao S,et al.An improved template
‑
matching
‑
based pose tracking method for planar nanopositioning stages using enhanced correlation coefficient[J].IEEE Sensors Journal,2020,PP(99):1
‑
1.)针对微视觉感知中存在的测量精度与测量范围相互抑制问题及计算效率低问题进行研究，提出了基于增强差平方和匹配准则的追踪方法，并以ECC算子为基础，对求解算法进行推导，通过结合平面欧式射影变换及模板匹配，将多自由度运动问题转化为多变量参数优化问题。在使用逆向合成式高斯牛顿优化算法的基础上，为进一步提高优化效率及收敛精度，提出了一种优化模板选取策略和一种分段惩罚加速方案。解决由于目标函数复杂度提升而导致的计算效率下降问题，该方案在角度测量方面精度更高，并且能够实现对三自由度精密定位平台的有效追踪。
[0005]但上述两种方法都没有从算法迭代的次数考虑，没有简化算法迭代的过程，因此也就不能提高相机追踪的帧率。

技术实现思路

[0006]为了解决上述问题，本专利技术提出用于平面三自由度位姿测量的高速微视觉追踪方法，因为卡尔曼滤波可以将目标追踪问题转换为系统状态后验概率密度的估计问题，当输入是白噪声产生的随机信号时，卡尔曼滤波可以使期望输出和实际输出之间的均方差达到最小。同时利用卡尔曼滤波器的预测功能，预测运动目标在下一帧中的位置，将图像全局搜索问题转换为局部搜索，减少了搜索空间，加快匹配速度，提高了系统的实时性。使用该方法进行高速视觉追踪不仅可以克服多传感器组合测量方案中的众多缺点，而且兼具可视化和为微纳定位平台全闭环反馈提供新的思路，可以扩展微纳定位平台的使用范围，可以有效提高追踪过程中的采样频率和追踪精度，为后续精密定位平台的全反馈提供新的方法。
[0007]本专利技术至少通过如下技术方案之一实现。
[0008]用于平面三自由度位姿测量的高速微视觉追踪方法，包括以下步骤：
[0009]S1、采集精密运动平台的运动信息，并选取图片信息作为目标区域进行追踪；
[0010]S2、根据对运动平台的运动规划得到追踪目标的运动状态表达式，根据运动状态表达式得出卡尔曼滤波的状态转移矩阵和控制矩阵，利用卡尔曼滤波来得到当前时刻状态的最优估计值，再根据前一状态值预测当前值，同时预测状态协方差矩阵：
[0011]S3、根据当前时刻状态的最优估计值，得到当前时刻的扭曲函数更新值，并将追踪过程转化为非线性最优化问题；
[0012]S4、利用模板匹配得到每次迭代过程的运动参数：
[0013]S5、在扭曲函数更新之后，得到目标模板在该帧中的位置，找到目标图像在每帧中的位置后实现目标的追踪。
[0014]进一步地，步骤S2包括以下步骤：
[0015]根据状态转移矩阵由前一状态值预测当前值，同时预测状态协方差矩阵：
[0016][0017][0018]根据视觉的测量值得到追踪目标在相机坐标系中的位置，更新系统状态值以及卡尔曼增益和状态协方差：
[0019][0020][0021][0022]式中，表示当前时刻状态的最优估计值，表示状态的先验预测值，表示状态的先验协方差矩阵，A表示状态转移矩阵，Q表示状态转移协方差矩阵，H表示观测矩阵，R表示观测噪声方差矩阵，z
k
表示观测值，K表示卡尔曼增益，B表示控制矩阵，P
k
表示状态协方差矩阵，u
k
表示系统的控制矩阵，表示预测状态的协方差矩阵，I表示单位矩阵。
[0023]进一步地，用W定义坐标系O
T
‑
x
′
y
′
和坐标系O
I
‑
xy之间的扭曲变换函数；对于平面欧几里得变换，将扭曲函数表示为：
[0024][0025]式中：W(p；x
′
)表示变换后的目标位置坐标的矩阵，p表示位姿变化向量，x
′
表示变化前图像的坐标位置；θ表示图像变换旋转的角度；t
x
和t
y
表示图像变换过程中的位移矢量；W
x
与W
y
表示图像变换后在X轴和Y轴的坐标。
[0026]进一步地，在步骤S3中，根据当前时刻的最优估计值得出当前时刻的基于模板匹配进行视觉追踪的扭曲函数在迭代开始时更新的初值，将追踪过程转化为非线性最优化问题，追踪目标在当前时刻的目标函数为：
[0027][0028]p＝(t
x t
y θ)...

【技术保护点】

【技术特征摘要】
1.用于平面三自由度位姿测量的高速微视觉追踪方法，其特征在于：包括以下步骤：S1、采集精密运动平台的运动信息，并选取图片信息作为目标区域进行追踪；S2、根据对运动平台的运动规划得到追踪目标的运动状态表达式，根据运动状态表达式得出卡尔曼滤波的状态转移矩阵和控制矩阵，利用卡尔曼滤波来得到当前时刻状态的最优估计值，再根据前一状态值预测当前值，同时预测状态协方差矩阵：S3、根据当前时刻状态的最优估计值，得到当前时刻的扭曲函数更新值，并将追踪过程转化为非线性最优化问题；S4、利用模板匹配得到每次迭代过程的运动参数：S5、在扭曲函数更新之后，得到目标模板在该帧中的位置，找到目标图像在每帧中的位置后实现目标的追踪。2.根据权利要求1所述用于平面三自由度位姿测量的高速微视觉追踪方法，其特征在于：步骤S2包括以下步骤：根据状态转移矩阵由前一状态值预测当前值，同时预测状态协方差矩阵：根据状态转移矩阵由前一状态值预测当前值，同时预测状态协方差矩阵：根据视觉的测量值得到追踪目标在相机坐标系中的位置，更新系统状态值以及卡尔曼增益和状态协方差：增益和状态协方差：增益和状态协方差：式中，表示当前时刻状态的最优估计值，表示状态的先验预测值，表示状态的先验协方差矩阵，A表示状态转移矩阵，Q表示状态转移协方差矩阵，H表示观测矩阵，R表示观测噪声方差矩阵，z
k
表示观测值，K表示卡尔曼增益，B表示控制矩阵，P
k
表示状态协方差矩阵，u
k
表示系统的控制矩阵，表示预测状态的协方差矩阵，I表示单位矩阵。3.根据权利要求1所述用于平面三自由度位姿测量的高速微视觉追踪方法，其特征在于：用W定义坐标系O
T
‑
x
′
y
′
和坐标系O
I
‑
xy之间的扭曲变换函数；对于平面欧几里得变换，将扭曲函数表示为：式中：W(p；x
′
)表示变换后的目标位置坐标的矩阵，p表示位姿变化向量，x
′
表示变化前图像的坐标位置；θ表示图像变换旋转的角度；t
x
和t
y
表示图像变换过程中的位移矢量；W
x
与W
y
表示图像变换后在X轴和Y轴的坐标。4.根据权利要求1所述用于平面三自由度位姿测量的高速微视觉追踪方法，其特征在于：在步骤S3中，根据当前时刻的最优估计值得出当前时刻的基于模板匹配进行视觉追踪的扭曲函数在迭代开始时更新的初值，将追踪过程转化为非线性最优化问题，追踪目标在当前时刻的目标函数为：
p＝(t
x t
y θ)
T
其中为匹配标准，p是参数向量，θ表示图像变换旋转的角度；t
x
和t
y
表示图像变换过程中的位移矢量；通过目标函数的优化得到迭代过程中的位姿变化向量p，通过卡尔曼滤波预测的初值得到，t
xk
＝X(1,1),t
yk
＝X(2,1),θ
k
＝X(3,1)，X分别代表卡尔曼滤波所获得状态变量所表示的矩阵；t
xk
和t
yk
表示状态变量中目标位置在X轴和Y轴的位移；θ
k
表示状态变量中目标位置变化的旋转角度；I(W(p；x
′
))表示图像变化后的目标区域灰度值，T(x
′
)表示选取模板区域的灰度值；Ω表示图像上所有点的集合。5.根据权利要求4所述用于平面三自由度位姿测量的高速微视觉追踪方法，其特征在于：选择逆向合成法完成模板匹配，实现对目标函数进行优化求解，得到在第k次迭代的目标函数表示为：其中，h(W(Δp
k
；x
′
))表示模板区域的灰度值；g(W(p
k
；x
′
))表示子图像区域的灰度值；是模板区域的图像灰度值均值；为子图像区域的灰度值均值；Δh表示模板区域灰度值和灰度值均值的范数；Δg为目标子区域灰度值和灰度值均值的范数。6.根据权利要...

【专利技术属性】
技术研发人员：李海，沈楠，张宪民，许诺，廖祝，庞水全，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：