一种基于高斯拟合的激光条纹中心提取方法技术

本发明专利技术公开了一种基于高斯拟合的激光条纹中心提取方法，涉及激光条纹中心提取技术领域，采用人工合成噪声和无激光扫描图像的方法扩充样本集，优化网络的泛化能力，训练

【技术实现步骤摘要】
一种基于高斯拟合的激光条纹中心提取方法


：
[0001]本专利技术涉及激光条纹中心提取
，具体涉及一种基于高斯拟合的激光条纹中心提取方法
。

技术介绍

：
[0002]线结构光三维测量技术在光学非接触测量方法中，是一种测量速度快
、
实时性好的方法，技术成熟且被广泛应用在工业检测等领域
。
线结构光三维测量的原理是根据图像中激光条纹中心点的位置，带入标定好的参数，反算出三维坐标数据
。
其中，图像激光条纹的中心线位置包含了基本的空间信息，是决定整个系统精度高低
、
速度快慢
、
稳定性是否良好的关键步骤
。
[0003]激光条纹中心提取技术是影响结构光视觉测量系统精度与效率的最关键因素之一
。
激光条纹中心提取大致可以分为两类，一类是将激光条纹图像的几何中心作为激光条纹中心的提取方法，几何中心主要包括边缘法
、
中心法
、
阈值法和细化法，其中最常见的是阈值法和细化法
。
这一类方法的特点是算法简单
、
计算速度快，但是因为这类方法首先是要检测激光条纹边缘信息，因此激光条纹中心的提取精度受到光条边缘提取精度的影响，激光条纹边缘提取精度又容易受到图像噪声的干扰，所以这类算法检测精度不高
。
另一类是把激光条纹图像的能量中心
(
灰度中心
)
作为激光条纹中心的提取方法，由于图像像素的灰度值在激光条纹法向截面上近似地符合高斯分布，所以这一类方法可以理解为是对像素灰度分布的研究
。
提取能量中心主要包含极值法
、
灰度重心法
、
方向模板法
、
曲线拟合法和
Steger
法
。
灰度重心法是在一个法向截面上以图像的灰度为权值，进行加权求激光条纹中心，这样做的目的是减少激光条纹图像灰度分布不均造成的影响，但是该方法容易受到突变点的干扰，导致计算出的中心点沿着截面方向发生偏移
。Steger
算法及其改进算法通过求
Hession
矩阵确定激光条纹的法线方向，在法线方向上进行二阶泰勒展开得到激光条纹中心，该方法的提取精度较高，但是要对每个像素点进行多次二维高斯卷积运算，计算时间较长，实时性不好
。

技术实现思路

：
[0004]为了解决上述现有问题，本专利技术针对多束激光条纹，提出一种基于高斯拟合的激光条纹中心提取方法，可以实现在不同光强情况下处理照片的同时提高提取精度和处理速度
。
[0005]本专利技术所要解决的技术问题采用以下的技术方案来实现：
[0006]一种基于高斯拟合的激光条纹中心提取方法，包括以下步骤：
[0007]步骤1：采用人工合成噪声和无激光扫描图像的方法扩充样本集，优化网络的泛化能力，训练
U
‑
Net
网络，用于图像的滤波
。
[0008]所述步骤1的具体方法为：
[0009](a)
制作样本库：将大量激光条纹图像以每行为单位进行分解绘制波形，挑选其中
高质量波段，剔除含有脉冲
、
三角波
、
方波等噪声，将高质量波段组合在一起形成高质量样本库；为了提升
U
‑
Net
网络模型滤波效果，采用人工合成噪声的方法扩充样本库，根据图像本身的干扰噪声的特性，将人工随机生成的噪声添加到高质量波段上并制作成含噪样本库
。
将高质量样本库和含噪样本库一起作为模型训练学习的样本库输入网络进行训练
。
[0010](b)
模型训练：将样本库分为训练集和验证集，输出训练后的
U
‑
Net
损失函数用以评估训练效果，
U
‑
Net
损失函数的计算公式如下：
[0011]L
train
＝
L
soft
+L
cross
+L
weight
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]其中，
L
soft
为
softmax
激活函数损失；
L
cross
为带权重的交叉熵函数损失；
L
weight
为权重计算损失
。U
‑
Net
网络的卷积部分由于缺少
padding
模块，使得二分类之后的图像分辨率与原始分辨率不同且会损失边缘特征信息，为了补偿边缘特征的损失，网络加强了图像边界的权重，由此引入了带边界权重的交叉熵损失函数
L
cross
，其计算公式如下：
[0013][0014]其中，
p
为经
softmax
激活函数处理后的输出值；
l(x)
表示每个像素的真实标签；
p
l(x)
(x)
为点
x
在对应
label
给出的那个类别的输出的激活值；
w(x)
为在训练过程中添加给每个像素的权重
。
[0015]步骤2：利用训练好的
U
‑
Net
网络对待检测的激光条纹图像执行滤波操作
。
[0016]步骤3：对滤波后的激光条纹图像，以像素为单位，从左至右扫描图像的一行，自适应寻找多光束拟合中心和拟合数据
。
[0017]所述步骤3的具体方法为：
[0018](a)
为了检测多光束条纹中心，先预设光束的初始检测距离为
n
个像素点，
n
为第一条光束的线宽，当光束条纹中心与中心之间的距离小于
n
个像素点时，自适应距离阈值
d
将会随之减小，在这个阈值范围内寻找条纹灰度值最大的点作为激光条纹待拟合的中心点；当检测出的光束条纹中心与中心之间的距离大于
n
个像素点，则直接得到检测结果
。
[0019](b)
检测出激光条纹中心后，将以这个点为中心，在其左右两边各取
m
个像素点，所得到的
2m+1
个像素点作为激光条纹中心的拟合数据，
m
需小于自适应距离阈值
d。
[0020]步骤4：将上述得到的拟合数据进行高斯拟合得到激光条纹中心点，拟合公式如下：
[0021][0022]其中，
A
为高斯拟合曲线灰度值的最大值，
x0为高斯拟合中心，
σ0为高斯拟合标准差，
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于高斯拟合的激光条纹中心提取方法，其特征在于，包括以下步骤：步骤1：采用人工合成噪声和无激光扫描图像的方法扩充样本集，优化网络的泛化能力，训练
U
‑
Net
网络；步骤2：利用训练好的
U
‑
Net
网络对待检测的激光条纹图像执行滤波操作；步骤3：对滤波后的激光条纹图像，以像素为单位，从左至右扫描图像的一行，自适应寻找多光束拟合中心和拟合数据；步骤4：将上述得到的拟合数据进行高斯拟合得到激光条纹中心点；步骤5：对图像从上到下逐行处理，对每一行重复执行步骤3和步骤4，直至得到整幅图像的激光条纹中心点
。2.
根据权利要求1所述的激光条纹中心提取方法，其特征在于，所述步骤1的具体方法为：
(a)
制作样本库：将大量激光条纹图像以每行为单位进行分解绘制波形，挑选其中高质量波段，剔除噪声，将高质量波段组合在一起形成高质量样本库；采用人工合成噪声的方法扩充样本库，根据图像本身的干扰噪声的特性，将人工随机生成的噪声添加到高质量波段上并制作成含噪样本库；将高质量样本库和含噪样本库一起作为模型训练学习的样本库输入网络进行训练；
(b)
模型训练：将样本库分为训练集和验证集，输出训练后的
U
‑
Net
损失函数用以评估训练效果，
U
‑
Net
损失函数的计算公式如下：
L
train
＝
L
soft
+L
cross
+L
weight
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中，
L
soft
为
softmax
激活函数损失；
...

【专利技术属性】
技术研发人员：舒双宝，刘圣林，王继尧，郎贤礼，张育中，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：