基于高斯超拉普拉斯分布的线结构光中心提取方法及装置

1.本发明涉及三维测量领域，尤其涉及一种基于高斯超拉普拉斯分布的线结构光中心提取方法及装置。


背景技术：

2.线结构光三维视觉测量广泛应用于工业测量、航空航天等需要高精度测量的领域中。线结构光中心提取精度高低是影响测量精度的决定性因素，在采集过程中会受到采集环境和被测物体材料导致光线变化等影响，采集到的线结构光图像中大概率会含有噪声信息，且线结构光条截面灰度值分布并不是理想的正态分布，特别是在强漫反射和弱反射时，严重影响了提取的精度。
3.目前比较经典的线结构光提取算法包括灰度重心法、阈值法、极值法和基于hessian矩阵的steger算法。其中，灰度重心法、阈值法和极值法均受噪声影响较大，而steger算法处理速度太慢。


技术实现要素：

4.本发明主要目的在于提供一种不易受噪声影响，且精度高、鲁棒性好的线结构光中心提取方法。
5.本发明提供一种基于高斯超拉普拉斯分布的线结构光中心提取方法，包括：根据采集的线结构光图像，基于邻域梯度确定线结构光的光条边界，并根据所述光条边界之间的差值确定线结构光的光条宽度；在所述光条边界区域内，对每列灰度值最大的点分别向两侧扩展两倍的线结构光条宽度以确定拟合区间，其中，所述列与所述光条边界垂直；在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，得到线结构光每列像素关于灰度值的目标曲线，其中，所述曲线拟合根据高斯分布曲线和超拉普拉斯分布曲线加权后确定； 根据所述目标曲线的极大值点确定线结构光中心坐标。
6.在本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法中，所述基于邻域梯度确定线结构光的光条边界，包括：根据采集的线结构光图像，遍历每一列像素点的灰度值且向后若干位作差，根据所述若干位作差的均值确定对应像素点的梯度值差；在每一列中，根据每个像素的梯度值差小于零且绝对值大于预设阈值确定若干第一候选边界，并根据梯度值差大于零且大于预设阈值确定若干第二候选边界；按照遍历方向，将首次出现的第一候选边界在前，且第二候选边界在后的相邻两边界进行匹配，得到线结构光的两个光条边界。
7.在本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法中，所述预设阈值根据当前列像素灰度的最大值与最小值之差的一半确定。
8.在本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法中，所述在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，包括根据如下曲线进行拟合：(0《α《1)；
其中，a、b、c为高斯分布曲线的待拟合参数，d、e、f为超拉普拉斯分布曲线的待拟合参数，为每列的像素行坐标，为超拉普拉斯函数的系数，为权重值、为补偿常量系数。
9.在本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法中，在和区间，小于0.5，在和区之外，大于0.5；其中，为高斯分布曲线中对应的平均值，为对应的方差。
10.在本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法中，根据拟合区间内在和之外的所有点的均值确定；其中，为高斯分布曲线中对应的平均值，为对应的方差。
11.在本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法中，所述基于邻域梯度确定线结构光的光条边界之前，还包括：采用高斯滤波对所述线结构光图像进行处理。
12.本发明还提供一种基于高斯超拉普拉斯分布的线结构光中心提取装置，包括：定位模块，用于根据采集的线结构光图像，基于邻域梯度确定线结构光的光条边界，并根据所述光条边界之间的差值确定线结构光的光条宽度；扩展模块，用于在所述光条边界区域内，对每列灰度值最大的点分别向两侧扩展两倍的线结构光条宽度以确定拟合区间，其中，所述列与所述光条边界垂直；拟合模块，用于在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，得到线结构光每列像素关于灰度值的目标曲线，其中，所述曲线拟合根据高斯分布曲线和超拉普拉斯分布曲线加权后确定；提取模块，用于根据所述目标曲线的极大值点确定线结构光中心坐标。
13.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于高斯超拉普拉斯分布的线结构光中心提取方法。
14.本发明产生的有益效果是：通过邻域梯度确定线结构光的光条边界，可以缩小目标区间，从而能够降低算法处理数据量，避免受噪声干扰影响，有利于处理各种在复杂条件下采集的线结构光条图像，特别是受弱反射和强漫反射影响的光条，可提升提取线结构光中心精确度。通过高斯分布曲线和超拉普拉斯分布曲线拟合目标曲线，提高曲线拟合精确度，进一步避免噪声点的干扰，并且在保证精度的前提下能够尽量减少数据处理量，保证处理速度，从而对硬件要求不高，适用于复杂情况下的线结构光处理。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1是本发明实施例的基于高斯超拉普拉斯分布的线结构光中心提取方法流程示意图；图2为本发明实施例的带有强漫反射和弱反射的线结构光图像；图3为本发明实施例滤波去噪过程示意图；图4a为本发明实施例图像滤波去噪前的灰度分布图
图4b为本发明实施例图像滤波去噪后的灰度分布图；图5为本发明实施例的基于高斯超拉普拉斯分布的线结构光中心提取结果图；图6a为本发明实施例拟合曲线与灰度曲线对比图之一；图6b为本发明实施例拟合曲线与灰度曲线对比图之二。
具体实施方式
17.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。
18.下面结合图1至图6对本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法及装置进行说明，图1是本发明实施例的基于高斯超拉普拉斯分布的线结构光中心提取方法的流程示意图，如图1所示，本发明提供一种基于高斯超拉普拉斯分布的线结构光中心提取方法，包括：s1、根据采集的线结构光图像，基于邻域梯度确定线结构光的光条边界，并根据所述光条边界之间的差值确定线结构光的光条宽度。
19.在一个实施例中，所述基于邻域梯度确定线结构光的光条边界之前，还包括：采用高斯滤波对所述线结构光图像进行处理。即基于邻域梯度确定线结构光的光条边界之前，还可包括对线结构光图像进行滤波的步骤。
20.采集带有强漫反射和弱反射的线结构光图像如图2所示，线结构光图像中含有大量的高斯噪声，为了图像更加平滑且光条截面灰度分布更加符合高斯分布，不破坏线结构光原本的形状结构的前提下能去除影响拟合精度的噪点，可以将采用高斯滤波对图像进行处理，如图3所示。处理前后图像及图像光条截面灰度分布曲线如图4a和图4b所示。对于图像中任一点(i,j)（i、j为像素坐标），设滤波窗口模板大小为k，则线结构光图像滤波模型为：高斯卷积的方法流程如下步骤：1、对图像进行零填充 ；2、根据高斯滤波器的核和标准差的大小实现高斯滤波器；3、使用高斯滤波器对图像进行滤波；4、输出高斯滤波后的图像。
21.其中，光条边界如图2中的上下两边界。在实际获取线结构光条纹中心点前需对拟合区间做初始定位，可以对滤波后的线结构光图像，通过使用邻域梯度寻找线结构光条上下边界的方法，定位激光线目标像素区域，并通过边界坐标差值来计算线结构光条宽度。
22.s2、在所述光条边界区域内，对每列灰度值最大的点分别向两侧扩展两倍的线结构光条宽度以确定拟合区间，其中，所述列与所述光条边界垂直。
23.为了准确的定位中心点需要确定拟合区间，在光条边界之间找到灰度值最大的点，由该点分别向上下延伸两倍的线结构光条宽度，该范围记为拟合区间。两侧扩展两倍的线结构光条宽度确定拟合区间，能够减少后续步骤计算量，提升算法速度，也能够减少干
扰，提高算法精确度。
24.s3、在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，得到线结构光每列像素关于灰度值的目标曲线，其中，所述曲线拟合根据高斯分布曲线和超拉普拉斯分布曲线加权后确定。
25.在s2中获取到拟合区间后，避免了非线结构光的干扰，则可在区间内根据像素坐标和灰度值进行曲线拟合，用于求出极值点后作为线结构光条纹中心。
26.高斯分布用相对于位置参数平均值的差的平方来表示，而超拉普拉斯与高斯分布相比概率密度用相对于差的绝对值来表示。因此，超拉普拉斯分布的尾部比正态分布更平坦，也更接近于线结构光条截面灰度值分布的尾部分布趋势。
27.本发明基于高斯分布曲线和超拉普拉斯分布曲线进行拟合，最终的目标曲线可记为g-hl（guass-hyper-laplace distribution,高斯-超拉普拉斯分布）曲线。
28.举例而言，本发明中可以分别进行高斯分布曲线拟合和超拉普拉斯分布曲线拟合，然后进行加权相加得到最终的目标曲线。
29.s4、根据所述目标曲线的极大值点确定线结构光中心坐标。
30.根据每列的目标曲线求极大值点，得到当前列的中心点，所有列的中心点构成线结构光的中心线，如图5所示。
31.本发明的基于高斯超拉普拉斯分布的线结构光中心提取方法，通过邻域梯度确定线结构光的光条边界，可以缩小目标区间，从而能够降低算法处理数据量，避免受噪声干扰影响，有利于处理各种在复杂条件下采集的线结构光条图像，特别是受弱反射和强漫反射影响的光条，可提升提取线结构光中心精确度。通过高斯分布曲线和超拉普拉斯分布曲线拟合目标曲线，提高曲线拟合精确度，进一步避免噪声点的干扰，并且在保证精度的前提下能够尽量减少数据处理量，保证处理速度，从而对硬件要求不高，适用于复杂情况下的线结构光处理。
32.在一个实施例中，所述基于邻域梯度确定线结构光的光条边界，包括：根据采集的线结构光图像，遍历每一列像素点的灰度值且向后若干位作差，根据所述若干位作差的均值确定对应像素点的梯度值差；在每一列中，根据每个像素的梯度值差小于零且绝对值大于预设阈值确定若干第一候选边界，并根据梯度值差大于零且大于预设阈值确定若干第二候选边界；按照遍历方向，将首次出现的第一候选边界在前，且第二候选边界在后的相邻两边界进行匹配，得到线结构光的两个光条边界。
33.可以在线结构光图像遍历每一列像素点的灰度值，在每一列中向后若干位作差，根据梯度值确定边界。例如，每一个点向后面四个点作差，以第0像素开始遍历，向后面的1、2、3、4像素作差，即第0个像素的灰度值减去后面1、2、3、4像素的，分别记为δa1、δa2、δa3、δa4。梯度值差s=(δa1+δa2+δa3+δa4)/4。
34.然后，可以寻找梯度值差较大的点确定为第一边界，与对应的值相同但正负号相反的点组成配对以确定第二边界。考虑到第一边界和第二边界会存在多个的情况，例如按照列的遍历方向，出现四个边界点为：a第一边界、b第一边界、c第二边界、d第二边界。本发明实施例中，将a、b作为第一候选边界，c、d作为第二候选边界，然后根据a、b、c、d的遍历顺序，将首次出现的第一候选边界在前，且第二候选边界在后的相邻两边界b和c进行匹配，得到线结构光条的两个边界b和c。又比如，a第一边界、b第一边界、c第二边界、d第一边界、e第
二边界，那么将b和c进行匹配。
35.基于此，确定了线结构光的如图2所示的上下边界，然后通过边界坐标差值来计算线结构光条的宽度，为后续处理提供初步像素区域，本发明实施例通过特别的匹配方法，可以避免多个大于阈值的边界进行干扰的情况，也可以避免错误的将当前光线条的第一边界和相邻光线条的第二边界匹配到一起的问题，不仅得到了准确可靠的边界，提高后续处理流程的准确度，并且边界内均为有效像素点，从而可以降低算法处理数据量，提高处理速度。
36.在一个实施例中，所述预设阈值根据当前列像素灰度的最大值与最小值之差的一半确定。
37.具体而言，对线结构光图像每一列进行灰度值遍历，将最大值记为index_max，将最小值记为index_min，设定阈值为t=(index_max-index_min)/2。当s《0且绝对值大于阈值t时，记为上边界，当s》0且绝对值大于阈值t时，记为下边界，利用上下边界定位激光线目标像素区域，且上下边界的坐标差值为线结构光条宽度。
38.在一个实施例中，所述在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，包括根据如下曲线进行拟合：(0《α《1)；其中，a、b、c为高斯分布曲线的待拟合参数，d、e、f为超拉普拉斯分布曲线的待拟合参数，为每列的像素行坐标，为超拉普拉斯函数的系数，为权重值、为补偿常量系数。
39.具体而言，高斯函数的数学表达式如下：超拉普拉斯函数表达式如下：其中，为像素坐标，、、、、为待拟合的参数。
40.为了方便计算可将高斯函数的数学表达式简化为以下公式：为了方便计算可将高斯函数的数学表达式简化为以下公式：包含有a、b、c三个参数，a、b为尺度相关参数，a表示高斯函数的幅值，即主峰强度，也就是线结构光条的截面灰度峰值，c为主峰位置，对a、c进行筛选，c与光条宽度w有关，b为近似高斯分布的线结构光条中心坐标。经过这层筛选后，能够移进一步除其他非激光线的干扰，对上式两边取自然对数化为以下等式：可将上式简化为一个简单的二项式：
设将n个数据进行高斯函数拟合可设以下等式：其中是待估计的参数，考虑全部试验数据，则可以矩阵形式表示化为：简记为下式：根据最小二乘法原理，构成的矩阵b的最小二乘解为：在上述方程中，参数矩阵b具有对称、正定的性质。可以求得b0，b1，b2，从而获取高斯函数的拟合参数a，b，c，可得高斯函数的极值位置：为了方便计算可将超拉普拉斯函数表达式简化为：其中，e为位置参数，d、f为尺度参数。设将n个数据进行超拉普拉斯分布函数拟合，可给出准则函数：对准则函数j0求解就能实现参数估计。
41.由于求导过程比较复杂，也可以令e
x
=y，重新定义准则函数：其中，为幅度，通过准则函数后续参数求取会方便很多。
42.可将这两条曲线进行加权处理，合并成上述函数。
43.本发明实施例中，增加了为补偿常量系数，可以使得拟合后的曲线更符合线结构光条截面灰度分布的规律。
44.拟合后的曲线如图6a和图6b所示，其为不同列（i=400和160）的曲线，具体参数值见表1。
45.表1在一个实施例中，在和区间，小于0.5，在和区之外，大于0.5；其中，为高斯分布曲线中对应的平均值，为对应的方差。
46.具体地，由于结构光条截面灰度值分布近似于高斯分布，根据高斯分布的概率密度可以知道：1、在和间的样本数量占到整个样本数量的68.2%；2、在和之间的样本数量占到整个样本数量的95.4%；3、在和之间的样本数量占到整个样本数量的99.6%；本发明的权重系数可根据区间分段求取，区间依据高斯分布的概率密度来划分。由于高斯分布中间部分更加集中，但尾部下降趋势过快，所以中间部分可以更多采用高斯分布。相较于高斯分布，超拉普拉斯分布尾部下降趋势更缓慢，更符合线结构光条截面灰度分布的规律。
47.因此，在本发明实施例中，确定为在和之间时，调节小于0.5使得高斯函数占比更多，在此区间之外时，调整系数大于0.5使得超拉普拉斯函数占比更多，从而更符合线结构光条截面灰度分布的规律，在一个实施例中，根据拟合区间内在和之外的所有点的均值确定。通过计算拟合区间内在和之外的范围中所有点的均值作为的确定方式，使拟合出的曲线更接近线结构光条截面灰度分布的特征。
48.本发明还提供一种基于高斯超拉普拉斯分布的线结构光中心提取装置，包括：定位模块，用于根据采集的线结构光图像，基于邻域梯度确定线结构光的光条边界，并根据所述光条边界之间的差值确定线结构光的光条宽度；扩展模块，用于在所述光条边界区域内，对每列灰度值最大的点分别向两侧扩展两倍的线结构光条宽度以确定拟合区间，其中，所述列与所述光条边界垂直；拟合模块，用于在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，得到线结构光每列像素关于灰度值的目标曲线，其中，所述曲线拟合根据高斯分布曲线和超拉普拉斯分布曲线加权后确定； 提取模块，用于根据所述目标曲线的极大值点确定线结构光中心坐标。
49.本发明实施例所提供的基于高斯超拉普拉斯分布的线结构光中心提取装置，其实现原理及产生的技术效果和前述基于高斯超拉普拉斯分布的线结构光中心提取方法实施例相同，为简要描述，基于高斯超拉普拉斯分布的线结构光中心提取装置实施例部分未提及之处，可参考前述基于高斯超拉普拉斯分布的线结构光中心提取方法实施例中相应内容。
50.本技术还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，sd或dx存储器等）、随机访问存储器（ram）、静态随机访问存储器（sram）、只读存储器（rom）、电可擦除可编程只读存储器（eeprom）、可编程只读存储器（prom）、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质被处理器执行时实现方法实施例基于高斯超拉普拉斯分布的线结构光中心提取方法。
51.需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
52.上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
53.应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

技术特征：
1.一种基于高斯超拉普拉斯分布的线结构光中心提取方法，其特征在于，包括以下步骤：根据采集的线结构光图像，基于邻域梯度确定线结构光的光条边界，并根据所述光条边界之间的差值确定线结构光的光条宽度；在所述光条边界区域内，对每列灰度值最大的点分别向两侧扩展两倍的线结构光条宽度以确定拟合区间，其中，所述列与所述光条边界垂直；在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，得到线结构光每列像素关于灰度值的目标曲线，其中，所述曲线拟合根据高斯分布曲线和超拉普拉斯分布曲线加权后确定；根据所述目标曲线的极大值点确定线结构光中心坐标。2.根据权利要求1所述的基于高斯超拉普拉斯分布的线结构光中心提取方法，其特征在于，所述基于邻域梯度确定线结构光的光条边界，包括：根据采集的线结构光图像，遍历每一列像素点的灰度值且向后若干位作差，根据所述若干位作差的均值确定对应像素点的梯度值差；在每一列中，根据每个像素的梯度值差小于零且绝对值大于预设阈值确定若干第一候选边界，并根据梯度值差大于零且大于预设阈值确定若干第二候选边界；按照遍历方向，将首次出现的第一候选边界在前，且第二候选边界在后的相邻两边界进行匹配，得到线结构光的两个光条边界。3.根据权利要求2所述的基于高斯超拉普拉斯分布的线结构光中心提取方法，其特征在于，所述预设阈值根据当前列像素灰度的最大值与最小值之差的一半确定。4.根据权利要求1所述的基于高斯超拉普拉斯分布的线结构光中心提取方法，其特征在于，所述在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，包括根据如下曲线进行拟合：（0<α<1）；其中，a、b、c为高斯分布曲线的待拟合参数，d、e、f为超拉普拉斯分布曲线的待拟合参数，为每列的像素行坐标，为超拉普拉斯函数的系数，为权重值、为补偿常量系数。5.根据权利要求4所述的基于高斯超拉普拉斯分布的线结构光中心提取方法，其特征在于，在和区间，小于0.5，在和区之外，大于0.5；其中，为高斯分布曲线中对应的平均值，为对应的方差。6.根据权利要求4所述的基于高斯超拉普拉斯分布的线结构光中心提取方法，其特征在于，根据拟合区间内在和之外的所有点的均值确定；其中，为高斯分布曲线中对应的平均值，为对应的方差。7.根据权利要求1所述的基于高斯超拉普拉斯分布的线结构光中心提取方法，其特征在于，所述基于邻域梯度确定线结构光的光条边界之前，还包括：采用高斯滤波对所述线结构光图像进行处理。8.一种基于高斯超拉普拉斯分布的线结构光中心提取装置，其特征在于，包括：定位模块，用于根据采集的线结构光图像，基于邻域梯度确定线结构光的光条边界，并
根据所述光条边界之间的差值确定线结构光的光条宽度；扩展模块，用于在所述光条边界区域内，对每列灰度值最大的点分别向两侧扩展两倍的线结构光条宽度以确定拟合区间，其中，所述列与所述光条边界垂直；拟合模块，用于在所述拟合区间内对线结构光的每列灰度值进行曲线拟合，得到线结构光每列像素关于灰度值的目标曲线，其中，所述曲线拟合根据高斯分布曲线和超拉普拉斯分布曲线加权后确定；提取模块，用于根据所述目标曲线的极大值点确定线结构光中心坐标。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于高斯超拉普拉斯分布的线结构光中心提取方法。

技术总结
本发明公开了一种基于高斯超拉普拉斯分布的线结构光中心提取方法及装置，属于三维测量领域，该方法包括：根据采集的线结构光图像，基于邻域梯度确定线结构光边界，并根据光条边界之间的差值确定线结构光的光条宽度；在光条边界区域内，对每列灰度值最大的点分别向两侧扩展两倍的线结构光条宽度以确定拟合区间；在拟合区间内对线结构光的每列灰度值进行曲线拟合，得到线结构光每列像素关于灰度值的目标曲线，曲线拟合根据高斯分布曲线和超拉普拉斯分布曲线加权后确定；根据目标曲线的极大值点确定线结构光中心坐标。该方法可避免受噪声干扰，有利于处理复杂条件下采集的线结构光条图像，并且在保证精度的前提下尽量减少数据处理量，保证处理速度。保证处理速度。保证处理速度。


技术研发人员：洪汉玉 朱铖 章秀华 田克耘 吴远哲 高耀 桂传奇 陈思 梁永杰
受保护的技术使用者：武汉工程大学
技术研发日：2023.09.05
技术公布日：2023/10/11