一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法
【專利摘要】本發(fā)明公開了一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其優(yōu)點在于采用超像素分割技術，對視覺圖像進行聚類分割，再對分割后的圖像計算每個聚類超像素的梯度能量，使得輪轂邊緣的顯著性大大增強，從而將輪轂圖像準確的分割出來；再根據(jù)分割后的輪轂圖像，獲取初步圓心和半徑，以此作為參考圓心進行掃描獲取邊緣掃描數(shù)據(jù)，剔除所獲得掃描數(shù)據(jù)的噪聲干擾點，進行最小二乘法擬合圓，達到毛坯輪轂鉆孔定位所需的精確定位。
【專利說明】
-種基于機器視覺的毛巧輪穀鉆孔中心精確定位方法
技術領域
[0001] 本發(fā)明設及車輛輪穀識別技術領域，尤其設及一種基于機器視覺的毛巧輪穀鉆孔 中屯、精確定位方法。
【背景技術】
[0002] 輪穀，又叫做輪圈，是汽車、摩托車等機動車輛的重要部件之一。在輪穀自動化生 產(chǎn)過程中，由于輸送漉筒背景色和輪穀顏色接近，W及外界環(huán)境光干擾，造成視覺圖像分割 困難，輪穀鉆孔中屯、難W準確定位，亟待改進。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術問題是提供一種基于機器視覺的毛巧輪穀鉆孔中屯、精確 定位方法，通過超像素分割及能量變化，獲得邊緣顯著的輪穀分割圖像，并基于最小二乘法 的擬合對輪穀分割圖像中的鉆孔中屯、進行精確定位。
[0004] 本發(fā)明解決上述技術問題所采用的技術方案為:一種基于機器視覺的毛巧輪穀鉆 孔中屯、精確定位方法，包括如下步驟:視覺圖像通過改進的超像素分割，獲得輪穀分割圖 像;基于最小二乘法圓擬合對輪穀分割圖像中的鉆孔中屯、進行定位。。
[0005] 其中，所述視覺圖像的改進的超像素分割過程如下：
[0006] 11)視覺圖像上均勻初始化K個初始聚類中屯、Ck(k=l，2，...K)在間隔為S的網(wǎng)格 節(jié)點上;其中，
，N為圖像像素總數(shù)量；
[0007] 12)選取W聚類中屯、5 X 5鄰域內(nèi)梯度值最小的像素點為新的聚類中屯、 夢,(./ = 1，2，.../〇:根據(jù)歸一化距離度量在聚類中屯、巧分配像素點，形成與聚類中屯、^^^巧4應的 聚類圖像塊&，并將所有像素點賦予與其歸一化距離最近的聚類中屯、標簽;其中，基于顏色 和空間位置特征的歸一化距離為：
；式中，向量C為 CIELAB顏色空間中的3維顏色向量，化刃問量C的劇色與空間距聞的歸一化常數(shù)；向量L表示 2維空間位置坐標，化為向量L的顏色與空間距離的歸一化常數(shù);下標j = l，2，...K為聚類中 屯、標簽，下標i為對應聚類中屯、j的2S X 2S大小鄰域內(nèi)的像素標簽；
[000引13)聚類中屯、巧依據(jù)對應聚類圖像塊&中所有像素顏色和空間特征的均值進行迭 代更新，即
；其中，叫為聚類圖像塊&的像素數(shù)量；
[0009] 14)重復步驟12)、13)，重新計算聚類中屯、并重新聚類，重復迭代，計算迭代過程中 相鄰2次同一編號聚類中屯、的空間移動距離E，直到所有E小于設定的口限值threshold,聚 類結束;然后采用鄰近合并策略消除孤立的尺寸小于勺超像素，得到超像素分割圖像； 4
[0010] 15)基于Snake模型的能量譜空間；計算步驟14)所述超像素分割圖像中每個超像 素的Snake能量，得到Snake能量圖；
[0011 ] 16)通過對步驟15)所述Snake能量圖進行掃描，分割出輪穀大致輪廓；
[0012] 17)根據(jù)步驟16)中的輪廓，獲取到輪穀的大致圓屯、(x'，y'）及半徑參考值R'，Wr G (R'-10,R'）為掃描范圍進行化Ugh變換，計算出擬合的分割圓屯、(XO，yo)及半徑r，并保留 半徑周邊梯度變換較大范圍W內(nèi)的像素點，獲得輪穀分割圖像。
[OOU]所述 Snake 模型的能量函數(shù)為:Esnake = /|iEint(V(S))+Eext(V(S))]ds;
[0014]其中：V(S)表示待分割的目標的外輪廓，S為歸一化的弧長參數(shù)，SG [0, ILEint表 示輪廓的內(nèi)部能量，用于度量輪廓的光滑性和彈性;Eext為輪廓的外部能量，代表圖像信息 在輪廓曲線中偏向圖像梯度較大的位置。
[001引所逝mt由Snake模型演化曲線形狀的基本屬性所決定
其中，Vs為曲線對S的一階微分，Vss表示曲線對S的二階微分，a表示彈力系數(shù)，0表示強度系 數(shù)。
[0016] 所述外能Eext的計算公式為： 癢中，I(x，y)為圖像灰度 值，Gs(x，y)為方差S的高斯濾波器。
[0017] 其中，所述基于最小二乘法圓擬合對輪穀分割圖像中的鉆孔中屯、進行定位，具體 包括W下步驟：
[001引21) W分割圓屯、(xo，yo)為基準點，徑向掃描輪穀分割圖像獲取邊緣點數(shù)據(jù)；
[0019] 22)對邊緣點數(shù)據(jù)進行預處理；
[0020] 23)基于預處理后的邊緣點數(shù)據(jù)，利用最小二乘法圓擬合獲得輪穀鉆孔中屯、的坐 標。
[0021] 作為優(yōu)選，步驟21)所述徑向掃描的步進角為360/M，掃描范圍為r-20~r+20,其中 M即為總的邊緣點數(shù)；由r+20的距離開始往圓屯、方向徑向掃描輪穀分割圖像，遇到白點即認 為是邊緣點，記錄該點坐標為：
[0022] xl (i) = round( len( i)*cos(alf*3i/180)+xo) (I)
[0023] yl (i) = round( len( i)*sin(alf*3i/180)+xo) (2)
[0024] 其中，alf為掃描角度，alf G [I，360] ;len為掃描范圍，IenG [r-20，r+20]。
[0025] 作為優(yōu)選，步驟22)所述對邊緣點數(shù)據(jù)進行預處理具體為：
[0026] 采用均值法對對步驟21)獲得的邊緣點進行自適應糾偏，糾偏公式如下：
[0027]
(3)
[002引其中，rr(i)為邊緣點到圓屯、距離，N為均值平滑區(qū)間內(nèi)平滑的點數(shù);糾偏后邊緣點 對應的坐標記為(Xi,yi) ,iG [1 ,M]。
[0029] 作為優(yōu)選，步驟23)所述利用最小二乘法圓擬合獲得輪穀鉆孔中屯、的坐標的具體 步驟如下：
[0030] 令圓曲線方程為：
[0031] r2= (x-xo)2+(y-y〇)2 (4)
[0032] 展開后得到圓曲線的另外一種形式：
[0033] x2+y2+Ax+By+C = 0 (5)
[0034] 利用步驟22)得到的糾偏后邊緣點數(shù)據(jù)用最小二乘法擬合最優(yōu)圓，最小二乘法擬 合公式為：
[0035] (6)
[0036] 哥，對該函數(shù)求A，B，C的偏導數(shù)：
[0037] (7)
[0038] 由式(7)求出A，B，C系數(shù)，再利用式(5)和式(4)求出圓屯、坐標及半徑。
[0039] 與現(xiàn)有技術相比，本發(fā)明的優(yōu)點在于采用超像素分割技術，對視覺圖像進行聚類 分割，再對分割后的圖像計算每個聚類超像素的梯度能量，使得輪穀邊緣的顯著性大大增 強，從而將輪穀圖像準確的分割出來;再根據(jù)分割后的輪穀圖像，獲取初步圓屯、和半徑，W 此作為參考圓屯、進行掃描獲取邊緣掃描數(shù)據(jù)，剔除所獲得掃描數(shù)據(jù)的噪聲干擾點，進行最 小乘法擬合圓，達到毛巧輪穀鉆孔定位所需的精確定位。
【具體實施方式】
[0040] W下結合實施例對本發(fā)明作進一步詳細描述。
[0041] 本優(yōu)選實施例為一種基于機器視覺的毛巧輪穀鉆孔中屯、精確定位方法，包括如下 步驟：
[0042] 1)視覺圖像通過改進的超像素分割，獲得輪穀分割圖像，基體過程如下：
[0043] 11)視覺圖像上均勻初始化K個初始聚類中屯、Ck(k=l，2，...K)在間隔為S的網(wǎng)格 節(jié)點上;其中：
，N為圖像像素總數(shù)量。
[0044] 12)選取W聚類中屯、5 X 5鄰域內(nèi)梯度值最小的像素點為新的聚類中屯、 巧^〇 = 1，2，..^);根據(jù)歸一化距離度量在聚類中必^>,分配像素點，形成與聚類中必巧對應的 聚類圖像塊&，并將所有像素點賦予與其歸一化距離最近的聚類中屯、標簽;其中，基于顏色 和空間位置特征的歸一化距離為：
[0045] 式中，向量坊JCIELAB顏色空間中的3維顏色向量，Nc為向量C的顏色與空間距離的 歸一化常數(shù)；向量L表示2維空間位置坐標，化為向量L的顏色與空間距離的歸一化常數(shù)；下 標j = l，2,. . .K為聚類中屯、標簽，下標i為對應聚類中屯、j的2SX2S大小鄰域內(nèi)的像素標簽。
[0046] 13)聚類中屯、巧依據(jù)對應聚類圖像塊&中所有像素顏色和空間特征的均值進行迭 代更新，即
其中，叫為聚類圖像塊&的像素數(shù)量。
[0047] 14)重復步驟12)、13)，重新計算聚類中屯、并重新聚類，重復迭代，計算迭代過程中 相鄰2次同一編號聚類中屯、的空間移動距離E，直到所有E小于設定的口限值threshold,聚 類結束;然后采用鄰近合并策略消除孤立的尺寸小于勺超像素，得到超像素分割圖像。 其中，新的聚類中屯、的選取范圍也可W為原聚類中屯、4X4鄰域內(nèi)或其他范圍；當原聚類中 屯、3X3鄰域為新的聚類中屯、的選取范圍時，聚類結束的限制可采用聚類中屯、的移動個數(shù)閥 值;運些簡單變換應視為本發(fā)明方案的等同替換。
[0048] 15)基于Snake模型的能量譜空間；計算步驟14)所述超像素分割圖像中每個超像 素的Snake能量，得到Snake能量圖，使輪穀邊緣的顯著性進一步增強。
[0049] 其中，所述Snake模型的能量函數(shù)為:Esnake = /[Eint(V(S))+Eext(V(S))]ds;
[0050] 式中：V(S)表示待分割的目標的外輪廓，S為歸一化的弧長參數(shù)，SG [0, ILEint表 示輪廓的內(nèi)部能量，巧干度量輪廓的化滑忡巧彈性，Eint由Snake模型演化曲線形狀的基本 屬性所決定
；其中，Vs為曲線對S的一階微分，是彈性能量 項;Vss表示曲線對S的二階微分，是剛性能量項;a表示彈力系數(shù)，控制曲線收縮速度的快慢； 0表示強度系數(shù)，取值越大，則輪廓曲線越僵硬，越小則相反。Eext為輪廓的外部能量，代表圖 像信息在輪廓曲線中偏向圖像梯度較大的位置，外能E e X t的計算公式為：
式中，I(x，y)為圖像灰度值，Gs(x，y)為方差S的高斯濾波器。超 像素巧離散化的Snake能量公式如下:
'
[0051] 16)通過對步驟15)所述Snake能量圖進行掃描，分割出輪穀大致輪廓。
[0052] 17)根據(jù)步驟16)中的輪廓，獲取到輪穀的大致圓屯、(x'，y'）及半徑參考值R'，Wr G(R'-10，R'）為掃描范圍進行Hou曲變換，計算出擬合的分割圓屯、(xo，yo)及半徑r，并保留 半徑周邊梯度變換較大范圍W內(nèi)的像素點，獲得輪穀分割圖像。
[0053] 2)基于最小二乘法圓擬合對輪穀分割圖像中的鉆孔中屯、進行定位，具體包括W下 步驟：
[0054] 21似分割圓屯、(xo，yo)為基準點，徑向掃描輪穀分割圖像獲取邊緣點數(shù)據(jù)；
[0055] 徑向掃描的步進角為360/M，掃描范圍為r-20~r+20,其中M即為總的邊緣點數(shù)，本 實施例中M取值360,也可W為720、180或90;由r+20的距離開始往圓屯、方向徑向掃描輪穀分 割圖像，遇到白點即認為是邊緣點，記錄該點坐標為：
[0056] xl (i) = round( len( i)*cos(alf*3i/180)+xo) (I)
[0057] yl (i) = round( len( i)*sin(alf*3i/180)+xo) (2)
[0化引其中，alf為掃描角度，alf G [I，360] ;len為掃描范圍，IenG [r-20，r+20]。
[0059] 22)對邊緣點數(shù)據(jù)進行預處理；
[0060] 理想的邊緣對應準確的圓屯、，邊緣點掃描數(shù)據(jù)應該是水平直線。但實際數(shù)據(jù)可能 受到兩方面影響：一方面毛邊影響數(shù)據(jù)的平滑，另一方面，如果初定位圓屯、（xo，yo)偏差較 多，則會對整體數(shù)據(jù)有嚴重影響。本實施例中采用均值法對對步驟21)獲得的邊緣點進行自 適應糾偏，糾偏公式如下：
[0061 ]
G)
[0062] 其中，rr(i)為邊緣點到圓屯、距離，N為均值平滑區(qū)間內(nèi)平滑的點數(shù)；
[0063] 糾偏后邊緣點對應的坐標記為(Xi，y〇，i G [ 1，M]。
[0064] 23)基于預處理后的邊緣點數(shù)據(jù)，利用最小二乘法圓擬合獲得輪穀鉆孔中屯、的坐 標;令圓曲線方程為：
[00化]r2= (X-X〇)2+(y-y〇)2 (4)
[0066] 展開后得到圓曲線的另外一種形式：
[0067] x2+y2+Ax+By+C = 0 (5)
[0068] 利用步驟22)得到的糾偏后邊緣點數(shù)據(jù)用最小二乘法擬合最優(yōu)圓，最小二乘法擬 合公式為：
[0069]
(6)
[0070] 方差和函數(shù)Q(A，B，C)最小情況下所得的圓為目標圓，對該函數(shù)求A，B，C的偏導數(shù)：
[0071]
(7)
[0072] 由式(7)求出A，B，C系數(shù)，再利用式(5)和式(4)求出圓屯、坐標及半徑。
[0073] 在本實施例中，優(yōu)選對糾偏之后的數(shù)據(jù)進行排序，剔除最小的10個點，從小到大取 11~51之間的40個點的數(shù)據(jù)，將此組數(shù)據(jù)作為最后圓擬合的糾偏后邊緣點數(shù)據(jù)，W降低噪 聲。
【主權項】
1. 一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特征在于，包括如下步驟： 視覺圖像通過改進的超像素分割，獲得輪轂分割圖像;基于最小二乘法圓擬合對輪轂分割 圖像中的鉆孔中心進行定位。2. 根據(jù)權利要求1所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特 征在于:所述視覺圖像的改進的超像素分割過程如下： 11) 視覺圖像上均勻初始化K個初始聚類中心Ck(k=l，2, . . .K)在間隔為S的網(wǎng)格節(jié)點 上;其中N為圖像像素總數(shù)量； 12) 選取以聚類中心5 X 5鄰域內(nèi)梯度值最小的像素點為新的聚類中心％ (j = 1，2， ...K);根據(jù)歸一化距離度量在聚類中心％分配像素點，形成與聚類中心％對應的聚類圖像 塊化，并將所有像素點賦予與其歸一化距離最近的聚類中心標簽;其中，基于顏色和空間位 置特征的歸一化距離為：式中，向量C為CIELAB顏色空間中的3維顏色向量，Nc為向量C的顏色與空間距離的歸一 化常數(shù)；向量L表示2維空間位置坐標，Nl為向量L的顏色與空間距離的歸一化常數(shù);下標j = 1，2，...K為聚類中心標簽，下標i為對應聚類中心j的2S X 2S大小鄰域內(nèi)的像素標簽； 13) 聚類中心A依據(jù)對應聚類圖像塊Gj中所有像素顏色和空間特征的均值進行迭代更 新，g其中，Nj為聚類圖像塊Gj的像素數(shù)量； 14) 重復步驟12)、13)，重新計算聚類中心并重新聚類，重復迭代，計算迭代過程中相鄰 2次同一編號聚類中心的空間移動距離E，直到所有E小于設定的門限值threshold，聚類結 束;然后采用鄰近合并策略消除孤立的尺寸小于Is=的超像素，得到超像素分割圖像； 4 15) 基于Snake模型的能量譜空間；計算步驟14)所述超像素分割圖像中每個超像素的 Snake能量，得到Snake能量圖； 16) 通過對步驟15)所述Snake能量圖進行掃描，分割出輪轂大致輪廓； 17) 根據(jù)步驟16)中的輪廓，獲取到輪轂的大致圓心（x'，y'）及半徑參考值R'，以re (R'-10，R'）為掃描范圍進行Hough變換，計算出擬合的分割圓心（XQ，yo)及半徑r，并保留半 徑周邊梯度變換較大范圍以內(nèi)的像素點，獲得輪轂分割圖像。3. 根據(jù)權利要求2所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特 征在于:所述Snake模型的能量函數(shù)為： Esnake = /[Eint(V(s) )+Eext(V(s) ) ]ds ； 其中：V(S)表不待分割的目標的外輪廓，S為歸一化的弧長參數(shù)，S e [〇，1] ;Eint表不輪 廓的內(nèi)部能量，用于度量輪廓的光滑性和彈性;Ee3xt為輪廓的外部能量，代表圖像信息在輪 廓曲線中偏向圖像梯度較大的位置。4. 根據(jù)權利要求3所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特征在 于:所述Eint由Snake模型演化曲線形狀的基本屬性所決淀其 中，Vs為曲線對s的一階微分，Vss表不曲線對s的二階微分，α表不彈力系數(shù)，β表不強度系數(shù)。5. 根據(jù)權利要求4所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特 征在于:所述外能Ee3xt的計算公式為其中，I(x，y)為圖像灰度 值，Gs(x，y)為方差δ的高斯濾波器。6. 根據(jù)權利要求2所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特 征在于:所述基于最小二乘法圓擬合對輪轂分割圖像中的鉆孔中心進行定位，具體包括以 下步驟： 21) 以分割圓心(XQ，yQ)為基準點，徑向掃描輪轂分割圖像獲取邊緣點數(shù)據(jù)； 22) 對邊緣點數(shù)據(jù)進行預處理； 23) 基于預處理后的邊緣點數(shù)據(jù)，利用最小二乘法圓擬合獲得輪轂鉆孔中心的坐標。7. 根據(jù)權利要求6所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特 征在于：步驟21)所述徑向掃描的步進角為360/M，掃描范圍為r-20~r+20，其中M即為總的 邊緣點數(shù)；由r+20的距離開始往圓心方向徑向掃描輪轂分割圖像，遇到白點即認為是邊緣 點，記錄該點坐標為： xl(i)=round(len(i)*cos(alf*3T/180)+XQ) (1) yl (i) = round(len(i )*sin(alf*3T/180)+x〇) (2) 其中，alf為掃描角度，alf e [I，360]; len為掃描范圍，Iene [r-20，r+20] 〇8. 根據(jù)權利要求7所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特 征在于:步驟22)所述對邊緣點數(shù)據(jù)進行預處理具體為： 采用詢倌法對對步驟21)獲得的邊緣點講行自話應糾偏，糾偏公式如下：ze[l,M] (3) 其中，rr(i)為邊緣點到圓心距離，N為均值平滑區(qū)間內(nèi)平滑的點數(shù)； 糾偏后邊緣點對應的坐標記為Ui，yi)，i e [ I，M]。9. 根據(jù)權利要求8所述的一種基于機器視覺的毛坯輪轂鉆孔中心精確定位方法，其特 征在于:步驟23)所述利用最小二乘法圓擬合獲得輪轂鉆孔中心的坐標的具體步驟如下:令 圓曲線方程為： r2=(x-xo)2+(y-yo)2 (4) 展開后得到圓曲線的另外一種形式： x2+y2+Ax+By+C=0 (5) 基于步驟22)得到的糾偏后邊緣點數(shù)據(jù)，利用最小二乘法擬合最優(yōu)圓，最小二乘法擬合 公式為：(6) 方差和函數(shù)Q(A，B，C)最小情況下所得的圓為目標圓，對該函數(shù)求A，B，C的偏導數(shù)：(7) 由式(7)求出A，B，C系數(shù)，再利用式(5)和式(4)求出圓心坐標及半徑。
【文檔編號】G06T7/60GK106023186SQ201610325147
【公開日】2016年10月12日
【申請日】2016年5月17日
【發(fā)明人】崔家林, 胡超
【申請人】浙江大學寧波理工學院