[发明专利]一种基于神经网络的棋盘格角点检测方法及其应用

权利要求书

1.一种基于神经网络的棋盘格角点检测方法，其特征在于，该方法包括如下步骤：

S1获取待测棋盘格的多角度图像，并对其进行预处理，以此获得灰度图像；

S2基于神经网络对所述灰度图像进行角点检测，从而确定候选角点并获得各个所述候选角点的响应值；

S3基于步骤S2获得的响应值剔除不符合棋盘格几何标准的候选角点，以此确定待检角点；

S4根据步骤S3获得的所述待检角点确定所述待测棋盘格角点的亚像素位置；

S5对步骤S3获得的所述待检角点进行区域筛选，确定各个所述待检角点的索引矩阵，进而得到多个互不交叉的棋盘格角点序列，以此完成所述待测棋盘格的角点检测；

所述基于区域生长算法获得所述棋盘格角点索引矩阵，具体包括如下子步骤：

S51计算所述灰度图像在进行归一化之前，各个像素点水平方向和竖直方向的一阶导数，从而计算出梯度值和梯度方向，进而得到各个像素点的梯度向量；

S52统计各个所述待检角点11×11邻域内的梯度值和方向分布，以此计算得到该邻域的梯度直方图，并根据局部极大值排序计算出各个所述待检角点的第一边界方向和第二边界方向；

S53按照响应值大小对各个所述待检角点进行排序，并依次对每个所述待检角点建立初始角点索引矩阵；

S54对各个所述初始角点索引矩阵，分别沿着边缘角点的边界方向进行向右、上、左、下的索引矩阵扩增，直到至少一个边界角点被计算到，此时获得的扩增矩阵为该待检角点所在区域内的最大角点索引矩阵；

S55待各个所述待检角点的角点索引矩阵扩增完成后，将所有两两相交至少包含两个共同角点的最大角点索引矩阵按照所述待检角点的位置关系进行整合，进而生成最后的棋盘格角点索引矩阵。

2.如权利要求1所述的基于神经网络的棋盘格角点检测方法，其特征在于，步骤S1中，所述待测棋盘格为单棋盘格或多棋盘格；当所述待测棋盘格为单棋盘格时，通过移动摄像机或标定板采集多个位姿的图像，以此获得所述多角度图像；当所述待测棋盘格为多棋盘格时，拍摄一张图像即可获得所述多角度图像。

3.如权利要求1所述的基于神经网络的棋盘格角点检测方法，其特征在于，步骤S1中，对所述多角度图像进行预处理包括如下子步骤：

S11对所述多角度图像进行灰度化处理；

S12对灰度化处理后的所述多角度图像进行直方图均衡化处理，以此增强其对比度；

S13对增强后的所述多角度图像的灰度值进行归一化处理，进而获得所述灰度图像。

4.如权利要求1所述的基于神经网络的棋盘格角点检测方法，其特征在于，步骤S2中响应值的损失函数为：

式中，(x,y)是候选角点的坐标，G(x,y)表示候选角点是否为真实角点，当G(x,y)为1时是真实角点，当G(x,y)为0时是假阳性点，为待学习的变量，λ为正则化的权重变量，N_p为一张输入图像中所有真实角点的个数，N_n为非角点的像素个数，a(x,y)由输入的灰度图像经过神经网络处理后输出对应点位置的响应值output(x,y)经过如下的截断操作得到：

5.如权利要求1所述的基于神经网络的棋盘格角点检测方法，其特征在于，步骤S3包括如下子步骤：

S31根据自适应阈值法剔除响应值小于特定阈值的像素点；

S32然后采用非极大值抑制法剔除所有9×9区域内的局部最大值角点；

S33最后使用聚类算法对属于每一个棋盘格角点序列的角点进行聚类，剔除边界上的角点以及某一聚类中角点总数少于2个的角点。

6.如权利要求1所述的基于神经网络的棋盘格角点检测方法，其特征在于，步骤S4包括如下子步骤：

S41根据步骤S2获得的响应值，对各个所述待检角点周围9×9邻域内的响应值进行插值，从而获得角点响应值曲面；

S42利用高斯拟合算法计算出所述角点响应值曲面的极值点，以此作为所述待测棋盘格角点的亚像素位置。