[发明专利]基于机器学习的移动式多视角成像系统及方法

说明书

本发明涉及机器学习的多视角成像领域，具体涉及一种基于机器学习的移动式多视角成像系统及方法，方案包括：点光源阵列、光学成像模块，光学成像模块用于移动到不同的设定位置时，以不同的视角按照设定的离散采样次数N_i，每次点亮单一的不同灯珠，并同步触发光学成像模块采集图像，同时记录下图像采集的位置坐标以及对应点亮的灯珠坐标，直到完成N_i次图像采样，在得到所有的图像中，以中心视角图像为基准图像，将其余视角图像与基准图像进行匹配，得到其余图像中对应的像素点，以所述像素点为基础得到该照明角度下的双向反射率分布函数的采样点；采用梯度提升决策树模型对采样点数据进行回归训练，直至训练结果收敛，本发明适用于多视角成像。

技术领域

本发明涉及机器学习的多视角成像领域，具体涉及一种基于机器学习的移动式多视角成像系统及方法。

背景技术

当前在机器视觉领域，成像系统的设计主要依靠视觉工程师经验，工程师通过对材质的主观肉眼观看以及在某些特定的打光条件下观看，通过经验判断不同目标的反射特性，最终设计并实验出合理的打光方式以凸显待检测或测量的目标及特征并尽可能抑制其余干扰。比如在在条码或光学字符识别应用中，待识别对象经常被打在具有复杂光学反射特性的镭射防伪标签上，因此需要设计合理的成像方式凸显条码或文本，同时还要避免防伪标上因镜面反射形成的强反光区域。依靠人为知识经验来设计光学系统存在诸多问题：(1)受限于工程师经验，往往无法得到最优成像方式；(2)缺乏量化，无法形成完备的知识体系；(3)成本高、耗时多。

在计算机视觉领域，双向反射分布函数(Bidirectional ReflectanceDistribution Function，BRDF)是用来定义给定入射方向上的辐射照度如何影响给定出射方向上的辐射率。在不考虑波长的情况下，其定义为r(θ_s,φ_s,θ_v,φ_v)，其中，θ_s,φ_s为入射光的天顶角和方位角，θ_v,φ_v为探测器的天顶角和方位角，r的数值为探测器接收的辐射强度与单位入射强度的比值。更笼统地说，它描述了入射光线经过某个表面反射后如何在各个出射方向上分布，是一种可以用于完备描述物体表面反射特性的物理定义。双向反射分布函数为四维函数，其变量为两个方向的入射角度与两个方向的出射角度。因此，设计一套数字化、智能化的待检测物表面反射特性测量仪器对于机器视觉领域具有重要的意义。

常规的BRDF测量方法一般要求在对目标物体进行测量时，覆盖以样品为中心的特定空间角度范围内的BRDF特性，通常在实际操作过程中，受限于空间位置和时间要求等原因，往往只能完成稀疏的离散采样。传统的测量装置一般使用悬臂或者六轴串联机械手配合方位环形轨道进行观测，系统结构较为庞杂，测量时间也相对较长。实验中只能对有限的入射、散射角进行测量，其得到的待测样品的双向反射率分布函数精确度不够高；因此必须建立工程计算数值回归模型，以获取没有测量的入射、散射角对应的BRDF值，完成对测量材料全方位的反射特定建模，以提高双向反射率分布函数的精确度。

发明内容

本发明的目的是提供一种基于机器学习的移动式多视角成像系统及方法，能够实现全自动测量样品双向反射率分布函数，同时回归连续空间的双向反射率分布模型，具有结构简洁、测量精度高、自动化程度高、智能化程度高的优点。

本发明采取如下技术方案实现上述目的，基于机器学习的移动式多视角成像系统，包括：点光源阵列、光学成像模块，所述点光源阵列上每一个灯珠独立可控，光学成像模块在平行于点光源阵列上方的平面内移动；

光学成像模块用于移动到不同的设定位置时，以不同的视角按照设定的离散采样次数N_i，每次点亮单一的不同灯珠，并同步触发光学成像模块采集图像，同时记录下图像采集的位置坐标以及对应点亮的灯珠坐标，直到完成N_i次图像采样，得到对应视角下N_i个照明角度的图像，N_i小于总的灯珠个数；