[发明专利]一种用于标定的离焦棋盘格图像特征提取方法

说明书

本发明公开了一种用于标定的离焦棋盘格图像特征提取方法，包括：S1、获取棋盘格图像；S2、检测亚像素精度的特征点，设计标签图像；S3、制作数据集；S4、设计深度编码解码的权重回归网络；S5、以模糊离焦图像为输入，以标签图像为输出对网络进行反复训练；S6、分析训练网络的输出图像，检测输出图像中每个灰度圆的灰度中心，即为特征点。本发明着眼于离焦图像像素级分析，通过对标签图像带权重像素级回归，使网络实现像素是否为特征点检测。对输入数据集进行加噪处理，使网络对采集图像噪声具有较强鲁棒性；同时将Unet网络中卷积层更换为残差块，以适应深层网络训练；按照标签图像中像素位置，在损失函数中设置不同权重，以提高特征点检测精度。

技术领域

本发明属于视觉测量技术领域，具体地说，本发明涉及一种用于标定的离焦棋盘格图像特征提取方法。

背景技术

视觉测量作为一种无损、非接触的测量技术，逐渐应用于各种特殊场景，如隧道施工环境。相机标定是确立世界坐标和图像坐标变换模型的过程，因此是关系视觉测量精度的关键环节。它从拍摄的二维图像的特征点和特征线来获取空间物体的三维信息。传统上采用棋盘格作为平面标定标靶，通过拍摄多角度标靶，利用角点特征检测特征点，从而计算出世界坐标和图像坐标的映射关系矩阵，然而，传统棋盘格平面标定方案主要适用于近距离视觉系统，对于远距离的视觉系统，需要改变标靶大小和拍摄距离，以适应不同的焦距，标定过程繁琐耗时。并且大尺寸标靶制作困难、成本高。如果仍以普通尺寸标靶来标定，图像难免出现离焦现象。因此，如何在离焦图像中准确提取特征点对于标定具有重要的研究意义和实用价值。

目前，国内外学者对离焦图像的特征点提取展开了研究，提出了一些有效的方法。一种是利用了传统图案边缘的模糊特性提取边缘，然后确定交点，这类方法需要研究模糊特性的规则，需要具备一定的经验；一种是利用离焦图像不改变相位信息的特点，设计相位标靶进行标定(OpticsLetters,2013,38(9):1446-1448,Optik,2014,125(2):671-674)，这种标定方案中图像边缘的离焦对提取效果影响较小，准确性较高，但是需要利用多幅图像进行求解，效率较低。另一种是利用深度学习强大的特征学习能力，对离焦图像进行高质量重建，从而进行自适应校准(Optics Letters,2021,46(22):5537-5540)，该方法输出了高质量的图像，仍需进一步进行特征点检测。

综上所述，如何从离焦图像中直接、准确地获取所拍摄标靶的特征点依然是值得关注的问题。

发明内容

本发明提供一种用于标定的离焦棋盘格图像特征提取方法，以解决上述背景技术中存在的问题。

为了实现上述目的，本发明采取的技术方案为：一种用于标定的离焦棋盘格图像特征提取方法，具体包括以下步骤：

步骤S1：在聚焦状态下，以不同的姿势拍摄标靶，并保证标靶在相机视野内，采集到多姿势的聚焦图像J(u,v)；

步骤S2：针对每个姿势的聚焦图像J(u,v)，采用Bouguet算法检测聚焦图像J(u,v)的特征点，并以每个检测的特征点为圆心生成小邻域内的圆形灰度图像B(u,v)作为标签图像；

步骤S3：对每个姿势的聚焦图像J(u,v)进行高斯模糊变换，以模拟离焦图像I(u,v)，为了增强提取方法对噪声图像的鲁棒性，对离焦图像I(u,v)添加随机噪声，并保持标签图像B(u,v)不变；对离焦图像I(u,v)进行旋转、缩放；同时对标签图像B(u,v)进行相应的旋转与缩放；以增强网络对噪声图像的鲁棒性；

步骤S4：基于U-Net网络建立自动编码解码的权重回归网络，经过若干残差块、ReLu激活和池化层对图像进行编码，再经过若干反卷积、ReLu激活，上采样和级联层进行解码，并用回归层替换原网络中的Softmax分类层；考虑到标签图像B(u,v)中的像素对特征检测任务的重要程度不同，在回归层设计带权重的损失函数，即对不同区域的像素施加不同的权重；