[发明专利]针对线结构光扫描的点云离群点剔除系统及方法

权利要求书

1.一种针对线结构光扫描的点云离群点剔除系统，其特征在于，它包括灰度图像获取模块和离群点剔除模块；

灰度图像获取模块用于通过直射式激光三角测量图像采集系统采集被测物体逐帧的多张RGB图像，对被测物体逐帧的每张RGB图像进行滤波去噪、图像归一化、图像灰度化的预处理，得到对应的多张二维灰度图像；

离群点剔除模块用于将每张二维灰度图像通过阈值滤波的方法转换成二值图像，获取每张二值图像中的光斑区域，并对像素小于像素阈值的光斑区域进行剔除，实现光斑区域的初步剔除；

离群点剔除模块利用轮廓跟踪算法对光斑区域初步剔除后的每张二值图像继续进行光斑区域的轮廓检测识别，并获取光斑区域轮廓的灰度值，对每个光斑区域轮廓取灰度值前A％的像素点，并计算灰度值前A％的像素点的灰度平均值，对灰度平均值低于灰度阈值的光斑区域轮廓进行剔除，实现光斑区域的进一步剔除；

离群点剔除模块遍历光斑区域进一步剔除后的每张二值图像的光斑区域轮廓，获取光斑区域轮廓的面积与光斑区域轮廓凸点数个数，计算每个光斑区域轮廓面积与该光斑区域轮廓凸点数比值，将比值最大的两个光斑区域轮廓进行剔除，实现光斑区域的再次剔除。

2.根据权利要求1所述的针对线结构光扫描的点云离群点剔除系统，其特征在于：它还包括深度学习模块，所述深度学习模块通过人工手动标记的方式，标记出光斑区域再次剔除后的每张二值图像中的光斑区域轮廓，并采用深度学习模型，对标记出的光斑区域轮廓进行学习训练，得到难以剔除光斑区域的特征参数。

3.根据权利要求2所述的针对线结构光扫描的点云离群点剔除系统，其特征在于：所述深度学习模块利用剔除的光斑区域轮廓和人工手动标记出的光斑区域轮廓通过搭建resnet图像识别框架，制作训练集，根据训练集利用特征参数对光斑区域再次剔除后的每张二值图像中的光斑区域轮廓进行离群点光斑区域识别，剔除光斑区域生成新的图像序列。

4.根据权利要求3所述的针对线结构光扫描的点云离群点剔除系统，其特征在于：它还包括三维点云获取模块，所述三维点云获取模块用于对新的图像序列通过灰度重心法得到剔除离群点的三维点云模型。

5.根据权利要求1所述的针对线结构光扫描的点云离群点剔除系统，其特征在于：所述直射式激光三角测量图像采集系统采集被测物体逐帧的多张RGB图像的具体过程为：将激光器固定在垂直于视觉移动平台的位置，激光束照射在置于特定的速率的单向运动平台上的被测物体上，与激光器成一定角度的CCD相机通过三角激光测量法获取被测物体的表面信息，最终生成被测物体表面的三维点云信息。

6.根据权利要求1所述的针对线结构光扫描的点云离群点剔除系统，其特征在于：对被测物体逐帧的每张RGB图像进行滤波去噪、图像归一化、图像灰度化的预处理的具体方法为：

对被测物体逐帧的每张RGB图像通过自适应中值滤波、高斯滤波、双边滤波、导向滤波算法，在保留图像细节特征的条件下对每张RGB图像的噪声进行抑制

所述图像归一化，将滤波后的图像转换成相应的唯一标准形式，其工作原理是利用图像中对仿射变换具有不变性来确定变换函数的参数，然后利用此参数确定的变换函数把滤波后的图像变换为一个标准形式的图像；

所述图像灰度化，具体为将归一化后的图像转化成为灰度图像的过程，归一化后的图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。