[发明专利]基于RANSAC的激光网格标记图像特征提取

摘要

在用视觉传感器对工件的表面进行特征提取的过程中，工件表面的自然特征往往表现得不够明显，使得后续的处理非常困难。因此，经常使用激光网格投影到待检测的工件表面，使工件表面具备确定的可识别特征。针对激光网格标记图像特点，在RANSAC(Random Sample Consensus)算法的基础上，提出了像素权重化和假设模型预检验的方法，用于激光网格标记的特征提取。实验结果表明，该方法不仅克服了RANSAC算法计算量大的缺点，在实际图像的激光网格标记特征提取过程中也具有很好的准确性和鲁棒性。

主权项

一种基于RANSAC的激光网格标记图像特征提取方法，其特征在于，包括以下步骤：第一步，将原始图像A变为灰度图像B，并计算每个像素点的灰度值。根据像素的灰度值，为每个像素分配权重值，灰度值越高，则分配的权重值越大。第二步，将灰度图像B变为二值图像C，并将像素值为1的像素点的坐标记录在Data中。第三步，确定改进RANSAC算法的最大循环次数m和残差阈值θ，以及假设模型预检验时选取的点数x。第四步，在Data中随机选取x个不同的点，点的坐标记作集合Z，在Z中随机选取两个点确定一条直线L。分别计算剩余x‑2个点到直线L的距离，记作D_i(i＝1,…,x‑2)，若D_i<θ，则该点为内点，将所有内点坐标的集合记作W。若W为空集，则循环执行第四步，直至W不为空集。如W不为空集，则此时Z中随机选取两个点所确定的直线即为符合要求的假设模型。(该步即为假设模型预检验)第五步，计算Data中所有点到第四步中假设模型的距离，记作E_i(i＝1,…,Data‑2)，若E_i<θ，则该点为内点，将所有内点坐标的集合记作Y。计算Y中所有内点坐标的权重值之和，记作S。第六步，重复第四步和第五步，直至达到最大循环次数m。该过程可以得到多个S值，找出其中最大的S值，记作S_max。则获得S_max所对应的两个随机点所确定的直线模型，即为最优拟合直线。第七步，将最优拟合直线的所有内点，都从Data中剔除。第八步，确定所需拟合直线的数量，记作n，重复n次第四步到第七步，即可找到n条拟合直线。