應(yīng)用區(qū)域估計(jì)的復(fù)雜背景多圓快速定位方法

王憲，趙前程，譚建平(.湖南科技大學(xué) 機(jī)電工程學(xué)院，湖南 湘潭，40；.中南大學(xué) 高性能復(fù)雜制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙，40083)

應(yīng)用區(qū)域估計(jì)的復(fù)雜背景多圓快速定位方法

王憲1，趙前程1，譚建平2
(1.湖南科技大學(xué) 機(jī)電工程學(xué)院，湖南 湘潭，411201；
2.中南大學(xué) 高性能復(fù)雜制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙，410083)

針對(duì)現(xiàn)有多圓定位方法應(yīng)用于復(fù)雜背景高分辨率工業(yè)測(cè)量圖像實(shí)時(shí)性差的問(wèn)題，提出一種應(yīng)用區(qū)域估計(jì)的復(fù)雜背景多圓快速定位方法。首先，依據(jù)Hough變換前2幀圖像檢測(cè)結(jié)果及環(huán)境噪聲經(jīng)驗(yàn)數(shù)據(jù)實(shí)現(xiàn)各圓特征對(duì)應(yīng)的Sage-Husa濾波器的初始化；接著，應(yīng)用濾波算法對(duì)特征的有效區(qū)域進(jìn)行估計(jì)；最后，在有效區(qū)域內(nèi)結(jié)合優(yōu)化的特征定位有效判據(jù)及2種圖像增強(qiáng)方法實(shí)現(xiàn)精確定位。研究結(jié)果表明：優(yōu)化的特征定位有效判據(jù)較傳統(tǒng)判據(jù)更加合理；特征提取速度與基于Hough變換的方法相比顯著提高；應(yīng)用該方法的測(cè)試系統(tǒng)可充分發(fā)揮視覺(jué)測(cè)量技術(shù)在靈活性及集成性上的優(yōu)勢(shì)，測(cè)試精度較傳統(tǒng)系統(tǒng)提高33%以上。該方法可實(shí)現(xiàn)高分辨率圖像多圓快速精確定位，具有實(shí)用價(jià)值。

計(jì)算機(jī)視覺(jué)；多圓檢測(cè)；自適應(yīng)濾波；收斂；區(qū)域估計(jì)

圓檢測(cè)是許多計(jì)算機(jī)視覺(jué)測(cè)量系統(tǒng)的關(guān)鍵步驟之一，在工業(yè)測(cè)試領(lǐng)域有著廣闊的應(yīng)用前景[1-2]。近年出現(xiàn)的一些測(cè)試系統(tǒng)中，要求計(jì)算機(jī)視覺(jué)算法在復(fù)雜背景中實(shí)現(xiàn)快速精確多圓定位[3]。傳統(tǒng)的圓檢測(cè)方法包括模版法、重心法、矩估計(jì)法、曲線擬合法和Hough變換法[4-6]等，其中，只有Hough變換法能在復(fù)雜背景下實(shí)現(xiàn)多圓定位，但實(shí)時(shí)性差、精度低。隨后出現(xiàn)的隨機(jī)Hough變換、隨機(jī)圓檢測(cè)等算法可在一定程度上提高檢測(cè)速度，但精度仍然較低。復(fù)雜背景下多圓定位是近年來(lái)的研究熱點(diǎn)，國(guó)內(nèi)外學(xué)者提出了許多新的方法，如：周勇亮等[7]提出了一種基于有效繼承的隨機(jī)變換圓檢測(cè)累計(jì)加速算法，該方法通過(guò)在每次成功檢測(cè)圓后不清空參數(shù)，并在下次檢測(cè)中繼承上次的有效采樣來(lái)提升隨機(jī)Hough變換圓檢測(cè)算法的速度和抗干擾能力；葉峰等[8]提出了一種基于有序搜索的廣義Hough變換快速圓檢測(cè)算法，該算法利用圓的幾何性質(zhì)和梯度方向信息來(lái)有序搜索圓邊緣點(diǎn)集，從而提高了Hough變換的速度；JIANG[9]提出了一種應(yīng)用概率抽樣和特征點(diǎn)的高效隨機(jī)Hough變換，該方法通過(guò)優(yōu)化的確定樣本點(diǎn)和尋找候選圓策略來(lái)提高隨機(jī)Hough變換的速度；SHI等[10]提出了一種應(yīng)用多層分?jǐn)?shù)傅里葉變換的高級(jí)隨機(jī)Hough變換，應(yīng)用該方法進(jìn)行直線檢測(cè)時(shí)，在現(xiàn)有Hough變換改進(jìn)算法中魯棒性最佳，也可用于多圓定位；王憲等[11]將Hough變換和曲線擬合法相結(jié)合，并進(jìn)一步優(yōu)化，提出了一種復(fù)雜工業(yè)環(huán)境下激光束中心快速精確定位方法，精度和實(shí)時(shí)性能滿(mǎn)足低分辨率圖像工業(yè)在線監(jiān)測(cè)的要求。上述工作均是以Hough變換為基礎(chǔ)，隨著硬件技術(shù)的發(fā)展，工業(yè)檢測(cè)圖像的分辨率越來(lái)越高，這些方法用于高分辨率檢測(cè)圖像時(shí)耗時(shí)將迅速增加，實(shí)時(shí)性差仍然是比較突出的問(wèn)題?？柭鼮V波算法具有完備的理論基礎(chǔ)和簡(jiǎn)便的算法[12-13]，近年來(lái)，在計(jì)算機(jī)視覺(jué)領(lǐng)域?qū)⑵鋺?yīng)用于目標(biāo)參數(shù)估計(jì)[14-15]，以提高算法的實(shí)時(shí)性和魯棒性。本文作者借鑒這一思想，將Sage-Husa自適應(yīng)卡爾曼濾波算法應(yīng)用于圓特征檢測(cè)參數(shù)估計(jì)，結(jié)合在圖像預(yù)處理及特征定位領(lǐng)域的其他研究成果[11,16-17]，提出一種應(yīng)用區(qū)域估計(jì)的復(fù)雜背景多圓快速定位方法。該方法給出了優(yōu)化的特征定位結(jié)果有效性判據(jù)，對(duì)不同質(zhì)量的檢測(cè)圖像采用不同的預(yù)處理方法，從而實(shí)現(xiàn)工業(yè)測(cè)量中實(shí)時(shí)性和精度較高的平衡。

1　特征區(qū)域估計(jì)

本文方法是先應(yīng)用Sage-Husa自適應(yīng)卡爾曼濾波算法對(duì)各圓特征的有效區(qū)域進(jìn)行估計(jì)，再在各有效區(qū)域中分別對(duì)圓特征進(jìn)行中心定位，從而顯著減少計(jì)算量，抑制背景及噪聲對(duì)中心定位的不利影響，實(shí)現(xiàn)復(fù)雜背景下多圓特征快速定位。

1.1估計(jì)原理

由卡爾曼原理可知，線性離散系統(tǒng)狀態(tài)方程為

式中：X (k )為系統(tǒng)的狀態(tài)向量；Φ(k, k-1)為由k-1時(shí)刻到k時(shí)刻的系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣；Γ (k, k-1)為系統(tǒng)噪聲矩陣；W(k)為過(guò)程噪聲向量。要對(duì)圓特征區(qū)域進(jìn)行定位，需要的基本參數(shù)包括圓的中心位置坐標(biāo)和半徑。本文方法以平面內(nèi)的勻加速直線運(yùn)動(dòng)來(lái)近似替代特征的運(yùn)動(dòng)規(guī)律，選取中心坐標(biāo)(x,y)、中心坐標(biāo)對(duì)時(shí)間的一階導(dǎo)數(shù)x.，y.和半徑r為狀態(tài)變量，則

其中：T為2次檢測(cè)的時(shí)間間隔。系統(tǒng)觀測(cè)方程為

其中：Z(k )為系統(tǒng)觀測(cè)向量；V(k)為系統(tǒng)觀測(cè)噪聲向量；H(k)為觀測(cè)方程。在圓特征定位檢測(cè)中，直接觀測(cè)量為中心坐標(biāo)(x，y)和半徑r，則

確定系統(tǒng)狀態(tài)方程和觀測(cè)方程后，按照文獻(xiàn)[16]所述簡(jiǎn)化Sage-Husa自適應(yīng)濾波算法，根據(jù)系統(tǒng)模型和歷史檢測(cè)數(shù)據(jù)對(duì)圓的中心坐標(biāo)和半徑進(jìn)行迭代估計(jì)。依據(jù)估計(jì)結(jié)果確定特征區(qū)域方法如圖1所示。若k時(shí)刻某一特征的特征中心坐標(biāo)為和，半徑為，為確保圓特征全部在有效區(qū)域內(nèi)，設(shè)置余量參數(shù)w(w為正數(shù))，則特征估計(jì)區(qū)域4個(gè)頂點(diǎn)坐標(biāo)為：

圖1　特征區(qū)域估計(jì)示意圖Fig.1　Illustration of region estimation

1.2濾波器的初始化

在應(yīng)用Sage-Husa自適應(yīng)濾波算法時(shí)，需依據(jù)特征的初始狀態(tài)建立定濾波器的初始條件。本文采用文獻(xiàn)[11]中所述方法得到的觀測(cè)值實(shí)現(xiàn)濾波器初始化。假設(shè)依據(jù)文獻(xiàn)[11]中方法得到的前2個(gè)位置觀測(cè)向量分別為和，那么濾波器狀態(tài)向量初始化為

將特征運(yùn)動(dòng)系統(tǒng)視為線性高斯系統(tǒng)，過(guò)程噪聲W(k )和觀測(cè)噪聲V(k)可處理成具有時(shí)變均值和時(shí)變協(xié)方差陣的不相關(guān)高斯隨機(jī)過(guò)程，即

式中：δkj為克羅內(nèi)克函數(shù)。假設(shè)過(guò)程噪聲和觀測(cè)噪聲均是無(wú)偏的，即 q(k )=r(k )=0。協(xié)方差矩陣Q(k)和R(k)矩陣需要依據(jù)離線實(shí)驗(yàn)誤差幅值和方差的歷史統(tǒng)計(jì)數(shù)據(jù)進(jìn)行初始化。

1.3優(yōu)化的特征定位有效判據(jù)

依據(jù)卡爾曼濾波理論，在得到k次檢測(cè)觀測(cè)向量Z(k)后，可計(jì)算得到濾波器新息向量：

濾波器收斂判據(jù)為[18]

式中：γ為儲(chǔ)備系數(shù)，γ>1；tr為矩陣的跡。圓特征半徑參數(shù)只與標(biāo)志大小及物距有關(guān)，在工業(yè)在線檢測(cè)等許多特征定位的應(yīng)用場(chǎng)合，這兩者均是固定的，圓特征半徑參數(shù)也不發(fā)生變化；而對(duì)特征運(yùn)動(dòng)精確建模通常無(wú)法實(shí)現(xiàn)，特征中心位置與預(yù)測(cè)值有一定偏差有時(shí)屬于正常情況。因此，本文在使用濾波發(fā)散判據(jù)時(shí)，對(duì)新息向量中不同元素賦予不同權(quán)重，從而更好地判定測(cè)量野值，定義權(quán)重矩陣：

其中：a1，a2和a3分別為圓特征中心x坐標(biāo)、y坐標(biāo)及半徑在野值判定過(guò)程中所占的權(quán)重。經(jīng)研究發(fā)現(xiàn)，a1和a2取為1，a3在[2,5]范圍內(nèi)取值，能較好地判定定位結(jié)果是否有效。基于濾波器收斂判據(jù)，本文的特征定位有效判據(jù)定為

2　特征精確定位方法

為了能快速完成特征定位檢測(cè)并同時(shí)保證算法的抗干擾能力，先嘗試簡(jiǎn)單的預(yù)處理后對(duì)特征定位。若結(jié)果無(wú)效，則采用一種強(qiáng)效方法增強(qiáng)邊緣圖像后再次嘗試特征精確定位。

特征初次精確定位采用文獻(xiàn)[11]中圓特定位方法，具體步驟為：1)采用Canny算法實(shí)現(xiàn)圖像的邊緣二值化；2)剔除鏈接長(zhǎng)度與圓特征周長(zhǎng)差別顯著的邊緣響應(yīng)；3)采用最小二乘橢圓擬合法對(duì)特征定位。

初次精確定位后，得到新的觀測(cè)向量Z(k)，并按照上述判據(jù)判斷結(jié)果是否有效，若結(jié)果無(wú)效，則對(duì)邊緣二值化后圖像先應(yīng)用文獻(xiàn)[16]中的極低質(zhì)量邊緣圖像修復(fù)方法進(jìn)行修復(fù)，再采用最小二乘橢圓擬合法進(jìn)行定位，并依據(jù)結(jié)果更新觀測(cè)向量Z(k)。此時(shí)，若新檢測(cè)結(jié)果仍然無(wú)效，則認(rèn)為該檢測(cè)圖像中該特征無(wú)法利用，直接將濾波器對(duì)k時(shí)刻狀態(tài)估計(jì)值作為測(cè)量值，將該時(shí)刻檢測(cè)結(jié)果排除，從而抑制野值對(duì)區(qū)域估計(jì)的影響。

3　算法實(shí)現(xiàn)流程

采用本文方法對(duì)某一特征執(zhí)行定位的檢測(cè)流程如圖2所示。單檢測(cè)圖像包含多個(gè)特征時(shí)，只需按該檢測(cè)流程建立多個(gè)濾波器并行工作即可。

圖2　特征定位流程Fig.2　Processes of feature location

4　實(shí)驗(yàn)及應(yīng)用

4.1實(shí)驗(yàn)系統(tǒng)

本實(shí)驗(yàn)的檢測(cè)圖像來(lái)自柔性接頭擺心現(xiàn)場(chǎng)測(cè)試系統(tǒng)，該系統(tǒng)為驗(yàn)證本課題組提出的機(jī)器視覺(jué)擺心測(cè)試方法[19]構(gòu)建。系統(tǒng)工作時(shí)，液壓驅(qū)動(dòng)裝置驅(qū)動(dòng)安裝在接頭上的擺動(dòng)體作擺動(dòng)周期為3.2 s的平面擺動(dòng)(為了便于分析系統(tǒng)的檢測(cè)精度，實(shí)驗(yàn)采用標(biāo)準(zhǔn)定心接頭代替實(shí)際測(cè)試的柔性接頭)。圖像采集元件在正面采集某一組標(biāo)志物的運(yùn)動(dòng)圖像，通過(guò)多圓定位算法及擺心計(jì)算幾何模型得到擺心的位置，并可與同時(shí)工作的傳統(tǒng)多位移傳感器擺心測(cè)試系統(tǒng)進(jìn)行精度對(duì)比。圖像采集元件為德國(guó)image source工業(yè)相機(jī)DFK 23GM021，工作時(shí)采集頻率為15 Hz，圖像分辨率為1280像素×720像素；工業(yè)鏡頭為日本 Computar M3Z1228C-MP型手動(dòng)變焦工業(yè)鏡頭，焦距調(diào)整范圍為12~36 mm。圖像處理算法是在PC機(jī)(主頻1.9 G雙核處理器、內(nèi)存2 G)上通過(guò)Visual C++6.0編程實(shí)現(xiàn)。

4.2多圓定位實(shí)驗(yàn)

在現(xiàn)場(chǎng)測(cè)試中，在擺動(dòng)體不同位置布置共計(jì)5組標(biāo)志物，本實(shí)驗(yàn)采用的數(shù)據(jù)為其中圓特征數(shù)量最多的第3組標(biāo)志物測(cè)試圖像。采用本文方法對(duì)該組測(cè)試圖像定位時(shí)，建立4個(gè)濾波器對(duì)圖像中4個(gè)標(biāo)志點(diǎn)分別進(jìn)行區(qū)域估計(jì)，余量常數(shù)w取值為7.5像素，使用特征定位結(jié)果有效判據(jù)時(shí)貯備系數(shù)γ取為3.5，通過(guò)物/像比例標(biāo)定得到單像素大小為 0.190 6 mm× 0.190 6 mm。過(guò)程噪聲和觀測(cè)噪聲的協(xié)方差矩陣依據(jù)先驗(yàn)統(tǒng)計(jì)數(shù)據(jù)分別初始化為：

圖3　區(qū)域估計(jì)結(jié)果Fig.3　Region estimation results

本文特征區(qū)域預(yù)測(cè)方法半周期特征預(yù)測(cè)結(jié)果如圖3所示。由圖3可知：本文方法對(duì)所有位置的特征區(qū)域均進(jìn)行了有效預(yù)測(cè)，在某些時(shí)刻，濾波器對(duì)特征參數(shù)的預(yù)測(cè)出現(xiàn)了明顯偏差(如第20幀和第25幀)，導(dǎo)致特征沒(méi)有出現(xiàn)在預(yù)測(cè)區(qū)域的中心，但由于余量常數(shù)w取值恰當(dāng)，特征并沒(méi)有出現(xiàn)在預(yù)測(cè)區(qū)域之外，且由于Sage-Husa濾波方法能夠?qū)τ^測(cè)噪聲進(jìn)行在線自整定，后續(xù)時(shí)刻特征又逐漸回到了預(yù)測(cè)區(qū)域的中心位置。這表明本文的特征區(qū)域方法是有效的。在該過(guò)程中，位于圖像左上方的圓特征初次定位后依據(jù)標(biāo)準(zhǔn)濾波收斂判據(jù)和本文提出的特征結(jié)果有效判據(jù)計(jì)算得到的貯備系數(shù)γ如圖4所示。使用本文判據(jù)時(shí)，權(quán)重矩陣中參數(shù)a1=1，a2=1，a3=3。該特征在第17幀檢測(cè)圖像中質(zhì)量較差，初次定位結(jié)果無(wú)效，該次定位后采用標(biāo)準(zhǔn)判據(jù)計(jì)算得到的γ為4.3，本文判據(jù)計(jì)算得到的γ為7.2。在其他檢測(cè)圖像中，該特征的初次定位結(jié)果均是有效的，由標(biāo)準(zhǔn)判據(jù)計(jì)算得到的γ在2.9以?xún)?nèi)，由本文判據(jù)計(jì)算得到的γ在1.7以?xún)?nèi)。結(jié)果表明，采用本文的特征結(jié)果有效判據(jù)在定位檢測(cè)結(jié)果有效時(shí)γ的波動(dòng)范圍更小，而當(dāng)出現(xiàn)無(wú)效檢測(cè)結(jié)果時(shí)，本文判據(jù)計(jì)算得到的γ增加更顯著，本文判據(jù)更合理。

圖4　初次定位后γ計(jì)算結(jié)果Fig.4　Calculation results ofγafter initial positioning

該組檢測(cè)圖像中各特征的實(shí)際中心位置無(wú)法得知，實(shí)驗(yàn)中確定各特征中心坐標(biāo)真值的方法如下：人工以特征中心為區(qū)域中心對(duì)特征有效區(qū)域進(jìn)行定位；在有效區(qū)域內(nèi)按照文獻(xiàn)[20]中的人工分割方法對(duì)特征邊緣真值進(jìn)行提??；最后采用最小二乘橢圓擬合法定位特征中心。本文方法得到的該組數(shù)據(jù)180個(gè)特征定位均方根誤差為2.8 nm，文獻(xiàn)[11]中方法得到的該組數(shù)據(jù)特征定位均方根誤差為2.3×10-7m；除了第17幀圖像左上方的圓特征以外，本文方法和該方法得到的中心坐標(biāo)完全一致，第17幀圖像質(zhì)量較差，采用該方法定位誤差為0.108 mm，本文方法定位誤差為0.002 mm。本文方法集成了文獻(xiàn)[16]中提出的激光邊緣圖像修復(fù)方法，對(duì)于質(zhì)量較差的檢測(cè)圖像仍然能獲得較高的定位精度。本文方法魯棒性更好。

采用本文方法和文獻(xiàn)[11]中方法的濾波器初始化后各幀圖像特征定位耗時(shí)平均值如圖5所示。從圖5可見(jiàn)：對(duì)于大多數(shù)檢測(cè)圖像，采用本文方法定位耗時(shí)在110 ms上下波動(dòng)，只有第17幀圖像四特征定位平均耗時(shí)為215.3 ms。這是因?yàn)楸疚姆椒▽?duì)第17幀圖像左上方的圓特征實(shí)施了邊緣修復(fù)及再次定位操作，而其他幀圖像特征均沒(méi)有實(shí)施該操作。文獻(xiàn)[11]中方法特征定位平均耗時(shí)為632 ms。本文方法用Sage-Husa自適應(yīng)濾波算法替代耗時(shí)的Hough變換實(shí)現(xiàn)對(duì)特征區(qū)域的有效定位，特征提取速度顯著提高，表明本文方法可實(shí)現(xiàn)高分辨率圖像圓特征快速精確定位。

圖5　各幀圖像特征定位平均耗時(shí)Fig.5　Feature location average time of each image

4.3工程應(yīng)用

將本文方法應(yīng)用于柔性接頭擺心測(cè)試系統(tǒng)的標(biāo)志物中心定位，依據(jù)第3組標(biāo)志物的特征提取結(jié)果和文獻(xiàn)[19]中的擺心計(jì)算方法計(jì)算擺心坐標(biāo)，并取其平均值(減少隨機(jī)誤差)。1個(gè)完整擺動(dòng)周期擺心測(cè)試結(jié)果與同一過(guò)程多位移傳感器擺心測(cè)試系統(tǒng)得到的測(cè)試結(jié)果如圖6所示。在測(cè)試過(guò)程中，為便于分析系統(tǒng)精度，采用標(biāo)準(zhǔn)的定心接頭代替柔性接頭。系統(tǒng)坐標(biāo)系原點(diǎn)定在理論擺心處，水平向右方向?yàn)閄軸正方向，豎直向上方向?yàn)閆軸正方向。

原有多位移傳感器擺心測(cè)試系統(tǒng)運(yùn)行結(jié)果表明：測(cè)試現(xiàn)場(chǎng)擺動(dòng)驅(qū)動(dòng)裝置工作時(shí)的振動(dòng)會(huì)對(duì)測(cè)試基準(zhǔn)穩(wěn)定性帶來(lái)不利影響。由圖6可知：采用視覺(jué)擺心測(cè)試方法，可通過(guò)選擇穩(wěn)定性較好的位置布置標(biāo)志物來(lái)抑制測(cè)試的振動(dòng)系統(tǒng)誤差(第3組標(biāo)志物所處位置固定最緊固)，擺心2個(gè)方向的測(cè)試隨機(jī)誤差均可控制在±1.6 mm以?xún)?nèi)；而采用位移傳感器的測(cè)試系統(tǒng)完成測(cè)試需要2個(gè)較長(zhǎng)的物理基準(zhǔn)面，集成性差，不能消除基準(zhǔn)振動(dòng)產(chǎn)生的系統(tǒng)誤差；擺心Z軸方向的測(cè)試結(jié)果大幅度波動(dòng)，體現(xiàn)出明顯的系統(tǒng)誤差；擺心X軸方向測(cè)試結(jié)果雖然沒(méi)有大幅度波動(dòng)，但排除測(cè)量野值后的測(cè)試精度也只能控制在±2.4 mm以?xún)?nèi)。應(yīng)用本文方法的視覺(jué)測(cè)試系統(tǒng)精度較原有多位移傳感器擺心測(cè)試系統(tǒng)提高33%以上。

圖6　測(cè)試結(jié)果對(duì)比曲線Fig.6　Comparison curves of test results

5　結(jié)論

1)將Sage-Husa自適應(yīng)濾波算法及曲線擬合法相結(jié)合，提出了一種復(fù)雜背景多圓快速定位方法。該方法給出了優(yōu)化的特征定位結(jié)果有效性判據(jù)，集成了圖像預(yù)處理及特征定位領(lǐng)域的研究成果，對(duì)不同質(zhì)量的檢測(cè)圖像采用不同的預(yù)處理方法，從而實(shí)現(xiàn)了工業(yè)測(cè)量中實(shí)時(shí)性和精度的平衡。

2)本文方法能對(duì)復(fù)雜背景下多特征的有效區(qū)域進(jìn)行準(zhǔn)確定位，其特征定位結(jié)果有效性判據(jù)比傳統(tǒng)的濾波收斂判據(jù)更合理，對(duì)于分辨率為1 280像素×720像素的高清測(cè)量圖像，特征定位均方根誤差為2.8 nm，平均耗時(shí)小于215.3 ms。該方法精度較高，實(shí)時(shí)性好，魯棒性強(qiáng)。

3)應(yīng)用本文方法的柔性接頭擺心測(cè)試系統(tǒng)可充分發(fā)揮視覺(jué)測(cè)量技術(shù)在靈活性及集成性上的優(yōu)勢(shì)，測(cè)試精度較原有多位移傳感器擺心測(cè)試系統(tǒng)提高33%以上。

[1]CUNEVT A,CIHAN T.EDCircles:a real-time circle detector with a false detection control[J].Pattern Recognition,2013, 46(3):725-740.

[2]曹健,陳紅倩,毛典輝,等.基于局部特征的圖像目標(biāo)識(shí)別問(wèn)題綜述[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,44(S2): 258-262. CAO Jian,CHEN Hongqian,MAO Dianhui,et al.Survey of imageobjectrecognitionbasedonlocalfeatures[J]. Journal of Central South University(Science and Technology), 2013,44(S2):258-262.

[3]ERIK C,VALENTIN O E,FEMANDO W,et al.Automatic multiple circle detection based on artificial immune systems[J]. Expert Systems with Applications,2012,39(1):713-722.

[4]DASGUPTA S,DAS S,BISWAS A,et al.Automatic circle detection on digital images with an adaptive bacterial foraging algorithm[J].Soft Computing,2010,14(11):1151-1164.

[5]盧泉,劉上乾,王會(huì)峰.基于殘差修剪的激光光斑高精度定位方法[J].光學(xué)學(xué)報(bào),2008,28(12):2311-2315. LU Quan,LIU Shangqian,WANG Huifeng.Precise location of laser spot center based on residual pruning[J].Acta Optica Sinica, 2008,28(12):2311-2315.

[6]MURILLO E A,MARTINEZ M E,MIRANDA M M,et al. ImplementationofHoughtransformforfruitimage segmentation[J].Procedia Engineering,2012,35(12):230-239.

[7]周勇亮,金燕,何萍,等.隨機(jī)Hough變換圓檢測(cè)累計(jì)加速算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2014,26(4):574-579. ZHOU Yongliang,JIN Yan,HE Ping,et al.Accelerated randomized Hough transform for circle detection using effective accumulation strategy[J].Journal of Computer-Aided Design& Computer Graphics,2014,26(4):574-579.

[8]葉峰,陳燦杰,賴(lài)乙宗,等.基于有序Hough變換的快速圓檢測(cè)算法[J].光學(xué)精密工程,2014,22(4):1105-1111. YE Feng,CHEN Canjie,LAI Yizong,et al.Fast circle detection algorithm using sequenced Hough transform[J].Optics and Precision Engineering,2014,22(4):1105-1111.

[9]JIANG Lianyuan.Efficient randomized Hough transform for circle detection using novel probability sampling and feature points[J].International Journal for Light and Electron Optics, 2014,123(20):1834-1840.

[10]SHI Daming,ZHENG Liying,LIU Jigang.Advanced Hough transform using a multilayer fractional Fourier method[J].IEEE Transactions on Image Processing,2010,19(6):1558-1566.

[11]王憲,譚建平,全凌云,等.復(fù)雜工業(yè)環(huán)境下激光束中心快速精確定位方法[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,39(12): 43-49. WANG Xian,TAN Jianping,QUAN Lingyun,et al.Fast and precise location method of the laser beam center point in complex industrial environment[J].Journal of Hunan University (Natural Sciences),2012,39(12):43-49.

[12]NICHOLASA,MARIA A,MARIAK,etal.Optimal decentralized Kalman filter and Lainiotis filter[J].Digital Signal Processing,2013,23(1):442-452.

[13]BHOTTO M Z A,ANTONIOU A.Robust set-membership affine-projection adaptive-filtering algorithm[J].IEEE Transactions on Signal Processing,2012,60(1):73-81.

[14]AMIR H M,ARASH A L.Applying mean shift,motion informationandKalmanfilteringapproachestoobject tracking[J].ISATransactions,2012,51(3):485-497.

[15] 孔軍,湯心溢,蔣敏,等.基于多尺度特征提取的 Kalman濾波跟蹤[J].紅外與毫米波學(xué)報(bào),2011,30(5):446-450. KONG Jun,TANG Xinyi,JIANG Min,et al.Target tracking based on multi-scale feature extraction Kalman filter[J].Journal of Infrared and Millimeter Waves,2011,30(5):446-450.

[16] 譚建平,王憲.應(yīng)用像素鄰接特性分析的激光邊緣圖像修復(fù)[J].光學(xué)精密工程,2013,21(10):2728-2735. TAN Jianping,WANG Xian.Laser edge image inpainting based on pixel adjacency analysis[J].Optics and Precision Engineering, 2013,21(10):2728-2735.

[17] 王憲,譚建平,陳國(guó)強(qiáng),等.改進(jìn)的Sage-Husa算法及其在工業(yè)在線檢測(cè)中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào),2013,36(12):17-20. WANG Xian,TAN Jianping,CHENG Guoqiang,et al.Improved Sage-Husa algorithm and its application in industrial online measurement[J].Journal of Chongqing University,2013,36(12): 17-20.

[18]石勇,韓崇昭.自適應(yīng)UKF算法在目標(biāo)跟蹤中的應(yīng)用[J].自動(dòng)化學(xué)報(bào),2011,37(6):755-759. SHI Yong,HAN Chongzhao.Adaptive UKF method with applications to target tracking[J].Acta Automatica Sinca,2011, 37(6):755-759.

[19]譚建平,王憲,文躍兵.一種基于機(jī)器視覺(jué)平面擺動(dòng)的擺心測(cè)試方法:201110382185.3[P].2012-07-04. TAN Jianping,WANG Xian,WEN Yuebing.A computer visionbased plane swing center testing method:201110382185.3[P]. 2012-07-04.

[20]HOOVER A,JEAN-BAPTISTE G,JIANG X.An experimental comparison of range image segmentation algorithms[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1996, 18(7):673-689.

(編輯陳燦華)

Multiple circle location method using region estimation in complex background
WANG Xian1,ZHAO Qiancheng1,TAN Jianping2
(1.College of Electromechanical Engineering,Hunan University of Science and Technology,Xiangtan 411201,China; 2.State Key Laboratory of High Performance and Complex Manufacturing,Central South University, Changsha 410083,China)

A multiple circle location method using region estimation in complex background was proposed in light of the poor real-time performance of existing circular positioning method applied in high-resolution industrial measurement image with complex background.Firstly,the initialization of the Sage-Husa filter for each circular feature was realized by the first two images testing results through Hough transform and the environmental noise empirical data.Then,the filtering algorithm was employed to estimate the effective area of the feature.At last,precise positioning combined the optimized positioning valid criterion and two image enhancement methods in the feature effective area were achieved. The results indicate that the optimized positioning valid criterion is more reasonable than traditional criterion,feature extraction speed is significantly improved compared with the method based on Hough transform and has better robustness. Moreover,test system employing this method can take full advantages of vision measurement technology in terms of flexibility and integration,and test precision is 33%greater than traditional systems.It can achieve fast and precise multiple circle location of the high-resolution image and has a practical value.

computer vision;multiple circle detection;adaptive filter;convergence;region estimation

王憲，博士，講師，從事工業(yè)在線檢測(cè)理論與方法研究；E-mail:15111388435@163.com

TP391

A

1672-7207(2016)07-2266-07

10.11817/j.issn.1672-7207.2016.07.013

2015-07-18；

2015-09-22

國(guó)家自然科學(xué)基金資助項(xiàng)目(51405154，51275169)；國(guó)家重點(diǎn)基礎(chǔ)發(fā)展計(jì)劃(973計(jì)劃)項(xiàng)目(2014CB049405) (Projects(51405154,51275169)supported by the National Natural Science Foundation of China;Project(2014CB049405)supported by the National Basic Research Development Program(973 Program)of China)