文摘

提出了一种基于投影变换的边缘检测方法。首先,垂直投影变换进行目标点云。数据和数据是归一化图像的宽度和高度,分别。数据归一化到0 - 255的范围,和深度代表了图像的灰度。然后,精明的算法用于检测边缘的投影转换图像,和检测边缘数据投影提取边缘点云的点云。评估性能通过计算边缘点云的法向量。相比之下,整个数据点云的法向量的目标,边缘点云的法向量可以表达目标的特点,和计算时间减少到原来的10%。

1。介绍

作为一个关键自动化技术,机器视觉的现代化经济非常重要。机器视觉被广泛研究的学者。机器视觉使用机器来测量目标的大小或探测目标的表面,而不是眼睛。机器视觉主要使用计算机来模拟人类视觉的功能和繁殖某些智能行为与人类的视觉有关。从图像中提取信息的客观对象,处理和理解,最终用于实际检测和控制。机器视觉在1950年代从统计模式识别。主要工作是集中在二维图像分析,识别和理解。近年来,各种非接触研究成果出现(1- - - - - -4]。机器视觉在工业领域可分为四个方面。表面检测总是用于产品质量检验和产品分类。一个摄像头和一个机器人结合包产品。特征检测总是用于机器人定位。民用机器视觉技术是广泛应用于智能交通、安全保护、字符识别、身份验证、医疗设备、等领域的科学研究、机器视觉可以用于材料分析、生物分析、化学分析、生命科学。在军事领域,它可用于航天、航空、武器和映射。其技术主要包括图像处理、机械工程、控制和光学成像。

3 d采集技术的快速发展,三维传感器越来越可用的和负担得起的,包括各种类型的3 d扫描仪,激光雷达,RGB-D相机(如Kinect, RealSense和苹果深度相机)。3 d数据从这些传感器可以提供丰富的几何形状和尺度信息。补充二维图像,三维数据提供了一个机会来更好地理解周围的环境的机器。三维数据可以表示在不同的格式,包括深度图像,点云网格和体积网格。通用格式,保留原始点云表示几何在3 d空间离散化。这是首选的符号理解相关的应用程序在许多场景。三维点云检测是被学者广泛研究。阿里et al。5)建立在一次性的成功回归meta-architecture 2 d图像空间角度和扩展面向它来生成3 d对象从激光雷达点云边界框。周et al。6]删除手动功能的需要工程3 d点云和提出VoxelNet,一个通用的3 d检测网络,结合特征提取和边界框预测到一个单级,端到端可训练的深度网络。迈耶et al。7]目前LaserNet,计算有效的方法对3 d对象检测激光雷达数据的自动驾驶。——et al。8]目前LiDAR-based 3 d对象检测管道三个阶段。Minemura et al。9]采用扩张的卷积来感知领域随着深度的增加逐渐增加;这有助于减少计算时间约30%。Asvadi et al。10)解决这一问题的车辆检测使用深卷积神经网络(事先)和3 d-lidar数据与应用程序的高级驾驶员辅助系统和自动驾驶。提出了车辆检测系统基于假设一代(HG)和验证(高压)模式。西蒙et al。11)提出一个具体Euler-Region-Proposal网络(E-RPN)来估计物体的姿势通过添加一个虚构的和真实的分数到回归网络。

边缘检测是一个关键的技术来检测目标12]。图像的大部分信息存在于图像的边缘,这主要是由当地的不连续的特征图像。边缘检测是首次提出的二维数字图像;目的是为了识别和检测图像特征变化的位置(13]。点云测量边缘指的是一些边缘点,可以表达目标特性。点云的优势不仅可以表达对象的几何特征也发挥重要作用在物体识别的质量和准确性和曲面模型重建14,15]。作为图像分析和计算机视觉的重要研究领域,边缘检测已经吸引了许多学者的关注。各种边缘检测算法已经发展成熟。

不同的点云数据模型有不同的边缘特征提取方法,大致可分为基于网格和分散的点云的特征提取方法(16,17]。首先,基于网格的特征提取点云网格,然后,点云的边缘特征分析是通过遍历点云,阈值约束。其中,最著名的德劳内算法简单和直观的。但在三角测量的过程中,我们需要评估点云之间的欧氏距离。如果欧几里得距离不合适,将生成。此外,如果该方法应用于三维点云,它需要使用每个点云的正常方向来确定投影方向,所以该算法更适合于均匀和光滑的点云。基于散射点云的特征提取主要是提取一些常规的点,线,面,和其他特性从这种类型的点云,所以它更关注当地的特性。歌等。18)点云中的每个点的向量和向量相邻点的均方根作为边缘特征提取的标准,尽管这种方法之间的关系反映点云中的每个点的法线方向及其相邻点,nonedge点相邻的边缘将检测到的边缘提取的结果。汉et al。19)保持边缘特性通过使用边界点的法线方向的特性不同于nonboundary正常方向,但边缘的密度是一样的nonedge部分。陈等人。20.与多参数约束)提出了一种特征提取算法。特征点是由正常、曲率和欧氏距离。在[21,22),主成分分析(PCA)和正常的方法被用来提取边缘特征点。

指的是二维图像的边缘检测算法,提出了一种精明的运营商基于投影变换的边缘检测的点云数据,得到边缘点云法向量的边缘检测。点云可以更好地反映目标的特点,和解决法向量的速度大为提高。相比之下,整个数据点云的法向量的目标,边缘点云的法向量可以表达目标的特点,和计算时间减少到原来的10%。

2。方法论的垂直投影点数据

投影变换是一个过程,一个地图投影点的坐标转换到另一个地图投影点的坐标。三维点云是一个巨大的点集表达目标的空间分布和表面特征在同一空间引用系统。这是点的集合在获得每个采样点的空间坐标在物体表面。与2 d图像相比,三维点云通常只有 坐标信息。它的空间信息是多余的2 d图像。相应的几何结构更为复杂,点云数据的邻居结构比较复杂。

精明的边缘检测算法,提出了基于投影变换来检测边缘的点云数据。点云数据沿竖直方向投影到XY二维平面,和投影点云数据规范化。的方向代表了宽度,方向代表了高度,值代表图像中的像素的灰度值。转换数据的边缘检测,然后通过逆变换得到最终的边缘点云。

假设点云的数量 ,所有点云表示为

在这里, 点的三维坐标吗 。

点云数据的垂直投影方向,值转换为当前点的深度值。预计点集表示为

投影点集,最大值和最小值和方向数,标记如下: , , ,和 。的 轴的数据量化成一种形式对应于图像的宽度和高度 。的横坐标和纵坐标 就像

执行一个线性变换的矩阵 。为了实现点云和图像之间的对应关系,统计的最小和最大价值标记如下:和 。的值是线性转换为100 ~ 255的范围。协调没有点云,它是由0。的值是图像的灰度值。所示的投影变换

量化后的点集表示为

作为一个例子,工业区的目标是垂直投影,投影结果如图1。

数据1(一)和1 (d)的原始目标是三通和弯头。数据1 (b)和1 (e)的点云三通和弯头。数据1 (c)和1 (f)的垂直投影三通和弯头。因为视角方向拍摄目标时,数据的形状目标垂直投影后的点云数据方向是与原始图像特征一致。

3所示。与精明的边缘检测算子

精明的边缘检测是由约翰精明的论文中首次提出在1986年与边缘检测的计算方法。精明的边缘检测技术从不同的视觉对象中提取有用的结构信息,因此能大大减少要处理的数据量。它已广泛应用于各种计算机视觉系统。精明的发现,边缘检测的要求在不同的视觉系统是相似的,所以它可以实现一种广泛使用的边缘检测技术。精明的算法是基于三个基本目标。(1)低错误率,所有边都应该发现没有pseudoresponse。捕捉尽可能多的边缘在图像尽可能准确。(2)检测到的边缘应该准确位于中心的真正的优势。(3)在单边缘点反应,探测器不应该指出多个像素的边缘,只有一个单一的边缘点。为了满足这些需求,精明的使用变分法。 The optimal function in Canny detector is described by the sum of four exponential terms, which can be approximated by the first derivative of Gaussian function. The Canny edge detection algorithm can be divided into the following five steps. (1) Gaussian filter is used to smooth the image and remove the noise. (2) Calculate the gradient intensity and direction of each pixel point in the image. (3) Nonmaximum suppression is applied to eliminate the spurious response caused by edge detection. (4) Double threshold detection is applied to determine real and potential edges. (5) Finally, the edge detection is completed by suppressing the isolated weak edge.

3.1。高斯平滑

高斯平滑是一种二维卷积操作,应用于模糊图像去除细节和噪声。为了减少噪声对边缘检测的结果尽可能的噪音必须过滤,防止虚假检测由噪声引起的。为了使平滑图像,高斯滤波器用于旋卷的形象。在这一步中,图像平滑,减少明显的噪声影响边缘检测器。生成高斯滤波器方程与大小的内核 是由

在这里,分布的标准偏差吗 。假设分布的均值为0;也就是说,它的中心是在直线上 。分布的二维高斯滤波器内核如图2。

当 , ,和高斯滤波器的大小的内核 ,对应的高斯核函数所示

当 , ,和高斯滤波器的大小的内核 ,对应的高斯核函数所示

当 , ,和高斯滤波器的大小的内核 ,对应的高斯核函数所示

当 , ,和高斯滤波器的大小的内核 ,对应的高斯内核

选择高斯卷积核的大小将影响精明的检测器的性能。尺寸越大,探测器的灵敏度越低噪音,但边缘检测的定位误差将略有增加。

如果一个 在图像窗口和像素过滤 ,高斯滤波后,像素的值 所示

在方程(12),卷积是一种象征。

3.2。计算梯度的强度和方向

使用离散差分算子,卷积操作的进行 - - - - - -轴和 - - - - - -分别轴。灰色的变化值和方向在水平和垂直方向。确定梯度幅值和方向

在这里, 和 水平和垂直方向的一阶导数,分别。假设和是索贝尔算子所示 在哪里索贝尔算子在吗方向,这是用于检测的边缘方向和索贝尔算子在吗方向,这是用于检测的边缘方向(边缘方向垂直于梯度方向)。 和 的卷积和图像数据。计算公式所示

3.3。Nonmaximum抑制

Nonmaximum抑制是一种边缘稀疏技术。nonmaximum抑制的作用在于“瘦”优势。计算图像的梯度后,边缘提取的基于梯度值仍然很模糊。应该只有一个精确的边缘响应。Nonmaximum抑制可以帮助抑制所有除了当地最大梯度值0。nonmaximum抑制的算法为每个像素的梯度图像如下。(1)当前像素的梯度强度相比,沿着正面和负面两个像素的梯度方向。(2)如果当前像素的梯度强度是最大的比其他两个像素,像素将继续作为边缘点;否则,像素将被抑制。

3.4。双阈值检测和抑制孤立低阈值点

为了删除边缘像素是由噪声引起的,删除边缘像素梯度较弱,并保留边缘像素高梯度通过选择高、低阈值。弱边缘像素的梯度小于高阈值大于阈值较低,应抑制。

一般来说,弱边缘像素造成真正的边缘连接到强大的边缘像素,但噪声响应不连接,为了跟踪边缘连接,通过观察弱边缘像素和八个邻国。当其中一个是一个强大的边缘像素,弱边缘点可以保留为一个真正的优势。

边缘检测后的图像进行点云是垂直投影,结果如图3。

数据3(一个)和3(c)的垂直投影图像三通和弯头。数据3 (b)和3 (d)垂直投影图像的边缘。通过边缘检测,可以检测到目标的边缘特征。与目标点云相比,边缘特征可以很好地表示目标的数量大大减少。

4所示。背投影变换的边缘检测数据

为了表达边缘点的三维信息,边缘检测数据预计回到原点云。分边缘地图投影变换后的点云表示为 ,在这是横纵坐标。值范围是 。 是垂直的纵坐标。值范围是 。当 ,这意味着关键是边缘点。应该找到对应点的点云。首先,计算和点云。转换方法如下:

起源的点云数据,搜索横纵坐标和垂直纵。然后,点标记为边缘点。搜索代码如下:

边缘的影响逆变换后的点云边缘点如图4,灰色表示目标和红色代表边缘点云。

数据4(一)和4 (c)的点云三通和弯头。数据4 (b)和4 (d)边缘点云。计算原始点和边缘点的数量。数量如表所示1。

每个目标的边缘点大约是10%的原始点。后提取边缘点,它可以提供一个可靠依据后续点云法向量计算和点云登记。

5。法向量的计算基于PCA的边缘点

边缘检测后,局部拟合平面的法向量作为点的法向量。假设边缘点 , - - - - - -附近搜索起源云数据集。计算最适合飞机 。在这里, 是一个平面的法向量方程。代表飞机到原点的距离, ,和 。从每个点到平面的距离 。从每一个点的距离的总和最适合飞机是最小的,也就是说,

边缘点的法向量估计云如图5。

因为点对应的边缘特性的数量大大减少,使用边缘特性的计算时间计算法向量也大大缩短。计算时间如表所示2。

从图可以看出,相比之下,所有的数据点云的法向量的目标,边缘点云的法向量可以表达目标的特点,和三通的目标的处理时间从53.03秒减少到4.94秒,和肘部目标从42.03秒减少到4.37秒,这是原来的10%左右。

6。结论

点云的数据包含大量的无效信息。是非常重要的来提取点云的特征。边缘特征可以表达目标的几何特性,所以它是非常重要的来提取边缘点云。本文提出了一种基于投影变换的边缘检测算法。首先,目标点云是垂直投影。然后,精明的算法来检测图像的边缘。检测到的边缘数据投影提取边缘点云。通过计算边缘点云的法向量,而整个数据点云的法向量的目标,边缘点云的法向量可以表达目标的特点,和计算时间减少到原来的10%,大大节省了计算时间。本文只检测到3 d三通和弯头。给法向量计算边缘特性的优点。 The advantages of edge point cloud in point cloud matching need to be further studied.

数据可用性

和/或使用的数据集分析在当前研究可从相应的作者以合理的要求。

的利益冲突

作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。

确认

本文由吉林省发展和改革委员会(2020 c018-3)和吉林省级教育部门(JJKH20210726KJ)。