本发明基于线激光光条的动态搜索感兴趣区域的方法属于计算机视觉测量技术领域，涉及一种基于线激光光条的动态搜索感兴趣区域的方法。该方法采用分组快速计算光条运动参数的方法预测光条的感兴趣区域，首先拍摄一组时间序列激光光条扫描图像，使用多边形提取被测物体的感兴趣区域，使用矩形提取首个光条的感兴趣区域。然后基于激光器转角对所有图像分组，对混合差分图像采用横向边缘检测，快速计算每组图像中光条的帧间像素速度，根据帧间像素速度动态提取图像中光条感兴趣区域。该方法通过对序列图像分组，可以准确界定线激光光条的匀速运动范围，适应光条变速运动的情况，提高了光条运动参数的计算效率。方法具有高效率，高可靠性。
1.一种基于线激光光条的动态搜索感兴趣区域的方法，其特征是，该方法采用分组计算光条运动参数的方法预测光条的感兴趣区域；首先拍摄一组时间序列激光光条扫描图像，使用多边形提取被测物体的感兴趣区域，使用矩形提取首个光条的感兴趣区域；然后基于激光器转角对所有图像分组，对混合差分图像采用横向边缘检测，计算每组图像中光条的帧间像素速度；最后根据帧间像素速度动态提取图像中光条感兴趣区域；方法具体步骤如下：第一步全局多边形ROI及光条的初始ROI
搭建基于线激光光条的视觉测量系统，安装在转台上的线激光器(2)通过旋转运动横向扫描被测物体(1)，将线激光条竖向投射到被测物体(1)上，激光器随着转台以ω的角速度转动，被测物体上的激光光条从首个光条(3)的位置移动到最后一个光条(4)的位置，光条运动速度为v，相应过程中激光器的转角为θ，并由摄像机拍摄一组时间序列图像；
对于该时间序列图像，图像的数量为N，每张图像大小为U×V，记该组图像中第i张图像为G(i)，其中i＝1,2,...,N；对首尾两张图像做算术平均，如公式(1)所示，获得包含背景和首尾光条的图像Gr；
确定Gr中被测物体的边缘，使用多边形粗提取该边缘，获得多边形感兴趣区域，记为ROI_poly；粗提取Gr中被测物体上的首、尾光条的矩形边界，忽略矩形在图像中的竖向长度和横坐标，得到两个矩形左上角点的横向坐标u1和u2、矩形在图像中的横向长度width1和width2；根据公式(2)计算光条的初始ROI区域RECV，即第一个光条的左边界为u1，宽度为w＝max(width1,width2)；
RECV＝{u1,max(width1,width2)} (2)
当小转角范围内光条匀速运动，将N幅时间序列图像平均分为θ组，第j组中包括图像为G(j,1),G(j,2),…,G(j,nj)，j＝1,2,…,θ；其中，nj为第j组中的图像数量且 θ°为线激光器总转角且θ取正整数；
对于第j组图像，根据公式(3)对第1幅和第nj幅图像求差，得到只包含两个光条的混合差分图像Gj；
Gj＝abs(G(j,nj)-G(j,1)) (3)
根据公式(4)对图像Gj卷积，计算Gj的横向梯度图像Gjx；
获取Gjx中第0.4V、0.45V、0.5V、0.55V、0.6V行的像素灰度值，记为Gjx(k,l)，其中，l＝1,
2,…,U，k∈K，K＝{0.4V,0.45V,0.5V,0.55V,0.6V}；k取K中的五个不同值，以l为横坐标、Gjx(k,l)为纵坐标绘制五个直方图，根据k的取值，记为第k行直方图；查找第k行直方图中两个波峰簇对应的平均横坐标 和 根据公式(5)计算第j组图像光条相邻帧间的像素速度vj；
根据第一步的结果，已知第一组中第一幅图像光条的ROI左边界为u11＝u1，宽度w，右边界u11+w；根据公式(6)计算第j组中第p幅图像光条的ROI左边界ujp，则右边界为ujp+w；
根据ROI_poly提取第j组中第p幅图像的多边形感兴趣区域，令其他区域的所有像素的灰度值为0；计算光条图像动态ROI参数，感兴趣区域选为矩形，四个角点为(ujp,0)、(ujp+w,
0)、(ujp+w,V)和(ujp,V)；以这四个角点构成的矩形作为第j组第p幅图像的感兴趣区域；由此得到所有N幅图像中光条的感兴趣区域。
基于线激光光条的动态搜索感兴趣区域的方法
技术领域
[0001] 本发明属于计算机视觉测量技术领域，涉及一种基于线激光光条的动态搜索感兴趣区域的方法。
背景技术
[0002] 通常一个计算机视觉测量系统中图像特征提取可分解为三个部分：目标检测，搜索系统感兴趣区域(ROI)；图像分割，从背景中分离目标；目标特征提取。目标检测作为图像特征提取的前提，其搜索质量直接影响后续图像处理。针对大量时间次序图像中的连续运动目标，快速准确ROI是提高图像特征提取质量和效率的关键。
[0003] 现有的目标检测方法主要有背景分割法、相邻帧间差分法、光流法和小波法等。背景分割法通过建立背景模型，用图像序列的特征参数与背景模型比较，分割出背景和目标，从而得到运动目标，但由于没有高性能的规则定义目标，此方法仅适用于运动场景固定且比较简单的场合。相邻帧间差分法是将相邻的两帧图像进行求差运算，通过差的绝对值来判断是否有运动，此方法适用于存在多个运动目标的图像，但是易受噪声干扰，鲁棒性较差。光流法通过检测图像像素点的灰度值随时间变化情况来推断物体的移动速度及方向，不适用于低帧率摄像机或高速运动物体。小波法是对图像进行小波变换，然后采用带通滤波等方法处理小波图像，得到目标区域，其优势是可以检测复杂场景下的微弱目标，但是效率和可靠性较差。Feng L,Po L M,X u X,et al.Dynamic ROI based on K-means for remote photoplethy smography[C].ICASSP,2015:1310-1314中提出一种基于K-means聚类算法的动态ROI方法，首先对图像特征区域进行固定ROI并分块，计算分块图像的互相关系数和信噪比等两个特征参数，然后基于这两个特征参数采用K-means算法聚类，最后根据聚类结果每两秒一次动态ROI，测量实验结果表明，该动态ROI方法可以有效提取目标，改善目标信号质量。赵志远等人发明专利号为CN201710156308.9的“一种车流信息监测设备的设置方法及系统”基于各个初始感兴趣区域之间的邻近关系进行逐次合并，得到新的感兴趣单元，计算车辆信息监测所需监测设备的数量，该方法通过降低感兴趣区域的精细程度，以减少监测设备的需求量，使得对感兴趣区域之间的车辆信息覆盖的能力最大。
发明内容
[0004] 本发明要解决的技术难题是针对噪声多且复杂、目标区域小的大量线激光光条图像，传统感兴趣区域提取方法存在提取效率低、容错率低、鲁棒性差等问题，发明了一种基于线激光光条的动态搜索感兴趣区域的方法。该方法针对拍摄的一组竖向线激光光条进行横向运动的时间序列图像，首先基于多边形ROI方法提取被测物体区域，基于矩形ROI方法提取初始图像的光条，然后对图像均匀分组确保同组图像光条帧间速度恒定，对混合差分图像横向边缘卷积，快速计算各组光条运动速度，最后在被测物体区域内基于光条运动参数预测光条位置，进行动态感兴趣区域提取。该方法通过对序列图像分组，可以适应线激光变速扫描的情况，提高了光条区域提取的正确性和鲁棒性；采用快速分析横向边缘卷积后的差分图像，极大地提高了光条运动参数的计算效率和可靠性，从而确保了方法的效率。
[0005] 本发明采用的技术方案是一种基于线激光光条的动态搜索感兴趣区域的方法，其特征是，该方法采用分组快速计算光条运动参数的方法预测光条的感兴趣区域；首先拍摄一组时间序列激光光条扫描图像，使用多边形提取被测物体的感兴趣区域，使用矩形提取首个光条的感兴趣区域；然后基于激光器转角对所有图像分组，对混合差分图像采用横向边缘检测，快速计算每组图像中光条的帧间像素速度；最后根据帧间像素速度动态提取图像中光条感兴趣区域；方法具体步骤如下：
[0006] 第一步全局多边形ROI及光条的初始ROI
[0007] 搭建基于线激光光条的视觉测量系统，安装在转台上的线激光器2通过旋转运动横向扫描被测物体1，将线激光条竖向投射到被测物体1上，激光器随着转台以ω的角速度转动，被测物体上的激光光条从首个光条3的位置移动到最后一个光条4的位置，光条运动速度为v，相应过程中激光器的转角为θ，并由摄像机拍摄一组时间序列图像；
[0008] 对于该时间序列图像，图像的数量为N，每张图像大小为U×V，记该组图像中第i张图像为G(i)，i＝1,2,…,N；对首尾两张图像做算术平均，按公式(1)计算，获得包含背景和首尾光条的图像Gr；
[0009]
[0010] 确定Gr中被测物体的边缘，使用多边形粗提取该边缘，获得多边形感兴趣区域，记为ROI_poly；粗提取Gr中被测物体上的首、尾光条的矩形边界，忽略矩形在图像中的竖向长度和横坐标，得到两个矩形左上角点的横向坐标u1和u2、矩形在图像中的横向长度width1和width2；根据公式(2)计算光条的初始ROI区域RECV，即第一个光条的左边界为u1，宽度为w＝max(width1,width2)；
[0011] RECV＝{u1,max(width1,width2)} (2)
[0012] 第二步基于分组图像计算线激光光条运动参数
[0013] 当小转角范围内光条匀速运动，将N幅时间序列图像平均分为θ组，第j组中包括图像为G(j,1),G(j,2),…,G(j,nj)，j＝1,2,…,θ。其中，nj为第j组中的图像数量且θ°为线激光器总转角且θ取正整数；
[0014] 对于第j组图像，根据公式(3)对第1幅和第nj幅图像求差，得到只包含两个光条的混合差分图像Gj；
[0015] Gj＝abs(G(j,nj)-G(j,1)) (3)
[0016] 根据公式(4)对图像Gj卷积，计算Gj的横向梯度图像Gjx；
[0017]
[0018] 获取Gjx中第0.4V、0.45V、0.5V、0.55V、0.6V行的像素灰度值，记为Gjx(k,l)，其中，l＝1,2,…,U，k∈K，K＝{0.4V,0.45V,0.5V,0.55V,0.6V}；k取K中的五个不同值，以l为横坐标、Gjx(k,l)为纵坐标绘制五个直方图，根据k的取值，记为第k行直方图；查找第k行直方图中两个波峰簇对应的平均横坐标 和 根据公式(5)计算第j组图像光条相邻帧间的像素速度vj；
[0019]
[0020] 第三步光条动态ROI
[0021] 根据第一步的结果，已知第一组中第一幅图像光条的ROI左边界为u11＝u1，宽度w，右边界u11+w；根据公式(6)计算第j组中第p幅图像光条的ROI左边界ujp，则右边界为ujp+w；
[0022]
[0023] 根据ROI_poly提取第j组中第p幅图像的多边形感兴趣区域，令其他区域的所有像素的灰度值为0；计算光条图像动态ROI参数，感兴趣区域选为矩形，四个角点为(ujp,0)、(ujp+w,0)、(ujp+w,V)和(ujp,V)；以这四个角点构成的矩形作为第j组第p幅图像的感兴趣区域。由此可以得到所有N幅图像中光条的感兴趣区域。
[0024] 本发明的有益效果是该方法通过对序列图像分组，可以准确界定线激光光条的匀速运动范围，适应光条变速运动的情况，提高了光条提取方法的容错率和可靠性；在传统差分法思想的基础上，增加运动预测信息，采用快速分析横向边缘卷积后的差分图像，提高了光条运动参数的计算效率和可靠性，提高了感兴趣区域提取的效率，提高了光条区域提取的正确性和鲁棒性。
附图说明
[0025] 图1为基于竖向线激光光条的视觉测量系统示意图。图中，1是被测物体，2是线激光器，3是首个光条，4是最后一个光条，ω是激光器转动角速度，θ是激光器转角，v是被测物体上光条的运动速度。
[0026] 图2为基于线激光光条的动态ROI方法的流程图。
具体实施方式
[0027] 以下结合技术方案和附图详细叙述本发明的具体实施方式。
[0028] 本实施例中，被测物体1表面为2.5m×3.0m的t800复合材料板，将波长460nm蓝紫线激光器安装在转台上，激光竖向投射到被测物体1上，激光器通过旋转运动横向进行扫描。激光器2随着转台以ω的角速度转动，被测物体1上的激光光条从首个光条3的位置移动到最后一个光条4的位置，光条运动速度为v，相应过程中激光器的转角为θ，并由摄像机拍摄一组时间序列图像，如图1所示。
[0029] 本发明采用配置广角镜头的摄像机拍摄光条图像。摄像机型号为view works VC-12MC-M/C 65摄像机，分辨率：4096×3072，图像传感器：CMOS，帧率：全画幅，最高64.3fps，重量：420g。广角镜头型号为EF 16-35mm f/2.8L II USM，参数如下所示，镜头焦距：f＝16-
35mm，APS焦距：25.5-52.5，光圈：F2.8，镜头尺寸：82×106。拍摄条件如下：图片像素为4096×3072，镜头焦距为25mm，物距为750mm，视场约为850mm×450mm。
[0030] 附图2为基于线激光光条的动态ROI方法的流程图。根据该操作流程，整个目标检测过程分为全局多边形ROI及光条的初始ROI、基于分组图像计算线激光光条运动参数、光条动态ROI等三个步骤。
[0031] 第一步全局多边形ROI及光条的初始ROI
[0032] 首先搭建基于线激光光条的视觉测量系统，如图1所示，由摄像机拍摄一组时间序列图像。其中，所有图像的背景不变，每张图像中的激光光条越过被测物的上下边界，任意相邻两幅图像的拍摄时间差为恒定值。
[0033] 对于上述拍摄得到的一组复合材料激光光条图像，图像数量为200，每张图像大小4096×3072。记该组图像中第i张图像为G(i)，其中i＝1,2,…,200。根据公式(1)计算包含背景和首尾光条的图像Gr。使用多边形ROI手动提取Gr中复材板的被测区域，保存为ROI_poly。使用矩形ROI手动提取Gr中首尾两个光条的矩形区域，得到光条的左上角点u11＝u1，得到两个矩形区域在图像的横向长度width1和width2，取较大值作为动态ROI的横向宽度w＝max(width1,width2)。
[0034] 第二步基于分组图像计算线激光光条运动参数
[0035] 已知在拍摄上述200张时间序列图像时，线激光器转角为20°。将这些图像分为20组，记第j组中包括图像为G(j,1),G(j,2),…,G(j,10)，j＝1,2,...,20。
[0036] 对于第j组图像，根据公式(3)和(4)计算组内首尾差分图像的横向梯度图像Gjx。以Gjx第1536行中4096个像素的灰度值为纵坐标、每个像素在Gjx中横向坐标l的数值作为横坐标(l＝1,2,...,4096)，绘制直方图。其中，如图1所示，直方图包括四个波峰，代表第j组首尾两个光条在第1536行左右两边界的位置，以距离接近的两个波峰作为波峰簇，计算各波峰簇中两波峰横坐标的平均值 和 根据上述方法绘制第k行的直方图，查找第k行直方图中两个波峰簇对应的平均横坐标 和 其中k∈K，K＝{1229,1382,1536,1690,1843}。根据公式(5)计算第j组图像光条相邻帧间的像素速度vj。根据上述方法计算得到v1,v2,...,v10。
[0037] 第三步光条动态ROI
[0038] 已知第一组中第一幅图像光条的ROI左边界为u11＝u1，宽度为w。根据公式(6)计算第j组中第p幅图像光条的ROI左边界为ujp，则右边界为ujp+w。
[0039] 根据ROI_poly提取第j组中第p幅图像的多边形感兴趣区域，令其他区域的所有像素的灰度值为0。计算光条图像动态ROI参数，感兴趣区域选为矩形，四个角点为(ujp,0)、(ujp+w,0)、(ujp+w,3072)和(ujp,3072)；以这四个角点构成的矩形作为第j组第p幅图像的感兴趣区域。由此可以得到所有图像中光条的感兴趣区域。
[0040] 本发明针对噪声多且复杂、目标区域小的大量线激光光条图像，传统感兴趣区域提取方法无法快速、高正确率地找出目标所在区域。基于拍摄竖向线激光光条进行横向扫描被测物体的一组图像，采用多边形ROI和矩形ROI方法提取被测物体区域和初始图像的光条，然后对图像分组并快速计算各组光条运动速度，最后在被测物体区域内基于光条运动参数预测光条位置，进行动态感兴趣区域提取。本发明可以适应线激光变速扫描的情况，提高了光条运动参数的计算效率，具有高容错率、高效率、高可靠性等特点。
