焊接机器人匹配点选取的自适应窗口模型

图像立体匹配中充分利用像素点邻域的信息可减小光学畸变、投影畸变、噪声等情况的影响。然而，一幅图像中不同的像素点往往需要不同的支持窗口，其关键是邻域的支持窗口如何恰当获取问题，且窗口的大小跟形状必须有较强的适应性。本文研究了一种基于邻域增长的自适应窗口模型。 (1)窗口代价函数:设同一物体在同一光照条件的左、右图像分别为L (u, v) .R(u,v)。不失一般性，假定基线平行于U轴。定义匹配误差函数ed为: 其中:d为视差值。 参照文献，给定窗口代价函数如下: 其中:Cd为窗口代价函数，Sw为窗口的大小，其值等于窗口中像素点的数量，a,b为比例系数，y为窗口抑制参数，e为平均匹配误差，var(e)表示匹配误差的方差。 对于各个窗口代价函数用Sw进行规一化，使它们具有相互可比性。显然当视差d越接近于真实视差时，Cd的第一项和第二项的值越小。由Cd的第三项可知，当窗口越大时，其值越小，是因为大窗口包含较多的信息，然而邻域窗口过大可能导致误匹配。a,b,y参数的值可由匹配的实验统计数据得出。 (2)窗口增长策略:对于任意的焊缝边缘点PL(ui,vi)，构造集合PRU(uri, vri)中候选点PR (uk. vk)的3X3的最小支持窗口，由((4-13)式计算其支持窗口代价函数Cd,然后，进行支持窗口动态增长，根据最小代价原则，确定支持窗口的形状与大小。支持窗口的自适应增长策略如下: Step1:以候选匹配点PR(uk. vk)为中心，沿着U轴的正负两个方向增长窗口，每增长一个像素点计算一次窗口代价函数Cd,若新的窗口代价函数Cd’与前一个窗口代价函数Cd的差值大于一定的阈值或者窗口的边界值大于设定的值则停止增长; Step 2:用同样的方法对V轴进行窗口动态增长，记录候选匹配点PR(uk,vk)的最终代价函数Cd(uk,vk); Step 3:对集合PRU (uri,vri)中每一个候选匹配点均进行以上的窗口动态增长，记录各候选匹配点最终的代价函数，组成一个集合Cd(u, v)，则Cd (u,v)中取最小值的候选匹配点PR (um. vm)为焊缝边缘点PL(ui,vi)唯一正确的匹配点。 增长过程如图4.2所示: 焊接机器人 算法步骤总结如下: Step 1:根据改进的canny算子提取焊缝边缘特征点，利用Harris角点检测算法确定初始匹配点，求取初始视差，确定视差范围，给出匹配点的搜索区间; Step 2:根据外极线约束确定待匹配图像中可能的对应点，组成一个较大范围的候选匹配点集合; Step 3:根据边缘差分强度和梯度方向相似性约束准则比较候选匹配点的相似性，去除不符合条件的匹配点，缩小候选匹配点的集合; Step 4:利用候选匹配点的邻域信息，构建以候选匹配点为中心的3X 3的最小支持窗口，然后进行窗口动态增长，以窗口代价函数为衡量标准，最终确定唯一正确的匹配点;

• 上一篇：焊接机器人候选匹配点集合的约束条件
• 下一篇：焊接机器人立体匹配的仿真实验