基于异形块的线结构光传感器智能标定方法与应用

2019-03-16高金刚陈文东侯岱双刘孝峰

长春工程学院学报（自然科学版） 2019年4期

高金刚，陈文东，王华，，侯岱双，张爽，刘孝峰

(1.长春工程学院汽车零部件检测中心，长春 130012； 2.中车长春轨道客车股份有限公司，长春 1300623.长春工业大学机电工程学院，长春 130012)

0 前言

线结构光作为获取物体三维信息的主要手段之一，采用激光投射器向物体投射激光线，形成光平面，通过光平面与被测物体相交，从而获取相关坐标数据。从而对于复杂物体表面和微小物体的信息提取，无疑线结构光通过增加第三轴的运动，就可以简单地实现。作为典型的三维信息获取方式[1]，逐渐应用于各行各业，如电路板检测、瑕疵检测等领域。

线结构光传感器在获取物体三维信息时，标定数据的质量起着至关重要的作用。近年，国内外学者针对线结构光传感器的标定进行了大量的研究，段发阶等[2]提出利用锯齿块标定，利用罚函数及牛顿—高斯法对方程求解，最终实现线结构光传感器标定的目的。周富强等[3]提出利用一维靶标对大视场环境下的线结构光传感器进行在线标定。Wei 等[4]根据透视投影原理获取消隐线，从而根据几何关系确定标定值。杨凯等[5]利用不变定理结合多次移动，实现物理坐标与相机坐标的统一，实现光平面的标定。张曦等[6]借助激光跟踪仪建立了一个虚拟立体靶标，利用Levenberg-Marquardt迭代算法提高标定的精度。

本文将算法应用于线结构光传感器标定中，构建了智能标定系统，并讨论了线结构光标定原理，光条中心线提取及对应的异形量块标定等关键算法。实验证明智能标定系统中采用异形块针对线结构光进行标定，能够满足提取线结构光中心线的要求，同时，采用算法对标定间的关系运算能够满足使用的需要。

1 智能标定系统的组成及标定原理

1.1 动态测量子系统设计

智能标定系统主要由3部分组成，如图1所示，高精度的异形量块、线结构光传感器采集系统、高精度运动平台组成。

图1 智能标定系统

图1中线结构光传感器采集系统由1台CCD相机、1台激光投射器及支撑装置组成。其中，激光投射器所投射的光线与基准平台平行，CCD相机呈45°与支撑装置连接，以能够检测到标定块的完整轮廓曲线为佳，如图2所示。

图2 异形标定块轮廓曲线

高精度运动平台采用大恒公司的光学精密平台，为智能标定系统提供精密的位移传动，同时减小因运动机构过度颤动引起的系统误差。标定所用量块表面粗糙度为Ra0.8。

1.2 标定原理

激光投射器将其所投出的光束投射至异形量块上，与标定平面相交从而形成如图3所示的阶梯式光条(可见/不可见)，利用阶梯式光条算法可以求出阶梯的转折点的像面坐标，这些转折点对应光平面与异形量块各棱线的交点坐标。

设Odxdyd为标定平面的基准面，棱线“1”“2”“3”“4”均与基准面平行。异形标定靶放置在高精密平台上，通过人工调整使得高精密运动平台方向与基准面垂直，如图3所示，Odxdyd为基准平面，Odzd作为基准平面的法向量，即构建空间标定坐标系Odxdydzd，则异形量块的4条棱线“1”“2”“3”“4”的方程可以表示为：

(1)

图3 异形量块标定原理

通过三坐标可以分别测量出x1、y1、x2、y2、x3、y3、x4、y4的实际值。此时，高精度运动平台的移动方向Odzd上，zd的坐标保持不变，即此时的光平面内一些离散点的坐标值(xdi，ydi)(i=1，2，3，4)可以通过图像处理计算出对应点在像面上的坐标。具体原理如下：

1)根据针孔成像原理，摄像机坐标系下点P(x，y，z)到像平面的透视变换关系为

X=(f/z)xY=(f/z)y。

(2)

2)将像平面扩展为齐次坐标系，即(dX，dY，d)得到摄像机的理想透视变换模型：

(3)

3)当光平面ZL=0时，则光平面在CCD像机坐标系中的位置关系如式(4)所示：

(4)

通过对式(4)求解，可得出相应的旋转矩阵R和平移矩阵T，即实现对线结构传感器的标定。

2 智能标定的关键算法

由于激光投射器投出的光线存在一定的线宽，在针对线结构传感器标定时，需要将其光线的中心线提取出来，并利用提取的中心线求出异形块的交点坐标，通过图像交点坐标与实际空间坐标系下的对应关系，实现对线结构传感器的标定。

2.1 光条中心线提取

对由CCD相机获取的光条图像进行预处理，通过自适应对比度增强算法将图像分成高频区域和低频区域。低频区域利用低通滤波器对图像处理即可获得，而高频部分则是利用获取的原图像减去低频区域所获取。而在光条中心线提取过程中，主要是使用带有细节信息的高频区域，因此，假定图像像素点为Pxs(x，y)，则增强后的图像为：

fxs(x，y)=mi(x，y)+G(x，y)[Pxs(x，y)-mi(x，y)]。

(5)

通过增强后的图像能够获取光条中心的亚像素精度定位，利用Hessian矩阵[7]获取光条所处空间位置的法向量，将对应的法线方向进行泰勒展开，从而得到亚像素的位置。

以(x0，y0)作为激光线的基准点，则激光线的中心亚像素对应坐标为：

(Psp_x，Psp_y)=(x0+tnx，y0+tny)，

(6)

(7)

式中：(x0，y0)为激光线的中心点；(Psp_x，Psp_y)为对应的亚像素坐标；rxx为图像沿x方向的二阶偏导数；rxy为图像沿x方向的二阶偏导数；ryy为图像沿y方向的二阶偏导数。

采用图1所述系统获取的异形量块采集图如图4(a)所示，对其采用重心法进行激光线提取，提取图像如图4(b)所示，根据本文所述的方法，提取结果如图4(c)所示。

(a)原图像

利用梯形光条上边线L中的光条采集点P(x，y)到其上边线L的距离平均差评价提取算法的优越性，数值越小，则精度越高。通过评价，可以看出，本文算法适用于异形块的光条提取，结果见表1。

表1 2种算法的平均差比较

2.2 基于遗传算法的RBF神经网络训练

2.2.1 RBF神经网络

RBF神经网络作为一种前馈反向传播网络[8]，通常由输入层、隐含层及输出层构成，如图5所示。采用高斯函数[9]作为隐含层神经元的“基”，构建隐含层φi(x)，其通过对输入的矢量进行处理，使得低维空间内的线性不可分问题在高维空间内线性可分。

(8)

式中：ci为第i个径向基函数的中心；σi为第i个基函数的宽度。

图5 RBF神经网络模型

2.2.2 遗传算法

遗传算法[10]是一种模仿生物进化过程的最优化方法，它模拟了自然选择和自然遗传过程中发生的繁殖、交换、变异现象，根据适者生存、优胜劣汰的自然法则利用遗传算子：选择、交叉、变异逐代产生，优选个体，最终搜索到最优的个体。

2.2.3 GA-RBF算法[11]

求解学习参数作为RBF网络中的核心问题，其主要由隐含层的神经元个数m及ci、σi连接权值两类组成。通过利用遗传算法求解隐含层的σi，避免了在采用K-均值聚类法中，中心值受初始值的影响，而采用群体搜索作为搜索策略的遗传算法，从一定程度上避免了这种可能，从而计算出全局最优解，提高了RBF神经网络的性能。主要步骤如下：

1)实数编码：基函数中心值采用实数进行编码，避免了二进制编码计算量过大的问题，同时，简化了计算过程，提高了算法的运行速度。

2)种群的初始化：根据异形量块的特征点，生成满足条件的初始化种群，即基函数的中心值。

3)适应度函数：个人适应度作为遗传算法中用来确定遗传的概率而RBF采用均方误差作为衡量神经网络性能的指标，通过衡量统计模型拟合优良性的AIC准则建立如下模型：

4)遗传过程：通过对所在种群进行随机遍历抽样作为选择操作；线性重组作为交叉操作；重组率为0.9；变异操作采用均匀变异，变异率为 0.05。

5)通过运算，求出最优解作为RBF隐含层的σi。

将异形量块的物理坐标与采集的标定量块的图像角点像素坐标做为输入变量，通过所述步骤1)～5)求解出的异形块像素坐标值做为输出变量。