本發(fā)明屬于圖像數(shù)據(jù)處理，具體的為一種車輪視覺位姿識別中的輪轂輪廓提取方法。

背景技術(shù)：

1、車輪是車輛的重要組成部分，直接影響行駛穩(wěn)定性、安全性和駕駛體驗。車輪的正確對位和調(diào)整有助于提高操控性，減少輪胎磨損，延長輪胎壽命，提升燃油經(jīng)濟性并降低維修成本。四輪定位技術(shù)通過精確調(diào)整車輪的角度和位置來優(yōu)化車輛性能，關(guān)鍵調(diào)整包括前束、車輪傾角(內(nèi)外傾角)和主銷后傾角，這些調(diào)整能有效減少輪胎非正常磨損，提升駕駛穩(wěn)定性，避免車輪偏差帶來的燃油浪費和不適感。隨著技術(shù)發(fā)展，四輪定位方法不斷改進，現(xiàn)代定位系統(tǒng)結(jié)合了光學(xué)技術(shù)、激光傳感器和計算機圖像處理，通過相機采集車輪圖像，采用圖像處理算法提取輪轂輪廓橢圓，然后基于二維橢圓參數(shù)反解橢圓的空間參數(shù)從而求出車輪的三維位姿為四輪定位提供依據(jù)。

2、車輪輪轂輪廓橢圓的準確提取可以有效提升車輪三維位姿求取的精度。目前，輪轂橢圓的提取主要依賴霍夫變換和直接最小二乘法等傳統(tǒng)方法。然而，這些方法在實際應(yīng)用中常常受到圖像質(zhì)量的制約，導(dǎo)致提取效果不理想。具體來說，當(dāng)圖像噪聲較多或輪轂輪廓不完整時，傳統(tǒng)方法容易受到干擾，進而出現(xiàn)誤提取或漏提取的情況。此外，輪轂的形狀可能由于視角變化、光照不均或其他外部因素而發(fā)生變形，進一步增加了提取過程的難度。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種車輪視覺位姿識別中的輪轂輪廓提取方法，能夠提高車輪輪轂橢圓提取的精度與魯棒性，解決了現(xiàn)有橢圓提取方法在面對車輪圖像噪聲、干擾或輪廓不完整的情況下，往往難以準確識別和提取輪轂的真實橢圓形狀的問題。

2、為達到上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種車輪視覺位姿識別中的輪轂輪廓提取方法，包括如下步驟：

4、步驟一：初始圖像預(yù)處理

5、對初始圖像進行灰度化處理和進行中值濾波除噪聲處理，并對圖像進行線性點運算來增強對比度；

6、步驟二：提取目標輪廓

7、對經(jīng)過預(yù)處理的圖像，采用canny邊緣檢測獲取邊緣圖后，再在邊緣圖中尋找到所有輪廓，最后通過聚類提取目標輪廓；

8、步驟三：提取目標輪廓外部點集

9、采用graham掃描方法或andrew算法從目標輪廓中提取數(shù)據(jù)點，得到目標輪廓外部點集；

10、步驟四：按比例隨機選取數(shù)據(jù)點的子集；

11、按照設(shè)定比例從目標輪廓外部點集中隨機選部分數(shù)據(jù)點，得到子集；

12、步驟五：擬合目標橢圓

13、利用子集內(nèi)的數(shù)據(jù)點，采用基于ransac改進的最小二乘法或采用基于幾何距離的擬合方法擬合目標橢圓；

14、步驟六：數(shù)據(jù)點劃分

15、計算目標輪廓外部點集中的所有數(shù)據(jù)點到擬合得到的目標橢圓的距離；通過距離判斷對應(yīng)數(shù)據(jù)點為內(nèi)點或者外點，并得到內(nèi)點比例；

16、步驟七：判斷當(dāng)前迭代擬合得到的目標橢圓對應(yīng)的內(nèi)點比例是否大于最優(yōu)內(nèi)點比例：若是，則以當(dāng)前內(nèi)點比例作為最優(yōu)內(nèi)點比例；若否，則保持最優(yōu)內(nèi)點比例不變；

17、步驟八：判斷迭代次數(shù)k是否達到設(shè)定的最大迭代次數(shù)k：若是，則以最優(yōu)內(nèi)點比例對應(yīng)擬合得到的目標橢圓作為輪轂的橢圓輪廓；若否，則循環(huán)執(zhí)行步驟四，k＝k+1。

18、進一步，所述步驟一中，對圖像進行線性點運算來增強對比度的方法為：

19、g(x,y)＝a·f(x,y)+b

20、其中：f(x,y)與g(x,y)表示處理前后圖像在位置(x,y)處的灰度值；a為縮放因子，影響對比度；b為偏移量，調(diào)整亮度。

21、進一步，對f(x,y)求取灰度值均值，記為meangray，令：

22、b＝meangray

23、則進行線性點運算來增強對比度后的圖像表示為：

24、g(x,y)＝a·[f(x,y)-meangray]+meangray

25、其中：a為縮放因子，且a＞1。

26、進一步，所述步驟二中，通過聚類提取目標輪廓的方法為：給定距離閾值d1，遍歷所有輪廓，將輪廓間最小距離小于d1的輪廓聚為一類；在聚類后的輪廓中，按照輪廓面積最大以及輪廓中心坐標最接近圖像中心的條件過濾出目標輪廓。

27、進一步，所述步驟三中，采用graham掃描方法從目標輪廓中提取數(shù)據(jù)點的方法步驟為：

28、31)找到p中y坐標最低的點，在y坐標相同的情況下，選擇x坐標最小的點，記為錨點p0；其中，p為目標輪廓中所有要處理的數(shù)據(jù)點集合；

29、32)計算每個點pi(xi,yi)與p0(x0,y0)之間的極角：

30、θn＝atan2(yi-y0,xi-x0)

31、33)將點按照極角從小到大排序，極角相同則只保留距離錨點遠的那個點；

32、34)初始化一個空棧s，將p0和極角排序后的第一個點p1推入棧中；

33、35)從第二個點p2開始，依次處理每個點pi；記棧頂?shù)牡谝粋€和第二個點為ptop1和ptop2，檢查ptop1和ptop2與當(dāng)前點pi的相對位置，計算叉積：

34、(ptop1―ptop2)×(pi―ptop2)

35、＝(ptop1.x―ptop2.x)×(pi.y―ptop2.y)―(ptop1.y―ptop2.y)×(pi.x―ptop2.x)

36、36)判斷叉積是否大于0：若是，則表明從ptop2到ptop1到pi的順序是逆時針，數(shù)據(jù)點pi直接入棧；若否，則表明從ptop2到ptop1到pi的順序是順時針或者三點共線，則先彈出ptop1，繼續(xù)檢查直到滿足叉積是否大于0的逆時針條件后，再將pi入棧；

37、37)旋轉(zhuǎn)執(zhí)行步驟35)至步驟36)，直至所有點處理完成，棧中剩余的數(shù)據(jù)點即為提取目標輪廓外部點集。

38、進一步，所述步驟五中，采用基于ransac改進的最小二乘法擬合目標橢圓的方法為：

39、橢圓的一般方程為：

40、x2+axy+by2+cx+dy+e＝0

41、其中：a、b、c、d和e均為帶求解的系數(shù)；且：

42、

43、其中：

44、

45、其中：n是子集內(nèi)數(shù)據(jù)點的數(shù)量。

46、進一步，所述步驟六中，數(shù)據(jù)點到擬合得到的目標橢圓的距離的計算方法為：

47、

48、其中：di為數(shù)據(jù)點pi(xi,yi)到目標橢圓的距離。

49、進一步，所述步驟八中，最大迭代次數(shù)k為：

50、

51、其中：z表示期望的成功概率；n為擬合橢圓模型的樣本點個數(shù)。

52、本發(fā)明的有益效果在于：

53、本發(fā)明車輪視覺位姿識別中的輪轂輪廓提取方法，利用graham掃描提取車輪輪轂輪廓數(shù)據(jù)點并基于ransac改進最小二乘法來擬合輪轂橢圓，提高了車輪輪轂橢圓提取的精度與魯棒性，解決了傳統(tǒng)的橢圓提取方法在面對車輪圖像噪聲、干擾或輪廓不完整的情況下往往難以準確識別和提取輪轂的真實橢圓形狀的問題，本發(fā)明能夠提升車輪輪轂橢圓提取的準確性，為車輪定位參數(shù)的視覺測量提供依據(jù)。本發(fā)明方法能夠應(yīng)對低質(zhì)量圖像或傳感器數(shù)據(jù)中的干擾因素，如低對比度圖像、模糊或損壞的輪廓數(shù)據(jù)；即使在數(shù)據(jù)質(zhì)量不佳的情況下，仍能有效提取出車輪輪轂的橢圓。