一种基于EAST的线激光条纹中心提取方法、系统及终端

一种基于east的线激光条纹中心提取方法、系统及终端
技术领域
1.本发明属于信息技术服务技术领域，尤其涉及一种基于east的线激光条纹中心提取方法、系统及终端。


背景技术：

2.基于线结构光的三维扫描重建因其成本低、操作简单、速度快以及精度较高等特点被广泛应用，尤其在工业生产、形貌勘探和水下资源探测领域中有着较大的优势。该技术利用标定好的相机对激光条纹图像进行实时采集，并将其传输到pc端进行图像处理，最终恢复目标物体的三维点云信息。其中如何准确高效提取激光条纹中心是影响系统精度和实时性的关键因素。
3.中心提取主要包括图像预处理和光条中心亚像素坐标提取两个步骤。最常用的传统中心提取算法是steger法和灰度重心法。其中steger法精度高，但需要进行大量的卷积运算，计算复杂度大，无法实现实时提取。而灰度重心法提取速度快，但易受噪声干扰导致提取精度下降。
4.对于复杂表面的目标物体，由于环境噪声的干扰和表面不均匀光照等环境因素的影响造成图像质量较低，且获取到的中心线会产生断裂或存在异常值的现象，无法准确提取中心线，在此过程中，图像分割也不可避免地带来一些误差。
5.通过上述分析，现有技术存在的问题及缺陷为：
6.1)计算复杂度高：传统的中心提取算法，如steger法，虽然精度较高，但由于需要进行大量的卷积运算，计算复杂度较大，难以实现实时提取。
7.2)易受噪声干扰：灰度重心法提取速度快，但容易受噪声干扰，导致提取精度下降。在实际工作环境中，光照条件、环境噪声以及表面材质等因素可能对提取结果造成影响。
8.3)图像质量问题：对于具有复杂表面的目标物体，环境噪声干扰和表面不均匀光照等因素可能导致图像质量较低，从而影响中心线提取的准确性。
9.4)中心线断裂和异常值：复杂表面目标物体的激光条纹中心线可能出现断裂或异常值现象，这会影响对目标物体的三维重建精度。
10.5)图像分割误差：在提取激光条纹中心线的过程中，图像分割可能会引入一定的误差，从而影响最终的提取精度。


技术实现要素：

11.针对现有技术存在的问题，本发明提供了一种基于east的线激光条纹中心提取方法、系统及终端，解决了现有技术中存在的光条中心存在不连续、异常值等难以提取以及精度方面的问题，提高了三维扫描重建系统的精度和实时性。
12.本发明是这样实现的，一种基于east的线激光条纹中心提取方法，基于east的线激光条纹中心提取方法包括：首先使用标定好的相机进行激光条纹图像的采集，使用中值
滤波对图像进行降噪处理，去除孤立噪点；利用人工标注图像训练east网络，识别光条目标，实现光条和背景分离；然后采用传统灰度重心法提取光条的亚像素坐标；采用三次b样条曲线对初始中心线进行拟合，有效解决部分光条中心线不连续的问题；最后再用savitzky-golay滤波对中心线进行优化，实现光条中心线精准提取。
13.进一步，图像分割、检测整体框架包括：采用一种场景文本检测算法，即east检测算法，设计一个深度神经网络，将条纹有效区域和原始的激光图像进行人工标注，并将其作为输入到east深度学习模型中进行训练，通过训练后的模型来对待测光条图像进行检测，直接预测整体图像中的光条区域，然后用非极大值抑制(nms)的方法来过滤掉冗余的边界框，同时采用反向传播算法，快速收敛网络来得到较好的训练模型，以此得到最终结果，最后输出为光条边界框的四个坐标点坐标。
14.进一步，中心提取包括：
15.步骤一，通过灰度重心法进行初始中心线的提取；
16.步骤二，采用三次b样条曲线拟合进行断线重连；
17.步骤三，采用savitzky-golay滤波算法对中心线进行平滑和去噪处理。
18.进一步，步骤一中，灰度重心法是通过对感兴趣区域内的光条灰度值进行排序，提取光条截面各像素点的每一行(列)的灰度值重心，将灰度值作为权重，用来表示该光条的中心线，计算公式表示如下：
[0019][0020]
式中(xi,yi)为光条某一行(列)像素点的坐标，f(xi,yi)为对应坐标的灰度值，m为光条横截面上像素个数，f(xi,yi)为该截面所求的光条中心点的位置坐标。
[0021]
进一步，步骤二中，b样条函数公式如下：
[0022][0023]
其中ci(i＝0,1,...,n)为控制顶点，n
i,k
(t)(i＝1,2...,n)为k阶b样条基函数；
[0024]
其中基函数n
i,k
(t)为：
[0025]
[0026]
即三次b样条曲线方程为：
[0027]
g(t)＝g0*n
0,3
(t)+g1*n
1,3
(t)+g2*n
2,3
(t)+g3*n
3,3
(t)；
[0028]
1)首先给定n个型值点qi(i＝0,1,...n-1)，即有n-1段三次b样条曲线；
[0029]
2)根据给定的型值点，求出相应的b样条曲线的顶点，型值点{qi}和控制点{ci}的关系为(c
i-1
+4ci+c
i+1
)/6＝qi(i＝0,1,...n-1)，该方程组有n个方程，n+2个未知数，因此需补充端点的边界条件；
[0030]
3)确定三次样条曲线的边界条件，对于非封闭曲线取
[0031][0032]
结合上面的n个方程，可以确定控制点ci(i＝0,1,...n-1)的位置坐标；
[0033]
4)构建插值矩阵：构建三次b样条曲线的插值矩阵。插值矩阵是一个4x4矩阵，根据b样条曲线的基函数计算得出；
[0034]
5)使用插值矩阵和控制点构作插值曲线，最终得到一条通过n个型值点qi(i＝0,1,...n-1)的三次b样条曲线；
[0035]
6)根据需要对拟合曲线进行优化和调整，通过调整节点位置、权重分配，以改善曲线的拟合结果。
[0036]
进一步，步骤三包括：在滤波过程中，滤波器窗宽及多项式拟合阶次决定滤波的效果，具体步骤为：
[0037]
1)设滑动窗口大小为2m+1，窗口中的原始数据点为x(n)，其中n的取值为[-m,...,0,...,m]，构造阶次n的多项式进行拟合：
[0038][0039]
式中，k为多项式的阶数，dk为多项式的系数；
[0040]
2)最小二乘法拟合残差
[0041][0042]
3)为使e最小，令e对各系数导数为0，即
[0043][0044]
可求得多项式系数dk；
[0045]
4)每次移动2m+1大小的滑动窗口，此多项式在窗口中心点的值即滤波后的结果值，当横坐标为0，滤波后的值为f(0)＝d0。
[0046]
本发明的另一目的在于提供一种应用所述的基于east的线激光条纹中心提取方法的基于east的线激光条纹中心提取系统，基于east的线激光条纹中心提取系统包括：
[0047]
图像获取模块，用于对激光条纹图像进行获取；
[0048]
图像预处理模块，用于进行中值滤波去噪，并利用east深度学习模型进行roi区域提取；
[0049]
中心线提取模块，用于利用灰度重心法对初始中心线进行提取；
[0050]
中心线拟合模块，用于利用三次b样条对初始中心线进行拟合；
[0051]
中心线优化模块，用于利用savitzky-golay滤波对中心线进行优化。
[0052]
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于east的线激光条纹中心提取方法的步骤。
[0053]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于east的线激光条纹中心提取方法的步骤。
[0054]
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于east的线激光条纹中心提取系统。
[0055]
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
[0056]
第一，本发明通过构建基于深度学习的激光条纹分割算法，有效去除了环境噪声和不均匀的光线反射对光条提取造成的干扰，实现了光条区域和背景准确分离。并且在传统灰度重心法的基础上，引入了三次b样条曲线拟合的内容对不连续的中心线进行断线重连，结合savitzky-golay滤波算法对中心线进行平滑去噪处理，保证了光条中心提取的精度和实时性，同时本发明在提取精度、处理速度和抗噪性方面表现出较良好的特性。
[0057]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0058]
本发明算法的标准误差较其他两个算法最小，因此本文算法的精度最高，steger算法的光条标准误差最大，传统灰度重心法的精度也略低于本文算法。
[0059]
传统灰度重心法的平均耗时大约为0.053s，发明所提方法的平均耗时为0.050s，由此可见，本发明与传统灰度重心法的时间相比相差不大。而steger算法的平均耗时大约是0.268s，本发明中算法的处理时间与steger算法相比提高了20倍。由于steger法需要做大量的卷积运算，因此计算量很大，导致提取中心线效率低。
[0060]
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0061]
高精度：基于east的线激光条纹中心提取方法通过训练east网络对激光条纹图像进行识别，提高了光条和背景分离的准确性，从而提高了中心线提取的精度。
[0062]
实时性：east网络的训练和预测过程相对较快，能够实现实时提取光条中心线。
[0063]
抗噪声性能：采用中值滤波进行降噪处理，能有效去除孤立噪点，降低噪声对中心线提取的影响。
[0064]
连续性：采用三次b样条曲线对初始中心线进行拟合，有效解决部分光条中心线不连续的问题。
[0065]
优化处理：savitzky-golay滤波对中心线进行优化，进一步提高光条中心线的提取精度。
附图说明
[0066]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于
本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0067]
图1是本发明实施例提供的线结构光中心提取的总体流程图；
[0068]
图2是本发明实施例提供的基于east的光条有效区域选取流程图；
[0069]
图3是本发明实施例提供的激光图像分割效果图；
[0070]
图4是本发明实施例提供的算法仿真实验结果图；其中，(a)为灰度重心法提取中心线效果图；(b)为图(a)的局部放大图；(c)为三次b样条曲线拟合后的中心线效果图；(d)为图(c)的局部放大图；(e)为savitzky-golay滤波优化后的结果图；(f)为最终结果局部放大图；
[0071]
图5是本发明实施例提供的不同条纹中心线提取仿真实验结果图；其中(a)复杂；(b)较小曲率；(c)较大曲率；(d)一般。
具体实施方式
[0072]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0073]
针对现有技术存在的问题，本发明提供了一种基于east的线激光条纹中心提取方法、系统及终端，下面结合附图对本发明作详细的描述。
[0074]
如图1所示，本发明实施例提供的基于east的线激光条纹中心提取方法包括：
[0075]
首先使用标定好的相机进行激光条纹图像的采集，使用中值滤波对图像进行降噪处理，去除孤立噪点；利用人工标注图像训练east网络，识别光条目标，实现光条和背景分离；然后采用传统灰度重心法提取光条的亚像素坐标；采用三次b样条曲线对初始中心线进行拟合，有效解决部分光条中心线不连续的问题；最后再用savitzky-golay滤波对中心线进行优化，实现光条中心线精准提取。
[0076]
采用上述方法，能够有效避免线结构光光条中心提取过程中噪声、不均匀光照和光条随机遮挡等环境因素影响，保证后续提取的鲁棒性、精度和实时性。
[0077]
如图2所示，本发明实施例提供的图像分割，检测整体框架包括：
[0078]
采用一种场景文本检测算法，即east检测算法，设计一个深度神经网络，将条纹有效区域和原始的激光图像进行人工标注，并将其作为输入到east深度学习模型中进行训练，通过训练后的模型来对待测光条图像进行检测，直接预测整体图像中的光条区域，然后用非极大值抑制(nms)的方法来过滤掉冗余的边界框，同时采用反向传播算法，快速收敛网络来得到较好的训练模型，以此得到最终结果，最后输出为光条边界框的四个坐标点坐标。
[0079]
3、中心提取
[0080]
a.首先通过灰度重心法进行初始中心线的提取。灰度重心法是通过对感兴趣区域内的光条灰度值进行排序，提取光条截面各像素点的每一行(列)的灰度值重心，将灰度值作为权重，用来表示该光条的中心线。计算公式表示如下：
[0081][0082]
式中(xi,yi)为光条某一行(列)像素点的坐标，f(xi,yi)为对应坐标的灰度值，m为光条横截面上像素个数，f(xi,yi)为该截面所求的光条中心点的位置坐标。
[0083]
b.针对传统灰度重心法提取出来的中心线出现不连续等问题，采用三次b样条曲线拟合进行断线重连。
[0084]
b样条函数公式如下：
[0085][0086]
其中ci(i＝0,1,...,n)为控制顶点，n
i,k
(t)(i＝1,2...,n)为k阶b样条基函数。
[0087]
其中基函数n
i,k
(t)为：
[0088][0089][0090][0091][0092]
即三次b样条曲线方程为：
[0093]
g(t)＝g0*n
0,3
(t)+g1*n
1,3
(t)+g2*n
2,3
(t)+g3*n
3,3
(t)
[0094]
1)首先给定n个型值点qi(i＝0,1,...n-1)，即有n-1段三次b样条曲线。
[0095]
2)根据给定的型值点，求出相应的b样条曲线的顶点，型值点{qi}和控制点{ci}的关系为(c
i-1
+4ci+c
i+1
)/6＝qi(i＝0,1,...n-1)。该方程组有n个方程，n+2个未知数，因此需补充端点的边界条件。
[0096]
3)确定三次样条曲线的边界条件。对于非封闭曲线取
[0097][0098]
结合上面的n个方程，可以确定控制点ci(i＝0,1,...n-1)的位置坐标。
[0099]
4)构建插值矩阵：构建三次b样条曲线的插值矩阵。插值矩阵是一个4x4矩阵，根据b样条曲线的基函数计算得出。
[0100]
5)使用插值矩阵和控制点构作插值曲线，最终得到一条通过n个型值点qi(i＝0,1,...n-1)的三次b样条曲线。
[0101]
6)根据需要对拟合曲线进行优化和调整，通过调整节点位置、权重分配等，以改善曲线的拟合结果。
[0102]
c.为了进一步减少中心线的波动，采用savitzky-golay滤波算法对中心线进行平滑和去噪处理。在滤波过程中，滤波器窗宽及多项式拟合阶次决定滤波的效果，具体步骤为：
[0103]
1)设滑动窗口大小为2m+1，窗口中的原始数据点为x(n)，其中n的取值为[-m,...,0,...,m]，构造阶次n的多项式进行拟合：
[0104][0105]
式中，k为多项式的阶数，dk为多项式的系数。
[0106]
2)最小二乘法拟合残差
[0107][0108]
3)为使e最小，令e对各系数导数为0，即
[0109][0110]
可求得多项式系数dk。
[0111]
4)每次移动2m+1大小的滑动窗口，此多项式在窗口中心点的值即滤波后的结果值，当横坐标为0，滤波后的值为f(0)＝d0。
[0112]
本发明的应用实施例提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于east的线激光条纹中心提取方法的步骤。
[0113]
本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于east的线激光条纹中心提取方法的步骤。
[0114]
本发明的应用实施例提供了一种信息数据处理终端，信息数据处理终端用于实现基于east的线激光条纹中心提取系统。
[0115]
明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0116]
本发明通过构建基于深度学习的激光条纹分割算法，有效去除了环境噪声和不均匀的光线反射对光条提取造成的干扰，实现了光条区域和背景准确分离。并且在传统灰度重心法的基础上，引入了三次b样条曲线拟合的内容对不连续的中心线进行断线重连，结合savitzky-golay滤波算法对中心线进行平滑去噪处理，保证了光条中心提取的精度和实时性，同时本发明在提取精度、处理速度和抗噪性方面表现出较良好的特性。
[0117]
由表1中数据可以得到：本文算法的标准误差较其他两个算法最小，因此本文算法的精度最高，steger算法的光条标准误差最大，传统灰度重心法的精度也略低于本文算法。
[0118]
表1激光条纹中心线提取误差
[0119][0120]
通过观察表2中的数据可以得到：传统灰度重心法的平均耗时大约为0.053s，本文所提方法的平均耗时为0.050s，由此可见，本文与传统灰度重心法的时间相比相差不大。而steger算法的平均耗时大约是0.268s，文中算法的处理时间与steger算法相比提高了20倍。由于steger法需要做大量的卷积运算，因此计算量很大，导致提取中心线效率低。
[0121]
表2各算法的运行时间
[0122][0123][0124]
实施例1：
[0125]
在一个工厂里，为了对某种零件的三维形状进行快速测量，采用基于east的线激光条纹中心提取方法。通过激光投影仪投射线结构光条纹，然后使用标定好的相机对零件表面的激光条纹进行采集。接着进行中值滤波降噪处理，利用人工标注图像训练east网络，实现光条和背景分离。之后，采用灰度重心法提取亚像素坐标，并使用三次b样条曲线拟合初始中心线。最后，通过savitzky-golay滤波优化中心线，实现精准提取。通过这种方法，成功实现了零件的三维形状快速测量。
[0126]
实施例2：
[0127]
在一个水下资源探测项目中，为了获取水下地形的三维信息，采用基于east的线激光条纹中心提取方法。首先，通过激光投影仪投射线结构光条纹到水下地形表面，然后使用标定好的相机对激光条纹进行采集。接下来进行中值滤波降噪处理，利用人工标注图像训练east网络，实现光条和背景分离。然后采用灰度重心法提取亚像素坐标，并使用三次b样条曲线拟合初始中心线。最后，通过savitzky-golay滤波优化中心线，实现精准提取。通过这种方法，成功获得了水下地形的三维信息，为水下资源探测提供了重要依据。
[0128]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编
程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0129]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于east的线激光条纹中心提取方法，其特征在于，包括：首先使用标定好的相机进行激光条纹图像的采集，使用中值滤波对图像进行降噪处理，去除孤立噪点；利用人工标注图像训练east网络，识别光条目标，实现光条和背景分离；然后采用传统灰度重心法提取光条的亚像素坐标；采用三次b样条曲线对初始中心线进行拟合，有效解决部分光条中心线不连续的问题；最后再用savitzky-golay滤波对中心线进行优化，实现光条中心线精准提取。2.如权利要求1所述的基于east的线激光条纹中心提取方法，其特征在于，图像分割、检测整体框架包括：采用一种场景文本检测算法，即east检测算法，设计一个深度神经网络，将条纹有效区域和原始的激光图像进行人工标注，并将其作为输入到east深度学习模型中进行训练，通过训练后的模型来对待测光条图像进行检测，直接预测整体图像中的光条区域，然后用非极大值抑制的方法来过滤掉冗余的边界框，同时采用反向传播算法，快速收敛网络来得到较好的训练模型，以此得到最终结果，最后输出为光条边界框的四个坐标点坐标。3.如权利要求1所述的基于east的线激光条纹中心提取方法，其特征在于，中心提取包括：步骤一，通过灰度重心法进行初始中心线的提取；步骤二，采用三次b样条曲线拟合进行断线重连；步骤三，采用savitzky-golay滤波算法对中心线进行平滑和去噪处理。4.如权利要求1所述的基于east的线激光条纹中心提取方法，其特征在于，步骤一中，灰度重心法是通过对感兴趣区域内的光条灰度值进行排序，提取光条截面各像素点的每一行/列的灰度值重心，将灰度值作为权重，用来表示该光条的中心线，计算公式表示如下：式中(x
i
,y
i
)为光条某一行/列像素点的坐标，f(x
i
,y
i
)为对应坐标的灰度值，m为光条横截面上像素个数，f(x
i
,y
i
)为该截面所求的光条中心点的位置坐标。5.如权利要求1所述的基于east的线激光条纹中心提取方法，其特征在于，步骤二中，b样条函数公式如下：其中c
i
(i＝0,1,...,n)为控制顶点，n
i,k
(t)(i＝1,2...,n)为k阶b样条基函数；其中基函数n
i,k
(t)为：
即三次b样条曲线方程为：g(t)＝g0*n
0,3
(t)+g1*n
1,3
(t)+g2*n
2,3
(t)+g3*n
3,3
(t)；1)首先给定n个型值点q
i
(i＝0,1,...n-1)，即有n-1段三次b样条曲线；2)根据给定的型值点，求出相应的b样条曲线的顶点，型值点{q
i
}和控制点{c
i
}的关系为(c
i-1
+4c
i
+c
i+1
)/6＝q
i
(i＝0,1,...n-1)，该方程组有n个方程，n+2个未知数，因此需补充端点的边界条件；3)确定三次样条曲线的边界条件，对于非封闭曲线取结合上面的n个方程，可以确定控制点c
i
(i＝0,1,...n-1)的位置坐标；4)构建插值矩阵：构建三次b样条曲线的插值矩阵，插值矩阵是一个4x4矩阵，根据b样条曲线的基函数计算得出；5)使用插值矩阵和控制点构作插值曲线，最终得到一条通过n个型值点q
i
(i＝0,1,...n-1)的三次b样条曲线；6)根据需要对拟合曲线进行优化和调整，通过调整节点位置、权重分配，以改善曲线的拟合结果。6.如权利要求1所述的基于east的线激光条纹中心提取方法，其特征在于，步骤三包括：在滤波过程中，滤波器窗宽及多项式拟合阶次决定滤波的效果，具体步骤为：1)设滑动窗口大小为2m+1，窗口中的原始数据点为x(n)，其中n的取值为[-m,...,0,...,m]，构造阶次n的多项式进行拟合：式中，k为多项式的阶数，d
k
为多项式的系数；2)最小二乘法拟合残差3)为使e最小，令e对各系数导数为0，即可求得多项式系数d
k
；4)每次移动2m+1大小的滑动窗口，此多项式在窗口中心点的值即滤波后的结果值，当
横坐标为0，滤波后的值为f(0)＝d0。7.一种应用如权利要求1～6所述的基于east的线激光条纹中心提取方法的基于east的线激光条纹中心提取系统，基于east的线激光条纹中心提取系统包括：图像获取模块，用于对激光条纹图像进行获取；图像预处理模块，用于进行中值滤波去噪，并利用east深度学习模型进行roi区域提取；中心线提取模块，用于利用灰度重心法对初始中心线进行提取；中心线拟合模块，用于利用三次b样条对初始中心线进行拟合；中心线优化模块，用于利用savitzky-golay滤波对中心线进行优化。8.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6所述的基于east的线激光条纹中心提取方法的步骤。9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6所述的基于east的线激光条纹中心提取方法的步骤。10.一种信息数据处理终端，信息数据处理终端用于实现如权利要求7所述的基于east的线激光条纹中心提取系统。

技术总结
本发明属于信息技术服务技术领域，公开了一种基于EAST的线激光条纹中心提取方法、系统及终端，首先使用标定好的相机进行激光条纹图像的采集，使用中值滤波对图像进行降噪处理，去除孤立噪点；利用人工标注图像训练EAST网络，识别光条目标，实现光条和背景分离；然后采用传统灰度重心法提取光条的亚像素坐标；采用三次B样条曲线对初始中心线进行拟合，有效解决部分光条中心线不连续的问题；最后用Savitzky-Golay滤波对中心线进行优化，实现光条中心线精准提取。本发明在传统灰度重心法的基础上，引入三次B样条曲线拟合的内容对不连续的中心线进行断线重连，保证了光条中心提取的精度和实时性，同时该方法在提取精度、处理速度和抗噪性方面表现出较良好的特性。速度和抗噪性方面表现出较良好的特性。速度和抗噪性方面表现出较良好的特性。


技术研发人员：贺锋涛 赵伟琳 姚欣钰 杨祎 张建磊
受保护的技术使用者：西安邮电大学
技术研发日：2023.06.30
技术公布日：2023/10/5