專利名稱：一種微運動測量方法
技術領域：
本發明涉及一種運動測量方法。
背景技術：
微/納制造技術在汽車、新能源、柔性電子、光電子、MEMS/NEMS (微/納機電系統)以及生物醫療等領域有著廣泛的應用前景。在微/納制造中，微/納系統的動態性能對其設計、制造及可靠性運行都具有非常重要的意義，因此對微/納系統動態特性進行測試顯得尤為關鍵。此外，納米級精度微位移檢測技術是研究精密微動平臺的關鍵技術之一。在所報道的微結構微運動測量方法中，計算機微視覺測量方法不需要復雜的干涉光路系統及激光光源。同時，在該方法中被測量的運動直接來自視頻圖像，能夠直觀地觀測被測目標及其運動情況，從而方便實現人機交互及對被測運動進行解釋。為此，計算機微視覺方法逐漸成為測量微結構微運動最有效的方法。在所報道的測量微運動的計算機微視覺方法中，大多數都是基于序列清晰圖像設計的。這些方法通常采用高速成像設備縮短攝像機的曝光時間或采用頻閃成像設備“凍結”目標圖像來避免圖像的模糊，從而減少運動模糊對微運動測量的影響。然而，這兩種消除運動模糊的方法增加了設備的成本或測量的復雜性。結合計算機微視覺方法，直接利用微結構的模糊圖像進行高精度微運動測量，可以降低測量的成本或復雜性。通過對現有技術的綜合分析和比較，目前所報道的微運動測量方法主要存在以下幾個方面的問題(I)采用高速成像設備和頻閃成像設備來消除運動模糊的計算機微視覺方法增加了設備的成本或測量的復雜性；(2)目前所報道的直接利用模糊圖像信息進行運動估計、角速度測量、振幅測量及轉速測量的方法均需要首先建立運動模糊圖像模型，而且需要已知運動函數的類型，因而對于不同的運動類型需要設計不同的測量算法；(3)目前存在的直接利用運動模糊圖像模糊信息進行運動估計的方法并不是針對微結構的微運動測量而設計的，用于測量微結構微運動時精度較低。
發明內容
本發明的發明目的在于提供一種克服現有技術的不足，直接采用運動模糊圖像的模糊信息進行微結構微運動測量的高精度方法。本發明是這樣實現的，采用具有自動控制曝光時間及光電轉換系數的計算機微視覺系統采集一組微結構的模糊圖像，然后從該組微結構的模糊圖像中采用Spectralmatting算法提取一組模糊圖像的α通道信息，依據該組模糊圖像的α通道信息及這些α通道信息間的梯度，并通過基本流域包含有平移及旋轉等多種運動類型的仿射變換所 獲得的運動模糊圖像σ通道信息的梯度結合相應的待測圖像β通道信息的時間梯度5，建立一種類似用于光流約束模型為運動模糊圖像0通道信息的梯度，b表示運動參數向量，^表示待測圖像α通道信息的時間梯度，即微結構運動前后采集的圖像α通道信息的差值，依據建立的該模糊圖像運動約束模型就可獲得所需要的微運動測量結果。所獲得的微運動測量結果的單位是像素，根據所采用的攝像設備所固有的像素轉換成距離單位參數(如有些攝像設備一像素為O. I毫米)換算成毫米單位。式中，為運動模糊圖像^通道信息的梯度b表示運動參數向量表示待
圖像tr通道信息的時間梯度，即微結構運動前后采集的圖像α通道信息的差值。^是其實就是待測圖像的α通道信息的時間梯度。也就是說，微結構運動前采集一副圖像，提取該圖像的α通道信息(標記為A ),運動了 b (假如是位移)后，再采取一副圖像，并提取其α通道
信息(標記為％)，那么Zp = Oi2-C1 ,是一個向量。這里，利用小模板的中值濾波器對采集的微結構的模糊圖像進行中值濾波，去除散粒噪聲對測量結果的影響。此外，將計算機微視覺系統安裝在隔振臺上以減少由外界振動等因素引起的機械噪聲對微運動測量的影響。模糊圖像α通道信息梯度的計算采用梯度濾波器來進行。采用梯度濾波器計算時，先將模糊圖像進行多尺度方法分解，模糊圖像經多尺度方法分解后，首先采用小抽頭的梯度濾波器計算α通道信息的梯度，幾次迭代后再用大抽頭數的梯度濾波器計算最后一層較大像素運動尺度層模糊圖像α-通道信息的梯度。這種分層估計的方法不但能夠提高微運動測量精度，而且能夠加快算法的測量速度。為了進一步提高微運動測量精度，模糊圖像運動約束模型中的運動參數采用魯棒估計方法進行計算。同傳統的最小二乘法相比較，魯棒估計方法的誤差達到一個飽和值以后，不再增大，于是界外值對最終解的影響受到了一定的限制，從而能夠進一步提高測量精度。以算法的精度為橫坐標，效率為縱坐標，構建一個精度一效率二維性能評估坐標系，通過設置不同的計算α通道信息梯度的濾波器抽頭數或多尺度方法的尺度層數，來獲得不同的精度、效率坐標參數，采用該坐標參數評估微運動測量算法的精度和效率。根據精度和效率性能評估結果，修正設計的微運動測量算法，使得設計的算法不但測量精度高而且測量速度快。同時，將所獲得的數據和激光干涉儀對微結構的微運動進行測量所獲得數據進行比較，驗證本發明所述的直接采用模糊圖像測量微運動的方法能夠測量高精度的微結構微運動。本發明與已有技術相比，具有直接采用運動模糊圖像的模糊信息進行微結構微運動測量、測量精度高、測量設備成本低的優點。
圖I為本發明模糊圖像運動約束建模過程示意 圖2為微運動測量算法流程 圖3為微結構模糊圖像微運動測量流程圖。
具體實施例方式 現結合附圖和實施例對本發明做進一步詳細描述
如圖I所示，本發明是這樣實現的，采用具有自動控制曝光時間及光電轉換系數的計算機微視覺系統采集一組微結構的模糊圖像，然后從該組微結構的模糊圖像中采用Spectral matting算法提取一組模糊圖像的α通道信息，依據該組模糊圖像的α通道信息及這些α通道信息間的距離梯度，并通過基本流域包含有平移及旋轉等多種運動類型的仿射變換所獲得的運動模糊圖像《通道信息的梯度結合相應的待測圖像 通道信息的時間梯度h，建立一種類似用于光流約束模型=為運動模糊圖像0|通道
信息的梯度，h表示運動參數向量，^表示待測圖像0^通道信息的時間梯度，即微結構運動
前后采集的S像α通道信息的差值，依據建立的該模糊圖像運動約束模型就可獲得所需要的微運動測量結果。如圖3所示，利用小模板的中值濾波器對采集的微結構的模糊圖像進行中值濾波來實現噪聲抑制，去除散粒噪聲對測量結果的影響。此外，將計算機微視覺系統安裝在隔振臺上通過精密標定塊進行系統標定，以減少由外界振動等因素引起的機械噪聲對微運動測
量的影響。如圖2所示，模糊圖像的α通道信息的梯度計算采用梯度濾波器來進行。采用梯度濾波器計算時，先對模糊圖像進行多尺度方法分解，模糊圖像經多尺度方法分解后，首先采用小抽頭的梯度濾波器計算α通道信息的梯度，幾次迭代后再用大抽頭數的梯度濾波器計算最后一層較大像素運動尺度層模糊圖像α通道信息的梯度▽ α。如圖2、3所示，對構成模糊圖像運動約束模型的數據采用魯棒估計方法進行處理。如圖3所示，以算法的精度為橫坐標，效率為縱坐標，構建一個精度一效率二維性能評估坐標系，通過設置不同α通道信息梯度的濾波器抽頭數或多尺度方法的尺度層數，來獲得不同的精度、效率坐標參數，采用該坐標參數評估微運動測量算法的精度和效率。根據精度和效率性能評估結果，修正設計的微運動測量算法，使得設計的算法不但測量精度高而且測量速度快。同時，將所獲得的數據和激光干涉儀對微結構的微運動進行測量所獲得數據進行比較，驗證本發明所述的直接采用模糊圖像測量微運動的方法能夠測量高精度的微結構微運動。
權利要求
1.一種微運動測量方法，其特征在于采用具有自動控制曝光時間及光電轉換系數的計算機微視覺系統采集一組微結構的模糊圖像，然后從該組微結構的模糊圖像中采用Spectral matting算法提取一組模糊圖像的α通道信息，依據該組模糊圖像的α通道信息及這些α通道信息間的距離梯度，并通過基本流域包含有平移及旋轉等多種運動類型的仿射變換所獲得的運動模糊圖像α通道信息的梯度▽<!結合相應的待測圖像α通道信息的時間梯度5，建立一種類似用于光流約束模型= Va為運動模糊圖像1*通道信息的梯度，b表示運動參數向量^表示待測圖像0；通道信息的時間梯度，即微結構運動前后采集的圖像α通道信息的差值，依據建立的該模糊圖像運動約束模型就可獲得所需要的微運動測量結果。
2.根據權利要求I所述的微運動測量方法，其特征在于利用小模板的中值濾波器對采集的微結構的模糊圖像進行中值濾波，去除散粒噪聲對測量結果的影響。
3.根據權利要求I或2所述的微運動測量方法，其特征在于將計算機微視覺系統安裝在隔振臺上以減少由外界振動等因素引起的機械噪聲對微運動測量的影響。
4.根據權利要求I或2所述的微運動測量方法，其特征在于模糊圖像α通道信息的梯度的計算采用梯度濾波器來進行。
5.根據權利要求3所述的微運動測量方法，其特征在于模糊圖像α通道信息的梯度的計算采用梯度濾波器來進行。
6.根據權利要求4所述的微運動測量方法，其特征在于采用梯度濾波器計算時，先對模糊圖像進行多尺度方法分解，模糊圖像經多尺度方法分解后，首先采用小抽頭的梯度濾波器計算α通道信息的梯度，幾次迭代后再用大抽頭數的梯度濾波器計算最后一層較大像素運動尺度層模糊圖像α通道信息的梯度。
7.根據權利要求5所述的微運動測量方法，其特征在于采用梯度濾波器計算時，先對模糊圖像進行多尺度方法分解，模糊圖像經多尺度方法分解后，首先采用小抽頭的梯度濾波器計算α通道信息的梯度，幾次迭代后再用大抽頭數的梯度濾波器計算最后一層較大像素運動尺度層模糊圖像α通道信息的梯度。
8.根據權利要求I或2或5或6或7所述的微運動測量方法，其特征在于對構成模糊圖像運動約束模型的數據采用魯棒估計方法進行處理。
9.根據權利要求6或7所述的微運動測量方法，其特征在于以算法的精度為橫坐標，效率為縱坐標，構建一個精度一效率二維性能評估坐標系，通過設置不同α通道信息梯度的濾波器抽頭數或多尺度方法的尺度層數，來獲得不同的精度、效率坐標參數，采用該坐標參數評估微運動測量算法的精度和效率，根據精度和效率性能評估結果，修正設計的微運動測量算法，使得設計的算法不但測量精度高而且測量速度快，同時，將所獲得的數據和激光干涉儀對微結構的微運動進行測量所獲得數據進行比較，驗證本發明所述的直接采用模糊圖像測量微運動的方法能夠測量高精度的微結構微運動。
10.根據權利要求8所述的微運動測量方法，其特征在于以算法的精度為橫坐標，效率為縱坐標，構建一個精度一效率二維性能評估坐標系，通過設置不同α通道信息梯度的濾波器抽頭數或多尺度方法的尺度層數，來獲得不同的精度、效率坐標參數，采用該坐標參數評估微運動測量算法的精度和效率，根據精度和效率性能評估結果，修正設計的微運動測量算法，使得設計的算法不但測量精度高而且測量速度快，同時，將所獲得的 數據和激光干涉儀對微結構的微運動進行測量所獲得數據進行比較，驗證本發明所述的直接采用模糊圖像測量微運動的方法能夠測量高精度的微結構微運動。
全文摘要
一種微運動測量方法，其特征在于采用具有自動控制曝光時間及光電轉換系數的計算機微視覺系統采集一組微結構的模糊圖像，然后從該組微結構的模糊圖像中采用Spectralmatting算法提取一組模糊圖像的α通道信息，依據該組模糊圖像的α通道信息及這些α通道信息間的距離梯度,并通過基本流域包含有平移及旋轉等多種運動類型的仿射變換所獲得的運動模糊圖像通道信息的梯度結合相應的待測圖像通道信息的時間梯度,建立一種類似用于光流約束模型，為運動模糊圖像通道信息的梯度，表示運動參數向量，表示待測圖像通道信息的時間梯度，即微結構運動前后采集的圖像通道信息的差值，依據建立的該模糊圖像運動約束模型就可獲得所需要的微運動測量結果。本發明與已有技術相比，具有直接采用運動模糊圖像的模糊信息進行微結構微運動測量、測量精度高、測量設備成本低的優點。
文檔編號G01P13/00GK102645555SQ20121004010
公開日2012年8月22日 申請日期2012年2月22日 優先權日2012年2月22日
發明者盧清華 申請人:佛山科學技術學院