本發明一種基于改進的RANSAC算法的炮孔識別方法涉及圓形炮孔的檢測方法。其包括：對炮孔區域拍照，得到圖像，在圖像中任意選擇一個輪廓；在這個輪廓中隨機取三個點，根據這三個點的坐標求出相應的圓心坐標(x0，y0)和半徑r，即模型；根據得到的圓心坐標(x0，y0)和半徑r，計算輪廓中其他點距圓心的距離，若某一點距圓心的距離與半徑r之差小于shift，則將此點加入所述模型的點集set中；若set中點的個數＞sum，將此模型和sum值加入候選集中；反復循環k次，選擇候選集中投票數最多的模型；該模型即為炮孔。本發明可以有效降低循環次數，從而提高計算效率。

技術領域

本發明涉及圓形炮孔的檢測方法。

背景技術

隨著科技的進步，5G大規模商業應用，特別是智能采礦設備的出現，要求在爆破領域進行無人化，裝藥是爆破的一個重要環節，裝藥環節的無人化的關鍵在于，機器對現場炮孔的快速準確的識別。由于炮孔一般都是圓形，從機器視覺角度出發，轉變為圓形的識別。本發明基于改進RANSAC算法進行炮孔的識別。RANSAC算法是計算機視覺常用到的一種算法，經常用在矩陣的計算上面，RANSAC(random sample consesus)隨機抽樣一致性，是一種算法思想，1981年由Fischler和Bolles提出的。RANSAC算法有三個假設條件：

⑴樣本數據中有正確的點，即局內點。

⑵樣本數據中有錯誤的點，即噪聲點，可能由于錯誤的操作或計算產生。

⑶假設給定正確的樣本點，有計算出模型的方法。

根據RANSAC能有效去除噪聲點，選擇最佳樣本點的功能，用來找圓心。其流程如圖1所示。在進行RANSAC圓檢測之前，還有一步輪廓篩選。因為RANSAC算法是基于輪廓上邊緣點進行。由二值圖像找到的輪廓，輪廓數通常有很多。其中有很小的輪廓、明顯不是圓的輪廓、最外層輪廓等。這些輪廓都是無效輪廓，如果進入到尋找圓心階段會耗費大量的時間。因此必須進行輪廓的篩選。

RANSAC算法檢測圓第一步是隨機選取三個點，再計算出圓心半徑，即模型。如果選擇的點不是真正圓上的點，就得不到正確的模型。對于隨機選取樣本點，在隨機霍夫變換、隨機圓檢測，以及RANSAC上都至關重要，是改進算法，提高精度，減少時間的重要著手點。有的基于邊緣檢測基礎上，選取同一連通域的邊緣點；有的基于先驗條件基礎上，己知半徑或其他條件等。

在不知半徑，不用邊緣檢測的時候，選取輪廓基礎上進行采樣，同樣面臨著隨機選點有很大可能是無效點的問題。面對不規整的圓形輪廓，當完全隨機選點時，點比較靠近，距離很近的點通常具有相同的性質，都是局外點的概率變大了，如圖3所示。

篩選時通常先假設圓心坐標為Z(a，b)，三點坐標分別為A(x1，y1)，B(x2，y2)，C(x3，y3)，從而得到圓心坐標(a，b)和半徑，但是這樣會導致循環計算次數過多。

發明內容

為了解決現有技術的問題，本發明提供了一種能顯著提高RANSAC運算效率和精度的基于改進的RANSAC算法的炮孔識別方法。所述技術方案如下：

一種基于改進的RANSAC算法的炮孔識別方法，包括：

⑴對炮孔區域拍照，得到圖像，在圖像中任意選擇一個輪廓；(如用相機或高清視頻采集儀器拍照)

⑵在這個輪廓中隨機取三個點，根據這三個點的坐標求出相應的圓心坐標(x0，y0)和半徑r，即模型；

⑶根據得到的圓心坐標(x0，y0)和半徑r，計算輪廓中其他點距圓心的距離，若某一點距圓心的距離與半徑r之差小于shift(即丨距離－半徑|＜shift，其中shift是允許的誤差，是輪廓上點距離圓心的距離和半徑的差值的絕對值)，則將此點加入所述模型的點集set中；