(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210825888.7 (22)申请日 2022.07.14 (71)申请人 成都理工大 学 地址 610051 四川省成 都市成华区二仙桥 东三路1号 (72)发明人 桑强　黄韬　王红毅　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 李林合 (51)Int.Cl. G06T 5/00(2006.01) G06T 5/20(2006.01) G06T 7/187(2017.01) G06T 7/11(2017.01) G06T 7/73(2017.01) (54)发明名称 一种改进的可适应性棋盘 格角点检测方法 (57)摘要 本发明公开了一种改进的可适应性棋盘格 角点检测方法， 包括S1、 采用圆形边界算法寻找 图像中每个像素点的两个棋盘格方向α1和α2， 并对应生成两种相反的滤波器T1和T2； S2、 根据 两种相反的滤波器T1和T2， 计算得到响应c ′； S3、 计算图像 中每个像素点的最终响应co， 以得到像 素点的响应图， 并采用非极大值抑制提取图像中 的候选点； S4、 计算每个候选点的分数s1， 并舍弃 分数值小于阈值的候选点； S5、 基于畸变图像中 棋盘格角点的同一行或列的角点向着同一个时 针方向进行变化， 对棋盘格的生长进行预判和限 制， 以实现棋盘结构的恢复。 本发明根据棋盘格 变化的规律， 使用 “惯性生长 ”方法恢复棋盘结 构， 更有效地在存在错误点的候选点中恢复出棋 盘结构。 权利要求书2页 说明书7页 附图2页 CN 115526789 A 2022.12.27 CN 115526789 A 1.一种改进的可适应性棋盘 格角点检测方法， 其特 征在于， 包括以下步骤： S1、 采用圆形边界算法寻找图像中每个像素点的两个棋盘格方向α1和α2， 并对应生成两 种相反的滤波器T1和T2； S2、 根据两种相反的滤波器T1和T2， 计算得到响应c ′； S3、 根据响应c ′、 以及两个棋盘格方向α1和α2， 计算图像中每个像素点的最终响应co， 以 得到响应图， 并采用非极大值抑制提取 出响应图中的候选点； S4、 计算每 个候选点的分数s1， 并舍弃分数值小于阈值的候选点； S5、 基于畸变图像 中棋盘格角点的变化规律： “同一行或列的角点向着同一个时针方向 进行变化 ”， 对棋盘格的生长进行 预判和限制， 以实现棋盘结构的恢复。 2.根据权利要求1所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 所述步骤 S1中两种相反的滤波器T1和T2满足： wb·nb+ww·nw＝0 其中， wb和ww分别为图像中黑色部分和白色部分的权重值， nb和nw分别为由α1和α2所分 割开的两个区域中的像素 数目。 3.根据权利要求2所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 所述步骤 S2中计算得到响应c ′为： c′＝max(In*T1， In*T2) 其中， *为互相关操作， In为原图像中以所遍历的像素点为中心且与T1和T2同尺寸的子 图像。 4.根据权利要求3所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 所述步骤 S3具体包括： 计算当前棋盘 格图像的梯度图， 所 得的响应乘以其范围内的最大梯度值； 根据角点的两个梯度方向， 将棋盘 格分为四个区域， 并计算得到最终的响应co： 其中， n1为作用域内像素点的数目， vmax为作用域内最大值， vmin为作用域内最小值， vta、 vba、 vla和vra分别为由两个梯度所分割出来的上下左右四个区域的平均像数值， vw为作用域 内的最大梯度幅度值， 当vw大于0.7时， 则令vw等于0.7； 计算图像中每个像 素点最终的响应co， 以得到响应图， 并采用非极大值抑制提取图像中 的候选点。 5.根据权利要求4所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 所述步骤 S4具体包括： 计算候选点的分数s1： s1＝co·max(In*Ts1， In*Ts2， In*Ts3) 其中， co为候选点的响应值， *为互相关操作， Ts1、 Ts2和Ts3为根据梯度方向α1和α2生成的 三种不同尺度的滤波器；权　利　要　求　书 1/2 页 2 CN 115526789 A 2计算每个候选点的分数s1， 并舍弃s1＜0.08的候选点。 6.根据权利要求5所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 所述步骤 S5具体包括： 寻找所有候选角点的3 ×3基础棋盘， 以当前遍历的点的两个梯度方向α1和α2为基础， 分 别找到上、 下、 左和右方向上最近的角点并放入基础棋盘的正方向位置， 再根据所述四个点 及其两个梯度方向， 分别得到左上、 右上、 左下和右下点的预测位置， 将距离所述预测位置 最近的角点 放入基础棋盘的对角位置， 并计算所述基础棋盘得分 s2； 对所有角点的基础棋盘按得分从大到小的顺序放入得分数组vs2中； 遍历vs2中所有基础棋盘， 并进行惯性生长， 对于每一个生长方向上的一行/列， 通过预 测方向αp和该行/列方向上的最相邻的距离d， 得到一个预测位置p； 在以p为中心， 以d为半径的范围内寻找最优的角点。 7.根据权利要求6所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 计算所述 基础棋盘得分 s2为： 其中， Dmax为基础棋盘的行或列上由角点组成的两梯度之间最小的差值； Lminr、 Lmaxr分别 为基础棋盘行方向上两角点之间的最短和最长距离； Lminc、 Lmaxc分别为基础棋盘列方向上两 角点之间的最短和最长距离 。 8.根据权利要求6所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 计算预测 方向αp为： 其中， αbase为生长方向上的已存在最相邻梯度方向， Δαi为生长方向上的每一个梯度 差， n2为生长方向上的梯度差数目。 9.根据权利要求6所述的改进的可适应性棋盘格角点检测方法， 其特征在于， 采用整合 距离计算 最优角点， 整合距离dreal为： dreal＝d·abs(cosαd)+5d·abs(sinαd) 其中， αd为α1和α2的差值， 计算范围内的所有候选角点的dreal， 取dreal最小的角点作为生 长的新角点。权　利　要　求　书 2/2 页 3 CN 115526789 A 3