劉振宇，李中生,2,， 趙 雪，鄒風(fēng)山

LIU Zhen-yu1, LI Zhong-sheng1, 2, 3, ZHAO Xue4, ZOU Feng-shan3

(1.沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，沈陽 110870；2.空軍駐沈陽地區(qū)軍事代表室，沈陽 110016；3.新松機(jī)器人自動(dòng)化股份有限公司，沈陽 110168；4.沈陽防銹包裝材料有限責(zé)任公司，沈陽 110084)

0 引言

機(jī)器視覺技術(shù)指用攝像機(jī)來模擬人眼的視覺功能來對(duì)客觀事物進(jìn)行測(cè)量和判斷。視覺技術(shù)在工業(yè)中得到了越來越廣泛的應(yīng)用，對(duì)提高生產(chǎn)效率，達(dá)到生產(chǎn)智能化的目的起著至關(guān)重要的作用[1]。工件分揀是工業(yè)產(chǎn)品批量生產(chǎn)環(huán)節(jié)重要的組成部分,傳統(tǒng)生產(chǎn)線上，分揀采用人工的方法，對(duì)于長(zhǎng)時(shí)間作業(yè)來說，顯然是滿足不了的。即使采用工業(yè)機(jī)器人進(jìn)行分揀，其一系列運(yùn)動(dòng)也都是用示教或離線編程的方法，所有動(dòng)作和擺放位置都要預(yù)先嚴(yán)格的設(shè)定。一旦工作環(huán)境條件有所變化，就會(huì)造成抓取錯(cuò)誤。與傳統(tǒng)的機(jī)械分揀作業(yè)相比，將機(jī)器視覺技術(shù)應(yīng)用到工業(yè)分揀系統(tǒng)上有著高質(zhì)量，高速率，高智能等無法替代的優(yōu)勢(shì)。根據(jù)目前我國(guó)的市場(chǎng)需求狀況和相關(guān)技術(shù)研究、將機(jī)器視覺與工業(yè)生產(chǎn)的有機(jī)結(jié)合不僅提高了產(chǎn)品質(zhì)量和可靠性，更保證了工業(yè)化生產(chǎn)的效率[2]，有著十分重要的意義。目前，視覺處理算法發(fā)展取得了較快的發(fā)展。例如，Dagao Duan，Meng Xie，Qian Mo等人提出了一種改進(jìn)的Hough變換（MHT）和窗口隨機(jī)Hough變換（RHT）減輕了存儲(chǔ)負(fù)載[3]。Barinova, O., Lempitsky, V., Kholi, P.等人提出了一種Hough變換檢測(cè)算法，用于檢測(cè)多個(gè)目標(biāo)對(duì)象[4]。中國(guó)三峽大學(xué)提出了一種新的圓心都由梯度Hough變換分配同心圓檢測(cè)方法[5]。Sun Junding, Xu Heli等人研究了鏈碼分布向量(CCDV),鏈碼相對(duì)論熵(CCRE),鏈碼空間分布熵(CCSDE)，并且提出了一種將鏈碼檢索形狀的算法[6]。

本文把機(jī)器視覺技術(shù)應(yīng)用到工業(yè)機(jī)器人分揀問題中，搭建立了基于視覺的分揀系統(tǒng)試驗(yàn)平臺(tái)。同時(shí)研究了相關(guān)的圖像處理算法，提出了多目標(biāo)分塊處理算法和Hough變換與鏈碼相結(jié)合的Hough-鏈碼識(shí)別算法，兩者結(jié)合可以有效解決規(guī)則幾何工件的分揀問題。

1 工業(yè)機(jī)器人分揀系統(tǒng)平臺(tái)構(gòu)成

本文以新松六自由度機(jī)械臂SRH6工業(yè)機(jī)器人為基礎(chǔ)，搭建了如圖1所示的基于機(jī)器視覺的工業(yè)機(jī)器人分揀系統(tǒng)平臺(tái)。該工業(yè)機(jī)器人分揀系統(tǒng)主要組成部分有：傳送帶、工件放置槽、千兆以太網(wǎng)工業(yè)相機(jī)、相機(jī)支架和六自由度工業(yè)機(jī)器人等。

首先相機(jī)對(duì)傳送帶上進(jìn)入到工作區(qū)的工件進(jìn)行圖像采集，然后對(duì)圖像進(jìn)行處理分析，對(duì)工件進(jìn)行識(shí)別定位，接著根據(jù)建立的目標(biāo)坐標(biāo)系和機(jī)器人坐標(biāo)系之間的關(guān)系，引導(dǎo)機(jī)器人抓取不同種類的工件，把同類的工件放置到放置槽中去。

圖1 基于機(jī)器視覺的工業(yè)機(jī)器人分揀系統(tǒng)

2 分揀實(shí)現(xiàn)流程

基于機(jī)器視覺的工業(yè)機(jī)器人分揀系統(tǒng)的圖像處理流程如圖2所示，通過攝像機(jī)把工件放置臺(tái)上幾何工件的圖像序列采集到PC機(jī)內(nèi)，并通過識(shí)別算法進(jìn)行常規(guī)形狀的識(shí)別：如矩形、三角形、五邊形和六邊形等規(guī)則幾何工件，計(jì)算其相關(guān)的形狀特征。整個(gè)分揀流程從視覺算法上分為四個(gè)部分：圖像預(yù)處理、目標(biāo)提取、形狀識(shí)別和分揀抓取。1) 圖像預(yù)處理：對(duì)采集到的圖像進(jìn)行圖像平滑去除噪，消除噪聲對(duì)圖像的干擾。使用Canny算子進(jìn)行二值化，其目的是將目標(biāo)圖像從背景圖像提取出來。2) 目標(biāo)提取：將圖像按照目標(biāo)分塊進(jìn)行處理，可以提高識(shí)別速率。使用Hough直線檢測(cè)是為了檢測(cè)單一目標(biāo)的幾何工件邊的條數(shù)。3) 形狀識(shí)別：首先用圖像幾何矩來對(duì)工件進(jìn)行快速粗略識(shí)別，之后利用Hough變換檢測(cè)出的目標(biāo)工件的四周的直線，求取相鄰兩條直線之間的夾角，用夾角作為鏈碼的參數(shù)，然后比較數(shù)據(jù)庫中的模板鏈碼和計(jì)算出的鏈碼是否相同以精確匹配。4) 分類抓取：對(duì)每個(gè)單一工件目標(biāo)求取質(zhì)心坐標(biāo)點(diǎn)，通過RS232發(fā)送特征信息給機(jī)器人控制柜，從而控制機(jī)器人的機(jī)械手進(jìn)行分揀抓取操作。

圖2 視覺算法分揀流程圖

3 目標(biāo)提取

3.1 攝像機(jī)標(biāo)定

機(jī)器視覺中CCD攝像頭的作用是采集目標(biāo)圖像，攝像頭選用DALAS公司生產(chǎn)的GM1400千兆以太網(wǎng)工業(yè)相機(jī)。相機(jī)內(nèi)參數(shù)為：焦距：4.2864毫米；精度：1.3020mm/像素(長(zhǎng))、精度：0.9765mm/像素(寬)；焦距：5毫米；精度：1.116mm/像素。為了方便計(jì)算，可以近似認(rèn)為1像素為1mm。

攝像機(jī)標(biāo)定是視覺系統(tǒng)開發(fā)的關(guān)鍵步驟，它的基本任務(wù)就是通過對(duì)從攝像機(jī)采集到的圖像進(jìn)行處理，以獲得三維空間中物體的幾何信息，并由此重建和識(shí)別物體[7]，是機(jī)器視覺在工業(yè)分揀生產(chǎn)線上得以應(yīng)用的一個(gè)必要前提。攝像機(jī)標(biāo)定的目的是建立各相關(guān)坐標(biāo)系，獲得空間點(diǎn)在圖像坐標(biāo)系和空間坐標(biāo)系下的對(duì)應(yīng)關(guān)系[8]。針孔模型是攝像機(jī)模型中最簡(jiǎn)單的模型，本分揀系統(tǒng)以小孔成像為標(biāo)定算法的模型，采用了張正友標(biāo)定法。只需要拍攝2張相片，并根據(jù)圖像點(diǎn)之間對(duì)應(yīng)關(guān)系即可標(biāo)定出攝像機(jī)內(nèi)參數(shù)與外參數(shù)[9]。如圖3所示，為了提高攝像機(jī)標(biāo)定的精度，本文采用7張相片作為標(biāo)定模板。攝像機(jī)標(biāo)定是分揀系統(tǒng)跟蹤和抓取目標(biāo)的前提，為后續(xù)抓取工作提供了基礎(chǔ)保證。

圖3 攝像機(jī)標(biāo)定圖

圖4 幾何工件的外圍矩形

3.2 圖像預(yù)處理

圖像的預(yù)處理主要是為了提高圖像數(shù)據(jù)中的信噪比，進(jìn)行背景噪聲的抑制。目的是減輕后續(xù)圖像處理的壓力。預(yù)處理的好壞直接影響機(jī)械工件的邊緣、面積、曲率、角度和物體質(zhì)心等特征的提取。

3.2.1 多目標(biāo)分塊處理

在圖像處理中，一般的算法都是把一張圖像作為一個(gè)整體研究，這樣每次對(duì)圖像分析時(shí)候都是在掃描整個(gè)圖像下進(jìn)行的。本文采用多目標(biāo)分塊處理，把一副圖像分割為基于N個(gè)目標(biāo)的不同目標(biāo)塊Block N(i,j)。這樣可以在處理目標(biāo)圖像時(shí)，只針對(duì)目標(biāo)塊這一小部分，有效的減小算法處理時(shí)間。如圖4所示，將多目標(biāo)幾何工件按照分塊進(jìn)行處理。每個(gè)目標(biāo)工件都有外圍矩形將每個(gè)目標(biāo)都分開。

3.2.2 邊緣檢測(cè)

經(jīng)典的邊緣檢測(cè)的算子有Sobel算子、Prewitt、 Canny算子和Laplace算子，而Canny算子具有較好的信噪比、高邊緣定位性能和在噪聲環(huán)境下較好的檢測(cè)效果，適用于不同環(huán)境下的邊緣檢測(cè)[10]。本文選取Canny邊緣檢測(cè)算子求取工件邊緣。該算子首先采用二維高斯函數(shù)的一階導(dǎo)數(shù)對(duì)圖像進(jìn)行平滑處理，再對(duì)平滑后的圖像計(jì)算其梯度的幅值和方向并進(jìn)行非極大值抑制，最后檢測(cè)和連接邊緣[11]，二維高斯函數(shù)和圖像卷積如式(1)所示：

其中：I(x,y)為原始圖像，σ是一個(gè)尺度參數(shù)，σ越小，則函數(shù)越集中。σ越大，則表示圖像在一個(gè)較大的范圍內(nèi)進(jìn)行平滑去除圖像噪聲。

然后用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值圖像G和梯度方向圖像α。點(diǎn)(i,j)處兩個(gè)方向的偏導(dǎo)數(shù)Gx(i,j)和Gy (i,j) 如式(2)所示。

則此時(shí)圖像點(diǎn)I (i, j)處的梯度幅值M和梯度方向α分別為：

其中α為平滑梯度方向矢量，即正交邊緣的方向。幅值M越大，其對(duì)應(yīng)的圖像梯度值也越大。為了確定邊緣，只保留幅值局部變化較大的點(diǎn)，生成細(xì)化邊緣。最后用雙閾值算法檢測(cè)并且連接邊緣。

經(jīng)過Canny算子處理后，需要對(duì)二值圖像進(jìn)行膨脹處理，使得邊緣更明顯以便于觀察。膨脹屬于形態(tài)學(xué)的一種處理方法，需要定義一個(gè)“結(jié)構(gòu)元素”，在每個(gè)像素的位置上它將與二值圖像對(duì)應(yīng)的區(qū)域進(jìn)行特定的邏輯操作。膨脹公式定義為：

首先對(duì)S做關(guān)于原點(diǎn)的映像 ，然后將結(jié)構(gòu)元素S平移到(x,y)，它與I的交集不為空集，這樣的點(diǎn)(x,y)組成的集合就是S對(duì)I膨脹產(chǎn)生的結(jié)果。檢測(cè)到的工件邊緣如圖5所示。

圖5 檢測(cè)的工件邊緣

4 特征識(shí)別與定位

工件的識(shí)別與定位是機(jī)器人分揀工件的前提和基礎(chǔ)，其識(shí)別和定位的正確與否直接影響到后續(xù)分揀操作結(jié)果的準(zhǔn)確性，本文首先利用幾何不變矩對(duì)工件圖像進(jìn)行快速的粗略識(shí)別，接著采用Hough變換檢測(cè)邊緣直線，并以直線夾角為參數(shù)形成Hough-鏈碼，通過匹配目標(biāo)與模板的Hough-鏈碼來進(jìn)一步識(shí)別工件。工件的定位采用基于圖像一階矩的算法來計(jì)算出工件的質(zhì)心坐標(biāo)。

4.1 不變矩

圖像的幾何不變矩特征主要體現(xiàn)了圖像區(qū)域的幾何特征，又稱為幾何矩，由于其具有旋轉(zhuǎn)、平移、尺度等特征的不變特征，所以又稱為不變矩。

對(duì)于區(qū)域大小為M×N的數(shù)字圖像f(i, j)，其(p+q)階矩定義為：

公式（6）中：f(i, j)相當(dāng)于一個(gè)像素的質(zhì)量；Mpq為不同p、q值下的圖像的矩。

中心距Mpq反映了區(qū)域中的灰度相對(duì)于灰度重心是如何分布的度量。為了得到矩的不變特征，定義歸一化的中心距為：

利用歸一化的中心矩，可以獲得利用式(8)中εpq表示的7個(gè)具有平移、比例和旋轉(zhuǎn)不變性的矩不變量（其中φ7只具有比例和平移不變形）。

如表1所示，對(duì)五邊形工件進(jìn)行平移、旋轉(zhuǎn)和縮放后計(jì)算出其幾何不變矩。由表1可知，該幾何不變矩方法魯棒性一般，且不能對(duì)同類工件的不同大小進(jìn)行區(qū)分，鑒于該方法能快速檢測(cè)出工件大體形狀，故用該方法來實(shí)現(xiàn)對(duì)工件的快速粗略檢測(cè)。

表1 基于五邊形工件的圖像幾何矩

4.2 Hough-鏈碼法

針對(duì)相同形狀的大小工件，本文采用基于Hough變換和鏈碼的方法演變來的Hough-鏈碼法來進(jìn)行精確匹配特征。

Hough變換在圖像處理中識(shí)別幾何形狀的基本方法之一。Hough變換算法的主要思想是,先將參數(shù)平面按一定步長(zhǎng)離散化為許多小格,然后采用“多對(duì)一”映射,計(jì)算圖像空間中共線的多個(gè)像素點(diǎn)在參數(shù)平面中對(duì)應(yīng)的參數(shù)值,若計(jì)算結(jié)果落在參數(shù)平面某一小格內(nèi),就使該小格的累加器加1,累積值最大的小格即為圖像空間中直線的參數(shù)[12]。

如圖6所示，x-y坐標(biāo)和k-b坐標(biāo)有點(diǎn)----線的對(duì)偶性。x-y坐標(biāo)中的點(diǎn)P1、P2對(duì)應(yīng)于k-b坐標(biāo)中的L1、L2；而k-b坐標(biāo)中的點(diǎn)P0對(duì)應(yīng)于x-y坐標(biāo)中的線L0，由于x-y坐標(biāo)中的垂直線的k值為無窮大，給計(jì)算帶來不便，故使用點(diǎn)----正弦曲線對(duì)偶變換解決這一問題。將直線坐標(biāo)系轉(zhuǎn)化到極坐標(biāo)方程表示如下：

圖6 點(diǎn)-線對(duì)偶性

上述方程中，θ取(0～1800)為坐標(biāo)系xoy原點(diǎn)到直線的垂線與x軸正方向的夾角，ρ為坐標(biāo)系xoy原點(diǎn)到直線的距離。從直角坐標(biāo)系到極坐標(biāo)系下就是一條直線上的多個(gè)點(diǎn)對(duì)應(yīng)多條交于一點(diǎn)的直線。

運(yùn)用Hough變換來檢測(cè)直線有具有較強(qiáng)的魯棒性，可以有效地排除噪聲的干擾和解決圖像經(jīng)過二值化后線條出現(xiàn)的間斷的問題[13]。

近年來，鏈碼因其能用較少的數(shù)據(jù)來存儲(chǔ)較多的信息而被廣泛的應(yīng)用于圖像匹配領(lǐng)域中[14]。鏈碼是圖像處理和目標(biāo)識(shí)別常用的一種基本方法，如圖7所示，根據(jù)鏈碼的斜率不同，可以將鏈碼分為4方向和8方向鏈碼。

圖7 鏈碼值與方向之間的對(duì)應(yīng)關(guān)系

使用鏈碼時(shí)候，起點(diǎn)是關(guān)鍵因素，不同起點(diǎn)的鏈碼，產(chǎn)生的結(jié)果是不同的，所以一般采用差分鏈碼。這相當(dāng)于把鏈碼進(jìn)行旋轉(zhuǎn)歸一化。在圖像中的目標(biāo)發(fā)生旋轉(zhuǎn)時(shí)其鏈碼會(huì)發(fā)生變化，此時(shí)可以在鏈碼的一階差分基礎(chǔ)上構(gòu)造差分鏈碼，且差分鏈碼具有旋轉(zhuǎn)不變特性。差分鏈碼可以用相鄰兩個(gè)像素的碼元方向數(shù)相減（后一個(gè)碼元方向減去前一個(gè)碼元方向），并對(duì)結(jié)果做模8運(yùn)算得到。差分鏈碼是原鏈碼各段之間方向變化后的一個(gè)新序列，相當(dāng)于把原鏈碼進(jìn)行了旋轉(zhuǎn)歸一化操作。

圖8 鏈碼值與方向之間的對(duì)應(yīng)關(guān)系

針對(duì)離散放置的工件，差分鏈碼具有旋轉(zhuǎn)和平移不變性。差分鏈碼按照順時(shí)針或者逆時(shí)針兩兩相減得到。

圖9 鏈碼旋轉(zhuǎn)歸一化

Hough-鏈碼識(shí)別圖像時(shí)有三個(gè)基本流程：

1) 首先檢測(cè)Hough直線的條數(shù)，得到直線的條數(shù)和各直線的直線方程。

2) 依據(jù)直線方程，計(jì)算直線間的交點(diǎn)，判斷交點(diǎn)是否在工件圖像內(nèi)，若在圖像內(nèi)，則該交點(diǎn)為多邊形的頂點(diǎn)，計(jì)算這兩條相交直線的夾角，若不在圖像內(nèi)，則該交點(diǎn)不是頂點(diǎn)，無需計(jì)算夾角。

3) 將計(jì)算得到的夾角作為鏈碼的參數(shù)，并將得到的鏈碼轉(zhuǎn)化為差分鏈碼形式，從而得到Hough-鏈碼。

4) 將目標(biāo)工件的Hough-鏈碼與模板鏈碼進(jìn)行匹配，從而實(shí)現(xiàn)工件識(shí)別。

4.3 幾何中心計(jì)算

在工件的分揀操作中，對(duì)工件識(shí)別后，需要對(duì)工件進(jìn)行分揀放置，這就需要識(shí)別出幾何工件的中心。一般來說對(duì)物體的幾何中心計(jì)算，都是背景下有單一目標(biāo)，不能進(jìn)行多目標(biāo)的幾何中心計(jì)算。本文提出了一種多目標(biāo)物體的質(zhì)心計(jì)算快速方法。首先利用多目標(biāo)分塊處理的結(jié)果，保存下外接矩形的四個(gè)頂點(diǎn)坐標(biāo)：

然后針對(duì)每單一目標(biāo)的外接矩形的所有角點(diǎn)求取x軸向坐標(biāo)值的最小坐標(biāo)值、最大坐標(biāo)值；y軸向坐標(biāo)的最小坐標(biāo)值、最大坐標(biāo)值。

最后分別對(duì)于不同目標(biāo)進(jìn)行求取質(zhì)心。求取工件的質(zhì)心過程采用圖像的中心矩來計(jì)算。

零階矩M00是區(qū)域密度的總和，可以理解為厚度為1的物體的質(zhì)量。所以一階矩M10和M01分別除以零階矩M00所得到的便是物體的質(zhì)量中心坐標(biāo)。經(jīng)過試驗(yàn)證明，該算法簡(jiǎn)單有效，檢測(cè)效果如圖10所示。

圖10 工件質(zhì)心坐標(biāo)

5 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)采用新松公司SRH6機(jī)器人工業(yè)機(jī)器人操作吸盤機(jī)械手進(jìn)行抓取動(dòng)作。拍攝運(yùn)動(dòng)物體的時(shí)候，拍攝目標(biāo)與攝像系統(tǒng)之間存在相對(duì)運(yùn)動(dòng)極易形成拖影。對(duì)于尺寸測(cè)量的項(xiàng)目，拖影對(duì)測(cè)量精度會(huì)有嚴(yán)重影響，在這種情況下，就會(huì)要求拖影長(zhǎng)度盡可能短，本實(shí)驗(yàn)要求拖影不超過1/3像素。在硬件固定的情況下，直接影響拖影長(zhǎng)度的參數(shù)是物體的運(yùn)動(dòng)速度和曝光時(shí)間。一般情況下由下式就可以保證：

物體運(yùn)動(dòng)速度Vp×曝光時(shí)間Ts＜允許最長(zhǎng)拖影s單位系統(tǒng)精度。

根據(jù)選取的相機(jī)曝光時(shí)間為22us到1000ms和確定的測(cè)量精度為0.9375mm/像素，可以得到物體的運(yùn)動(dòng)速度Vp，即傳送帶Vmax為42.613 m/s。結(jié)合實(shí)際情況，設(shè)定傳送帶速度0.3m/s。

根據(jù)工件的質(zhì)心坐標(biāo)，機(jī)器人控制吸盤機(jī)械手能夠準(zhǔn)確的時(shí)間在傳送帶上抓取物體，實(shí)驗(yàn)驗(yàn)證，抓取準(zhǔn)確可靠。實(shí)驗(yàn)效果如圖11所示。

圖11 實(shí)驗(yàn)結(jié)果

6 結(jié)束語

本文詳細(xì)闡述了基于機(jī)器視覺的幾何工件的分揀問題中所使用的主要算法，采用目標(biāo)分塊的方法減少后續(xù)識(shí)別算法的大范圍掃描所帶來的識(shí)別時(shí)間上的浪費(fèi)。采用圖像幾何不變矩對(duì)工件圖像進(jìn)行快速粗略檢測(cè)，大大提高了識(shí)別效率，最后運(yùn)用Hough直線檢測(cè)和鏈碼相結(jié)合的算法來區(qū)分同類但是大小不同的幾何工件。運(yùn)用多目標(biāo)中心算法來描述目標(biāo)位置信息，以引導(dǎo)機(jī)器人準(zhǔn)確的完成分揀工作。同時(shí)搭建了硬件實(shí)驗(yàn)平臺(tái)，實(shí)驗(yàn)結(jié)果證明在多種幾何工件的目標(biāo)中，視覺分揀算法有很好的魯棒性，為工業(yè)自動(dòng)化生產(chǎn)提供了方法。

[1]李婷,柳寧.基于機(jī)器視覺的圓定位技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用,2012,(9)：153-156.

[2]潘武,張莉彥,徐俊成.基于機(jī)器視覺的工件的在線檢測(cè)[J].組合機(jī)床與自動(dòng)化加工技術(shù),2012,7(7),75-78.

[3]Dagao Duan,Meng Xie,Qian Mo,et al.An improved Hough transform for line detection[C].Computer Application and System Modeling,2010：354-357.

[4]Barinova,O.,Lempitsky,V.,Kholi,P..On Detection of Multiple Object Instances Using Hough Transforms[J].Pattern Analysis and Machine Intelligence,2012,34(9)：1773-1784.

[5]Chen Xing,Lu Ling,Gao Yang.A new concentric circle detection method based on Hough transforms[C].Computer Science & Education,2012：753-758.

[6]Sun Junding,Xu Heli.Contour-Shape Recognition and Retrieval Based on Chain Code[C].Computational Intelligence and Security,2009：349-352.

[7]陳天飛,馬孜,李鵬.一種基于非量測(cè)畸變校正的攝像機(jī)標(biāo)定方法[J].控制與決策,2012,27(2),243-251.

[8]Zheng you Zhang.A Flexible New Technique for Camera Calibration[J].IEEE Transactions On Pattern Analysis And Machine Intelligence,2000,22(11)：1330-1334.

[9]Elsayed E.Hemayed.A Survey of Camera Self—Calibration[J].Proceedings of the IEEE Conference on Advanced Video and Signal Based Surveillance,2003.

[10]Shriram K.Vasudevan, Dharmendra T,Sivaraman RKarthick S.Automotive Image Processing Technique Using Canny’s Edge Detector[J].International Journal of Engineering Science and Technology,2011,2(7)：2632-2643.

[11]薛麗霞,李濤,王佐成.一種自適應(yīng)的 Canny 邊緣檢測(cè)算法[J].計(jì) 算 機(jī) 應(yīng) 用 研 究,2010,(9)：3588-3590.

[12]段汝嬌,趙偉,等.一種基于改進(jìn)Hough變換的直線快速檢測(cè)算法[J].儀器儀表學(xué)報(bào),2010,(12)：2774-2780.

[13]趙小川,羅慶生,陳少波.改進(jìn)型圖像中的直線快速檢測(cè)[J].光學(xué)精密工程,2010,18(7)：1654-1659.

[14]Chan T S,Yip R K K.Line Detection Algorithm[C]//Proceedings of the 13th International Conference on Pattern Recognition,Vienna,1996：126-130.