设计相对应的方向模板，分别记为K1，K2，K3，K4。以7*5方向模板为例，四个模板为：
模板K4（右斜45°）将四个方向模板分别沿着图像移动，当在图像第j列移动时，对第i行，像素点（i， j）定义为：Ht（i，j）=∑M-1u=0∑N-1v=0C（i-M2+u，j-N2+v）×Kt（u，v）（2）其中，t=1～4，Kt（u， v）是四个方向模板，C（i， j）是图像中某点（i， j）的灰度值。所以，第（i， j）像素点的Hk（i，j）=max（Ht（i，j）），此时该点附近的图像的斜率最接近第K个模板的方向。如果有Hk（p，j）=max（Hk（i，j）），那么在第j列上激光光条中心位置为第P行。采用这种模板能够检测出激光条纹中心。由算法的基本原理可以看出，由于在求条纹中心时要对整幅图像每个点进行四次方向模板计算，导致算法的运算量很大，很难实现结构光条纹中心线的快速提取，不能满足实时性要求较高的应用场合。因此，国内外学者对此进行了改进。其中包括了将阈值法和方向模板相结合，将可变方向模板法和灰度重心法相结合，充分发挥两者优点的光条中心提取方法。此外，文献[15]提出了自适应方向模板提取结构光条纹中心方法。该方法首先在图像预处理阶段统计出每行激光条纹宽度，接着采用自适应方向模板法针对每一行结构光条的宽度生成对应的模板，提取光条中心。实验结果表明，该方法能够很好地适应结构光条纹不均匀情况下的中心线提取。2.7 Steger算法Steger算法[16]是利用Hessian矩阵确定图像中光条纹的法线方向，在其法线方向上利用泰勒展开得到光条横截面上一阶导数过零点，求出光条纹中心的亚像素位置。在光条图像中，Hessian矩阵表示为：
（3）式中，Z（x， y）是图像中各点的像素，g（x， y）是高斯函数，rxx，rxy，ryy是图像与高斯核卷积后得到的偏导数。该方法具有处理精度高，鲁棒性好等优点，但是运算量大，处理速度慢。针对该方法的运算量大，研究者进行了一些改进，包括了将大模板高斯卷积的递归思想应用到的Hessian矩阵的求取中，及将脊线跟踪与Hessian矩阵相结合。此外，岳龙等人[17]在Steger方法的基础上，提出了一种自适应复杂光条纹中心提取算法。该方法首先根据线激光宽度选择固定的尺度因子，对图像进行高斯核卷积，得到各点Hessian矩阵；然后求得对应的法向宽度，并以此来选择对应的二阶法向偏导数的阈值，再结合一阶法向偏导为零计算出条纹在不同宽度处的中心点，中心线提取后图像如图6所示。
3 特征点提取算法在焊接过程中，需要实时获取焊缝轮廓数据。为给焊缝跟踪、规划机器人运动轨迹提供焊缝位置信息，需要在激光条纹中心线的基础上，进一步提取焊缝信息特征点。目前，针对基于线结构光的焊缝坡口特征点识别方法有很多，斜率分析法、投影法、最小二乘法、Hough变换等。3.1 斜率分析法斜率分析法[18]中图像条纹中心各点的斜率计算公式为：Ki=yi-yi-1（4）式中，yi，yi-1分别为第i，i-1个像素点的纵坐标。各点斜率计算出来后，再通过比较相邻点的斜率，即计算相邻点斜率的差值，若某一点斜率变化较大即认为为特征拐点。为保证计算的可靠性，将斜率公式进行修正
斜率分析法有简单、计算速度快的优点，但适应性不好、精度不高，无法识别复杂深坡口。因此，雷正龙等人[19]提出一种新的特征点提取思想—由形到点，将焊缝坡口特征点分为直角拐点和斜角拐点，分别设计斜率极值法和斜率截距法来提取。实际焊缝跟踪时，根据拐点类型分别调用对应的提取算法，完成全部焊缝坡口所有特征点的提取。结果表明，“由形到点”提取特征点精度高，抗干扰能力强，对不同焊缝坡口形式适应性好。Y形焊缝坡口特征点提取示意图如图7所示。
3.2 投影法投影法是对中心线后的二值图像进行行（列）投影，统计每行（列）的“白点”数量，进行比较，获得焊缝坡口的特征信息。
首先得到光条中心线的最低点，即为焊缝根部特征点。其次，由于结构光图像中的光条通常都是平行于图像的行，采用投影法将图像向垂直方向投影时，此时必然出现一个峰值，保留该峰值所在的行的条纹中心线。通过比较该中心线与焊缝根部特征点的坐标，获得焊缝坡口的特征信息。该方法对激光条纹水平度的要求较高，当激光条纹水平度不高时，会导致提取的精度低。针对该问题，杨雪君等人[20]将扫描投影法和最小二乘法相结合，通过扫描投影法获得焊缝特征点初始坐标，根据此坐标对中心线进行坐标分离，形成4个区域，在每一区域内用最小二乘法进行拟合，拟合交点即为焊缝特征点，原始图像和识别的特征点如图8所示。
3.3 直线拟合采用直线拟合对焊缝坡口边缘进行拟合，拟合的交点即为特征点。目前，直线拟合用的比较频繁的方法有两种：一种是Hough变换，另一种是最小二乘法。3.3.1 最小二乘法用最小二乘法[21]来对中心线进行拟合，直线方程表示为： y=kx+b（6）
采用最小二乘法对焊缝坡口进行直线拟合，首要问题是选取特征点进行分类，而确定特征点又恰恰是我们要解决的问题。可以通过采用投影法[20]可靠地找到特征点的大致位置，也可以采用斜率分析法进行斜率计算，最后确定拐点，以此通过曲线拟合算法精确地计算中心点和两个拐点的位置[22]，原始图像和中心线上的特征点如图9所示。
3.3.2 Hough变换提取出激光条纹中心线后，可以采用Hough变换提取焊缝中心点的位置及焊缝宽度等信息[23]。Hough变换是利用图像坐标系与参数坐标系中点与线的对偶性，即在图像坐标系下的一个点对应了参数坐标系中的一条直线，同样参数坐标系的一条直线对应图像坐标系下的一个点。最终在图像坐标系中呈现为同一条直线的所有点，它们的斜率和截距相同，所以它们在参数坐标系下对应于同一个点。将图像坐标系下的各个点投影到参数坐标系下之后，检查参数坐标系下是否有聚集点，此聚集点就对应了原始图像坐标系下的直线。
考虑到直线的斜率可能会接近无穷大，为使变换有意义，将直线方程用法线式表示为xcosθ+ysinθ=ρ，图像平面上的一条直线就对应到ρ-θ平面上的一个点，找出共线点的峰值点，可以检测出直线。
Hough变换抗干扰性强，即使待测线条上有小的扰动、断裂，甚至是虚线，经Hough变换后，仍可得到明显的峰点，但该方法进行直线检测时计算量大，处理速度慢。针对此，研究者进行了一些改进，包括了概率Hough变换[24]和随机Hough变换[25]等。Qianqian Wu等人[26]研究了改进Hough变换在GMA焊缝图像处理的应用，实验表明该方法可以在较短的时间内提取出焊接位置。4 结论在基于视觉传感器的焊缝跟踪系统中，图像处理技术至关重要，本文对当前已有的焊缝识别方法进行了较为全面的综述。由于视觉传感器得到的是一段包含焊缝轮廓信息的条纹图像，本文主要包括了激光条纹中心线及焊缝坡口特征点的提取两个方面。目前的焊缝识别算法大多数只能在特定坡口类型下得到比较好的结果，在实际应用中需要根据实际情况选择合适的算法。目前尚缺少适合范围比较广泛的解决算法。今后应该探索多种坡口特征提取算法的普遍规律，以期找到一种能够适用于各种坡口特征提取的识别算法。
参考文献
[1] Zahran O， Kasban H， El-Kordy M， et al. Automatic weld defect identification from radiographic images[J]. NDT & E International， 2013， 57（6）： 26-35.
[2] Lü X， Zhang K， Wu Y. The seam position detection and tracking for the mobile welding robot [J]. International Journal of Advanced Manufacturing Technology， 2017， 88（5-8）： 2201-2210.
[3] Shi Y， Zhang G， Ma X J， et al. Laser-vision-based measurement and analysis of weld pool oscillation frequency in GTAW-P [J]. Welding Journal， 2015， 94（5）： 176-187.
[4] Muhammad J， Altun H， Abo-Serie E. Welding seam profiling techniques based on active vision sensing for intelligent robotic welding [J]. The International Journal of Advanced Manufacturing Technology， 2017， 88（1-4）： 127-145.
[5] Villan A F， Acevedo R G， Alvarez E A， et al. Low-cost system for weld tracking based on artificial vision [J]. IEEE Transactions on Industry Applications， 2011， 47（3）： 1159-1167.
[6] 賈挺猛， 荀一， 鲍官军， 等. 基于机器视觉的葡萄树枝骨架提取算法研究[J]. 机电工程， 2013， 30（4）： 501-504.
[7] 汤瑞华. 基于自适应图像分割自动提取道路中心线[J]. 测绘工程， 2015， 24（7）： 29-33.
[8] 李艳华， 丁建丽， 闫人华. 基于国产GF-1遥感影像的山区细小水体提取方法研究[J]. 资源科学， 2015， 37（2）： 408-416.
[9] 霍平， 李军萌， 曾翰林， 等. 一种基于结构光的V型焊縫实时图像处理方法[J]. 电焊机， 2014， 44（12）： 144-148.
[10] 杨雪娇， 池海红. 一种改进的光条中心提取方法[J]. 应用科技， 2009， 36（12）： 41-44.
[11] 曲岳， 刘艳滢， 王延杰， 等. 基于FPGA的光条中心线实时提取方法[J]. 液晶与显示， 2016， 31（8）： 818-824.
[12] 李丹， 耿楠， 亢娟娜. 复杂背景下光条中心提取算法研究[J]. 计算机应用与软件， 2013， 30（3）： 271-273.
[13] 江永付， 江开勇， 林俊义. 线结构光光条中心亚像素精确提取方法[J]. 激光与光电子学进展， 2015， 52（7）： 179-185.
[14] 刘巍， 张驰， 刘阳， 等. 高斯混合分布激光中心线提取方法[J]. 激光与红外， 2015， 45（11）：1397-1402.
[15] 王泽浩， 张中炜. 自适应方向模板线结构光条纹中心提取方法[J]. 激光杂志， 2017， 38（1）： 60-64.
[16] Xu G， Sun L， Li X， et al. Adaptable center detection of a laser line with a normalization approach using hessian-matrix eigenvalues [J]. Journal of the Optical Society of Korea， 2014， 18（4）： 317-329.
[17] 岳龙， 郭喜庆， 余锦. 自适应复杂光条纹中心提取方法研究[J]. 科学技术与工程， 2016， 16（14）： 236-239.
[18] Li L， Fu L， Zhou X， et al. Image processing of seam tracking system using laser vision [C]. International Conference on Robotic Welding， Intelligence and Automation， 2007： 319-324.
[19] 雷正龙， 吕涛， 陈彦宾， 等. 基于扫描激光视觉传感的焊缝图像特征信息识别[J]. 焊接学报， 2013， 34（5）： 54-58.
[20] 杨雪君， 许燕玲， 黄色吉， 等. 一种基于结构光的V型坡口焊缝特征点识别算法[J]. 上海交通大学学报， 2016， 50（10）： 1573-1577.
[21] 刘子腾， 白瑞林， 王秀平. 基于激光视觉的角焊缝图像特征点提取[J]. 焊接学报， 2016， 37（2）： 89-93.
[22] Xu M， Zhao M， Zhang C. Image processing method for weld quality inspection system of tailored blanks laser welding [C]. International Conference on Measuring Technology and Mechatronics Automation （ICMTMA）， 2010： 422-426.
[23] 王秀平， 白瑞林. 双队列控制的激光视觉焊缝跟踪系统研究[J]. 计算机工程与应用， 2015， 51（2）： 30-34.
[24] 巩学美， 高昆， 王研， 等. 一种基于概率Hough变换的遥感图像中线目标检测新方法[J]. 影像科学与光化学， 2017， 35（2）： 162-167.
[25] 乔寅骐， 肖健华， 黄银和， 等. 基于最小二乘修正的随机Hough变换直线检测[J]. 计算机应用， 2015， 35（11）： 3312-3315.
[26] Wu Q Q， Lee J P， Park M H， et al. A study on the modified Hough algorithm for image processing in weld seam tracking [J]. Journal of Mechanical Science & Technology， 2015， 29（11）： 4859-4865.