冀振燕, 宋晓军, 付文杰, 冯其波,3, 吴梦丹

(1.北京交通大学 软件学院，北京 100044； 2.北京交通大学 理学院，北京 100044；3.东莞市诺丽电子科技有限公司，广东 东莞 523050)

视觉测量是工业检测应用中热门的研究领域之一，广泛应用于缺陷检测[1]、目标追踪[2]等场景。线结构光具有精度高、抗干扰能力强的优点，因此以激光为主的线结构光被广泛运用于视觉测量领域。理想的激光光条横截面亮度分布满足高斯模型，因此可以提取出光条横截面上最亮的像素点，这些像素点就构成了激光光条的中心线。中心线兼具了激光光条的局部特性和全局特征，在诸如缺陷检测等场景中具有核心作用。

如何精准、完整地提取投射到物体表面的线结构光是视觉测量的关键问题，而结构光的中心线提取是重中之重。本文主要目的在于回顾并总结线结构光中心线提取模型的不同种类及其各自的发展历程，并对比分析不同模型的优劣，通过对当前模型的分析展望未来的中心线提取发展的方向和趋势。

最早的线结构光中心线提取经常采用一阶微分边缘算子(Sobel算子、Kirsch算子、Canny算子等)和二阶微分边缘算子(Log算子、Laplace算子等)，但上述基于边缘信息的中心线提取算法只能提取到光条的两条边缘线，而工业上的测量精度要求很高，即使将两条边缘线的中心作为中心线也无法满足测量精度要求。为了实现高精度的视觉测量，激光中心线提取算法的研究成为视觉测量的研究热点之一。当前图像光条中心线提取算法主要分为两类：传统算法和深度学习算法。传统算法提取速度快、原理简单，易于实现，但准确度和稳定性差，易受噪声干扰且适应性差。深度学习算法具有强大的图像特征表示学习能力、任意的非线性函数逼近能力、模型参数由训练样本直接学习无须人为设置等特点，对于复杂变化环境具有鲁棒性，适合处理室外复杂情况下在线采集的轮对激光光条图像数据。当下在不同具体场景和采集条件下，激光光条图像数据在噪声和图像质量等方面对模型提出了不同的需求，因此模型的泛化性和适应性是领域内最核心的考量性能之一；此外，光条的中心线提取往往在实际场景中与嵌入式设备相结合，因此模型压缩和实时性是另一个核心的考量性能。

激光光条中心线提取的效果直接影响到后续故障检测等领域的精度，是视觉测量任务的基石；并且中心线提取的场景复杂、噪声条件多，在泛化性等性能上对模型有很高的要求。因此该任务具有很好的实践意义和研究价值。下面将分别分析传统的光条中心线提取算法和基于深度学习的中心线提取算法。

1 传统的光条中心线提取算法

传统的光条中心线算法主要可分为极值法、灰度重心法、曲线拟合法(高斯曲线拟合、基于粗定位的曲线拟合)和基于Hessian矩阵的Steger算法。

1.1 极值法

极值法对于灰度分布满足理想高斯分布的光条具有非常好的效果。光条局部的横截面上亮度的分布近似满足高斯分布，极值法的基本原理在于从光条局部横截面上寻找亮度分布的极大值作为中心点。该方法思路简洁，计算速度很快，但是非常容易受到图像背景噪声的影响，因此图像信噪比大时效果欠佳。为了克服极值法易受噪声影响的缺点，杨雪娇等[3]提出一种基于极值法的中心提取算法。该方法首先对极值法获取的中心点进行拟合，并计算出光条的法线方向，在法线方向上用遗传算法[4]精确获取灰度极值点，即光条中心。该算法在合适的遗传算法交叉率和变异率条件下可以获取更高精度的光条中心。

除了对算法自身进行优化，极值法经常与其他中心线提取算法结合使用，利用其他算法的算法优势弥补极值法的不足。Huang等[5]提出了一种结合阈值迭代极值法与加权灰度重心法的提取算法，该算法具有较高的提取效率，并且在不同物体的扫描和测量上具有广泛的适用性和可行性。梅峻华等[6]融合了极值法与灰度重心法，增强光条中心灰度对比度，利用极值法找出每一行的灰度极大值；该方法提取光条中心速度快，与灰度重心法结合，精度也有所提高。程鑫等[7]将极值法和Hessian矩阵方法相结合，将胶条激光条图像线性增强后利用极值法对条纹中心初步提取，结合Hessian矩阵提取光条中心坐标，在保证计算速度的同时增强其抗干扰性，实现光条中心定位。

1.2 灰度重心法

灰度重心法是一种针对亮度分布不均匀的光条而提出的算法。该算法基本原理是按照目标区域的光强分布计算每列横截面上的光强权重质心坐标作为中心点。以尺寸为W×H的图像为例，每列横截面上的亮度分布如图1所示。

图1 灰度重心法示意图

所有灰度值超过重心阈值的像素点(包括极大值点)皆参与灰度重心的计算处理，具体的计算公式如下：

(1)

式中，j为每列的像素点位置(1

不均匀的反射金属表面对结构光中心提取的高测量精度有很大的影响，并且传统灰度重心法是以纵向/横向替代光条横截面执行处理过程的。通过分析其表面激光散射和反射模型，Wang等[8]提出了一种具有鲁棒性较强的光条中心线提取方法。该方法首先利用差分图像和区域增长减少了不均匀背景和斑点噪声的影响。噪声去除后，采用灰度重心法获取激光条纹的初始中心。Sobel 算子获取初始光条的法线方向并二次使用灰度重心法确定光条的中心位置，最终利用双线性插值获得亚像素坐标。该算法能有效消除闪点噪声的干扰，具有很强的鲁棒性。李春明等[9]提出了一种基于均方灰度梯度法的快速中心提取算法。该算法首先用边缘算子获取光条边缘，之后采用均方灰度梯度获取光条法线方向，最终在法线方向上采用灰度重心法提取中心线。该算法在环境干扰强、提取不均匀的光条图像上能实现亚像素精度。Xi等[10]设计了一种卷积模板，通过两步卷积过程消除光条噪声，并采取中值滤波器消除背景的随机噪声。消除噪声后，计算出光条每个位置的法线方程并在法线上用灰度重心法计算亚像素级别的中心点。熊会元等[11-12]提出一种基于灰度梯度算法的中心线提取算法。该算法首先通过梯度算子计算光条上的梯度矢量[Gx,Gy]T，其公式如下：

(2)

式中，f(i,j)为光条像素点(i,j)邻域内的灰度值。然后在法线方向上通过灰度重心法提取光条中心线。该算法精确度和稳定性较高，且效率较高，适用于在线提取。上述方法[8-12]有效地弥补了传统灰度重心法不能处理光条法线方向和方向模板法只能获得光条近似法线方向的不足。

除此之外，许多学者针对灰度重心法探索了优化策略。王文成等[13]提出了一种改进的灰度重心法，不同于传统方法直接加权的方式，该算法通过平方加权的方式增强灰度值大的点对所求光条中心的影响，使测量的精度得到提高。Li等[14]提出一种基于移动最小二乘法(Moving Least Square,MLS)的灰度重心法。MLS可以获取局部光条上的法线方向、切线方向和曲率，基于这些信息可以得到一个矩形区域，优化后的中心点通过在该矩形区域内重新计算获得。并采用蒙特卡洛方法对比所提出算法与传统灰度重心法的中心不确定性，证明优化后的算法比原算法鲁棒性更好。张小艳等[15]提出了改进的灰度重心法，首先对得到的光带进行自适应二值化处理，该方法降低了激光光带宽度不均匀对提取结果的影响，提取精度较高，但是该方法仍然无法解决高频噪声干扰问题。陈波等[16]提出了一种通过消除条纹灰度退化项的灰度调整方法，在消除条纹横截面上的灰度突变时，解决了复杂物体图像中因为亮度太低而引起的条纹中心局部断线问题。甘宏等[17]提出了改进的灰度权重模型，用于在复杂背景和噪声的干扰下进行条纹提取。先使用双滤波对图像进行预处理，然后采用改进的灰度权重模型进行光条纹提取。该算法具有较高的抗噪性和鲁棒性，计算量也会随着模型复杂度的提升而提升。

Wu等[18]提出了一种三线结构光带中心的亚像素提取方法，结合均方灰度梯度法和灰度重心法进行球面测量，该算法速度快、精度高，且达到了亚像素级别，测量稳定性强。王胜春等[19]首先利用基于ENet深度学习模型来对光条纹的区段进行分割，然后利用灰度重心法进行光条纹中心的亚像素坐标提取。该方法提取速度快、抗干扰能力强，解决了噪声问题，但是该算法在处理形状复杂、宽度变化的光条纹时效果不理想。

1.3 曲线拟合法

曲线拟合法的核心原理在于采用多项式曲线来拟合已有的光条，从而用拟合的多项式代替原光条。具体的曲线拟合法主要有两种思路。

1.3.1 高斯曲线拟合

高斯曲线拟合的主要原理是采用理想的高斯函数去拟合光条横截面的实际光强分布，从而用高斯二项式曲线代替原来的光强分布曲线。

理想光条的横截面光强分布可以表示为

(3)

式中，yi为横截面上的灰度值；x0为高斯中心。将式(2)两边同时取对数得到：

(4)

F=a0+a1x+a2x2

(5)

式(4)即为要拟合的曲线，具体拟合过程采用最小二乘法求解，具体如下：

(6)

式中，ε2为误差值；N为横截面上像素个数；Ti为像素实际的灰度值。最终计算得出参数a0，a1，a2，即确定了拟合的二项式曲线。

为了证实高斯曲线拟合的实用性，刘枝梅等[20]分别使用形态学细化以及高斯曲线拟合对光条进行中心线提取并进行对比。虽然高斯曲线拟合的实现较为复杂，但实验表明高斯曲线拟合在中心线提取的精度上有明显优势。

Fasogbon等[21]提出了基于高斯模板的中心提取算法。该算法首先通过预处理获取ROI(Region of Interest)区域，后采用高斯模板对光条区域进行滤波，削弱光条横截面上光强分布的不规则性，最后对比了3种中心提取算法——高斯拟合、线性拟合和灰度重心。对比实验证明高斯曲线拟合的效果最优。Liu等[22]利用归一化相关系数(Normalized Correlation Coefficient,NCC)对图像中的光条区域进行定位，并引入图像金字塔概念来加速定位和模板匹配。光条区域确定后，通过对目标区域的图像样本数据进行主成分分析(Principal Component Analysis,PCA)得到法线方向，并通过高斯曲线拟合获取最终的光条中心线。该算法明显优化了提取速度,为了使高斯曲线拟合更加灵活，该算法对光条宽度相对不敏感。高世一等[23]提出了变边限高斯曲线拟合算法。该算法首先结合极值法和边缘取中法，获得光条的近似像素中心位置后对图像二值化，确定光条各列的宽度，然后根据每列元素宽度值和近似中心位置确定恰当的拟合范围，最后采用高斯曲线拟合求得亚像素级的光条中心位置。由于每一列的拟合数据随着激光条纹宽度变化而变化，提取宽度不同的激光光条效果很好，具有亚像素级的精度和较高的鲁棒性。

真实的光条光强分布往往不是理想的高斯模型，其中包含了分布各异的噪声。真实的光强分布H(x)与高斯模型G(x)、噪声分布模型Z(x)之间的关系如下：

H(x)=G(x)+Z(x),x∈P

(7)

式中，x为像素点；P为光条区域。

许多研究探索了不同条件下的噪声模型的处理方案。刘巍等[24]提出了一种新的中心线提取模型。该模型能反映真实的光条光强分布情况，并且能够高精度地拟合单峰/双峰/三峰模式的光强分布。该模型首先使用均值滤波去除散斑噪声，后利用最大类间方差法(OTSU)对光条位置进行粗定位，最后利用高斯混合模型提取亚像素级别的中心线。该方法适用于非高斯非对称分布的光条。吴庆华等[25]提出了双频曲线拟合的亚像素中心提取法。该方法通过在法线方向上进行双频曲线拟合获取条纹中心的亚像素坐标。该方法精度比高斯曲线拟合法高，速度比Steger方法快，且能消除部分高频噪声的干扰。类似于Liu提出的高斯混合模型，李涛涛等[26]提出了一种结合高斯分量和洛伦兹分量的中心线提取算法。该算法中高斯分量拟合理想光条分布，洛伦兹分量拟合因漫反射、镜面反射导致的图像噪声，因此该算法可以描述更为实际的光条光强分布。该算法对不同质量的光条图像适用性强、精确度高，但耗时较长。

1.3.2 基于粗定位的曲线拟合

与高斯曲线拟合不同，基于粗定位的曲线拟合不是在法线方向上拟合光条光强，该算法的原理是在初始粗略定位光条中心的基础上对光条中心线进行二项式曲线拟合，从而使中心线更加光滑。

针对已有中心线提取算法在抗干扰能力、鲁棒性和计算量上的不兼容性，刘振等[27]提出了一种基于互相关算法的中心线提取算法。该算法在梯度阈值分割的基础上确定互相关系数，将加权的互相关系数与灰度值进行互相关运算，最终互相关极大值对应的点即为初始中心线上的点。初始定位中心线后采用曲线拟合方法精确定位。互相关算法在鲁棒性、简洁性、抗干扰性上都有很好的表现，且具有修补断线的能力。

江永付等[28]提出了一种基于曲线拟合的线结构光光条中心的亚像素提取方法，该方法改善了提取出的光条存在折线缺陷的问题，但是只能达到像素级别的提取精度。

为了克服真实的光强分布不均匀的问题，稳定有效地提取光条区域的中心线，Sun等[29-30]提出了一种基于灰度矩算法的中心提取方法。首先基于均匀分布，构建了理想条件下的一维光强模型；然后根据Legendre矩守恒定律导出从激光条纹到每个横截面提取中心的封闭式解；然后采用Reinsch样条算法拟合得到离散中心点。Reinsch样条可以消除噪声点并保持中心线的原始特征。该方法在不同程度的椒盐噪声/斑点噪声中能保持很高的鲁棒性。Yin等[31]根据激光光条的几何信息和相关性定义了自适应的卷积模板用于对夹带噪声的光条进行滤波处理。此外，为了拟合出连续光滑的光条中心线，采用立方Hermite样条对提取到的中心点进行分段拟合。该方法可以显著消除工业环境中的噪声。

1.4 基于Hessian矩阵的Steger算法

Steger算法是由Steger[32-33]最先提出的中心线提取算法。该算法的核心特征是利用Hessian矩阵得到光条的法线方向，在光条图像中，Hessian矩阵H(x,y)可表示为

(8)

式中，g(x,y)为二维高斯函数；z(x,y)为光条图像；rxx为x方向的二阶导数；ryy为y方向上的二阶导数；rxy为二阶混合方向导数。图像中点的法线方向由该点的Hessian矩阵最大特征值的绝对值对应的特征向量给出，通过在法线方向上求极值点得到光条纹中心的亚像素位置。该算法具有精度高、鲁棒性好等优点，缺点是运算量大、难以实现光条纹中心的快速提取。

Steger算法计算效率较低，因此大量研究着力于优化该算法以提升计算速度。胡坤等[34]以Steger算法为基础，利用高斯卷积的可分离性将原来单点上5次大模板的二维高斯卷积转换成8次一维卷积，并且在递归高斯滤波算法基础上实现Hessian矩阵快速计算，从而使获得光条中心线的速度大幅提升。周富强等[35]为进一步减少计算量对Hu等的模型进行了优化，提出了一种将光条处理限制在ROI区域中的激光条纹中心提取方法。该算法在计算Hessian矩阵前对光条图像进行区域分割的预处理并得到光条前景区域，使得计算量进一步压缩。因为Steger算法里有大量大规模的卷积运算，算法执行指令的实现采用时钟顺序在实时性上仍有不足，因此江洁等[36]在算法实现上对Hu等的模型进行了优化，在其算法基础上采用大规模并行算法和串行流水技术，提出了一种串并结合的处理结构。该模型成为一种突破速度瓶颈的有效方法。

为进一步提高光条重心的提取速度，蔡怀宇等[37]提出了一种基于PCA的中心线提取算法。该算法用PCA法替代Hessian矩阵获取光条的法线方向，与Hessian矩阵相比，PCA只需要进行两次高斯卷积，明显减少了计算时间。并且在PCA处理前对光条进行ROI分割预处理，从而进一步减少了待处理的图像区域面积。与传统Steger算法相比，该算法的速度提高了近3倍。杨尉[38]将脊线跟踪法与Hessian矩阵法相结合，提出了一种新的光条中心提取方法。首先，选择一个可靠的初步跟踪点；然后，用Hessian矩阵求该点法线方向上的亚像素光条中心，对所求亚像素光条中心点的坐标取整，得到当前中心跟踪点，再用Hessian矩阵求得当前中心跟踪点的切线，将当前中心跟踪点在其切线方向上按一个像素的步长延伸并取整，得到下一个初步跟踪点，重复以上步骤，即可求得光条图像中所有光条中心点。该方法只对结构光光条脊线附近的点进行运算，极大地减少了光条中心提取的冗余计算。

工业环境中视觉测量的光条存在高动态、低信噪比的特性，严重影响光条的提取精度和测量的可靠性。因此，Pan等[39]提出了一种高动态图像的亮度增强算法，采用理论增强低亮度光条区域的亮度，使横截面上的灰度值接近理想高斯分布。此外，为了排除亮度差异对光条分割的不利影响，利用光条反射率对其进行分割，最后采用Steger算法提取光条中心线。该算法使得系统具有很好的鲁棒性。在提取速度上，采用多线程流加速和序列化输出保证实时性。

不同于传统算法在单个图像上的光条中心提取，Xu等[40]提出了一种移动光条的追踪中心提取算法。采用卡尔曼滤波算法建立了移动光条的追踪模型，并采取Sigmoid-Gaussian函数和Hessian矩阵提取中心线。其对比实验表明，基于卡尔曼追踪模型的光条中心提取比单图像中心提取效率高。

传统的Steger算法参数是固定的，缺少应对不同局部光条特性的泛化性。因此南方等[41]提出了一种基于Steger的自适应提取算法。该算法利用自适应阈值法求出ROI，后通过随机霍夫变换得到区域的边缘，利用法线计算局部宽度，并根据宽度分割光条区域，设定不同Steger参数。该算法与骨架细化法和传统Steger算法相比，其精度和稳定性得到了提高。此外，为了克服变化的背景光和丰富的物体表面纹理问题，Hu等[42]提出一种基于自适应阈值功率变换的中心提取算法。该算法采用基于动态阈值的功率变换增强光条对比度，进一步区分前景和背景信息；采用动态阈值下的Canny算子进行光条边缘检测，并采用Steger算法提取最终的光条中心。该算法有较快的提取速度，适合工业上的实时提取。刘剑等[43]提出了一种基于Hessian矩阵与区域增长的激光条纹中心提取方法。该算法采用自适应阈值法提取图像的ROI，利用极大值法确定像素级条纹中心的初始位置，最后利用Hessian矩阵求取到初始点法线方向上的亚像素级光条中心点。该方法能够精确地提取条纹中心，但是对光学性质较强的物体表面不敏感。程鑫等[7]利用Hessian矩阵对激光条中心进行初始定位，再使用高斯函数拟合出激光条纹的中心。该算法解决了黑色胶条的光条提取速度慢、鲁棒性差的缺点。

1.5 可变方向模板法

方向模板法最早由胡斌等[44]提出。结构光条纹的形状和方向随着投射物体表面的不同而变化。但在小尺度下，光条形状可以分为4种：竖直方向、水平方向、右斜上45°方向和左斜上45°方向。4个基本方向模板示意图如图2所示。大尺度下的光条可以微分为大量的上述小尺度模板，从而简化了大尺度下的光条分析。该算法的核心原理是用4个基本方向的局部光条模板近似拟合待处理光条图像，有一定的抗白噪声能力和断线修复能力。

图2 4种方向的方向模板示意图

为了充分发挥各提取算法在中心线提取上的优势，大量研究将方向模板法与其他算法相结合进行中心提取的任务。雷海军等[45]基于阈值法和方向模板提出了一种提取光条中心算法，该算法首先计算光条图像的灰度阈值并通过横截面上像素点的灰度邻域属性计算初始中心点，然后采用可变方向模板法精准提取激光条纹中心。该算法具有较快的提取速度和较强的稳定性，抗干扰能力较强并且具有一定的断线修补能力。吴庆阳等[46]提出了一种基于可变方向模板法和灰度重心法的光条中心提取方法，该方法统计完整光条图像的灰度值，利用OTSU计算图像阈值并对图像进行二值化处理。在细化和剪枝得到的光条骨架基础上，利用可变方向模板法判断局部光条的法线方向并采用灰度重心法求出光条中心。该算法相较于灰度重心法有更好的精确度和适应性。赵广杰等[47]将吴庆阳等提出的方法进行了改进，用高斯函数计算方向模板。该方法有很好的抗噪声干扰能力，与高斯曲线拟合方法相比，在光条曲率变化时更具优势。

为了克服因外界光线等因素导致的光条纹宽度不均匀的问题，王泽浩等[48]提出了自适应方向模板线结构光条纹中心提取方法。该算法可以在光条纹不均匀的情况下通过预处理实现很好的自适应，然后进行中心线提取。在此基础上，还探讨了不同的方向模板尺寸以及产生模板的高斯分布方差对自适应方向模板法提取的精度影响。

2 基于深度学习的光条中心提取算法

目前，光条中心提取模型在深度学习领域还处于起步阶段。但是，深度学习具有强大的学习能力，可以更好地解决传统算法面临的受复杂环境噪声影响的问题，具有较强的适应性；并且深度模型的执行效率相较于大部分传统算法有优势；此外，深度模型在图像分割领域较为成熟，可以作为光条中心提取的光条区域预分割模型。因此，深度学习是光条中心提取发展的一大方向。深度学习的原理和流程如图3所示。深度学习的核心原理是利用已有数据集训练神经网络的模型参数，达到网络学习的目的，进而用学习好的网络对新数据进行处理。具体来说，首先要根据任务的目的设计网络结构和损失函数，进而采用合适的框架构建完整网络；构建之后需要对训练的参数进行设定，并且对训练的数据进行预处理，最终输入网络进行训练；训练结束后需要对训练结果进行测试，进而找到问题不断优化模型，最终确定模型。

图3 深度学习模型从设计到最终确定的完整流程图

李玥华等[49]将光条区域细化为光条横截面的集合，利用灰度重心法粗略计算每列光条横截面所属区域。将该区域像素输入到经过训练的3层BP神经网络(Back Propagation Neural Network,BPNN)，输出对应的亚像素中心坐标。BPNN利用优化后的Steger算子提取的中心线作为监督信息，提取精度比Steger算法更高，最重要的是在效率上能达到Steger算法的300多倍。郭雁蓉等[50]采用主流的卷积神经网络(Convolutional Neural Network,CNN)提取光条中心，提出两段式的编码-解码CNN，第一段网络负责光条的目标检测，第二段网络负责中心线提取。该网络能够解决提取中心线断裂的问题，并且相对于灰度重心法,Hessian矩阵法有较明显的速度优势。

3 算法总结与对比

传统的中心线提取算法主要包括极值法、灰度重心法、曲线拟合法、基于Hessian矩阵的Steger算法和可变方向模板法；基于深度学习的中心线提取算法近些年也开始被发掘和研究。不同的算法各有利弊，在实际场景中多结合多种算法进行综合提取。表1展示了不同算法在中心线提取上的优缺点。

表1 光条中心线提取算法优缺点对比

实际场景中的激光光条中心提取易受许多环境因素产生的问题(如截面亮度分布不均、光条宽度分布不均等)影响。单一的模型难以克服光条中心提取所存在的所有问题，往往只能克服其中某些问题。表2总结了主要的算法模型可以克服的光条中心线提取问题。

表2 解决光条中心线提取问题的主要方法

当下的中心线提取算法多是传统算法，传统的光条中心线提取算法主要存在以下两个问题。

① 适应性不足。由于光条提取处于室外环境，存在不同强度的外界环境光，以及投射激光的物体表面纹理各式各样，会导致采集的光条图像包含类型各异的问题，如亮度分布不均匀、背景噪声等。多数算法只能解决其中一个或多个问题，而不能适用于各种情况下的光条中心线提取。

② 实时性不足。光条中心线提取算法中，极值法和灰度重心法相对提取时间较短，但是因其算法简单，且相对更依赖于光条的截面光强分布理想化，因此适应性不如其他算法；其他算法提取效率低于极值法和灰度重心法。

因此，未来的光条中心线提取应该逐渐转向深度学习领域，因为深度学习具有强大的自适应的图像特征表示学习能力、任意的非线性函数逼近能力、模型参数由训练样本直接学习无须人为设置等特点，且CNN测试阶段无须迭代计算，大部分为矩阵运算，计算效率高，采用深度学习将提升中心线提取的实时性和适应性。

4 结束语

本文总结了激光光条中心线提取领域的算法发展现状，将中心线提取算法分为传统提取算法和基于深度学习的提取算法，分别对极值算法、灰度重心算法、曲线拟合算法、基于Hessian矩阵的Steger算法、可变方向模板算法和基于深度学习的提取算法进行了阐述，并从优缺点和所解决的问题角度对算法进行了分析对比。不同类型的传统算法基于不同的场景要求和噪声条件对光条进行中心线提取，但是较少有传统算法能够满足大部分实际环境的要求。通过综合对比分析，传统提取算法在适应性和实时性方面相较于深度学习算法均有明显不足。因此，未来激光光条中心线提取的研究方向更应集中在高效且泛化的深度学习领域。