一种结合特征点与轮廓点的毁伤元识别定位方法技术

本发明专利技术公开了一种结合特征点与轮廓点的毁伤元识别定位方法，克服现有毁伤元识别定位算法的局限性，实现对外形轮廓简单的少纹理毁伤元的快速识别。首先提取出模板图片的角点与形心，计算二者之间的几何关系；然后检测待识别图像中的轮廓，选出毁伤元所在位置，找到与之相近的所有特征点，将彼此接近的特征点根据高斯权重整合为一个点，计算整合点与轮廓形心之间的几何关系；最后通过与模板比较选择出符合条件的毁伤元。本发明专利技术采用先检测特征、再整合特征点的方式获得角点，考虑了特征点之间的几何关系从而强化了特征点的匹配效果，只需一个与待匹配物体外形尺寸相同的图形作为模板即可以同时识别多个目标，提高了识别效率。提高了识别效率。提高了识别效率。

【技术实现步骤摘要】
一种结合特征点与轮廓点的毁伤元识别定位方法


[0001]本专利技术涉及图像处理
，特别是一种结合特征点检测与轮廓检测的少纹理多目标匹配方法。

技术介绍

[0002]随着工业机器人技术的发展，越来越多的生产加工领域用机器人代替传统的人工操作，如何让机器人识别形状不同、尺寸各异的工件已成为亟待解决的问题。现阶段广泛采用的是基于机器视觉对工件进行识别，而对工件外形、尺寸信息的利用，直接决定了工件识别定位的效率和准确度。
[0003]目前毁伤元分拣与装配主要靠人工进操作，效率低，精度差。检索现有技术的文献发现，中国专利技术专利公开号CN115423855A，名称为图像的模板匹配方法、装置、设备及介质，该专利介绍了一种图像模板匹配方法，该方法能够通过获取待匹配区域及其邻域上的第一灰度特征信息和第一结构特征信息，比对模板与图像的差异从而获得匹配结果。但该方法受光照影响较大，且无法处理经过缩放的图像。中国专利技术专利公开号CN115631477A，名称为目标识别方法及终端，该专利介绍了一种目标识别方法，该方法根据当前图像中的目标区域，预测下一图像中的待增强目标区域，再对所述待增强目标区域进行放大处理，将增强目标区域添加至下一缩小图像中，得到重置图像，最后对所述重置图像进行目标识别。但该方法会放大图像中的噪声等干扰，对图像质量要求较高。中国专利技术专利公开号CN115482405A，名称为基于深度学习的单模板匹配的方法，该专利介绍了一种基于深度学习的单模板匹配的方法，该方法使用深度学习中的骨干网络提取图像特征，对不同尺度的图像特征做特征融合，然后分别计算细节得分与语义得分，从而通过特征比对获取图像中的目标位置。但该方法需要对骨干网络进行预训练，需要花费大量时间学习新的识别对象。
[0004]综上所述，现有模板匹配方法当目标发生明显的尺度和旋转变换时需要大量的模板进行匹配，往往需要花费大量的时间；而基于特征的目标匹配算法对线段提取的准确性和连通性有很大的依赖，若要提高识别速度则会损失大量图像梯度信息；机器学习需要前期花费大量的时间进行训练，效率有待提高。

技术实现思路

[0005]本专利技术的目的在于提供一种结合特征点检测与轮廓检测的少纹理多目标匹配方法，只需利用一张与工件外形相同的图形图像便可实现对待测图像中多个工件的快速识别，耗费计算资源较小，能够有效提高识别效率。
[0006]实现本专利技术目的的技术解决方案为：一种结合特征点与轮廓点的毁伤元识别定位方法，包括以下两个阶段：
[0007]阶段一，特征点整合阶段，包括以下步骤：
[0008]步骤1.1，针对图像进行高斯模糊处理，降低噪点的干扰，之后进行ORB特征点检测；
[0009]步骤1.2，提取图像中的轮廓(提取多少，对应下面的各轮廓，提取方式是否随机)，计算各轮廓的形心，初步选中各毁伤元所在位置；
[0010]步骤1.3，对比图片边缘点的像素坐标，压缩相邻且方向相同的元素，只保留该方向的终点坐标；
[0011]步骤1.4，随机选取一个轮廓点，搜索其附近的区域，在预设区域内搜索到特征点视为匹配成功，未识别到则用下一个轮廓点继续搜索；
[0012]步骤1.5，在找到一个匹配成功的特征点后，寻找与此点距离接近的其余特征点，并将所有符合条件的特征点设为一个集合，如果此特征点附近其余特征点的数量低于阈值，则视为误提取特征点；
[0013]步骤1.6，计算上述集合内匹配成功的特征点坐标的平均值，以平均坐标值作为原点，计算集合内各特征点的高斯权重，求解新的整合点，再用整合点作为原点重新计算高斯权重，迭代计算多次，直至两次结果之间相差小于一个像素坐标；
[0014]阶段二，特征点
‑
形心数学模板匹配阶段，包括以下步骤：
[0015]步骤2.1，首先，绘制与待匹配零件外形相同的图形作为模板图像；
[0016]步骤2.2，计算模板图像的角点与图形形心的相对关系，计算待识别图像中各图形整合点与形心的相对关系；
[0017]步骤2.3，相对关系计算完成后，对比实物图像中零件与模板的数学模型，当八个指标误差全部小于设定阈值时，视为匹配成功。
[0018]进一步地，在步骤1.3中，在步骤1.3中，压缩轮廓点的计算方法为：
[0019]t＝|(y2‑
y1)+(x3‑
x1)*(y3‑
y1)/(x3‑
x1)|
[0020]其中x1、x2、x3代表相邻三个边缘点的像素横坐标，y1、y2、y3代表相邻三个边缘点的像素纵坐标，当t小于设定的阈值时，则除去p2(x2，y2)。循环此过程直至消除所有符合条件的边缘点。
[0021]进一步地，在步骤1.4中，搜索区域大小基于图像尺寸与零件在图像内的大小决定，根据经验取值范围为4～6像素距离。
[0022]进一步地，
[0023]进一步地，在步骤1.5中，设定阈值基于图像质量决定，图像受噪声干扰越强则阈值越高，根据经验取值范围为3～5个。
[0024]进一步地，在步骤1.5中高斯权重的计算方法为：
[0025][0026]其中μ1，μ2分别是集合内特征点x，y坐标的平均值，ρ是x，y的相关系数，σ1，σ2分别是x，y坐标值的方差，由于要计算新的整合点，集合内特征点的权重总和必须等于1，因此每个点的权重值要分别除以权重总和，得到最终的权重：
[0027][0028]其中k代表集合内特征点的序号。
[0029]进一步地，在步骤2.2中，角点与形心相对关系的计算方法为：
[0030][0031][0032]其中各α1，α2，α3，α4表示四个夹角，l1，l2，l3，l4表示四个长度的比值，A，B，C,D表示图形的四个角点，O表示图形的形心。
[0033]进一步地，在步骤2.3中，误差的设定阈值为0.95～1.05，允许的误差范围越小匹配结果越精确，但在图像质量较差时容易出现无法匹配的情况。
[0034]进一步地，步骤2.1和步骤2.2中的模板数学模型计算仅需实施一次，得到模板后便可以用于相同类型零件的识别，当更换待测图像时，无需重新设计模板。
[0035]本专利技术与现有技术相比，其显著优点是：(1)本专利技术的模板获得方法简单、易操作，且具有旋转不变性与尺寸不变形，解决了现有模板匹配方法识别旋转目标需要耗费巨大计算资源的问题，显著提高了识别效率。(2)本专利技术通过结合特征点之间的几何关系，强化了特征点的匹配效果，筛除了由于噪点等干扰而错误提取的孤立特征点，提高了识别的成功率。(3)本专利技术不仅考虑了图形角点之间的关系，更进一步地结合了角点与形心的关系，使算法可以区分两种角点相对位置相同但外形不同的图形，例如瓦形与梯形等。
[0036]下面结合附图对本专利技术作进一步详细描述。
附图说明
[0037]图1为基于特征点与轮廓点结合的多目标匹配流程图。
[0038]图2为四种不同外形毁伤元的角点
‑
形心几何本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合特征点与轮廓点的毁伤元识别定位方法，其特征在于，包括以下两个阶段：阶段一，特征点整合阶段，包括以下步骤：步骤1.1，针对图像进行高斯模糊处理，降低噪点的干扰，之后进行ORB特征点检测；步骤1.2，提取图像中的轮廓(提取多少，对应下面的各轮廓，提取方式是否随机)，计算各轮廓的形心，初步选中各毁伤元所在位置；步骤1.3，对比图片边缘点的像素坐标，压缩相邻且方向相同的元素，只保留该方向的终点坐标；步骤1.4，随机选取一个轮廓点，搜索其附近的区域，在预设区域内搜索到特征点视为匹配成功，未识别到则用下一个轮廓点继续搜索；步骤1.5，在找到一个匹配成功的特征点后，寻找与此点距离接近的其余特征点，并将所有符合条件的特征点设为一个集合，如果此特征点附近其余特征点的数量低于阈值，则视为误提取特征点；步骤1.6，计算上述集合内匹配成功的特征点坐标的平均值，以平均坐标值作为原点，计算集合内各特征点的高斯权重，求解新的整合点，再用整合点作为原点重新计算高斯权重，迭代计算多次，直至两次结果之间相差小于一个像素坐标；阶段二，特征点
‑
形心数学模板匹配阶段，包括以下步骤：步骤2.1，首先，绘制与待匹配零件外形相同的图形作为模板图像；步骤2.2，计算模板图像的角点与图形形心的相对关系，计算待识别图像中各图形整合点与形心的相对关系；步骤2.3，相对关系计算完成后，对比实物图像中零件与模板的数学模型，当八个指标误差全部小于设定阈值时，视为匹配成功。2.根据权利要求1所述的一种结合特征点与轮廓点的毁伤元识别定位方法，其特征在于：在步骤1.3中，压缩轮廓点的计算方法为：t＝|(y2‑
y1)+(x3‑
x1)*(y3‑
y1)/(x3‑
x1)|其中x1、x2、x3代表相邻三个边缘点的像素横坐标，y1、y2、y3代表相邻三个边...

【专利技术属性】
技术研发人员：王禹林，郭茂林，查文彬，慈斌斌，杨小龙，冯永兴，张名成，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：