亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        采用輪廓向量特征的嵌入式圖像匹配方法

        2014-03-29 02:00:56倪健白瑞林李英吉峰李杜
        計算機工程與應(yīng)用 2014年13期
        關(guān)鍵詞:圖像匹配金字塔步長

        倪健,白瑞林,李英,吉峰,李杜

        1.江南大學(xué)輕工過程先進(jìn)控制教育部重點實驗室,江蘇無錫214122

        2.無錫信捷電氣有限公司,江蘇無錫214072

        1 引言

        圖像匹配技術(shù)是機器視覺必不可少的一部分,在醫(yī)學(xué)、交通、遙感監(jiān)測、工農(nóng)業(yè)檢測等諸多領(lǐng)域內(nèi)有著廣泛的應(yīng)用,尤其是工業(yè)流水線上的產(chǎn)品定位檢測,要求圖像匹配具有優(yōu)秀的魯棒性、實時性。

        目前圖像匹配仍是一個熱點和難點問題。Zitova等[1]直接利用圖像灰度信息進(jìn)行相似度度量以定位目標(biāo)。Low e[2]提出SIFT算法,利用尺度空間性質(zhì),以梯度方向的直方圖為基礎(chǔ),給出了一種尺度不變關(guān)鍵點的檢測方法。Bay等[3]提出一種新的特征提取算法SURF,它通過快速Hessian矩陣,非極大值抑制得到特征點,計算特征描述向量則通過計算區(qū)域Harr響應(yīng)獲得。U lrich等[4]提出一種分級廣義Hough變換,將圖像的空間域變換到參數(shù)空間,可以檢測任意形狀物體。另外還有諸多實例利用不變矩[5]、像素灰度值[6]、互信息量[7]或特征點[8]等特征,并基于神經(jīng)網(wǎng)絡(luò)、遺傳算法、動態(tài)規(guī)劃或松弛匹配等搜索策略進(jìn)行圖像匹配工作。

        本文針對工業(yè)流水線上工件的圖像匹配定位問題,且相機與流水線相對位置固定,考慮目標(biāo)的平移、旋轉(zhuǎn)、縮放、遮擋、光照變化、極性反轉(zhuǎn)、聚焦不準(zhǔn)、對比度低等問題,提出了一種基于關(guān)鍵輪廓向量特征,根據(jù)模板信息自動確定圖像金字塔分層數(shù)、旋轉(zhuǎn)角度步長和縮放步長,圖像金字塔最高層二級篩選策略,以及非最高層同步局部搜索區(qū)域構(gòu)建和匹配的實時圖像匹配方法。

        2 基于輪廓向量特征的圖像匹配原理

        輪廓特征相比較于點、面、統(tǒng)計量等特征,具有計算量小,抗噪能力強等特點,使圖像匹配的魯棒性、實時性得到提高[9]。同時,由于在待測圖中目標(biāo)坐標(biāo)、方向角度和縮放大小均未知,模板需要進(jìn)行圖像變換以與某位姿上的對象進(jìn)行相似度計算,通常將這種變換定義為包含旋轉(zhuǎn)、平移和縮放的仿射變換,又因平移分量可由模板在待測圖中的游走匹配代替,因而這種變換可表示為:

        式(1)為坐標(biāo)點逆時針旋轉(zhuǎn)變換,其中(x0y0)T,(x1y1)T為點旋轉(zhuǎn)前后的坐標(biāo),a為縮放系數(shù),θ為旋轉(zhuǎn)角度[10]。然后利用經(jīng)式(1)變換過的多角度模板在待測圖中進(jìn)行遍歷搜索匹配,當(dāng)游走到某一位姿時,則利用式(2)基于模板和待測圖輪廓點方向向量的相似度量法則,進(jìn)行二者匹配判斷:

        K為模板輪廓點總個數(shù);di=(ai,bi)為模板輪廓點上X、Y方向向量;ei=(wi,ri)為與di相關(guān)聯(lián)模板坐標(biāo)對應(yīng)到待測圖中輪廓點的X、Y方向向量組成;分別為方向向量對應(yīng)的梯度強度值;s表示模板與待測圖的相似度,取值范圍為0~1,s越大相似度越高[11]。

        式(2)相似度量不受遮擋、混亂影響,如果在模板或待測圖中某個特征丟失,噪聲將產(chǎn)生一個隨機方向向量,這些方向向量平均起來將不會對總和造成影響。對于各向同性像素點,可以設(shè)置其方向向量為0,這樣遮擋和混亂構(gòu)成的特征就不會對這個總和造成影響。方向向量的長短又取決于圖像的亮度,式(2)相似度量把所有的方向向量都變?yōu)?,相似度量就不會受任意光照變化影響。在分子部分取絕對值,可以保證在模板與目標(biāo)明暗變換顛倒的情況下也能找到目標(biāo)。

        3 基于關(guān)鍵輪廓向量特征的圖像金字塔匹配算法設(shè)計與實現(xiàn)

        3.1 關(guān)鍵輪廓向量特征提取

        現(xiàn)有輪廓檢測方法雖能較好提取圖像輪廓,但直接用于圖像匹配之中,仍不能達(dá)到理想效果。

        本文采用圖像的關(guān)鍵輪廓特征,并以輪廓的X、Y方向的梯度向量作為特征描述。所謂關(guān)鍵輪廓特征應(yīng)滿足以下兩點:滿足輪廓單像素化;僅保留目標(biāo)主體輪廓。既能減少相似度計算的輸入量以及減少運算時間,又可提高存在遮擋、模糊聚焦等情況時的目標(biāo)識別率。針對工業(yè)現(xiàn)場環(huán)境,本文改進(jìn)現(xiàn)有輪廓檢測方法,提出如下方法提取特征:

        (1)對灰度圖利用均值濾波去噪、Sobel算子提取輪廓點的X、Y方向向量及對應(yīng)的梯度值。

        (2)對梯度圖進(jìn)行非極大值抑制細(xì)化輪廓,達(dá)到單像素化目的。

        (3)對經(jīng)處理的梯度圖利用Otsu和高低閾值處理,提取目標(biāo)的單像素主體輪廓。

        (4)應(yīng)用最小輪廓尺寸剔除法,篩除梯度圖中小于某一尺寸的輪廓,以去除細(xì)小瑣碎輪廓。

        此時,細(xì)小、瑣碎輪廓已去除,基本僅存單像素寬度的主體輪廓,且如圖1(c)所示。

        圖1 關(guān)鍵輪廓提取

        3.2 構(gòu)建圖像金字塔及自動分層

        若直接將模板與待測圖進(jìn)行特征匹配,算法的復(fù)雜度將為O(whnm),w和h是待測圖的寬和高,n是模板的輪廓點數(shù),m是模板搜索角度范圍。面對如此高的復(fù)雜度,無法滿足工業(yè)實時性要求。

        為此提出利用2×2均值法構(gòu)建圖像金字塔,進(jìn)行多分辨率圖像搜索策略,并根據(jù)模板輪廓像素點數(shù)自動確定其構(gòu)建層數(shù)。依據(jù)大量現(xiàn)場樣本測試概率統(tǒng)計分析,對于大多數(shù)輪廓簡潔且紋理較少的幾何工件而言,當(dāng)其圖像金字塔在某層輪廓點數(shù)剛好大于20~30個,再高一層則小于此值時,則工件圖像在該層仍能保持良好可分辨的外輪廓,可將該層定為圖像金字塔最高層。

        同時,為保證目標(biāo)存在縮放情況時,也能正確構(gòu)建金字塔,需保證最高層模板輪廓圖縮小設(shè)定的最小縮小系數(shù)時,其輪廓像素點數(shù)仍大于20~30個像素。

        3.3 自動確定模板旋轉(zhuǎn)角度步長

        因待測圖中的目標(biāo)角度具有隨機性,在給出模板搜索角度范圍后,需確定合適的匹配旋轉(zhuǎn)角度步長。避免過度旋轉(zhuǎn)致使丟失目標(biāo),或欠旋轉(zhuǎn)造成重復(fù)匹配。因此,提出基于余弦定理和模板輪廓點分布情況自動計算模板旋轉(zhuǎn)角度步長的方法。

        (1)根據(jù)模板輪廓圖計算其質(zhì)心坐標(biāo)(XC,YC)及輪廓總點數(shù)K,以下為質(zhì)心點求解公式:

        式中xiyi為輪廓點X、Y方向坐標(biāo)值。

        (2)根據(jù)余弦定理求解距質(zhì)心最遠(yuǎn)輪廓點繞質(zhì)心旋轉(zhuǎn)過的角度以求旋轉(zhuǎn)角度步長。點L、p為模板質(zhì)心點、最遠(yuǎn)輪廓點,點w為點p旋轉(zhuǎn)后的點,設(shè)邊長為pw=1,Lp=Lw=a,由余弦定理求∠w Lp:

        ∠w Lp為可保證模板旋轉(zhuǎn)后至少有輪廓點旋轉(zhuǎn)出原坐標(biāo)所對應(yīng)的角度,但旋轉(zhuǎn)角度步長需保證模板旋轉(zhuǎn)前后能夠區(qū)分開來。因此針對某些模板,點p需旋轉(zhuǎn)大于1個像素距離。統(tǒng)計分析知,當(dāng)pw在1~2之間取值時,可滿足各種情況模板。

        3.4 自動確定模板縮放步長

        由于目標(biāo)實際尺寸、目標(biāo)與相機距離的隨機性,導(dǎo)致模板和實際目標(biāo)存在一定的縮放比例,為避免過縮放或欠縮放,需確定模板縮放步長。本文根據(jù)模板具體信息,自動計算出模板縮放步長:

        (1)計算模板圖金字塔某一層輪廓圖質(zhì)心點c和距質(zhì)心點歐式距離最遠(yuǎn)輪廓點p的坐標(biāo)。

        (2)根據(jù)圖像縮放性質(zhì),當(dāng)點p以質(zhì)心c為基準(zhǔn)點,縮放1個像素單位,能保證模板輪廓上至少有1個像素移動出原來的坐標(biāo),據(jù)統(tǒng)計可知,當(dāng)點p坐標(biāo)縮放1~2個像素單位,即可滿足各種情況,作為該模板的縮放步長。當(dāng)點p縮放1個像素單位時對應(yīng)的縮放步長s為:

        減少環(huán)境應(yīng)激原,以保持寶寶良好的穩(wěn)定情緒,去除誘發(fā)因素,如花粉、灰塵、纖維、寵物、動物皮屑、室外污染物如汽車尾氣,經(jīng)常打掃暗角,曬洗被褥。

        式中,pc為點p和點c之間的歐式距離。

        3.5 圖像金字塔最高層二級篩選匹配

        雖然圖像金字塔已極大降低了算法復(fù)雜度,但在最高層匹配時仍為傳統(tǒng)的窮舉遍歷法搜索,計算量較大。因此,減少整體方法耗時的關(guān)鍵在于圖像金字塔最高層的目標(biāo)快速匹配定位。

        為此提出在圖像金字塔最高層,基于搜索框優(yōu)先剔除目標(biāo)非潛在位置區(qū)域,再進(jìn)行匹配的二級篩選快速匹配策略。具體操作為:

        (1)構(gòu)建搜索框。根據(jù)給出的縮放范圍和縮放步長,在逐步遞增的每一個模板縮放系數(shù)下,以最高層的模板質(zhì)心為旋轉(zhuǎn)基準(zhǔn)點,構(gòu)建包圍全旋轉(zhuǎn)角度范圍下模板的最小外接矩形,并使該矩形4條邊與坐標(biāo)軸平行,即為搜索框,質(zhì)心為其基準(zhǔn)點。如圖2所示,為三角形efg為模板,點N為質(zhì)心,矩形abcd為模板,360°角度范圍旋轉(zhuǎn)構(gòu)建的搜索框。

        圖2 搜索框構(gòu)建示意圖

        (2)待測圖目標(biāo)非潛在位置區(qū)域篩選。設(shè)最高層模板輪廓總點數(shù)為K,相似度閾值為S,搜索框在待測圖中遍歷移動,判斷搜索框所覆蓋待測圖范圍內(nèi)輪廓點數(shù),若點數(shù)大于K×S,則標(biāo)記搜索框基準(zhǔn)點此時對應(yīng)待測圖中的點坐標(biāo),認(rèn)為可能存在以它為質(zhì)心的某角度目標(biāo);否則不予標(biāo)記。

        (3)基于關(guān)鍵輪廓向量特征的匹配判斷。僅對待測圖經(jīng)上一步標(biāo)記的位置,利用預(yù)先經(jīng)旋轉(zhuǎn)處理并存儲的多角度模板進(jìn)行全角度范圍匹配。同時,改進(jìn)式(2)的運算,先對模板和待測圖的輪廓點方向向量歸一化,再進(jìn)行匹配判斷,這樣對每個輪廓點的判斷可減少一次乘法和除法運算,改進(jìn)公式如下:

        為提高計算判斷速度,設(shè)立終止條件,當(dāng)計算了待測圖與模板對應(yīng)的T個輪廓點后,所得點相似度和值為

        即使剩余的K-T個點完全匹配也不可能達(dá)到相似度閾值S,因此結(jié)束本次相似度計算。

        3.6 圖像金字塔非最高層快速匹配

        (1)同步圖像金字塔構(gòu)建與目標(biāo)匹配。改變原有預(yù)先建立圖像金字塔進(jìn)而匹配方法,實行在某一層定位到目標(biāo)后,再構(gòu)建其下一層圖像金字塔,進(jìn)行目標(biāo)匹配的方案。據(jù)此可節(jié)省待測圖像金字塔預(yù)先完整建立所占內(nèi)存空間,也可避免待測圖中目標(biāo)不存在時,金字塔完整預(yù)建立所耗費的時間。

        (2)局部待測圖像區(qū)域金字塔構(gòu)建。為節(jié)省內(nèi)存空間,在建立待測圖像金字塔非最高層圖像時,利用其上一層定位出的目標(biāo)信息,僅構(gòu)建對應(yīng)到該層的目標(biāo)所在局部圖像區(qū)域,從而節(jié)約本層非目標(biāo)存在圖像區(qū)域構(gòu)建所浪費的時間和空間。

        4 實驗測試與分析

        本測試實驗均在W in7系統(tǒng)的MATLAB 2009a平臺上完成,電腦硬件配置為奔騰雙核CPU(主頻2.2GHz),圖片由實驗室自主研發(fā)640像素×480像素分辨率的30萬黑白相機拍攝。

        本文主要從兩個方面測試算法的優(yōu)劣程度,即魯棒性和實時性,認(rèn)為滿足此二者條件的算法可應(yīng)用于工業(yè)現(xiàn)場生產(chǎn)。

        4.1 魯棒性測試

        魯棒性即指當(dāng)待測圖中目標(biāo)存在遮擋,光照不均,圖像噪聲,灰度值屬性變化,模糊聚焦成像等外界環(huán)境干擾時,仍能對其進(jìn)行準(zhǔn)確匹配定位,即識別率測試。

        圖3~圖5分別為洗發(fā)水瓶蓋、十字箭頭型工件、文字在各種情況下的定位效果圖,圖中紅色線為定位目標(biāo)輪廓,藍(lán)色點為目標(biāo)質(zhì)心點。

        圖3 洗發(fā)水瓶蓋定位

        圖4 十字箭頭型工件定位

        圖5 文字縮放定位

        為驗證算法識別率,對液晶屏標(biāo)記、洗發(fā)水瓶蓋、萬字字符、十字工件、鋰電池定位孔各自進(jìn)行500張樣品魯棒性定位測試。如圖6所示,為本文算法、Halcon軟件和PatM ax軟件進(jìn)行的識別率比對分析,可以看出本文算法與兩軟件定位識別率相比,部分樣品的識別率更高。

        圖6 識別率對比圖

        相似度閾值一般為人為設(shè)定,取值在0.6~0.8之間較宜,具體應(yīng)根據(jù)現(xiàn)場目標(biāo)可能受到的干擾而定。如圖7所示,為識別率、漏檢率和誤檢率隨相似度閾值遞增的變化趨勢示意圖。

        圖7 識別率、誤檢率和漏檢率隨相似度閾值變化趨勢圖

        4.2 實時性測試

        實時性即為算法在規(guī)定時間內(nèi)是否能完成給定的工作,當(dāng)然算法運算時間越短越好。針對此目的,由于圖像匹配工作的部分參數(shù)需人為設(shè)定,在實際操作時還應(yīng)注意以下幾個方面:

        (1)相似度閾值。該值過小會造成誤檢目標(biāo),圖像金字塔向下層精定位時運算量會過大,該值過大則會使漏檢率增加、識別率降低。

        (2)搜索區(qū)域。應(yīng)根據(jù)目標(biāo)在待測圖中可能出現(xiàn)的區(qū)域,盡量規(guī)定較小的搜索區(qū)域。

        (3)搜索角度范圍。應(yīng)根據(jù)目標(biāo)實際可能出現(xiàn)的最大角度范圍設(shè)定,較小該值可提速算法,對于幾何對稱的目標(biāo),更應(yīng)根據(jù)其對稱特性設(shè)置該值。

        (4)目標(biāo)縮放范圍。根據(jù)目標(biāo)可能出現(xiàn)的縮放大小情況,盡可能確定一個較小的縮放范圍。

        (5)圖像金字塔分層數(shù),分層越多,算法耗時越少,但是當(dāng)層數(shù)達(dá)到一定值時,模板圖的信息量就會較少,可能會造成誤檢、漏檢的發(fā)生。

        如圖8所示,對液晶屏標(biāo)記、洗發(fā)水瓶蓋、十字箭頭型工件分別進(jìn)行50張圖片定位的耗時統(tǒng)計圖。為獲取算法最大耗時,除十字箭頭型工件搜索角度范圍設(shè)為0°~90°,其余工件為0°~360°,縮放系數(shù)為0.8~1.2,未設(shè)置搜索個數(shù)上限,搜索區(qū)域為640像素×480像素全圖,相似度閾值在0.6~0.8之間浮動,金字塔自動分層,分別為5、5、6層。

        圖8 目標(biāo)耗時統(tǒng)計

        由圖8看出,雖然耗時在100~180ms之間,但適當(dāng)設(shè)置影響耗時的幾個方面,將算法用C語言實現(xiàn),嵌入實驗室開發(fā)的軟硬件平臺后,可控制耗時在100m s以內(nèi)甚至更少,可工業(yè)現(xiàn)場實時性要求。

        5 結(jié)論

        本文針對工業(yè)現(xiàn)場工件快速、準(zhǔn)確定位問題,提出一種采用關(guān)鍵輪廓向量特征的實時圖像匹配方法。主要特點是:

        (1)提取基于X、Y方向向量的關(guān)鍵輪廓特征,能表達(dá)主要輪廓信息,并保證輪廓點數(shù)盡量精簡,極大減少運算時間。

        (2)提出根據(jù)模板圖像具體信息,自動計算出合適的金字塔分層數(shù)、每層金字塔模板匹配旋轉(zhuǎn)角度步長和縮放步長,確保識別率和耗時的均衡。

        (3)利用圖像金字塔搜索策略,并創(chuàng)新采用圖像金字塔最高層二級篩選策略,根據(jù)待測圖具體內(nèi)容優(yōu)先剔除目標(biāo)非潛在位置區(qū)域,然后僅對剩余的少量區(qū)域進(jìn)行匹配,同時預(yù)存多角度模板和設(shè)置相似度截止條件,能大大提高匹配速度。

        (4)在圖像金字塔非最高層進(jìn)行局部待測圖區(qū)域構(gòu)建,同步圖像金字塔構(gòu)建和目標(biāo)匹配的方法,節(jié)省內(nèi)存空間和減少計算時間。

        實際測試表明,本文方法魯棒性好,抗圖像畸變、噪聲、遮擋、光照變化、極性反轉(zhuǎn)、聚焦不準(zhǔn)、對比度低等能力強,耗時為毫秒數(shù)量級,可實現(xiàn)任意角度、坐標(biāo)、縮放下的目標(biāo)匹配定位,正確率達(dá)97%以上,滿足了工業(yè)現(xiàn)場應(yīng)用要求。

        [1]Zitova B,F(xiàn)lusser J.Image registration methods:a survey[J].Image and Vision Computing,2003,21(11):977-1000.

        [2]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

        [3]Bay H,Ess A,Tuytelaars T.Surf:speeded up robust features[J].Computer Vision and Image Understanding,2008,110(3):346-359.

        [4]Ulrich M,Steger C,Baumgartner A.Real-time object recognition using a modified generalized hough transform[J].Pattern Recognition,2003,36(11):2557-2570.

        [5]Singh C,Walia E.Fast and numerically stable methods for the computation of zernike moments[J].Pattern Recognition,2010,43(7):2497-2506.

        [6]Kim H Y.Rotation-discriminating template matching based on Fourier coefficients of radial projections with robustness to scaling and partial occlusion[J].Pattern Recognition,2010,43(3):859-872.

        [7]Rajwade A,Banerjee A,Rangarajan A.Probability density estimation using isocontours and isosurfaces:applications to information-theoretic image registration[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(3):475-491.

        [8]Teke M,Tem izel A.Muti-spectral Satellite Image Registration Using Scale-restricted Surf[C]//Proceedings of International Conference on Pattern Recognition,Istanbul,2010:2310-2313.

        [9]Tuytelaars T,M ikolajczyk K.Local invariant feature detectors:a survey[J].Computer Graphics and Vision,2008,3(3):177-280.

        [10]Steger C,U lrich M,W iedemann C.機器視覺算法與應(yīng)用[M].楊少榮,吳迪靖,段德山,譯.北京:清華大學(xué)出版社,2008:238-345.

        [11]鄒廣華.基于幾何特征的快速模板匹配算法[D].哈爾濱:哈爾濱工業(yè)大學(xué),2008.

        猜你喜歡
        圖像匹配金字塔步長
        “金字塔”
        基于Armijo搜索步長的BFGS與DFP擬牛頓法的比較研究
        A Study of the Pit-Aided Construction of Egyptian Pyramids
        海上有座“金字塔”
        一種用于光照變化圖像匹配的改進(jìn)KAZE算法
        神秘金字塔
        童話世界(2017年11期)2017-05-17 05:28:25
        基于逐維改進(jìn)的自適應(yīng)步長布谷鳥搜索算法
        挖掘機器人圖像匹配算法研究
        基于SIFT和LTP的圖像匹配方法
        一種新型光伏系統(tǒng)MPPT變步長滯環(huán)比較P&O法
        電測與儀表(2014年2期)2014-04-04 09:04:00
        国产午夜精品综合久久久| 国产97在线 | 中文| 精品性高朝久久久久久久| 亚洲欧美日韩精品高清| 在线观看一区二区三区国产| 亚洲av无码一区二区三区鸳鸯影院| 欧美日韩一区二区综合| 亚洲熟妇AV一区二区三区宅男| 国产熟妇搡bbbb搡bb七区| 国产精品黄色片在线观看| 成人免费视频自偷自拍| 两人前一后地插着她丰满| 亚洲精品久久久久中文字幕| 亚洲91av| 一区二区三区国产视频在线观看| 亚洲一区二区免费在线观看视频| 国产精品r级最新在线观看| 国产在线精品一区二区在线看| 国产精品亚洲综合天堂夜夜| 中文字幕日本在线乱码| 人妻 偷拍 无码 中文字幕| 亚洲人成未满十八禁网站| 人妻AV无码一区二区三区奥田咲| 国产精品国产三级国产an| 国产精品女同二区五区九区| 新婚少妇无套内谢国语播放| 欧美日韩国产一区二区三区不卡| 久久中文字幕日韩精品| 亚洲女同一区二区三区| 又粗又黄又猛又爽大片app| 两个黑人大战嫩白金发美女| 伊人亚洲综合影院首页| 日本av在线一区二区| 婷婷五月综合丁香在线| 久久久亚洲精品午夜福利| 在线观看国产av一区二区| 免费观看全黄做爰大片| 国产成人av 综合 亚洲| 大白屁股流白浆一区二区三区| 亚洲毛片一区二区在线| 麻豆国产原创视频在线播放|