王一璋 王亞剛

摘要：由于傳統(tǒng)SURF匹配算法選取大量不符合預(yù)期的特征點，增加了后期匹配運算時間，導(dǎo)致不能滿足工業(yè)級應(yīng)用快速性的要求。提出一種改進的SURF算法，首先對攝像頭獲取的目標圖像進行均值濾波處理，然后選擇合理閾值、運用Canny算子對獲取的目標圖像進行邊緣檢測，再通過Hessian矩陣獲取圖像局部最值，并利用SURF算法對邊緣圖像進行匹配。仿真結(jié)果表明，該SURF算法在應(yīng)用于工業(yè)機器人目標識別匹配時，既能減少匹配時間，又可以提高匹配準確度。

關(guān)鍵詞：Canny邊緣檢測；SURF算法；圖像匹配；目標識別

DOIDOI：10.11907/rjdk.181630

中圖分類號：TP301

文獻標識碼：A 文章編號：1672-7800（2018）010-0014-04

英文摘要Abstract：Traditional SURF matching algorithm tends to pick a large number of feature points that do not meet expectations， which prolongs the time of matching operation later， leading to the inability to meet the requirements of rapidity in industrial applications. To solve this problem， an improved SURF algorithm was proposed in this article. Firstly， the target image acquired by the camera is subjected to mean filtering processing， then the reasonable threshold is selected to use the Canny operator to perform edge detection on the acquired target image. Furthermore the local maximum value of the image is obtained by Hessian matrix， and the edge image is matched by SURF algorithm. Experimental results show that the improved SURF algorithm can not only reduce the matching time but also improve the matching accuracy when it is applied to target recognition and matching of industrial robots.

英文關(guān)鍵詞Key Words：Canny edge detection； SURF algorithm； image matching； target recognition

0 引言

隨著“中國制造2025”戰(zhàn)略的提出，機器人產(chǎn)業(yè)在中國飛速發(fā)展。十三五規(guī)劃指出，在工業(yè)機器人方面，要重點發(fā)展智能工業(yè)機器人、人機協(xié)作機器人、服務(wù)機器人等一系列產(chǎn)品，對機器人視覺系統(tǒng)提出了更高要求。

基于機器視覺的圖像匹配是機器人系統(tǒng)重要組成部分。近年來，國內(nèi)外已有較多研究。David Lowe教授[1]提出了SIFT算法，該算法特征信息量多，適合在大量數(shù)據(jù)信息中進行準確匹配，但該匹配算法對旋轉(zhuǎn)、尺度縮放、亮度變化不敏感，且由于匹配信息眾多，因此該算法匹配時間較長。劉佳、傅衛(wèi)平等[2]通過對圖像進行多分辨率小波變換改進SIFT算法，該方法提高了SIFT匹配算法的魯棒性，但對匹配圖像要求較高，當圖像中目標表面較光滑時，特征匹配點數(shù)量較少。朱奇光、王佳等[3]提出一種利用改進Gaussian-Hermite矩的SURF算法進行圖像匹配，通過雙樹復(fù)小波變化減少圖像噪點。該方法減少了不穩(wěn)定特征點匹配數(shù)目，提高了匹配準確性，但由于雙樹復(fù)小波變化本身會出現(xiàn)頻率混疊現(xiàn)象，使提取的特征信息不準確。

基于以上分析，本文提出了一種改進的SURF圖像匹配算法應(yīng)用于工業(yè)機器人視覺匹配[4]。對于傳統(tǒng)SURF算法檢測到的不穩(wěn)定特征點較多，導(dǎo)致多余無用計算延長匹配時間的弊端，本文算法首先對原圖像進行均值濾波處理，去除噪聲影響[5]；接著對濾波圖像進行Canny邊緣檢測操作，得到原圖輪廓信息，降低算法復(fù)雜度，通過Hessian矩陣獲取輪廓圖像局部最值；最后運用SURF算法進行圖像匹配[6-7]。實驗結(jié)果表明，本文算法能夠有效減少提取的錯誤特征點數(shù)目，并提高了工業(yè)機器人對目標圖像的匹配速度[8]。

1 工業(yè)機器人抓取系統(tǒng)構(gòu)建

本系統(tǒng)實驗平臺如圖1所示，主要包括以下部分：機械臂、氣動抓手、CCD攝像機、機器人控制器、機器人示教器、控制計算機。機械臂采用ABB公司的IRB120機器人，配合氣動抓手實現(xiàn)系統(tǒng)抓取放置功能。本實驗采用1300萬像素的CCD相機，滿足了圖像采集的清晰度要求。CCD相機通過將采集到的圖像信息傳遞到控制計算機上，計算機實現(xiàn)對圖像識別、匹配等處理過程，并將結(jié)果發(fā)送給機器人控制器，控制機械臂執(zhí)行不同的運動指令，實現(xiàn)目標識別與抓取功能[9]。

從表2數(shù)據(jù)可以看出，本文改進SURF算法較傳統(tǒng)SURF算法減少了總匹配點數(shù)，不穩(wěn)定的匹配點數(shù)目占主要部分，因而提高了匹配正確率，縮短了無用計算匹配時間，使總匹配耗時大大降低。

4 結(jié)語

本文提出了一種改進的SURF圖像匹配算法。通過利用均值濾波和Canny邊緣檢測，能夠有效減少SURF算法匹配到的錯誤特征點數(shù)目，既提高了匹配準確性，又減少了匹配時間，對SURF算法在工業(yè)機器人快速匹配中的應(yīng)用有一定參考意義。同時，本文算法基于Opencv開源視覺庫開發(fā)，通用性強。但本文實驗工件表面形狀規(guī)則，有利于特征點提取，對于本文算法是否適用于形狀復(fù)雜的工件，還有待研究。

參考文獻：

[1] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004，16 （2）：91-110.

[2] 劉佳，傅衛(wèi)平，王雯，等.基于改進SIFT算法的圖像匹配[J].儀器儀表學(xué)報， 2013， 34（5）：1107-1112.

[3] 朱奇光，王佳，張朋珍，等. 基于高斯矩改進SURF算法的移動機器人定位研究[J].儀器儀表學(xué)報， 2015，36（11）：2451-2457.

[4] 鄭南寧.計算機視覺與模式識別[M].北京：國防工業(yè)出版社， 1998.

[5] 馮亦東，孫躍.基于SURF特征提取和FLANN搜索的圖像匹配算法[J].圖學(xué)學(xué)報，2015，4（36）：650-654.

[6] BAY H， ESS A，TUYTELAARS T， et al. Speeded-up robust features [J]. Computer Vision and Image Understanding， 2007，30（3）：346-359.

[7] 陳謙，吳清.基于顯著區(qū)域檢測的SURF特征匹配優(yōu)化算法[J].軟件導(dǎo)刊， 2017，16（3）：22-26.

[8] SHANG J，CHEN C B，TANG H.Object recognition using rotation invariant local inary pattern of significant bit planes[J]. IET Image Processing，2016，10（9）：662-670.

[9] 陳釗，趙玉清，楊陸強，等.基于OpenCV的精量噴霧圖像處理技術(shù)[J].農(nóng)機化研究，2018，40（6）：194-199.

[10] 張玲艷.基于Canny理論的自適應(yīng)邊緣檢測方法研究[D].西安：西北大學(xué)，2009.

[11] 王小俊，劉旭敏，關(guān)永.基于改進Canny算子的圖像邊緣檢測算法[J].計算機工程，2012，38（14）：196-198.

[12] 許宏科，秦嚴嚴，陳會茹.一種基于改進Canny的邊緣檢測算法[J].紅外技術(shù)，2014，36（3）：210-214.

[13] 趙巖，周百靈，陳賀新.一種改進的基于Canny算子邊緣檢測算法[J].吉林大學(xué)學(xué)報：理學(xué)版，2012，50（4）：740-744.

[14] 馮娟，劉剛，王圣偉，等.采摘機器人果實識別的多源圖像配準[J].農(nóng)業(yè)機械學(xué)報， 2013，44（3）：197-203.

[15] 楊麗鳳.面陣CCD高精度測量應(yīng)用技術(shù)[D].太原：太原理工大學(xué)，2002.

[16] 劉萍萍，趙宏偉，臧雪柏，等. 移動機器人定位圖像匹配的快速局部特征算法[J].儀器儀表學(xué)報， 2009，30（8）：1714-1719.

[17] 陳衛(wèi)東，張興家，朱奇光，等.基于混合特征的移動機器人圖像匹配算法[J].中國機械工程， 2015，26（9）：1137-1141.

[18] 趙德安，劉曉洋，陳玉，等. 蘋果采摘機器人夜間識別方法[J].農(nóng)業(yè)機械學(xué)報，2015，46（3）：15-22.

[19] 王福斌，李迎燕，劉杰，等.基于OpenCV的機器視覺圖像處理技術(shù)實現(xiàn)[J].機械與電子，2010，28（6）：54-57.

[20] KAEHLER A， BRADSKI G.Learning OpenCV：computer vision in C++ with the OpenCV library[J].Oreilly Media，2016，34（5）：1681-1682.

[21] 張進猛， 張進秋.基于OpenCV的圖像采集和處理[J].軟件導(dǎo)刊，2010，9（1）：164-165.

（責任編輯：江 艷）