胡曉彤，朱博文，程 晨

(天津科技大學(xué) 人工智能學(xué)院，天津 300457)

0 引 言

在工業(yè)自動(dòng)化檢測(cè)中，特征點(diǎn)檢測(cè)被廣泛應(yīng)用于目標(biāo)檢測(cè)[1]、目標(biāo)定位[2]、圖像配準(zhǔn)、圖像拼接中，該技術(shù)減少人為手動(dòng)調(diào)整，同時(shí)能準(zhǔn)確反應(yīng)被檢測(cè)物體圖像的重要的特征信息。目前針對(duì)提取角點(diǎn)的方式不同可以分為兩大類[3]。

基于圖像灰度變化檢測(cè)角點(diǎn)。Harris算法[4]是由Harris和Stephens提出，針對(duì)更早期的Moravec算法[5,6]的優(yōu)秀改進(jìn)型。而針對(duì)Harris需人為多次調(diào)整閾值的弊端，提出非極大抑制[7]方式處理。韓松奇等[8]提出針對(duì)Harris算法采用非極大抑制時(shí)采用雙閾值的方式對(duì)不同閾值下的角點(diǎn)進(jìn)行比對(duì)；蘇婷等[9]提出通過(guò)二次非極大值抑制，在第一次取極大值點(diǎn)之后，在其基礎(chǔ)上再次選取，相當(dāng)于選取第二大灰度變化值保留稍大局部里的相應(yīng)度最大的點(diǎn)；而張見(jiàn)雙等[10]提出將原圖像分割成無(wú)重疊子區(qū)域，針對(duì)每個(gè)單獨(dú)子區(qū)域設(shè)定單獨(dú)閾值，根據(jù)子圖對(duì)比度大小從而自適應(yīng)閾值。

另一類是基于類曲率角點(diǎn)檢測(cè)方式。最初由Ronsenfeld和Johnston提出支持域的余弦相似度估計(jì)曲率[11]，并在之后提出RJ73算法[12]，用平均K-consine代替原有算法，并且提出曲線上的某一點(diǎn)不能被賦予正確的支撐域大小；此時(shí)Mokhtarian和Suomela提出基于曲率尺度空間(curvature scale space，CSS)的角點(diǎn)檢測(cè)算法[13]，該算法是在局部上進(jìn)行檢測(cè)角點(diǎn)，再?gòu)纳现料碌母叱叨戎饾u向低尺度追蹤角點(diǎn)的位置，在不同尺度下進(jìn)行搜索；為了彌補(bǔ)尺度因子與閾值選取問(wèn)題，Awrangjeb和Lu提出點(diǎn)到弦距離累加和技術(shù)(chord-to-point distance accumulation，CPDA)[14]。

從Zhang等于ECCV上提出在基于圖像細(xì)粒度上的分類識(shí)別實(shí)驗(yàn)[15]，將整體圖像根據(jù)細(xì)粒度分類算法，在不同區(qū)域進(jìn)行微小的特征分析。由這一思想，本文提出結(jié)合改進(jìn)的Harris-CPDA算法生成關(guān)鍵點(diǎn)區(qū)域，從而進(jìn)行進(jìn)一步分析。

1 Harris角點(diǎn)檢測(cè)算法及其優(yōu)化

1.1 Harris角點(diǎn)檢測(cè)的原理

Harris角點(diǎn)檢測(cè)的算法可以說(shuō)是對(duì)Moravec算法已有的缺陷問(wèn)題進(jìn)行優(yōu)化及改良。Moravec算子實(shí)際上是依托一個(gè)正方形窗口只計(jì)算了8個(gè)方向的相鄰像素灰度，同時(shí)使用了窗口值，只要在窗口中，權(quán)重都設(shè)置為1，但其實(shí)應(yīng)當(dāng)在中心位置賦予更大的權(quán)重。后人進(jìn)行了很多改進(jìn)的算法，其中Harris算法選取了一個(gè)較為平滑的窗口計(jì)算了各個(gè)方向上的像素灰度變化。圖1(a)為圖像中某一區(qū)域，我們?cè)谠摼植繀^(qū)域存在一個(gè)窗口；圖1(b)為當(dāng)前局部區(qū)域各個(gè)方向上移動(dòng)灰度信息并未發(fā)生變化，判定為該窗口區(qū)域并無(wú)角點(diǎn)特征；圖1(c)為該平滑窗口在某一特定的方向上移動(dòng)灰度值發(fā)生變化，而其它方向上并無(wú)變化，那么窗口檢測(cè)的可能為一條直線線段，其中也無(wú)角點(diǎn)的特征；圖1(d)為當(dāng)該窗口多個(gè)方向運(yùn)動(dòng)存在不同的灰度值的變化則判定為該平滑窗口區(qū)域可能存在角點(diǎn)特征。

圖1 不同區(qū)域灰度變化的描述

Harris算法獲得各個(gè)方向上的灰度變化值。通過(guò)一個(gè)自相關(guān)函數(shù)計(jì)算灰度有明顯變化的像素點(diǎn)位置，構(gòu)造一個(gè)與相關(guān)函數(shù)相關(guān)的矩陣,通過(guò)比較構(gòu)造出的矩陣的特征值可以得到相應(yīng)的角點(diǎn)位置信息。將窗口平移[u,v]產(chǎn)生的灰度變化為E[u,v]，即

(1)

其中，w(x,y)表示窗口函數(shù)，向量[u,v]表示在某個(gè)方向及在其方向上的位移。I(x+u,y+v)表示唯一強(qiáng)度(shifted intensity)。為確定其為角點(diǎn)，通過(guò)公式可知，E[u,v]表示圖像上某個(gè)方向上的灰度邊度，要取得最大值應(yīng)保證位移強(qiáng)度取得最大值。由

I(x+u,y+v)=I(x,y)+Ixu+Iyv+o(u2,v2)

得到

記上式最后的結(jié)果為Δ，則我們可以推出

(2)

M為2*2的矩陣可由圖像的導(dǎo)數(shù)求得

(3)

其中，窗口函數(shù)為

(4)

這里Ix和Iy為在x和y方向上的導(dǎo)數(shù)，即各自方向上的梯度，w(x,y)窗口函數(shù)為高斯函數(shù)。其本質(zhì)是一個(gè)橢圓的函數(shù)。橢圓的曲率大小是由M的特征值λ1與λ2決定的，所以通過(guò)比對(duì)矩陣M的特征值λ1與λ2，當(dāng)兩個(gè)特征值都很小時(shí)，自相關(guān)函數(shù)值在各個(gè)方向上都很小，說(shuō)明高斯窗口函數(shù)中的圖像灰度較為平坦；當(dāng)矩陣M的特征值一個(gè)大一個(gè)小時(shí)，自相關(guān)函數(shù)值在某一方向上大，在其它方向上小，則表示檢測(cè)到邊緣直線；當(dāng)矩陣M的特征值都很大，自相關(guān)函數(shù)值在所有方向上都增加，表示檢測(cè)到了角點(diǎn)。這同時(shí)也是對(duì)Moravec算子邊緣響應(yīng)過(guò)于敏感做出了改善。

而針對(duì)矩陣M的特征值λ1與λ2大小的度量通過(guò)定義角點(diǎn)的響應(yīng)函數(shù)CRF去衡量[1]

R=Det(M)-KTrace2(M)

(5)

其中，Det(M)為矩陣M的行列式，K通常取經(jīng)驗(yàn)值0.04～0.06，Trace(M)為矩陣M的跡，通過(guò)角點(diǎn)相應(yīng)函數(shù)值與選取的閾值T進(jìn)行比對(duì)得到角點(diǎn)。

為避免K值選取的隨機(jī)性，采取角點(diǎn)相應(yīng)函數(shù)式(5)計(jì)算從而選取角點(diǎn)，即

(6)

1.2 改進(jìn)的Harris算法

當(dāng)然Harris算法也存在一定的缺陷，一方面是需要人為通過(guò)給出多次閾值，計(jì)算出圖像中局部極點(diǎn)值即為角點(diǎn)，而閾值過(guò)小或過(guò)大會(huì)造成丟失與偽角點(diǎn)的形成，需要通過(guò)多次效果比對(duì)，選定一個(gè)較為合適的閾值才能得到預(yù)期效果角點(diǎn)的檢測(cè)。另一方面角點(diǎn)的分布往往在特征值較大的某些區(qū)域，降低閾值產(chǎn)生角點(diǎn)的聚簇的現(xiàn)象，對(duì)后面角點(diǎn)的進(jìn)一步提取造成一定的影響。所以本文采用徐克虎提出的一種自適應(yīng)非最大抑制的Harris角點(diǎn)檢測(cè)算法[16]，實(shí)驗(yàn)結(jié)果表明與CPDA共同檢測(cè)特征點(diǎn)效果較好。

這種自適應(yīng)非最大抑制的角點(diǎn)檢測(cè)，是先對(duì)局部最大值進(jìn)行從大到小的排序，在這基礎(chǔ)上針對(duì)每一個(gè)局部最大值設(shè)定一個(gè)抑制半徑r，為保證準(zhǔn)確性該抑制最大值的c= 0.9倍大于抑制半徑內(nèi)的所有值時(shí)被添加進(jìn)待選角點(diǎn)中，當(dāng)?shù)玫阶銐驍?shù)量角點(diǎn)時(shí)停止。

當(dāng)一個(gè)局部最大值R(x,y)i為角點(diǎn)時(shí)，應(yīng)滿足

c·R(x,y)i>R(x,y)j
st(x,y)j∈(x,y)i±r

(7)

其最小抑制半徑為

(8)

2 CPDA角點(diǎn)檢測(cè)算法及其優(yōu)化

2.1 CPDA角點(diǎn)檢測(cè)的原理

采用尺度曲率空間的CSS算法，低尺度上對(duì)邊緣的計(jì)算，這樣對(duì)圖像中局部的噪聲和變化變得很敏感，會(huì)造成一定程度上的誤檢。在較高尺度的高斯函數(shù)進(jìn)行平滑處理，取局部極大值點(diǎn)作為角點(diǎn)候選點(diǎn)，雖對(duì)敏感性進(jìn)行了一定的緩解，但這樣會(huì)造成曲線細(xì)節(jié)的丟失，造成定位不精確的問(wèn)題。

一方面通過(guò)CSS算法計(jì)算量大，另一方面容易造成誤差。與計(jì)算耗時(shí)的Harris算法結(jié)合起來(lái)時(shí)耗更長(zhǎng)，所以通過(guò)計(jì)算點(diǎn)到弦的距離來(lái)模擬曲度，確定角點(diǎn)的位置，提出采用基于點(diǎn)到弦距離累加和的CPDA算法，如圖2所示。

圖2 CPDA算法點(diǎn)到弦距離累加和原理

邊緣曲線上存在n個(gè)像素點(diǎn)，由P1，P2，…，Pn。從弦CL在Pk-LPk的位置開(kāi)始，計(jì)算Pk到弦CL的距離記為dk,k-L，然后弦CL向曲線方向移一個(gè)像素到Pk-L+1Ck+1記為CL+1，計(jì)算Pk到弦CL+1的距離為dk,k-L+1，依次移動(dòng)到弦CL在位置PkPk+L結(jié)束，求得所有距離的和，即為點(diǎn)Pk到弦CL的距離累加和hL(k)，求得和公式為

(9)

而定義的弦長(zhǎng)如果太小，跨度過(guò)小會(huì)使定位角點(diǎn)錯(cuò)誤，產(chǎn)生誤檢；弦長(zhǎng)定義過(guò)大，可能存在將多個(gè)曲線峰谷描述成一個(gè)角點(diǎn)。所以此時(shí)CPDA定義3種不同的弦長(zhǎng)長(zhǎng)度L,并通過(guò)每個(gè)點(diǎn)3個(gè)曲度歸一化，相乘獲得曲度乘積項(xiàng)。通過(guò)曲度乘積項(xiàng)獲取局部最大值作為候選點(diǎn)，首先通過(guò)獲取的局部最大值與自適應(yīng)的曲度閾值進(jìn)行比較去除偽角點(diǎn)。曲度乘積項(xiàng)公式為

(10)

2.2 改進(jìn)的CPDA算法

2.2.1 自適應(yīng)曲度閾值

曲度閾值通常不穩(wěn)定，所以提出與自適應(yīng)局部曲度閾值進(jìn)行比較，初步篩選較弱的角點(diǎn)。

自適應(yīng)局部曲度閾值公式為

(11)

如果局部最大曲率值的絕對(duì)值小于公式的閾值，則被舍棄。其中C表示系數(shù)，當(dāng)C設(shè)置為1時(shí)，說(shuō)明沒(méi)有角點(diǎn)被舍棄，為一個(gè)標(biāo)準(zhǔn)三角形角點(diǎn)；當(dāng)C設(shè)置為2時(shí)，得到的是呈凸型的角點(diǎn)，為一個(gè)大曲度的圓角點(diǎn)；當(dāng)C設(shè)置為1到2之間時(shí)，表示獲取為圓角點(diǎn)，介于平滑與標(biāo)準(zhǔn)三角形角點(diǎn)之間，多適用于各類圖像檢測(cè)。其中K用來(lái)表示局部曲率的平均值，L1與L2為局部大小。

2.2.2 動(dòng)態(tài)角點(diǎn)區(qū)域

由CPDA中自適應(yīng)局部曲度閾值公式可知，L1到L2區(qū)域?yàn)閯?dòng)態(tài)角點(diǎn)區(qū)域(region of support)[17]，其定義為從一圖像中的鄰域局部曲率極小值到下一個(gè)從候選點(diǎn)到兩端嚴(yán)格減少的曲率。本文提出在Harris算法檢測(cè)下自適應(yīng)曲率閾值的基礎(chǔ)上，動(dòng)態(tài)區(qū)域性的CPDA檢測(cè)。動(dòng)態(tài)角點(diǎn)區(qū)域針對(duì)局部細(xì)節(jié)檢測(cè)精度有較大的提升,在魯棒性上有較大的提升空間[18]。非動(dòng)態(tài)的弦長(zhǎng)，不同跨度產(chǎn)生的角點(diǎn)結(jié)果，可能存在漏檢與重復(fù)檢測(cè)，如圖3所示。

圖3 動(dòng)態(tài)角點(diǎn)區(qū)域

其中曲線上存在5個(gè)不同曲率的標(biāo)記點(diǎn)，在不同曲率下檢出的效果不相同。當(dāng)ROS設(shè)定過(guò)小時(shí)，每個(gè)標(biāo)記點(diǎn)都會(huì)被認(rèn)作角點(diǎn)；而當(dāng)動(dòng)態(tài)角點(diǎn)區(qū)域設(shè)定過(guò)大時(shí)，所有標(biāo)記可能會(huì)被遺漏。需要?jiǎng)討B(tài)設(shè)定檢索區(qū)域范圍的值，當(dāng)檢測(cè)標(biāo)記點(diǎn)2的時(shí)候，應(yīng)當(dāng)選取標(biāo)記點(diǎn)1到標(biāo)記點(diǎn)3之間的區(qū)域，檢測(cè)標(biāo)記點(diǎn)3的時(shí)候應(yīng)當(dāng)選取標(biāo)記點(diǎn)2到標(biāo)記點(diǎn)4之間的區(qū)域，而不選取標(biāo)記點(diǎn)1到標(biāo)記點(diǎn)5之間的區(qū)域，從而造成漏檢。通過(guò)這種動(dòng)態(tài)角點(diǎn)區(qū)域選定，可以有效找到角點(diǎn)位置

(12)

經(jīng)分析當(dāng)∠Ci在160度與200度之間會(huì)從候選點(diǎn)中排除。

通常在CSS算法中使用動(dòng)態(tài)區(qū)域方法，本文將自適應(yīng)曲度閾值與動(dòng)態(tài)檢索角點(diǎn)區(qū)域的方法引入CPDA算法中，減少人為設(shè)定閾值，在一定程度上減少噪聲對(duì)圖像角點(diǎn)檢測(cè)效果的影響[19]，提高了CPDA角點(diǎn)檢測(cè)算法精度。

3 基于改進(jìn)算法的圖像局部細(xì)粒度特征分析

由圖4可以看出，在整體中不同粒度下包含了不同層次的圖像信息，在不同的定位下提取不同粒度的特征信息最終合并生成多粒度特征。

通過(guò)細(xì)粒度圖像分類思想可以看出無(wú)論是在人工標(biāo)注圖像關(guān)鍵區(qū)域的強(qiáng)監(jiān)督學(xué)習(xí)下，還是通過(guò)注意力機(jī)制的弱監(jiān)督學(xué)習(xí)下，都是通過(guò)定位分類進(jìn)行細(xì)小特征差分化分析。所以提出通過(guò)本文提出算法實(shí)現(xiàn)粗定位實(shí)現(xiàn)感興趣區(qū)域的描述，針對(duì)該區(qū)域形成8*8的圖像鄰域，在全局中通過(guò)區(qū)域中的局部特征進(jìn)行特征點(diǎn)定位分析。這有利于多尺度圖像及細(xì)微差距特征的圖像分類與識(shí)別。

圖4 不同粒度下的粗定位

4 算法及流程

主體是通過(guò)文獻(xiàn)提及的自適應(yīng)非最大抑制的Harris算法檢測(cè)出可能存在的角點(diǎn)，包含大量偽角點(diǎn)及重復(fù)角點(diǎn)，基于這些候選角點(diǎn)通過(guò)改進(jìn)的CPDA算法的曲率自適應(yīng)比較變換計(jì)算進(jìn)行再次篩選，最終得到準(zhǔn)確的區(qū)域，在該區(qū)域內(nèi)進(jìn)行特征點(diǎn)的定位分析。

(1)通過(guò)角點(diǎn)響應(yīng)函數(shù)計(jì)算每個(gè)像素的響應(yīng)值，獲得初次篩選下的局部最大值點(diǎn)，記錄相應(yīng)坐標(biāo)及編號(hào)。

(2)針對(duì)所有局部最大值點(diǎn)進(jìn)行由大到小的順序進(jìn)行排序，相同的值時(shí)依據(jù)初次篩選下記錄的編號(hào)進(jìn)行排序。

(3)根據(jù)設(shè)定的最小抑制半徑r逐漸縮小半徑，對(duì)已有排序后的局部最大值進(jìn)行二次篩選，得到非最大抑制下的第二次篩選下的候選角點(diǎn)。

(4)應(yīng)用Canny邊緣檢測(cè)算子得到圖像邊緣，填充曲線邊緣縫隙，檢測(cè)出T型角點(diǎn)，加入第二次篩選的候選點(diǎn)中。

(5)將二次篩選的候選點(diǎn)與T型角點(diǎn)通過(guò)曲度乘積公式計(jì)算曲率與自適應(yīng)曲度閾值進(jìn)行比較去除圓角點(diǎn)，得到第三次篩選結(jié)果。

(6)將第三次篩選得到得候選角點(diǎn)通過(guò)動(dòng)態(tài)區(qū)域比對(duì)進(jìn)行角度閾值比較，刪除錯(cuò)誤角點(diǎn)。同時(shí)對(duì)歐式距離小于25像素的近鄰T型角點(diǎn)進(jìn)行刪除操作，符合則并入正確角點(diǎn)集合中，得到最終的特征區(qū)域。

(7)經(jīng)過(guò)該算法圖像已經(jīng)得到特征點(diǎn)的粗定位，將粗定位候選區(qū)域作為網(wǎng)絡(luò)的輸入端，在當(dāng)前像素區(qū)域進(jìn)行局部的特征學(xué)習(xí)，經(jīng)過(guò)多粒度的網(wǎng)絡(luò)得到融合特征。

5 實(shí)驗(yàn)結(jié)果及性能評(píng)價(jià)

相關(guān)算法實(shí)驗(yàn)采用Windows XP系統(tǒng)，處理器為Intel(R) Core(TM) i5，2.60 GHz,可用內(nèi)存為3.26 GB。本文算法基于改進(jìn)的Harris-CPDA算法主要與典型Harris算法、非極大抑制下的Harris算法、CPDA算法進(jìn)行實(shí)驗(yàn)結(jié)果與性能評(píng)價(jià)。經(jīng)典的Harris算法與CPDA算法在不同的閾值區(qū)間下檢測(cè)效果各不相同，所以通過(guò)設(shè)置3種不同的閾值區(qū)間[0，20]、[20，50]、[50，80]與本文算法進(jìn)行實(shí)驗(yàn)比對(duì)。實(shí)驗(yàn)圖片方面，圖片工件選擇單個(gè)工件，單個(gè)工件不同種類與多種類工件混合進(jìn)行對(duì)照實(shí)驗(yàn)。

5.1 檢測(cè)性能評(píng)估

角點(diǎn)檢測(cè)的評(píng)估，本文首先依據(jù)Mokhtarian提出的角點(diǎn)數(shù)一致性(consistence of corner numbers，CCN) 的概念[20]

CCN=100%×1.1-|Nt-NO|

(13)

其中，CCN數(shù)值越大，表明角點(diǎn)檢測(cè)效果越好?；谑?13)基礎(chǔ)上，提出3種不同點(diǎn)的檢測(cè)效果，正確檢測(cè)、誤檢測(cè)、漏檢測(cè)。其中Nt為變換后檢測(cè)角點(diǎn)數(shù)目，Nc為原始圖像檢測(cè)角點(diǎn)數(shù)目。而人為選取特征點(diǎn)并不具有客觀性，所以Awrangjeb等提在CCN基礎(chǔ)上提出平均重復(fù)率(ave-rage repeatability)與定位誤差(localization error)[21]

(14)

(15)

其中，Nm為圖形變換前后都存在的特征點(diǎn)，(xoi,yoi)和(xti,yti)為變換圖像與原圖像相應(yīng)角點(diǎn)的坐標(biāo)位置，相差3個(gè)像素以內(nèi)為匹配的特征點(diǎn)。

5.2 多閾值實(shí)驗(yàn)分析

這里以圖5中3幅實(shí)驗(yàn)圖片為例，選取單一不同種，與多種模型混合情況實(shí)驗(yàn)。

圖5 算法測(cè)試實(shí)驗(yàn)用圖

這里依據(jù)CCN式(13)及準(zhǔn)確率式(14)與定位誤差式(15)提出，在準(zhǔn)確角點(diǎn)范圍內(nèi)，合格率是指在檢出角點(diǎn)中有效角點(diǎn)所占實(shí)際角點(diǎn)的比例，漏檢率是指未檢測(cè)出來(lái)角點(diǎn)的比例，誤檢率是指多余的干擾點(diǎn)與重復(fù)點(diǎn)的比例。

通過(guò)實(shí)驗(yàn)分析，由其不同閾值下的數(shù)據(jù)如表1所示可以直觀發(fā)現(xiàn)，Harris算法在閾值為[0.2,0.5]區(qū)間內(nèi)效果最佳，中間閾值強(qiáng)度在合格率方面介于其它兩種閾值中間，漏檢率與誤檢率也處在中間，相對(duì)其它兩種閾值強(qiáng)度較為均衡。所以確定Harris算法在該區(qū)間與本文算法進(jìn)行比對(duì)。同樣CPDA算法在canny算法邊緣檢測(cè)中選取閾值范圍在[0.2,0.5]取得較好的結(jié)果，其數(shù)據(jù)見(jiàn)表2。

5.3 傳統(tǒng)算法對(duì)比結(jié)果

通過(guò)圖6(a)、圖6、(d)、圖6 (g)可以看出，Harris算法檢測(cè)出來(lái)點(diǎn)的數(shù)量很多，但相應(yīng)存在很多誤檢與漏檢的特征點(diǎn)；而圖6(b)、圖6(e)、圖6(h)CPDA算法在曲率確定上帶有模糊性，大曲率與小曲率是否劃定為特征點(diǎn)為漏檢的主要原因；本文算法完善了Harris與CPDA算法的缺陷，在特征點(diǎn)檢測(cè)上有良好效果。

表1 Harris算法多閾值分析/%

表2 CPDA算法多閾值分析/%

而從局部圖7來(lái)看，圖7(b)、圖7(c)相應(yīng)的Harris算法檢測(cè)偽角點(diǎn)仍舊過(guò)多，其基于灰度在灰度變化區(qū)域敏感，容易認(rèn)定為角點(diǎn)；圖7(d)、圖7(e)基于曲率的CPDA算法在工件內(nèi)部的特征點(diǎn)檢測(cè)并不敏銳；圖7(f)為提出的算法,其檢測(cè)特征點(diǎn)準(zhǔn)確，同時(shí)在工件內(nèi)部檢測(cè)表現(xiàn)良好。

從實(shí)驗(yàn)結(jié)果數(shù)據(jù)與實(shí)驗(yàn)結(jié)果圖來(lái)看，可以看出Harris算法在檢測(cè)方面，傾向于大而全，在角點(diǎn)檢測(cè)數(shù)量上較多，非常全面，細(xì)節(jié)上也會(huì)采用較多角點(diǎn)去表示，因?yàn)閿?shù)量較多所以存在較少的漏檢角點(diǎn)，但同時(shí)帶來(lái)的是一個(gè)特征用多個(gè)重復(fù)角點(diǎn)表述；典型的CPDA算法針對(duì)邊界檢測(cè)效果相對(duì)于Harris算法較好，但其多受限于邊界的閾值效果，對(duì)于工件的內(nèi)部細(xì)節(jié)特征找的不夠詳細(xì)，同時(shí)也受限于檢測(cè)步長(zhǎng)，跨度大小不能適應(yīng)性調(diào)整也是局限了多尺度下的角點(diǎn)檢測(cè)，在圓角點(diǎn)的區(qū)分還是相對(duì)模糊。

通過(guò)表3與表4分析可以看出本文算法在保證檢測(cè)角點(diǎn)正確數(shù)量的同時(shí)，針對(duì)Harris系算法在CCN計(jì)算下合格率上有7%的提升，漏檢率提升30%，誤檢率方面也有50%以上的提升，在CCN計(jì)算上的準(zhǔn)確率上更有40%的提高，定位誤差減少了0.3個(gè)像素；針對(duì)CPDA算法來(lái)看有小幅提升，著重在特征點(diǎn)的漏檢率方面有了40%以上的提升，誤檢率上30%的提升并降低了特點(diǎn)的定位誤差。而通過(guò)表5可以看出比Harris系算法時(shí)間提升0.8 s，比CPDA算法花費(fèi)時(shí)間小幅降低。在改善相應(yīng)的缺陷同時(shí)，在時(shí)效上比Harris系算法與CPDA算法有了較大的提升。

圖6 整體檢測(cè)效果展示

圖7 局部檢測(cè)效果展示

表3 角點(diǎn)CCN檢測(cè)數(shù)據(jù)對(duì)比/%

表4 角點(diǎn)檢測(cè)重復(fù)率與定位誤差數(shù)據(jù)對(duì)比

表5 算法運(yùn)行時(shí)間(以圖6為例)

5.4 多粒度下的實(shí)驗(yàn)對(duì)比結(jié)果

為方便觀察，選取圖5(a)中的軸類零件及相應(yīng)自標(biāo)定數(shù)據(jù)集，經(jīng)過(guò)校正之后原圖像通過(guò)本文提出的改進(jìn)Harris-CPDA算法生成一個(gè)特征點(diǎn)的粗定位，針對(duì)不同的關(guān)注度得到不同細(xì)粒度下的特征信息，相比于強(qiáng)監(jiān)督學(xué)習(xí)，減少人為標(biāo)注同時(shí)提高準(zhǔn)確度。本文選取與Part-based R-CNNs進(jìn)行對(duì)比性實(shí)驗(yàn)，針對(duì)這種強(qiáng)監(jiān)督學(xué)習(xí)可以分為兩部分定位與識(shí)別，其在大規(guī)模數(shù)據(jù)集中有良好的表現(xiàn)，而在工業(yè)上數(shù)據(jù)集較少，兩者選取自標(biāo)定數(shù)據(jù)集進(jìn)行測(cè)試。

從圖8(a)、圖8(c)可以看出Part-based R-CNNs算法存在框選錯(cuò)誤，光線及角度的改變對(duì)其判定產(chǎn)生一定的干擾，致使誤差；相比與本文提出的算法圖8(b)、圖8(d)與深度學(xué)習(xí)有很好的結(jié)合性，對(duì)于不同場(chǎng)景下的檢測(cè)，有較強(qiáng)的魯棒性。

圖8 本文算法與Part-based R-CNNs效果對(duì)比

定位上來(lái)說(shuō)Part-based R-CNNs的Selective Search會(huì)在一張圖片生成較多的候選區(qū)域，會(huì)產(chǎn)生大量的無(wú)關(guān)區(qū)域,增加了運(yùn)行時(shí)間，同時(shí)定位的準(zhǔn)確程度是建立在多候選區(qū)域之上，與本文提出算法相比并不理想,通過(guò)表6與表7可以看出，相比于有Bounding box的基礎(chǔ)上,定位的準(zhǔn)確性上提升了16%左右。針對(duì)于分類在準(zhǔn)確性上也有近5%的提升。為了展示分類效果選取環(huán)類工件，展示定位效果以軸類零件展示，如圖8，針對(duì)環(huán)型工件區(qū)分內(nèi)外環(huán)分類定位，對(duì)于軸類工件以特征區(qū)域及整體進(jìn)行分類定位。

表6 與Part-based R-CNNs定位數(shù)據(jù)對(duì)比

表7 與Part-based R-CNNs分類數(shù)據(jù)對(duì)比

6 結(jié)束語(yǔ)

本文首先介紹了基于兩種不同方法角點(diǎn)檢測(cè)算法的基本構(gòu)成及現(xiàn)狀，針對(duì)Harris算法采用文獻(xiàn)提及的非最大抑制的方法進(jìn)行處理，一定程度上減少閾值強(qiáng)度對(duì)其影響，此時(shí)檢測(cè)角點(diǎn)重復(fù)點(diǎn)數(shù)量較多，存在一定的誤檢點(diǎn)。同時(shí)針對(duì)CPDA算法提出自適應(yīng)曲率閾值的方法，去除圓角點(diǎn)，而針對(duì)相對(duì)單一化的步長(zhǎng)，不能檢測(cè)多尺度下的角點(diǎn)，采用動(dòng)態(tài)角點(diǎn)區(qū)域的方式不斷迭代排除偽角點(diǎn)。

而通過(guò)本文提出的基于灰度與基于曲率的兩種角點(diǎn)檢測(cè)結(jié)合提出改進(jìn)的Harris-CPDA算法。實(shí)驗(yàn)結(jié)果表明在保證較多的正確角點(diǎn)檢測(cè)的前提下，減少了單一位置重復(fù)的特征描述，相比于Harris算法與CPDA算法在檢測(cè)精度方面有了較大的提升。而通過(guò)傳統(tǒng)方法針對(duì)圖像進(jìn)行粗定位，與圖像的細(xì)粒度的結(jié)合，使圖像在多尺度與監(jiān)督學(xué)習(xí)方向上的微小特征的定位有了進(jìn)一步的提升，這種融合提升了特征的表達(dá)能力。