CN101794373B - 带旋转的亚像素匹配算法在机器视觉系统中的应用方法 - Google Patents

Abstract

本发明公开了一种带旋转的亚像素匹配算法在机器视觉系统中的应用方法。该方法首先对匹配源(源图像)在一定小角度范围内进行旋转，将每个旋转得到的图形保存下来，然后依次用所有的图像对目标图像进行匹配，寻找匹配度值最大的作为本次匹配的结果；然后对匹配得到的一系列匹配特征点，运用算法计算出相似度极大值点，该点的坐标即为测量结果。本方法解决了在匹配过程中，源图和目标图存在一定角度时，匹配度低下的问题，可以保证在较高的阙值情况下，仍能正确匹配成功。同时本发明中测量精度以

像素为单位，而且在需要的情况下可以提高到

像素(N＞5)，现有的解决方案只能达到像素级别。

Description

带旋转的亚像素匹配算法在机器视觉系统中的应用方法

技术领域：

本发明涉及数控机床高精度加工领域，特别涉及一种带旋转的亚像素匹配算法在机器视觉系统中的应用方法。

背景技术：

机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

数控加工中采用的机器视觉系统主要运用在精确加工领域，通常所要求的精度在像素甚至亚像素级别，机器视觉系统的组成包括摄像头，数据采集卡，PC机。

发明内容：

本发明的目的就是解决了在机器视觉处理过程中图像匹配度低下和有效提高测量精度，提出了一种带旋转的亚像素匹配算法在机器视觉系统中的应用方法。该方法能够大幅提高数控加工中的加工精度和效率。

本发明的具体技术方案如下：

该方法首先对匹配源(源图像)在一定小角度范围内进行旋转，将每个旋转得到的图形保存下来，然后依次用所有的图像对目标图像进行匹配，寻找匹配度值最大的作为本次匹配的结果；然后对匹配得到的一系列匹配特征点，运用算法计算出相似度极大值点，该点的坐标即为测量结果。

结合参见图1，方案的主要步骤如下：

步骤1：通过摄像头抓取模板图像；

步骤2：通过软件将步骤一中图像旋转，旋转角度为(-θ，θ)θ＝3，4L，10；

步骤3：将步骤二中得到的一系列图像保存下来，放入数组中；

步骤4：将数组中的每个图像与目标图像进行匹配，通过粗匹配和静匹配，取得当前的匹配度值，如果该值为目前的匹配度最大值，则将其匹配点坐标值通过文中算法计算出来，并保存为当前的结果值；

步骤5：数组中的图像如果匹配完毕，读取步骤4中计算的匹配点坐标值，该值即为所得。

通过以上处理，最后求出来的匹配点坐标精度可以达到0.2像素级别。

有益效果：

与现有技术相比，本方法解决了在匹配过程中，源图和目标图存在一定角度时，匹配度低下的问题，可以保证在较高的阙值情况下，仍能正确匹配成功，而现有的解决方案为降低匹配阙值，虽然现有方法在一定程度下也能匹配成功，但是发成误匹配的几率很大。

同时本发明中测量精度以

像素为单位，而且在需要的情况下可以提高到

像素(N＞5)，现有的解决方案只能达到像素级别。

附图说明：

以下结合附图和具体实施方式来进一步说明本发明。

图1为本发明方法的流程图。

具体实施方式：

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

本发明方法的应用环境：windows操作平台，Matrox Imaging函数库，硬件环境为Matrox数据采集卡、工控摄像头。

具体步骤如下：

1：人工选定匹配源图像。

2：对源图像在(-N，+N)(N＝1，2，3L)范围内旋转，将旋转得到的所有图像保存起来。

3：利用旋转得到的每一份图像，对目标图像进行匹配。

匹配过程如下：

(1)粗匹配：利用OpenCV提供的匹配函数，在全范围内进行匹配，得出第一次粗略匹配点坐标。

(2)精匹配：上一步求得的坐标点的11×11邻域内，再次匹配，得到精匹配点坐标。

(3)在精匹配点的3×3邻域内，采用亚像素算法计算最终匹配点信息，算法描述如下：

计算3×3邻域上，每个点对应的相似度值。根据离散正交多项式的构造理论，存在唯一的离散正交多项式基集，该基集的各基底函数除自身以外与其它基底函数正交，并且各基底函数与该集合的定义域有关，故可以构造连续的相似度函数，该函数为基底的系数加权之和。

构造三次相似度函数f(x，y)，其对应的正交多项式基集为

$T={(1,x,y,x^2-\frac{2}{3},\mathrm{xy},y^2-\frac{2}{3},y(y^2-\frac{2}{3}),x(x^2-\frac{2}{3}),(x^2-\frac{2}{3})(y^2-\frac{2}{3}))}^T$

f(x，y)＝(a₀，a₁，a₂，a₃，a₄，a₅，a₆，a₇，a₈)×T

$a_k=\underset{3}{\mathrm{\Σ}}\underset{3}{\mathrm{\Σ}}{M}_k(x,y)F(x,y),$ k＝(0，1，2，L，8)，x，y∈(1，2，3)其中F(x，y)为3×3邻域上每个点对应的相似度值。

M_k的值如下所示：

$M_0=\frac{1}{9}\left[\begin{array}{ccc}1& 2& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right],$ $M_1=\frac{1}{6}\left[\begin{array}{ccc}-1& -1& -1\\ 0& 0& 0\\ 1& 1& 1\end{array}\right],$ $M_2=\frac{1}{6}\left[\begin{array}{ccc}-1& 0& 1\\ -1& 0& 1\\ -1& 0& 1\end{array}\right]$

$M_3=\frac{1}{6}\left[\begin{array}{ccc}1& 1& 1\\ -2& -2& -2\\ 1& 1& 1\end{array}\right],$ $M_4=\frac{1}{4}\left[\begin{array}{ccc}1& 0& -1\\ 0& 0& 0\\ -1& 0& 1\end{array}\right],$ $M_5=\frac{1}{6}\left[\begin{array}{ccc}1& -2& 1\\ 1& -2& 1\\ 1& -2& 1\end{array}\right]$

$M_6=\frac{1}{4}\left[\begin{array}{ccc}-1& 0& 1\\ 2& 0& -2\\ -1& 0& 1\end{array}\right],$ $M_7=\frac{1}{4}\left[\begin{array}{ccc}-1& 2& -1\\ 0& 0& 0\\ 1& -2& 1\end{array}\right],$ $M_8=\frac{1}{4}\left[\begin{array}{ccc}1& -2& 1\\ -2& 4& -2\\ 1& -2& 1\end{array}\right]$

计算求解得三次函数f(x，y)。

采用插值法，对x，y∈(-1，-0.8，-0.6，-0.4，-0.2，0，0.2，0.4，0.6，0.8，1)，求出f(x，y)的极大值及对应的(x，y)。

4：取图像匹配度值最大对应的测量点坐标即为所求。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.带旋转的亚像素匹配算法在机器视觉系统中的应用方法，其特征在于，首先对匹配源在一定小角度范围内进行旋转，将每个旋转得到的图形保存下来，然后依次用所有的图像对目标图像进行匹配，寻找匹配度值最大的作为本次匹配的结果；然后对匹配得到的一系列匹配特征点，运用算法计算出相似度极大值点，该点的坐标即为测量结果；所述方法的具体步骤包括：

①通过摄像头抓取模板图像；

②通过软件将步骤①中图像旋转，旋转角度为(-θ，θ)，其中θ＝3，4…，10；

③将步骤②中得到的一系列图像保存下来，放入数组中；

④将数组中的每个图像与目标图像进行匹配，通过粗匹配和精匹配，取得当前的匹配度值，如果该值为目前的匹配度最大值，则将其匹配点坐标值通过亚像素算法计算出来，并保存为当前的结果值；

⑤数组中的图像如果匹配完毕，读取步骤④中计算的匹配点坐标值，该值即为所得；

所述粗匹配利用OpenCV提供的匹配函数，在全范围内进行匹配，得出第一次粗略匹配点坐标；

所述精匹配将粗匹配求得的坐标点的11×11邻域内，再次匹配，得到精匹配点坐标；

在精匹配点的3×3邻域内，采用亚像素算法计算最终匹配点信息，算法为：计算3×3邻域上，每个点对应的相似度值；根据离散正交多项式的构造理论，存在唯一的离散正交多项式基集，该基集的各基底函数除自身以外与其它基底函数正交，并且各基底函数与该集合的定义域有关，故可以构造连续的相似度函数，该函数为基底的系数加权之和；

构造三次相似度函数f(x，y)，其对应的正交多项式基集为

$T={(1,x,y,x^2-\frac{2}{3},\mathrm{xy},y^2-\frac{2}{3},y(y^2-\frac{2}{3}),x(x^2-\frac{2}{3}),(x^2-\frac{2}{3})(y^2-\frac{2}{3}))}^T$

f(x，y)＝(a₀，a₁，a₂，a₃，a₄，a₅，a₆，a₇，a₈)×T $a_k=\underset{3}{\mathrm{\Σ}}\underset{3}{\mathrm{\Σ}}{M}_k(x,y)F(x,y),$ k＝(0，1，2，…，8)，x，y∈(1，2，3)，

M_k的值如下所示：

$M_0=\frac{1}{9}\left[\begin{array}{ccc}1& 2& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right],$ $M_1=\frac{1}{6}\left[\begin{array}{ccc}-1& -1& -1\\ 0& 0& 0\\ 1& 1& 1\end{array}\right],$ $M_2=\frac{1}{6}\left[\begin{array}{ccc}-1& 0& 1\\ -1& 0& 1\\ -1& 0& 1\end{array}\right],$

$M_3=\frac{1}{6}\left[\begin{array}{ccc}1& 1& 1\\ -2& -2& -2\\ 1& 1& 1\end{array}\right],$ $M_4=\frac{1}{4}\left[\begin{array}{ccc}1& 0& -1\\ 0& 0& 0\\ -1& 0& 1\end{array}\right],$ $M_5=\frac{1}{6}\left[\begin{array}{ccc}1& -2& 1\\ 1& -2& 1\\ 1& -2& 1\end{array}\right],$

$M_6=\frac{1}{4}\left[\begin{array}{ccc}-1& 0& 1\\ 2& 0& -2\\ -1& 0& 1\end{array}\right],$ $M_7=\frac{1}{4}\left[\begin{array}{ccc}-1& 2& -1\\ 0& 0& 0\\ 1& -2& 1\end{array}\right],$

$M_8=\frac{1}{4}\left[\begin{array}{ccc}1& -2& 1\\ -2& 4& -2\\ 1& -2& 1\end{array}\right],$

其中F(x，y)为3×3邻域上每个点对应的相似度值。

Images