CN107633535A - 一种新型机器视觉目标高速定位方法 - Google Patents
一种新型机器视觉目标高速定位方法 Download PDFInfo
- Publication number
- CN107633535A CN107633535A CN201710797301.5A CN201710797301A CN107633535A CN 107633535 A CN107633535 A CN 107633535A CN 201710797301 A CN201710797301 A CN 201710797301A CN 107633535 A CN107633535 A CN 107633535A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- msup
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提供一种新型机器视觉目标高速定位方法，包括S1：预备用于进行图像数据获取的若干个工业相机；得到需要的图像数据信息；S2：对步骤S1中工业相机所拍摄的图像进行筛选及处理，得到模板图像；S3：对所得的图像数据进行预处理，对步骤S2中所得的模板图像数据进行预处理，并判定图像是否发生旋转，S4：通过归一化图像和模板向量，即归一化相关系数；S5:判定图像旋转是否超过预设值；S6:创建不同角度不同方向的模板序列；S7:采用亚像素精度计算用于得到较高的图像分辨率，本发明能满足工业应用需求，解决在电子制造、3C制造等行业中的Mark点精确、快速定位问题，通过利用本发明的软件系统能够在偏光贴服设备、高速清洗贴片生成线设备中定位特征点。
Description
[技术领域]
本发明涉及目标定位方法技术领域，尤其涉及一种算法时间复杂度低，精确 度高且速度快的新型机器视觉目标高速定位方法。
[背景技术]
到目前为止，已经提出了很多在图片中识别物体的方法，模板匹配可以视为 由四个部分之间不同的组合而成的方法，这四个部分包括：特征空间，搜索空间， 搜索策略和相似度测量。具体的实施过程中，特征空间是在图像中提取一些用于 匹配的信息，包括局部特征和全局特征,比如灰度值、距、尺度不变特征变换 (SIFT)等等，选取一个好的特征可以提高匹配的效果，还可以减少噪声。搜索空 间是一类能够矫正图像的变换，空间域和频率域是其中的两种查找空间。搜索策 略决定了如何去选择从这个空间到下一个空间的变化。搜索策略选择一个合适的 搜索算法去找到平移、旋转变换参数的最优的估计，由粗及精、分层搜索、模拟 退火算法、遗传算法、神经网络等都是搜索策略。相似度测量主要是决定如何去 度量匹配特征的相似性，一些经典的相似性度量的算法有：差的平方和，序贯相 似性检测算法，归一化相关系数，豪斯多夫距离(Hausdorff distance)等等。 然而，在具体应用过程中，上述的算法虽然可以对目标进行特征定位，但由于上 述的算法时间复杂度较高，不能应用在机器视觉的实时系统中。
基于上述问题，怎样才能有效的降低运算复杂度，减少处理时间，提高效率，本 领域的技术人员进行了大量的研发和实验，并取得了较好的成绩。
[发明内容]
为克服现有技术所存在的问题，本发明提供一种算法时间复杂度低，精确度 高且速度快的新型机器视觉目标高速定位方法。
本发明解决技术问题的方案是提供一种新型机器视觉目标高速定位方法，包括以下步骤，
S1：预备用于进行图像数据获取的若干个工业相机；并利用工业相机进行拍 摄，得到需要的图像数据信息；
S2：对步骤S1中工业相机所拍摄的图像进行筛选及处理，得到模板图像数 据，并储存；
S3：对步骤S1中所得的图像数据进行预处理，对步骤S2中所得的模板图像 数据进行预处理，并判定图像是否发生旋转，若没有，则继续处理，若发生旋转， 则跳转至步骤S5；将所得到的数据信息输送到图像与模板所对应的计算公示中：(其中，f是图像，t是模板)；
S4：通过归一化图像和模板向量，即归一化相关系数；所述用于进行相似度 测量的归一化相关系数用如下公示表示：
S5:判定图像旋转是否超过预设值C1，若超过则跳转至步骤S6；若没有超过 预设旋转角度值C1，则继续处理；定义一个模板t的圆投影转换值为Pt(r)：
其中θ∈[0,2π]；
对于离散的情况Pt(r)的值可以表示为：
其中Lr是圆r中所包含的所有象素点的个数，r＝0、1、 2、3...R；圆投影向量间的归一化相关系数表示为：
NC(Pf,Pt)的范围在-1到1之间，并且不受光照和旋转的影响；
S6:创建不同角度不同方向的模板序列；然后用不同方向的模板在图像金字 塔上分别匹配；采用圆投影转换算法，并选择圆内数据作为匹配区域，当在最底 层金字塔搜索到粗位置时，就跟踪到上一层金字塔进行经匹配，一直匹配到原始 图像；
S7:采用亚像素精度计算用于得到较高的图像分辨率；把已求得位置3×3邻 域内的所有点的相似度值拟和成一个二次曲面，然后根据最小二乘法求出系数， 然后求取局部最大值或最小值，所得的位置就是要得到的亚像素精度位置；一旦 已经匹配到整数位置，就可以获得其3×3邻域内的所有相似度值；要拟和的二 次曲面方程为：
f(x,y)＝αx2+βy2+εxy+γx+δy+φ；其中参数模型为定义是每个位置的x,y坐标值的组合，得到：
其中A＝[A1,A2,...,A9]T，A1,A2,...,A9是9个系数向量；已知的是每个点的相似度值F 和位置向量A，由最小二乘法估计得到系数为：
得到系数矩阵之后，可以通过微积分的方法求得局部极值；在极值好处，有：
就方程可以得到：
S8:步骤S7求得的最终数值xc,yc就是亚像素精度的位置。
优选地，所述步骤S5中角度的预设值C1为-15度到+15度。
优选地，所述步骤S5中，为了能够快速的求取RPT值，创建下述查找表，表的 半径和模板的半径相同；
| 3 | 2 | 2 | 2 | 3 |
| 2 | 1 | 1 | 1 | 2 |
| 2 | 1 | 0 | 1 | 2 |
| 2 | 1 | 1 | 1 | 2 |
| 3 | 2 | 2 | 2 | 3 |
原来的二维模板数据由一维的Pt＝[Pt(0),Pt(1),Pt(2),...,Pt(R)]向量来表示；在匹配阶 段，相似度测量仍用归一化相关系数的概念；模板和图像在半径r处的的圆投影向量表示为：
其中R是模板半径。
优选地，所述图像数据大小为640×480的图像，匹配时间在5ms以内。
与现有技术相比，本发明一种新型机器视觉目标高速定位方法通过提出一种在图像金字塔上基于归一化相关系数和圆投影转换的匹配算法，算法概念简单，易于 实现，并且非常有效，对非旋转的图像，用归一化相关系数作为其相似度测量； 对旋转的图像，用圆投影作为其相似度测量，在以匹配位置用二次曲面拟和的算 法实现位置亚像素精度，且从试验结果中可以看到，算法匹配速度快且有一定的 鲁棒性，对旋转和光照变化都不敏感，对于大小为640×480图像，匹配时间在 5ms以内，完全能满足工业应用需求，解决了在电子制造、3C制造等行业中的Mark 点精确、快速定位的问题，通过利用本发明的软件系统能够在偏光贴服设备、高 速清洗贴片生成线等设备中定位特征点。
[附图说明]
图1是本发明一种新型机器视觉目标高速定位方法的流程示意图。
图2是CCD相机下移动或旋转一个X-Y平台并拍摄图像所得的图案。
图3是x方向和y方向的匹配像素图。
[具体实施方式]
为使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解 释本发明，并不用于限定此发明。
请参阅图1，本发明一种新型机器视觉目标高速定位方法1包括以下步骤，
S1：预备用于进行图像数据获取的若干个工业相机；并利用工业相机进行拍 摄，得到需要的图像数据信息；
S2：对步骤S1中工业相机所拍摄的图像进行筛选及处理，得到模板图像数 据，并储存；
S3：对步骤S1中所得的图像数据进行预处理，对步骤S2中所得的模板图像 数据进行预处理，并判定图像是否发生旋转，若没有，则继续处理，若发生旋转， 则跳转至步骤S5；将所得到的数据信息输送到图像与模板所对应的计算公示中：(其中，f是图像，t是模板)；
归一化相关系数作为模版匹配算法广泛应用于工业系统中，但是，当物体在图像中旋转之后，那么它就无能为力了，在一些应用系统中，基于矩的方法可以解决 这个问题，但是这种方法计算量太大，并且对噪声很敏感。
S4：通过归一化图像和模板向量，即归一化相关系数；所述用于进行相似度 测量的归一化相关系数用如下公示表示：
S5:判定图像旋转是否超过预设值C1，若超过则跳转至步骤S6；若没有超过 预设旋转角度值C1，则继续处理；定义一个模板t的圆投影转换值为Pt(r)：
其中θ∈[0,2π]；
对于离散的情况Pt(r)的值可以表示为：
其中Lr是圆r中所包含的所有象素点的个数，r＝0、1、 2、3...R；圆投影向量间的归一化相关系数表示为：
NC(Pf,Pt)的范围在-1到1之间，并且不受光照和旋转的影响；
S6:创建不同角度不同方向的模板序列；然后用不同方向的模板在图像金字 塔上分别匹配；采用圆投影转换算法，并选择圆内数据作为匹配区域，当在最底 层金字塔搜索到粗位置时，就跟踪到上一层金字塔进行经匹配，一直匹配到原始 图像；
当目标物体相对图像角度旋转角度较大时，就会发生找不到的情况，对于这 种情况，就要用旋转不变性的方法解决，目前已经有很多的算法具有旋转不变性， 自从Hu提出7种不同的具有旋转不变性的矩之后，不变矩广泛应用于模板匹配 和图像处理中，但是矩的计算量太大，很费时，并且对噪声很敏感，然而通过采 用模板匹配算法可以较好的解决此类问题。
S7:采用亚像素精度计算用于得到较高的图像分辨率；把已求得位置3×3邻 域内的所有点的相似度值拟和成一个二次曲面，然后根据最小二乘法求出系数， 然后求取局部最大值或最小值，所得的位置就是要得到的亚像素精度位置；一旦 已经匹配到整数位置，就可以获得其3×3邻域内的所有相似度值；要拟和的二 次曲面方程为：
f(x,y)＝αx2+βy2+εxy+γx+δy+φ；其中参数模型为定义是每个位置的x,y坐标值的组合，得到：
其中A＝[A1,A2,...,A9]T，A1,A2,...,A9是9个系数向量；已知的是每个点的相似度值F和位置向量A，由最小二乘法估计得到系数为：
得到系数矩阵之后，可以通过微积分的方法求得局部极值；在极值好处，有：
就方程可以得到：
S8:步骤S7求得的最终数值xc,yc就是亚像素精度的位置。
为了验证本文提出的模板匹配算法的有效性，在不同条件下对一系列的 现实生活中的包含模板的图像做了实验。这些图像是通过在一个CCD相机下 移动或旋转一个X-Y平台并拍摄图像得到的，显示了第一组图像序列的两幅 图像和一个模板，图像大小是640×480，模板大小是177×172，如说明书附 图图2所示。比较了三个指标：x方向，y方向和匹配时间。从说明书附图图 3可以看到，与MIL相比x方向和y方向的匹配误差在0.3个像素之内。优选 地，所述步骤S5中角度的预设值C1为-15度到+15度。
优选地，所述步骤S5中，为了能够快速的求取RPT值，创建下述查找表， 表的半径和模板的半径相同；
| 3 | 2 | 2 | 2 | 3 |
| 2 | 1 | 1 | 1 | 2 |
| 2 | 1 | 0 | 1 | 2 |
| 2 | 1 | 1 | 1 | 2 |
| 3 | 2 | 2 | 2 | 3 |
原来的二维模板数据由一维的Pt＝[Pt(0),Pt(1),Pt(2),...,Pt(R)]向量来表示；在匹配阶 段，相似度测量仍用归一化相关系数的概念；模板和图像在半径r处的的圆投影向量表示为：
其中R是模板半径。
优选地，所述图像数据大小为640×480的图像，匹配时间在5ms以内。
与现有技术相比，本发明一种新型机器视觉目标高速定位方法1通过提出一种在图像金字塔上基于归一化相关系数和圆投影转换的匹配算法，算法概念简单，易 于实现，并且非常有效，对非旋转的图像，用归一化相关系数作为其相似度测量； 对旋转的图像，用圆投影作为其相似度测量，在以匹配位置用二次曲面拟和的算 法实现位置亚像素精度，且从试验结果中可以看到，算法匹配速度快且有一定的 鲁棒性，对旋转和光照变化都不敏感，对于大小为640×480图像，匹配时间在 5ms以内，完全能满足工业应用需求，解决了在电子制造、3C制造等行业中的Mark 点精确、快速定位的问题，通过利用本发明的软件系统能够在偏光贴服设备、高 速清洗贴片生成线等设备中定位特征点。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本 发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权 利要求保护范围之内。
Claims (4)
1.一种新型机器视觉目标高速定位方法，其特征在于：包括以下步骤，
S1：预备用于进行图像数据获取的若干个工业相机；并利用工业相机进行拍摄，得到需要的图像数据信息；
S2：对步骤S1中工业相机所拍摄的图像进行筛选及处理，得到模板图像数据，并储存；
S3：对步骤S1中所得的图像数据进行预处理，对步骤S2中所得的模板图像数据进行预处理，并判定图像是否发生旋转，若没有，则继续处理，若发生旋转，则跳转至步骤S5；将所得到的数据信息输送到图像与模板所对应的计算公示中：
(其中，f是图像，t是模板)；
S4：通过归一化图像和模板向量，即归一化相关系数；所述用于进行相似度测量的归一化相关系数用如下公示表示：
<mrow>
<mi>N</mi>
<mi>C</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>u</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>t</mi>
<mo>&rsqb;</mo>
</mrow>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>f</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>u</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>t</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>;</mo>
</mrow>
S5:判定图像旋转是否超过预设值C1，若超过则跳转至步骤S6；若没有超过预设旋转角度值C1，则继续处理；定义一个模板t的圆投影转换值为Pt(r)：其中θ∈[0，2π]；
对于离散的情况Pt(r)的值可以表示为：
其中Lr是圆r中所包含的所有象素点的个数，r＝0、1、2、3...R；圆投影向量间的归一化相关系数表示为：
<mrow>
<mi>N</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</munder>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</munder>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</munder>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&times;</mo>
<mn>100</mn>
</mrow>
<mrow>
<mo>{</mo>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mover>
<mi>&Sigma;</mi>
<mi>R</mi>
</mover>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mover>
<mi>&Sigma;</mi>
<mi>R</mi>
</mover>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mover>
<mi>&Sigma;</mi>
<mi>R</mi>
</mover>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mover>
<mi>&Sigma;</mi>
<mi>R</mi>
</mover>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
NC(Pf,Pt)的范围在-1到1之间，并且不受光照和旋转的影响；
S6:创建不同角度不同方向的模板序列；然后用不同方向的模板在图像金字塔上分别匹配；采用圆投影转换算法，并选择圆内数据作为匹配区域，当在最底层金字塔搜索到粗位置时，就跟踪到上一层金字塔进行经匹配，一直匹配到原始图像；
S7:采用亚像素精度计算用于得到较高的图像分辨率；把已求得位置3×3邻域内的所有点的相似度值拟和成一个二次曲面，然后根据最小二乘法求出系数，然后求取局部最大值或最小值，所得的位置就是要得到的亚像素精度位置；
一旦已经匹配到整数位置，就可以获得其3×3邻域内的所有相似度值；要拟和的二次曲面方程为：
f(x,y)＝αx2+βy2+εxy+γx+δy+φ；其中参数模型为定义是每个位置的x,y坐标值的组合，得到：
其中A＝[A1,A2,...,A9]T，A1,A2,...,A9是9个系数向量；已知的是每个点的相似度值F和位置向量A，由最小二乘法估计得到系数为：
<mrow>
<mover>
<mi>p</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mover>
<mi>F</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>;</mo>
</mrow>
得到系数矩阵之后，可以通过微积分的方法求得局部极值；在极值好处，有：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
<mo>/</mo>
<mo>&part;</mo>
<mi>x</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&part;</mo>
<mover>
<mi>f</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>/</mo>
<mo>&part;</mo>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<msub>
<mi>&alpha;x</mi>
<mi>c</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&epsiv;y</mi>
<mi>c</mi>
</msub>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<msub>
<mi>&beta;y</mi>
<mi>c</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&epsiv;x</mi>
<mi>c</mi>
</msub>
<mo>+</mo>
<mi>&delta;</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
就方程可以得到：
S8:步骤S7求得的最终数值xc,yc就是亚像素精度的位置。
2.如权利要求1所述的一种新型机器视觉目标高速定位方法，其特征在于：所述步骤S5中角度的预设值C1为-15度到+15度。
3.如权利要求1所述的一种新型机器视觉目标高速定位方法，其特征在于：所述步骤S5中，为了能够快速的求取RPT值，创建下述查找表，表的半径和模板的半径相同；
原来的二维模板数据由一维的Pt＝[Pt(0),Pt(1),Pt(2),...,Pt(R)]向量来表示；在匹配阶段，相似度测量仍用归一化相关系数的概念；模板和图像在半径r处的的圆投影向量表示为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>(</mo>
<mi>R</mi>
<mo>)</mo>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>(</mo>
<mi>R</mi>
<mo>)</mo>
<mo>&rsqb;</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中R是模板半径。
4.如权利要求1所述的一种新型机器视觉目标高速定位方法，其特征在于：所述图像数据大小为640×480的图像，匹配时间在5ms以内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710797301.5A CN107633535A (zh) | 2017-09-06 | 2017-09-06 | 一种新型机器视觉目标高速定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710797301.5A CN107633535A (zh) | 2017-09-06 | 2017-09-06 | 一种新型机器视觉目标高速定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107633535A true CN107633535A (zh) | 2018-01-26 |
Family
ID=61100739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710797301.5A Pending CN107633535A (zh) | 2017-09-06 | 2017-09-06 | 一种新型机器视觉目标高速定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107633535A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734703A (zh) * | 2018-04-26 | 2018-11-02 | 广东道氏技术股份有限公司 | 基于机器视觉的抛光砖打印图样检测方法、系统及装置 |
| CN110136160A (zh) * | 2019-05-13 | 2019-08-16 | 南京大学 | 一种基于圆投影的快速图像匹配方法 |
| CN110363250A (zh) * | 2019-07-23 | 2019-10-22 | 北京隆普智能科技有限公司 | 一种三维图像智能匹配的方法及其系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010002932A1 (en) * | 1999-12-01 | 2001-06-07 | Hideaki Matsuo | Device and method for face image extraction, and recording medium having recorded program for the method |
| CN102081296A (zh) * | 2010-12-01 | 2011-06-01 | 南京航空航天大学 | 仿复眼视觉的动目标快速定位及全景图同步获取装置及方法 |
| CN102682448A (zh) * | 2012-03-14 | 2012-09-19 | 浙江大学 | 一种基于双三视张量的立体视觉快速导航定位方法 |
| CN104519322A (zh) * | 2014-12-24 | 2015-04-15 | 安徽科鸣三维科技有限公司 | 一种机器视觉目标跟踪系统 |
| CN104657992A (zh) * | 2015-02-12 | 2015-05-27 | 浙江大学 | 一种基于视频采集的多目标室外定位系统和定位方法 |
-
2017
- 2017-09-06 CN CN201710797301.5A patent/CN107633535A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010002932A1 (en) * | 1999-12-01 | 2001-06-07 | Hideaki Matsuo | Device and method for face image extraction, and recording medium having recorded program for the method |
| CN102081296A (zh) * | 2010-12-01 | 2011-06-01 | 南京航空航天大学 | 仿复眼视觉的动目标快速定位及全景图同步获取装置及方法 |
| CN102682448A (zh) * | 2012-03-14 | 2012-09-19 | 浙江大学 | 一种基于双三视张量的立体视觉快速导航定位方法 |
| CN104519322A (zh) * | 2014-12-24 | 2015-04-15 | 安徽科鸣三维科技有限公司 | 一种机器视觉目标跟踪系统 |
| CN104657992A (zh) * | 2015-02-12 | 2015-05-27 | 浙江大学 | 一种基于视频采集的多目标室外定位系统和定位方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734703A (zh) * | 2018-04-26 | 2018-11-02 | 广东道氏技术股份有限公司 | 基于机器视觉的抛光砖打印图样检测方法、系统及装置 |
| CN108734703B (zh) * | 2018-04-26 | 2020-12-01 | 广东道氏技术股份有限公司 | 基于机器视觉的抛光砖打印图样检测方法、系统及装置 |
| CN110136160A (zh) * | 2019-05-13 | 2019-08-16 | 南京大学 | 一种基于圆投影的快速图像匹配方法 |
| CN110363250A (zh) * | 2019-07-23 | 2019-10-22 | 北京隆普智能科技有限公司 | 一种三维图像智能匹配的方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tsai et al. | Machine vision-based positioning and inspection using expectation–maximization technique | |
| US10031997B1 (en) | Forecasting wafer defects using frequency domain analysis | |
| CN102782723B (zh) | 位置和方位估计方法及其设备 | |
| CN103617625B (zh) | 一种图像匹配方法及图像匹配装置 | |
| CN107633535A (zh) | 一种新型机器视觉目标高速定位方法 | |
| CN105701827A (zh) | 可见光相机与红外相机的参数联合标定方法及装置 | |
| CN101488187A (zh) | 可变形对象识别系统和方法 | |
| CN114936971A (zh) | 一种面向水域的无人机遥感多光谱图像拼接方法及系统 | |
| CN107240130B (zh) | 遥感影像配准方法、装置及系统 | |
| CN111340701A (zh) | 一种基于聚类法筛选匹配点的电路板图像拼接方法 | |
| CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
| CN102956532B (zh) | 用于对齐晶片以用于制造的系统和方法 | |
| CN109711486A (zh) | 基于相位相关的高重叠度遥感影像满度连接点匹配方法 | |
| CN114463442A (zh) | 一种非同轴相机的标定方法 | |
| JP5175570B2 (ja) | パターン評価方法、プログラムおよび半導体装置の製造方法 | |
| US11144702B2 (en) | Methods and systems for wafer image generation | |
| JP4835325B2 (ja) | 画像位置計測方法、画像位置計測装置、および画像位置計測プログラム | |
| Wang et al. | Bolt loosening angle detection based on binocular vision | |
| Hou et al. | Navigation landmark recognition and matching algorithm based on the improved SURF | |
| CN113674174B (zh) | 一种基于显著行匹配的线扫圆柱体几何校正方法及装置 | |
| CN112991408B (zh) | 大场景高分辨率遥感图像自适应区域多特征配准方法及系统 | |
| CN115205558A (zh) | 一种具有旋转和尺度不变性的多模态影像匹配方法及装置 | |
| JP4097255B2 (ja) | パターンマッチング装置、パターンマッチング方法およびプログラム | |
| CN113298713A (zh) | 一种抗云干扰的在轨快速配准方法 | |
| CN112465757B (zh) | 一种子区内像点初值估计方法、装置、介质及计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180126 |
|
| RJ01 | Rejection of invention patent application after publication |