CN110472674A - 一种基于边缘和梯度特征的模板匹配算法 - Google Patents

Abstract

本发明揭示了一种基于边缘和梯度特征的模板匹配算法，匹配过程包括离线和在线两个阶段，其中离线阶段对应模板图像进行至少包括边缘提取和梯度计算的处理，生成广义霍夫变换的R‑table；在线阶段对应输入的目标图像进行边缘提取、梯度计算和由粗至精的匹配处理，根据角度和位置利用R‑table获取广义霍夫变换的投票空间内的值，获取目标位置。应用实施本发明的模板匹配算法，结合金字塔模型和优化搜索策略，具有抗干扰，可以实现旋转不变，且具有一定的抵制缩放和遮挡的能力；而且，广义霍夫变换的计算量大幅减小，匹配速率成倍提升。

Description

一种基于边缘和梯度特征的模板匹配算法

技术领域

本发明涉及一种工业机器视觉图像处理技术，尤其涉及一种基于边缘和梯度特征的模板匹配算法。

背景技术

模板匹配算法是机器视觉的难点和核心之一，被广泛应用于目标识别、工件的定位和视频中目标提取等领域。模板匹配的目的是在图像中找到与目标物相似的物体并获取其位置，这种方法包含诸多图像处理技术，如：图像预处理、图像分割和相似度评价等。

现在工业范围内使用的方法主要包含两个方面，基于特征和基于灰度的匹配算法，其中基于特征的算法主要包括基于关键点、基于边缘和基于线、圆弧等基元模型。

基于灰度的模板匹配比较耗时，而且很难抵制旋转和缩放，因此在对时间要求比较苛刻的场合，一般不采用此方法。基于关键点的模板匹配，对遮挡很敏感，而且强烈依赖于关键点查找，抗干扰性比较差；基于线、圆弧等基元的模型匹配算法虽然具有一定的优势，但是基元建模和参数调整困难。因此，有必要研发一种开发复杂度较低、匹配可靠且具有很强实时性的匹配算法。

发明内容

为解决上述技术问题，本发明的目的旨在提供一种基于边缘和梯度特征的模板匹配算法，以广义霍夫变换为基础并结合金字塔模型，降低计算复杂度，并赋予抗干扰性强、旋转不变性、抵制一部分的遮挡和缩放等性能。

本发明实现上述目的的技术解决方案为：一种基于边缘和梯度特征的模板匹配算法，其特征在于：匹配过程包括离线和在线两个阶段，其中离线阶段对应模板图像进行至少包括边缘提取和梯度计算的处理，生成广义霍夫变换的R-table；在线阶段对应输入的目标图像进行边缘提取、梯度计算和由粗至精的匹配处理，根据角度和位置利用R-table获取广义霍夫变换的投票空间内的值，获取目标位置。

进一步地，离线阶段的处理过程包括：

图像金字塔生成，采用金字塔模型对模板图像分层，得到由高到低的各层图像；

亚像素边缘提取，采用基于局部区域效应获取不同金字塔层图像亚像素边缘的单边界，同时获得边界方向；

构建广义霍夫变换的R-table，对得到的特征进行旋转和缩放，其中最顶层图像直接建立360°旋转的R-table，对除最顶层外的图像建立无旋转的R-table。

更进一步地，构建广义霍夫变换的R-table之前还包括边缘筛选，对边缘采用链式编码并预设第一阀值，逐一进行边缘角度的八邻域查找：当前点的角度位于前后边缘角度的范围内的保留，当前点的角度与前一边缘或后一边缘的角度偏差小于第一阀值的保留、与前后边缘的角度偏差均大于第一阀值的去除。

进一步地，在线阶段的处理过程包括：

图像金字塔生成，采用金字塔模型对输入的目标图像分层，得到由高到低的各层图像；

亚像素边缘提取，采用基于局部区域效应获取不同金字塔层图像亚像素边缘的单边界，同时获得边界方向；

分层粗匹配，图像金字塔最高层采用广义霍夫变换，进行默认缩放系数1的360°全模板匹配，获得目标图像中要素在最高层的粗略位置和角度（x,y,theta）；利用上一层的匹配结果向下逐层匹配至底层，在上一层匹配结果周边范围进行查找，获得目标图像中要素在各非最高层的位置和角度；

精匹配，根据粗匹配所获得的位置和角度，获取符合高斯分布规律的霍夫空间结果，对各层所得的位置和角度进行拟合曲面并求取全局最大值，得到目标图像中要素的最终输出结果。

更进一步地，对目标图像的分层所采用的金字塔模型为高斯金字塔和均值金字塔的结合模型，且其中高斯卷积和均值滤波采用的均为3*3的卷积核。

更进一步地，在边缘提取的过程中采用基于梯度直方图的最优T-point自动阈值计算，对提取出的边界给定阀值。

更进一步地，拟合曲面采用二次的球面拟合方程，在选取点的范围内进行局部极值点的求取，获取亚像素的坐标点位置。

与现有技术相比，本发明模板匹配算法方法应用实施，具有突出的实质性特点和显著的进步性：该算法结合金字塔模型和优化搜索策略，具有抗干扰，可以实现旋转不变，且具有一定的抵制缩放和遮挡的能力；而且，广义霍夫变换的计算量大幅减小，匹配速率成倍提升。

附图说明

图1是广义霍夫变换的原理图。

图2是本发明模板匹配算法的流程示意图。

图3是离线阶段进行边缘筛选的示意图。

图4是在线阶段进行粗匹配的范围示意图。

图5是模板图像及其中的作为要素的角架。

图6是目标图像及其中存在遮挡、缩放、旋转的要素。

具体实施方式

下面结合附图对本发明技术方案的创新特点和实施方式作进一步详细说明。

本发明针对现有各种基于模板匹配的算法或多或少地存在各种缺陷，致力于优化工业机器视觉图像处理技术，结合自身经验和创造性劳动，研究并提出了一种基于边缘和梯度特征的模板匹配算法，具有抗干扰性强、旋转不变性、抵制一部分的遮挡和缩放等优点。。

本发明公开了一种基于边缘和梯度特征的模板匹配算法，模板匹配的主体算法使用的是广义霍夫变换。广义霍夫变换是表的形式描述一种图形，如图1所示，参数主要包括，边缘法向量角度ѳ，边缘点指向中心的向量r，向量r的角度ѱ。把图形边缘点坐标保存在一张表中，那么该图形就确定下来，无论是直线（其实是线段）、圆、椭圆还是其它形状的几何图形，都可以使用同一方法处理。广义霍夫变换为参数增加关联，使得有平移和旋转（无缩放）的情况只需遍历一个参数。图像的边缘三个参数分别是图形的中心坐标（横纵），旋转角度（相对参考图形）和边缘到中心点的向量。首先把参考图形边缘点对中心的径向量保存起来，利用待搜索图形边缘点的梯度方向（用相对坐标轴的角度表示）作为索引找到相应的径向量，加上向量后就完成投射。所以要遍历的参数只有旋转角度，如下表

所示。构建R-table，加上缩放就只需要遍历两个参数。在模板匹配中主要是：在离线阶段获取角度和向量表。在线检测阶段根据角度和位置，利用向量表，获取投票点的位置，投票超过一定阈值的点即为匹配目标的待选点。

本发明为提高匹配速度，采用金字塔模型减小计算复杂度。具体匹配过程主要包括离线和在线两个阶段，如图2所示，是本发明模板匹配算法的具体过程。

离线阶段的主要作用是对模板图像进行处理，生成广义霍夫变换的R-table，具体过程包括图像金字塔生成、稳定的亚像素边缘提取和构建广义霍夫变换的R-table等。

具体化的过程来看，图像金字塔生成，采用高斯金字塔模型对模板图像分层，得到由高到低的各层图像；高斯金字塔模型具有很好的保存边缘的能力，采用3*3的卷积核，可以兼顾速度要求。

亚像素边缘提取，采用基于局部区域效应获取不同金字塔层图像亚像素边缘的单边界，同时获得边界方向；此算法具有边界定位精度和角度计算误差小的优势

边缘筛选，由于在计算过程中，局部区域由于噪声的干扰会出现计算错误的现象，为了避免这样的问题，本发明采用在边缘提取后逐一进行边缘角度的八邻域查找，当前点的角度位于前后边缘角度的范围内的保留，当前点的角度与前一边缘或后一边缘的角度偏差小于第一阀值的保留、与前后边缘的角度偏差均大于第一阀值的去除。具体查找流程如图3所示为：边缘采用链式编码并预设第一阀值，当前点计算角度位于前后边缘角度的范围内，即点2保留。否则进行阈值筛选：当前的角度和前一个边缘的角度偏差在第一阈值内，则保留点4，当不满足条件，再和后一个边缘进行比较，当都超过第一阈值，则去除点5。

构建广义霍夫变换的R-table，对得到的特征进行旋转和缩放，其中最顶层图像直接建立360°旋转的R-table，对除最顶层外的图像建立无旋转的R-table。

在线阶段对应输入的目标图像进行边缘提取、梯度计算和由粗至精的匹配处理，根据角度和位置利用R-table获取广义霍夫变换的投票空间内的值，以此获取目标位置，在线阶段主要包括图像金字塔的生成、边缘提取和梯度计算、金字塔最高层的暴力匹配、向下逐层匹配和精匹配算法。概述过程如图2所示，其中图像金字塔使用的是高斯金字塔模型、均值金字塔模型或两者的结合，并且边缘提取算法可以实现自动的阈值设定，金字塔最高层实行模板匹配后，获取到物体的在最高层的粗略位置，进入下一层进行匹配时，可以在获取参数的周围变化进行一定范围内的匹配，无需进行全匹配，这样可以很大程度地降低计算复杂度和减少运行时间。精匹配是对粗匹配后的结果变化范围内的结果（包括位置和角度）进行曲面的拟合，获取全局最大值，即为精匹配的运算结果。

在线阶段的处理过程更具体地来看，包括：采用均值金字塔和高斯金字塔的结合对输入的目标图像分层，得到由高到低的各层图像。高斯金字塔具有很好的保存边缘的能力，均值金字塔具有计算速度快的特点，同时也具有很好的抑制噪声的能力，但是会对边缘变的模糊。因此，本发明需要提取边缘的时候采用高斯金字塔，而在自上向下匹配的时候采用均值金字塔的方式。其中高斯卷积和均值滤波采用的均为3*3的卷积核，可以在速度和精度上达到很好的均衡。

亚像素边缘梯度的获取和自动阈值算法。和离线阶段相同，采用的是基于局部区域效应获取亚像素边缘的单边界，同时获得边界的方向。本发明粗匹配过程将角度控制在正负2度。因此对角度的精确到1度，直接进行360度切分；规定角度为0~360度，采用double类型角度floor值。由于在提取边缘的过程中，需要对提取出的边界进行手动给定阈值，为了避免此问题，本发明采用基于梯度直方图的最优T-point自动阈值计算，对提取出的边界给定阀值。

如图4所示先进行分层粗匹配，在图像金字塔最高层采用广义霍夫变换，进行默认缩放系数1的360°全模板匹配，获得目标图像中要素在最高层的粗略位置和角度（x,y,theta）；利用上一层的匹配结果向下逐层匹配至底层，在上一层匹配结果周边范围（与位置和角度相关）进行查找，获得目标图像中要素在各非最高层的位置和角度；

而后进行精匹配，根据粗匹配所获得的位置和角度，获取符合高斯分布规律的霍夫空间结果，对各层所得的位置和角度进行拟合曲面并求取全局最大值，得到目标图像中要素的最终输出结果。其中拟合曲面采用二次的球面拟合方程，在选取点的范围内进行局部极值点的求取，获取亚像素的坐标点位置

综上关于本发明实施例及其附图的详细描述可以理解到：本发明模板匹配算法的应用实施，具有突出的实质性特点和显著的进步性：结合金字塔模型和优化搜索策略，具有计算量小，抗干扰，可以实现旋转不变，且具有一定的抵制缩放和遮挡的能力，如图5和图6所示的模板图像和目标图像中角铁可见，匹配的目标存在一定的遮挡和任意角度的筛选，测试的图像参数和PC参数如下表

所示，测试结果表明使用传统的广义霍夫的变换需要的时间为734ms，而使用本发明的模板匹配算法只需要74ms，匹配速率倍增。

需要理解的是：以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于边缘和梯度特征的模板匹配算法，其特征在于：匹配过程包括离线和在线两个阶段，其中离线阶段对应模板图像进行至少包括边缘提取和梯度计算的处理，生成广义霍夫变换的R-table；在线阶段对应输入的目标图像进行边缘提取、梯度计算和由粗至精的匹配处理，根据角度和位置利用R-table获取广义霍夫变换的投票空间内的值，获取目标位置。

2.根据权利要求1所述基于边缘和梯度特征的模板匹配算法，其特征在于离线阶段的处理过程包括：

图像金字塔生成，采用金字塔模型对模板图像分层，得到由高到低的各层图像；

亚像素边缘提取，采用基于局部区域效应获取不同金字塔层图像亚像素边缘的单边界，同时获得边界方向；

构建广义霍夫变换的R-table，对得到的特征进行旋转和缩放，其中最顶层图像直接建立360°旋转的R-table，对除最顶层外的图像建立无旋转的R-table。

3.根据权利要求2所述基于边缘和梯度特征的模板匹配算法，其特征在于：构建广义霍夫变换的R-table之前还包括边缘筛选，对边缘采用链式编码并预设第一阀值，逐一进行边缘角度的八邻域查找：当前点的角度位于前后边缘角度的范围内的保留，当前点的角度与前一边缘或后一边缘的角度偏差小于第一阀值的保留、与前后边缘的角度偏差均大于第一阀值的去除。

4.根据权利要求1所述基于边缘和梯度特征的模板匹配算法，其特征在于在线阶段的处理过程包括：

图像金字塔生成，采用金字塔模型对输入的目标图像分层，得到由高到低的各层图像；

亚像素边缘提取，采用基于局部区域效应获取不同金字塔层图像亚像素边缘的单边界，同时获得边界方向；

分层粗匹配，图像金字塔最高层采用广义霍夫变换，进行默认缩放系数1的360°全模板匹配，获得目标图像中要素在最高层的粗略位置和角度（x,y,theta）；利用上一层的匹配结果向下逐层匹配至底层，在上一层匹配结果周边范围进行查找，获得目标图像中要素在各非最高层的位置和角度；

精匹配，根据粗匹配所获得的位置和角度，获取符合高斯分布规律的霍夫空间结果，对各层所得的位置和角度进行拟合曲面并求取全局最大值，得到目标图像中要素的最终输出结果。

5.根据权利要求4所述基于边缘和梯度特征的模板匹配算法，其特征在于：对目标图像的分层所采用的金字塔模型为高斯金字塔和均值金字塔的结合模型，且其中高斯卷积和均值滤波采用的均为3*3的卷积核。

6.根据权利要求4所述基于边缘和梯度特征的模板匹配算法，其特征在于：在边缘提取的过程中采用基于梯度直方图的最优T-point自动阈值计算，对提取出的边界给定阀值。

7.根据权利要求4所述基于边缘和梯度特征的模板匹配算法，其特征在于：拟合曲面采用二次的球面拟合方程，在选取点的范围内进行局部极值点的求取，获取亚像素的坐标点位置。