CN112884778B - 一种鲁棒机器视觉目标识别分割方法及系统 - Google Patents

Abstract

本发明公开一种鲁棒机器视觉目标识别分割方法及系统，方法包括：根据模板图像和测试图像确定目标初始像素集；根据目标初始像素集中各像素点的亮度确定模糊集；计算目标初始像素集中各位置处的像素和模糊集中各位置处的像素的相似性程度；根据相似性程度和欧几里得距离确定能量泛函；对能量泛函进行寻优求解，获得最优截距和最优角度；根据最优截距和最优角度确定最优对称轴；根据最优对称轴对待分割图像进行目标识别分割。本发明基于目标初始像素集中像素点亮度构建模糊集，将分割结果扩充到可能为目标的区域。利用目标初始像素集及模糊集合进行寻优求解获得最优对称轴，进而基于最优对称轴对待分割图像实现准确识别分割对称目标。

Description

一种鲁棒机器视觉目标识别分割方法及系统

技术领域

本发明涉及目标识别技术领域，特别是涉及一种鲁棒机器视觉目标识别分割方法及系统。

背景技术

目前随着工业及民用领域智能化需求的提升，视觉检测系统应用越来越广泛，相应的对图像检测算法的需要越来越多，对视觉检测精度要求也越来越高。在实际检测过程中常需要检测规则器件，例如芯片、药片、轴承等。大量目标具有对称性，但目前的方法通常仅利用目标的亮度特性，较难利用目标的对称特性。

仅使用亮度信息的方法主要存在以下问题：1)算法通常难以达到强光照适应性，进而会产生对称目标分割不完整的问题，从而影响对称目标的定位精度。2)对称目标的对称区域通常可以起到互为印证的作用，但此信息通常未被利用。3)方法容易受到噪声影响，对边缘分割精度差，定位精度不佳。

发明内容

根据此，本发明的目的是提供一种鲁棒机器视觉目标识别分割方法及系统，以实现准确识别分割对称目标。

为实现上述目的，本发明提供了一种鲁棒机器视觉目标识别分割方法，所述方法包括：

步骤S1：根据模板图像和测试图像确定目标初始像素集；

步骤S2：根据所述目标初始像素集中各像素点的亮度确定模糊集；

步骤S3：计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度；

步骤S4：根据所述相似性程度和欧几里得距离确定能量泛函；

步骤S5：对所述能量泛函进行寻优求解，获得最优截距和最优角度；

步骤S6：根据所述最优截距和所述最优角度确定最优对称轴；

步骤S7：根据所述最优对称轴对待分割图像进行目标识别分割。

可选地，所述根据模板图像和测试图像确定目标初始像素集，具体包括：

步骤S11：获取模板图像和测试图像；

步骤S12：计算所述模板图像和所述测试图像的相似度，获得相似性度量图像；

步骤S13：采用OTSU方法确定所述相似性度量图像的二值图像；

步骤S14：采用形态学闭操作填充所述二值图像中目标区域的裂纹，获得目标初始像素集。

可选地，所述根据所述目标初始像素集中各像素点的亮度确定模糊集，具体包括：

步骤S21：根据S函数和所述目标初始像素集中各像素点的亮度计算隶属度；

步骤S22：根据所述目标初始像素集中各像素点的隶属度确定目标模糊像素集；

步骤S23：根据所述测试图像的颜色向量和目标模糊像素集确定模糊集。

可选地，所述计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度，具体公式为：

其中，x为i或/>y为j或/>f(x,y)是通过对目标模糊像素集M使用双线性插值得到，/>f(p)分别表示所述目标初始像素集C_inner中各位置处的像素p和所述模糊集/>中各位置处的像素/>的隶属度值，/>与p为关于l(ρ,θ)对称的两像素，θ为直线角度，ρ为直线截距，/>表示坐标(i,j)相对于最优对称线l(ρ,θ)的对称点，/>为对称点/>与坐标(i,j)的相似性程度。

可选地，所述对所述能量泛函进行寻优求解，获得最优截距和最优角度，具体包括：

步骤S51：对所述能量泛函的求偏导数以及简化；

步骤S52：构建直线截距辅助单变量函数和直线角度辅助单变量函数；

步骤S53：根据所述直线截距辅助单变量函数和所述直线角度辅助单变量函数构建最优求解公式；

步骤S54：根据所述最优求解公式对简化后的能量泛函进行寻优求解，获得最优截距和最优角度。

可选地，所述根据所述最优对称轴对待分割图像进行目标识别分割，具体包括：

步骤S71：将所述目标初始像素集中关于最优对称轴对称的像素点引入所述目标初始像素集，获得目标分割优化像素集；

步骤S72：根据所述目标分割优化像素集对待分割图像进行目标识别分割。

本发明还提供一种鲁棒机器视觉目标识别分割系统，所述系统包括：

目标初始像素集确定模块，用于根据模板图像和测试图像确定目标初始像素集；

模糊集确定模块，用于根据所述目标初始像素集中各像素点的亮度确定模糊集；

相似性程度确定模块，用于计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度；

能量泛函确定模块，用于根据所述相似性程度和欧几里得距离确定能量泛函；

最优参数确定模块，用于对所述能量泛函进行寻优求解，获得最优截距和最优角度；

最优对称轴确定模块，用于根据所述最优截距和所述最优角度确定最优对称轴；

目标识别分割模块，用于根据所述最优对称轴对待分割图像进行目标识别分割。

可选地，所述目标初始像素集确定模块，具体包括：

获取单元，用于获取模板图像和测试图像；

相似性度量图像计算单元，用于计算所述模板图像和所述测试图像的相似度，获得相似性度量图像；

二值图像确定单元，用于采用OTSU方法确定所述相似性度量图像的二值图像；

填充单元，用于采用形态学闭操作填充所述二值图像中目标区域的裂纹，获得目标初始像素集。

可选地，所述模糊集确定模块，具体包括：

隶属度计算单元，用于根据S函数和所述目标初始像素集中各像素点的亮度计算隶属度；

目标模糊像素集确定单元，用于根据所述目标初始像素集中各像素点的隶属度确定目标模糊像素集；

模糊集确定单元，用于根据所述测试图像的颜色向量和目标模糊像素集确定模糊集。

可选地，所述计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度，具体公式为：

其中，x为i或/>y为j或/>f(x,y)是通过对目标模糊像素集M使用双线性插值得到，/>f(p)分别表示所述目标初始像素集C_inner中各位置处的像素p和所述模糊集/>中各位置处的像素/>的隶属度值，/>与p为关于l(ρ,θ)对称的两像素，θ为直线角度，ρ为直线截距，/>表示坐标(i,j)相对于最优对称线l(ρ,θ)的对称点，/>为对称点/>与坐标(i,j)的相似性程度。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种鲁棒机器视觉目标识别分割方法及系统，方法包括：根据模板图像和测试图像确定目标初始像素集；根据目标初始像素集中各像素点的亮度确定模糊集；计算目标初始像素集中各位置处的像素和模糊集中各位置处的像素的相似性程度；根据相似性程度和欧几里得距离确定能量泛函；对能量泛函进行寻优求解，获得最优截距和最优角度；根据最优截距和最优角度确定最优对称轴；根据最优对称轴对待分割图像进行目标识别分割。本发明基于目标初始像素集中像素点亮度构建模糊集，将分割结果扩充到可能为目标的区域。利用目标初始像素集及模糊集合进行寻优求解获得最优对称轴，进而基于最优对称轴对待分割图像实现准确识别分割对称目标。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例视觉目标识别分割方法流程图；

图2为本发明实施例视觉目标识别分割系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种鲁棒机器视觉目标识别分割方法及系统，以实现准确识别分割对称目标。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种鲁棒机器视觉目标识别分割方法，所述方法包括：

步骤S1：根据模板图像和测试图像确定目标初始像素集。

步骤S2：根据所述目标初始像素集中各像素点的亮度确定模糊集。

步骤S3：计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度。

步骤S4：根据所述相似性程度和欧几里得距离确定能量泛函。

步骤S5：对所述能量泛函进行寻优求解，获得最优截距和最优角度。

步骤S6：根据所述最优截距和所述最优角度确定最优对称轴。

步骤S7：根据所述最优对称轴对待分割图像进行目标识别分割。

下面对各个步骤进行详细论述：

步骤S1：根据模板图像和测试图像确定目标初始像素集，具体包括：

步骤S11：获取模板图像和测试图像。

步骤S12：计算所述模板图像和所述测试图像的相似度，获得相似性度量图像，具体公式：

其中，为坐标(i,j)处的相似度，f_i,j为测试图像F在坐标(i,j)处的颜色向量，t_i,j为模板图像T在坐标(i,j)处的颜色向量。

具体的，针对具有模板的目标定位任务，使用L_∞范数来度量模板图像T和测试图像F之间的相似性，并设置它的上限，获得相似性度量图像。

步骤S13：采用OTSU方法确定所述相似性度量图像D的二值图像B。

步骤S14：采用形态学闭操作填充所述二值图像中目标区域的裂纹，获得目标初始像素集，所述目标初始像素集包含目标区域中最大连通域的像素。

所述形态学闭操作的具体公式为：

其中，B·τ表示目标区域，τ表示一个半径γ的圆的掩膜，表示使用γ的圆的掩膜做膨胀操作，/>表示使用γ的圆的掩膜做腐蚀操作，B表示二值图像。

所述目标初始像素集C_inner满足以下条件，具体公式为：

其中，P表示图像中目标真实位置的所有像素组成的集合。

通过上述公式可知，在大多数情况下，存在像素点p，有p∈P和事实上，二值化操作可能会导致前景像素点的丢失，这在光学检测系统中非常普遍。由于信息的丢失，定位精度会大大降低。

步骤S2：根据所述目标初始像素集中各像素点的亮度确定模糊集，具体包括：

步骤S21：根据S函数和所述目标初始像素集中各像素点的亮度计算隶属度，具体公式为：

C^h＝{F^h(i,j)|(i,j)∈C_inner}

其中，和/>分别为和/>条件下的两个S函数，/>和/>分别为C^h集合中亮度统计计算的第一个四分位数、第二个四分位数和第三个四分位数，/> h为图像通道，F^h(i,j)为测试图像F在h通道坐标(i,j)的值，x为亮度，μ_C(x,h)为目标初始像素集C_inner中各像素点的隶属度。

其中，a、b和c均为S函数的参数，通常被设置为固定值，但是，这些固定的值会降低功能的适应性，因此利用目标初始像素集C_inner中的像素点的颜色特征来计算a、b和c，即a为或/>b为/>或/>c为/>或/>

本实施例由于使用S函数计算各像素点的隶属度，因此对噪声不敏感。

步骤S22：根据所述目标初始像素集中各像素点的隶属度确定目标模糊像素集M，具体公式为：

其中，m_i,j表示目标模糊像素集M中在坐标(i,j)处的模糊值，f_i,j为测试图像F在坐标(i,j)处的颜色向量，h为图像通道，F^h(i,j)为测试图像F在h通道坐标(i,j)的值，μ_C(F^h(i,j))为F^h(i,j)的隶属度值，表示F^h(i,j)属于目标的程度。

设U是颜色向量的论域，元素由f_i,j表示。然后，定义了每个颜色向量都有一个唯一的隶属度值，隶属度值用来估计每个颜色向量属于指针的程度。因此，中满足/>的像素可被进一步获取。然而，当背景包含与目标颜色相似的区域时，目标模糊像素集会包含背景像素。

步骤S23：根据测试图像F的颜色向量和目标模糊像素集确定模糊集，具体公式为：

其中，为模糊集，m_i,j和/>均为目标模糊像素集M中在坐标(i,j)处的模糊值，f_i,j为测试图像F在坐标(i,j)处的颜色向量。

指针定位任务可以转换为最优对称线l(ρ^k,θ^k)搜索问题。该直线满足以下条件：对于p∈P中的每个像素点都有一个像素其中p和/>对称于l(ρ,θ)。但是，如上所述，在复杂的条件下，P是很难准确得到的。因此，可将此条件转化为其必要条件，从而简化问题。

步骤S3：计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度，具体公式为：

其中，x为i或/>y为j或/>f(x,y)是通过对目标模糊像素集M使用双线性插值得到，/>f(p)分别表示所述目标初始像素集C_inner中各位置处的像素p和所述模糊集/>中各位置处的像素/>的隶属度值，/>与p为关于l(ρ,θ)对称的两像素，θ为直线角度，ρ为直线截距，/>表示坐标(i,j)相对于对称线l(ρ,θ)的对称点，/>为对称点/>与坐标(i,j)的相似性程度。

步骤S4：根据相似性程度和欧几里得距离确定能量泛函，具体公式为：

其中，为欧几里得距离，/>为对称点/>与坐标(i,j)的相似性程度，ρ为直线截距，θ为直线角度，/>为能量泛函，x,y分别为某一像素点横纵坐标。

由于所以

其中，ρ为直线截距，θ为直线角度，为能量泛函，简写/>为欧几里得距离，/>为目标初始像素集C_inner中处于对称线l(ρ,θ)上半部分的像素点的集合，为目标初始像素集C_inner中处于对称线l(ρ,θ)下半部分的像素点的集合。

步骤S5：对所述能量泛函进行寻优求解，获得最优截距和最优角度，具体包括：

步骤S51：对所述能量泛函的求偏导数以及简化，具体公式为：

其中，Area(C_inner)为目标初始像素集C_inner的面积，和/>分别为目标初始像素集C_inner中像素点在对称线l(ρ,θ)两侧面积，/>和分别表示目标初始像素集C_inner中像素点在对称线l(ρ,θ)两侧的质心，θ为直线角度，/>为能量泛函，x,y分别为某一像素点横纵坐标，/>为目标初始像素集C_inner中处于对称线l(ρ,θ)上半部分的像素点的集合，/>为目标初始像素集C_inner中处于对称线l(ρ,θ)下半部分的像素点的集合，/>为和/>重心的曼哈顿距离与C_inner面积的乘积。

从理论上讲，能量泛函偏导对应的两不等式右侧接近于0即可得到极值点。然而，这两个不等式在不进行处理的情况下很难计算。由于图像分割结果复杂，在能量空间中分布不规则。不规则的分布也使ρ和θ的计算变得困难。因此，本发明将多变量复合系统转化为多个独立的单变量系统来实现系统的解耦。/>被划分为直线截距辅助单变量函数/>和直线角度辅助单变量函数/>即/>和/>可看作关于θ和ρ的辅助单变量函数，两者分别为θ和ρ的能量函数，可被用于计算能量极值点。

步骤S52：构建直线截距辅助单变量函数和直线角度辅助单变量函数具体公式为：

其中，为欧几里得距离，/>为对称点/>与坐标(i,j)的相似性程度，Area(C_inner)为目标初始像素集C_inner的面积，λ_ρ,θ为目标初始像素集C_inner中像素点在对称线l(ρ,θ)方向的宽度，/>为变量x^*的偏移量，x^*，y^*分别为通过对像素点横坐标x及像素点纵坐标y做上式变换获得的值，/>和/>分别为直线截距辅助单变量函数和直线角度辅助单变量函数，⊙为目标初始像素集C_inner所在像素点在对称线l(ρ,θ)方向上的最小外接矩形，length[C_inner⊙l(ρ,θ)]为所述最小外接矩形的长。

步骤S53：根据所述直线截距辅助单变量函数和所述直线角度辅助单变量函数/>构建最优求解公式，具体为：

其中，n和m分别为和/>的被触发的次数，E＝[x^*,0]，x^*和F_a分别表示由x^*和/>组成的向量，/>为/>在(ρ^k,θ^k)的值，ρ^k为迭代寻优中第k个直线截距，θ^k为迭代寻优中第k个直线角度，/>为角度迭代过程中第k个系数，/>为/>在(ρ^k,θ^k)的值，/>为截距迭代过程中第k个系数，为D^θ矩阵中(0,0)处元素值，eⁿ、e^m分别为自然常数的n及m次幂，λ_ρ,θ为目标初始像素集C_inner中像素点在对称线l(ρ,θ)方向的宽度，/>为/>和/>重心的曼哈顿距离。

步骤S54：根据所述最优求解公式对简化后的所述能量泛函进行寻优求解，获得最优截距和最优角度。具体的，当θ^k+1-θ^k≤TH_θ并且ρ^k+1-ρ^k≤TH_ρ时，寻优结束，获得最优截距和最优角度，其中，TH_θ>0，TH_ρ>0为需要人工设置的阈值。

步骤S6：根据所述最优截距和所述最优角度确定最优对称轴l(ρ^k,θ^k)。

步骤S7：根据所述最优对称轴对待分割图像进行目标识别分割，具体包括：

步骤S71：将目标初始像素集C_inner中关于最优对称轴l(ρ^k,θ^k)对称的像素点引入目标初始像素集C_inner，获得目标分割优化像素集

步骤S72：根据所述目标分割优化像素集对待分割图像进行目标识别分割。

本发明基于目标区域的像素点定义一个目标初始像素集，此部分目的不是完整分割，而是较为明确的区域的分割。使用目标初始像素集中像素点亮度，提取统计信息，用于模糊集的构建。模糊集合构建的目的在于将分割结果扩充到可能为目标的区域，每个像素点具有一个隶属度值，表示该像素点属于目标的程度。利用目标初始像素集及模糊集合，通过计算相似性程度及欧式距离确定能量泛函，能量泛函极值存在于目标对称轴所在直线。至此，分割任务将转化为函数寻优问题。基于寻优求解后的最优截距和最优角度对称直线可被定位，获得最优对称轴l(ρ^k,θ^k)，对于可用对称直线作为定位结果的任务即可实现准确定位，同时针对多对称轴问题，可通过在能量泛函空间寻找多极值实现多对称轴获取。

与现有技术相比，本发明的有益效果：

1)本发明在粗提取的目标初始像素集中提取目标模糊像素集，用于去除噪声，而后使用目标模糊像素集定义模糊集合，用于适应当前光照。因此方法具有优秀的光照鲁棒性。

2)充分利用目标的对称特性，可通过搜寻对称轴优化图像分割结果，因此对于对称目标具有更好的图像分割效果。

3)使用模糊集合的方法可以充分利用难以分辨是目标还是背景的像素点，此法同样有利于图像分割。

如图2所示，本发明还提供一种鲁棒机器视觉目标识别分割系统，所述系统包括：

目标初始像素集确定模块201，用于根据模板图像和测试图像确定目标初始像素集。

模糊集确定模块202，用于根据所述目标初始像素集中各像素点的亮度确定模糊集。

相似性程度确定模块203，用于计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度。

能量泛函确定模块204，用于根据所述相似性程度和欧几里得距离确定能量泛函。

最优参数确定模块205，用于对所述能量泛函进行寻优求解，获得最优截距和最优角度。

最优对称轴确定模块206，用于根据所述最优截距和所述最优角度确定最优对称轴。

目标识别分割模块207，用于根据所述最优对称轴对待分割图像进行目标识别分割。

作为一种实施方式，本发明所述目标初始像素集确定模块201，具体包括：

获取单元，用于获取模板图像和测试图像。

相似性度量图像计算单元，用于计算所述模板图像和所述测试图像的相似度，获得相似性度量图像。

二值图像确定单元，用于采用OTSU方法确定所述相似性度量图像的二值图像。

填充单元，用于采用形态学闭操作填充所述二值图像中目标区域的裂纹，获得目标初始像素集。

作为一种实施方式，本发明所述模糊集确定模块202，具体包括：

隶属度计算单元，用于根据S函数和所述目标初始像素集中各像素点的亮度计算隶属度。

目标模糊像素集确定单元，用于根据所述目标初始像素集中各像素点的隶属度确定目标模糊像素集。

模糊集确定单元，用于根据所述测试图像的颜色向量和目标模糊像素集确定模糊集。

作为一种实施方式，本发明所述最优参数确定模块205，具体包括：

简化单元，用于对所述能量泛函的求偏导数以及简化。

辅助单变量函数构建单元，用于构建直线截距辅助单变量函数和直线角度辅助单变量函数。

最优求解公式求解单元，用于根据所述直线截距辅助单变量函数和所述直线角度辅助单变量函数构建最优求解公式。

最优参数确定单元，用于根据所述最优求解公式对简化后的能量泛函进行寻优求解，获得最优截距和最优角度。

作为一种实施方式，本发明所述目标识别分割模块207，具体包括：

目标分割优化像素集确定单元，用于将所述目标初始像素集中关于最优对称轴对称的像素点引入所述目标初始像素集，获得目标分割优化像素集。

目标识别分割单元，用于根据所述目标分割优化像素集对待分割图像进行目标识别分割。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种鲁棒机器视觉目标识别分割方法，其特征在于，所述方法包括：

步骤S1：根据模板图像和测试图像确定目标初始像素集；

步骤S2：根据所述目标初始像素集中各像素点的亮度确定模糊集，具体包括：

步骤S21：根据S函数和所述目标初始像素集中各像素点的亮度计算隶属度，具体公式为：

C^h＝{F^h(i,j)|(i,j)∈C_inner}

其中，和/>分别为/>和条件下的两个S函数，C^h为亮度统计集合，/>和/>分别为C^h集合中亮度统计计算的第一个四分位数、第二个四分位数和第三个四分位数，/>h为图像通道，F^h(i,j)为测试图像F在h通道坐标(i,j)的值，x为亮度，μ_C(x,h)为目标初始像素集C_inner中各像素点的隶属度；

其中，a、b和c均为S函数的参数，利用目标初始像素集C_inner中的像素点的颜色特征来计算a、b和c，a为或/>b为/>或/>c为/>或/>

步骤S22：根据所述目标初始像素集中各像素点的隶属度确定目标模糊像素集M，具体公式为：

其中，m_i,j表示目标模糊像素集M中在坐标(i,j)处的模糊值，f_i,j为测试图像F在坐标(i,j)处的颜色向量，μ_C(F^h(i,j))为F^h(i,j)的隶属度值，表示F^h(i,j)属于目标的程度；

步骤S23：根据测试图像F的颜色向量和目标模糊像素集确定模糊集，具体公式为：

M＝{(f_i,j,F(f_i,j)}＝{(f_i,j,m_i,j}；

其中，M为模糊集，m_i,j和F(f_i,j)均为目标模糊像素集M中在坐标(i,j)处的模糊值，f_i,j为测试图像F在坐标(i,j)处的颜色向量；

步骤S3：计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度，具体公式为：

其中，C_inner为目标初始像素集，x为i或/>y为j或f(x,y)是通过对目标模糊像素集M使用双线性插值得到，/>f(p)分别表示所述目标初始像素集C_inner中各位置处的像素/>和所述模糊集M中各位置处的像素p的隶属度值，/>与p为关于l(ρ,θ)对称的两像素，θ为直线角度，ρ为直线截距，/>表示坐标(i,j)相对于最优对称线l(ρ,θ)的对称点，/>为对称点/>与坐标(i,j)的相似性程度；

步骤S4：根据所述相似性程度和欧几里得距离确定能量泛函；

步骤S5：对所述能量泛函进行寻优求解，获得最优截距和最优角度；

步骤S6：根据所述最优截距和所述最优角度确定最优对称轴；

步骤S7：根据所述最优对称轴对待分割图像进行目标识别分割。

2.根据权利要求1所述的一种鲁棒机器视觉目标识别分割方法，其特征在于，所述根据模板图像和测试图像确定目标初始像素集，具体包括：

步骤S11：获取模板图像和测试图像；

步骤S12：计算所述模板图像和所述测试图像的相似度，获得相似性度量图像；

步骤S13：采用OTSU方法确定所述相似性度量图像的二值图像；

步骤S14：采用形态学闭操作填充所述二值图像中目标区域的裂纹，获得目标初始像素集。

3.根据权利要求1所述的一种鲁棒机器视觉目标识别分割方法，其特征在于，所述对所述能量泛函进行寻优求解，获得最优截距和最优角度，具体包括：

步骤S51：对所述能量泛函的求偏导数以及简化；

步骤S52：构建直线截距辅助单变量函数和直线角度辅助单变量函数；

步骤S53：根据所述直线截距辅助单变量函数和所述直线角度辅助单变量函数构建最优求解公式；

步骤S54：根据所述最优求解公式对简化后的能量泛函进行寻优求解，获得最优截距和最优角度。

4.根据权利要求1所述的一种鲁棒机器视觉目标识别分割方法，其特征在于，所述根据所述最优对称轴对待分割图像进行目标识别分割，具体包括：

步骤S71：将所述目标初始像素集中关于最优对称轴对称的像素点引入所述目标初始像素集，获得目标分割优化像素集；

步骤S72：根据所述目标分割优化像素集对待分割图像进行目标识别分割。

5.一种鲁棒机器视觉目标识别分割系统，其特征在于，所述系统包括：

目标初始像素集确定模块，用于根据模板图像和测试图像确定目标初始像素集；

模糊集确定模块，用于根据所述目标初始像素集中各像素点的亮度确定模糊集，具体包括：

隶属度计算单元，用于根据S函数和所述目标初始像素集中各像素点的亮度计算隶属度，具体公式为：

C^h＝{F^h(i,j)(i,j)∈C_inner}

其中，和/>分别为/>和条件下的两个S函数，C^h为亮度统计集合，/>和/>分别为C^h集合中亮度统计计算的第一个四分位数、第二个四分位数和第三个四分位数，/>h为图像通道，F^h(i,j)为测试图像F在h通道坐标(i,j)的值，x为亮度，μ_C(x,h)为目标初始像素集C_inner中各像素点的隶属度；

其中，a、b和c均为S函数的参数，利用目标初始像素集C_inner中的像素点的颜色特征来计算a、b和c，a为或/>b为/>或/>c为/>或/>

目标模糊像素集确定单元，用于根据所述目标初始像素集中各像素点的隶属度确定目标模糊像素集，具体公式为：

其中，m_i,j表示目标模糊像素集M中在坐标(i,j)处的模糊值，f_i,j为测试图像F在坐标(i,j)处的颜色向量，μ_C(F^h(i,j))为F^h(i,j)的隶属度值，表示F^h(i,j)属于目标的程度；

模糊集确定单元，用于根据所述测试图像的颜色向量和目标模糊像素集确定模糊集，具体公式为：

M＝{(f_i,j,F(f_i,j)}＝{(f_i,j,m_i,j}；

其中，M为模糊集，m_i,j和F(f_i,j)均为目标模糊像素集M中在坐标(i,j)处的模糊值，f_i,j为测试图像F在坐标(i,j)处的颜色向量；

相似性程度确定模块，用于计算所述目标初始像素集中各位置处的像素和所述模糊集中各位置处的像素的相似性程度，具体公式为：

其中，C_inner为目标初始像素集，x为i或/>y为j或f(x,y)是通过对目标模糊像素集M使用双线性插值得到，/>f(p)分别表示所述目标初始像素集C_inner中各位置处的像素/>和所述模糊集M中各位置处的像素p的隶属度值，/>与p为关于l(ρ,θ)对称的两像素，θ为直线角度，ρ为直线截距，/>表示坐标(i,j)相对于最优对称线l(ρ,θ)的对称点，/>为对称点/>与坐标(i,j)的相似性程度；

能量泛函确定模块，用于根据所述相似性程度和欧几里得距离确定能量泛函；

最优参数确定模块，用于对所述能量泛函进行寻优求解，获得最优截距和最优角度；

最优对称轴确定模块，用于根据所述最优截距和所述最优角度确定最优对称轴；

目标识别分割模块，用于根据所述最优对称轴对待分割图像进行目标识别分割。

6.根据权利要求5所述的一种鲁棒机器视觉目标识别分割系统，其特征在于，所述目标初始像素集确定模块，具体包括：

获取单元，用于获取模板图像和测试图像；

相似性度量图像计算单元，用于计算所述模板图像和所述测试图像的相似度，获得相似性度量图像；

二值图像确定单元，用于采用OTSU方法确定所述相似性度量图像的二值图像；

填充单元，用于采用形态学闭操作填充所述二值图像中目标区域的裂纹，获得目标初始像素集。