CN114842212B - 一种快速的多目标多角度模板匹配方法 - Google Patents

一种快速的多目标多角度模板匹配方法 Download PDF

Info

Publication number
CN114842212B
CN114842212B CN202210412978.3A CN202210412978A CN114842212B CN 114842212 B CN114842212 B CN 114842212B CN 202210412978 A CN202210412978 A CN 202210412978A CN 114842212 B CN114842212 B CN 114842212B
Authority
CN
China
Prior art keywords
workpiece
template
image
gradient
target
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.)
Active
Application number
CN202210412978.3A
Other languages
English (en)
Other versions
CN114842212A (zh
Inventor
孙炜
覃业宝
刘权利
刘乃铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202210412978.3A priority Critical patent/CN114842212B/zh
Publication of CN114842212A publication Critical patent/CN114842212A/zh
Application granted granted Critical
Publication of CN114842212B publication Critical patent/CN114842212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种快速的多目标多角度模板匹配方法，包括：S1对模板图像和待匹配图像分别进行预处理；S2分别对模板图像和待匹配图像检测并提取包含工件的轮廓；S3将模板图像和待匹配图像包含工件的轮廓旋转至同一角度，并裁剪出最小外接矩形大小的工件区域，将模板图像中裁剪出的工件区域作为模板工件，将待匹配图像中裁剪出的工件区域作为目标工件；S4分别计算模板工件和目标工件中所有像素点的梯度强度；S5对所有梯度强度进行非极大值抑制和滞后阈值处理，剔除无效的梯度强度；S6根据归一化互相关方法，将模板工件与所有目标工件逐个进行匹配。本发明仅需一张模板图像能实时检测待匹配图像中具有多角度的多个目标工件，提升了匹配定位效率。

Description

一种快速的多目标多角度模板匹配方法
技术领域
本发明属于机器视觉领域，尤其涉及一种可应用于激光打标的快速多目标多角度模板匹配方法。
背景技术
激光打标是利用高能量密度的激光对工件进行局部照射，使表层材料汽化或发生颜色变化，从而留下永久性标记的一种技术。激光打标技术目前被广泛应用于智能制造和生产加工等行业。
模板匹配是根据模板到待匹配图像中寻找与模板相似的物体，从而对目标物体进行定位的方法。激光打标尤其依赖对目标工件的准确定位，因而模板匹配在激光打标应用中起着重要的作用。
目前，大多数模板匹配方法都存在鲁棒性差，速度慢，无法适用于多目标多角度同时检测的情形。而且由于待匹配图像中目标工件会产生不同角度的旋转，这对模板匹配带来了巨大的困难。目前对于多角度的模板匹配问题，大都是逐角度生成一系列模板图像集，在进行模板匹配时，分别使用模板图像集中的每个子图像对待匹配图像进行匹配，这样不仅过程繁琐，而且十分耗时，极大地限制了模板匹配技术的广泛应用。
对此，本发明提出并实现了一种能够快速对多个角度的多个工件同时进行模板匹配的多目标多角度模板匹配方法。
发明内容
发明目的：为解决上述问题，提高激光打标系统中关键技术模板匹配方法的鲁棒性、速度和适用于实时检测多目标多角度情形的能力，提高激光打标的效率，本发明提出了一种快速的多目标多角度模板匹配方法。
技术方案：本发明提出了一种快速的多目标多角度模板匹配方法，该方法包括如下步骤：
(1)对模板工件图像和待匹配工件图像分别进行预处理，预处理过程包括将彩色图转换成灰度图，滤波和分割处理；
(2)分别检测并提取(1)中模板工件图像和待匹配工件图像包含的所有工件的轮廓；
(3)分别将模板工件图像和待匹配工件图像中所有工件的轮廓旋转至同一角度；
(4)分别检测(3)中模板工件图像和待匹配工件图像中包含工件的最小外接矩形，并以最小外接矩形的大小裁剪出所有已经旋转至同一角度的工件，将从模板工件图像中裁剪出的包含一个工件的唯一工件区域图作为模板工件，将从待匹配工件图像中裁剪出的包含一个工件的多个工件区域图作为目标工件；
(5)分别计算(4)中模板工件和所有目标工件中所有像素点X和Y方向的梯度值，最后根据X和Y方向的梯度值，计算每个像素点的梯度强度和梯度方向；
(6)对(5)中的梯度强度进行处理，以剔除无效的梯度强度；
(7)将模板工件与所有目标工件逐个进行匹配，计算模板工件与目标工件的相似度，若该相似度大于设定阈值，则认为匹配成功，反之，匹配失败。
进一步的，步骤(1)的具体实现方法如下：输入一张包含且仅包含一个工件的彩色图像作为模板工件图像，另输入一张包含一个或多个工件的彩色图像作为待匹配工件图像，先将模板工件图像和待匹配工件图像转换成灰度图像，然后进行滤波处理和对图像中不均匀光照区域进行优化处理，最后将灰度图转换成二值图像，分割出图像背景和工件。
进一步的，步骤(2)的具体实现方法如下：分别检测并提取(1)中模板工件图像和待匹配工件图像包含的所有工件的轮廓，并剔除无效轮廓。
进一步的，步骤(3)的具体实现方法如下：首先将模板工件图像和待匹配工件图像进行边界扩充，以防止工件旋转后超出原有边界，然后检测模板工件图像和待匹配工件图像包含的所有工件的最小外接矩形，最后以最小外接矩形的中心作为旋转中心，将所有工件轮廓旋转至同一角度，将多角度的工件转换成同一个角度。
进一步的，步骤(4)的具体实现方法如下：分别检测模板工件图像和待匹配工件图像中所有已经旋转至同一角度的工件的最小外接矩形，并以最小外接矩形的大小裁剪出所有已经旋转至同一角度的工件，将从模板工件图像中裁剪出的包含一个工件的唯一工件区域图作为模板工件，将从待匹配工件图像中裁剪出的包含一个工件的多个工件区域图作为目标工件。
进一步的，步骤(5)的具体实现方法如下：分别计算模板工件和所有目标工件中所有像素点X和Y方向的梯度，按以下公式计算梯度强度：
其中，Gx和Gy分别为X和Y方向的梯度，Magnitude为梯度强度；
按以下公式计算梯度方向Direction：
将所有梯度方向离散成0、45、90和135度四个梯度方向以提高最终模板匹配的速度。
进一步的，步骤(6)的具体实现方法如下：按以下方式分别确定模板工件和目标工件中的所有像素点的邻域左右两点的梯度强度：
根据图像中第i行第j列像素点的梯度方向确定该像素点的左邻域点和右邻域点的梯度强度对应的坐标(x1,y1)和(x2,y2)，取对应坐标的梯度强度作为左邻域点和右邻域点的梯度强度M(x1,y1)和M(x2,y2)；
①若该像素点的梯度方向为0度，则
②若该像素点的梯度方向为45度，则
③若该像素点的梯度方向为90度，则
④若该像素点的梯度方向为135度，则
分别将模板工件和目标工件的所有像素点的梯度强度与邻域左右两点的梯度强度进行比较，若该像素点的梯度强度都大于邻域左右两点的梯度强度，则保留该像素点的梯度强度，否则，该像素点的梯度强度设置为0，即完成非极大值抑制处理；
分别将模板工件和目标工件的所有像素点的梯度强度与滞后阈值处理中预先设定的第一阈值和第二阈值进行比较，若该梯度强度大于第一阈值，则该像素点的梯度强度保留，若小于第二阈值，则将该像素点的梯度强度设置为0；若该梯度强度小于第一阈值且大于第二阈值，则将该梯度强度与八邻域点的梯度强度进行比较，若该梯度强度都大于八邻域点的梯度强度，则保留该像素点的梯度强度，否则，该像素点的梯度强度设置为0；所述第一阈值大于第二阈值。
进一步的，步骤(7)的具体实现方法如下：将模板工件与所有目标工件逐个进行匹配，通过步骤(1)～(6)，得到如下信息：
其中，i＝1～n，n为模板工件有效轮廓点数，Pi T为模板工件有效轮廓点中的第i个点，和Yi T分别为模板工件有效轮廓点中的第i个点在模板工件图像的X和Y方向的坐标值，Gi T为模板工件有效轮廓点中的第i个点的梯度，/>和/>分别为模板工件有效轮廓点中的第i个点在X和Y方向的梯度；
其中，为目标工件图像在点(u,v)的梯度，/>和/>分别为目标工件图像中点(u,v)在X和Y方向的梯度，u＝1～Rows，Rows为每个目标工件图像的行数，v＝1～Cols，Cols为每个目标工件图像的列数；
按如下公式计算模板工件与目标工件的相似性度量分数S(u,v)：
其中，n为模板工件有效轮廓点数，和/>分别为模板工件有效轮廓点中的第i个点在X和Y方向的梯度，/>和/>分别为目标工件的中心(u,v)与模板工件中心重合时，第i个模板工件轮廓点对应的目标工件中轮廓点(u+Xi,y+Yi)在X和Y方向梯度；
若计算出S(u,v)满足以下公式：
S(u,v)＞Smin
即该目标工件中心点对应的相似性度量分数S(u,v)大于设定阈值Smin，则认为匹配成功；否则，匹配失败。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明方法采用将所有工件全部旋转至同一角度，而不是逐角度生成多个模板进行旋转匹配的想法，提高了对多角度目标检测定位的速度。同时本发明方法技术方案中将所有工件旋转至同一角度的方法可保证同一镜像的工件旋转后，姿态保持一致，这有利于避免对镜像工件的误检测，且因为本发明方法是基于边缘信息的模板匹配方法，本发明方法对于光照的鲁棒性明显增强，对反光工件的检测定位取得较好的效果。
本发明方法不仅对于光照良好的图像取得了预期的模板匹配效果，而且对于多目标多角度的反光工件的检测定位也取得了很好的匹配效果，能够满足实际的生产应用需求。
附图说明
图1是本发明系统流程图；
图2是本发明旋转至同一角度后的非镜像工件和镜像工件姿态差异示例图；图中同一角度取水平角度，但并不限于水平角度；
图3是本发明实施例1模板匹配效果图；
图4是本发明实施例2模板匹配效果图；
图5是本发明实施例3模板匹配效果图；
图6是本发明实施例4模板匹配效果图；
其中图2～图5中以白色细轮廓表示的工件为模板工件，以灰色粗轮廓表示的工件为模板工件经平移变换后的工件，以白色粗轮廓表示的工件为模板工件经平移旋转变换后的工件。当模板工件通过模板匹配得到的旋转平移矩阵进行平移旋转变换后能够与目标工件重合时，说明模板工件与该目标工件得到了较好的匹配。
具体实施方式
下面结合附图和具体实施方案对发明技术作进一步详细描述，所描述的具体实施例子仅对本发明进行解释说明，并不用以限制本发明。
本发明提出一种快速的多目标多角度模板匹配方法，该方法包括如下步骤：
(1)对模板工件图像和待匹配工件图像分别进行预处理，预处理过程包括将彩色图转换成灰度图，滤波和分割处理；
(2)分别检测并提取(1)中模板工件图像和待匹配工件图像包含的所有工件的轮廓；
(3)分别将模板工件图像和待匹配工件图像中所有工件的轮廓旋转至同一角度；
(4)分别检测(3)中模板工件图像和待匹配工件图像中包含工件的最小外接矩形，并以最小外接矩形的大小裁剪出所有已经旋转至同一角度的工件，将从模板工件图像中裁剪出的包含一个工件的唯一工件区域图作为模板工件，将从待匹配工件图像中裁剪出的包含一个工件的多个工件区域图作为目标工件；
(5)分别计算(4)中模板工件和所有目标工件中所有像素点X和Y方向的梯度值，最后根据X和Y方向的梯度值，计算每个像素点的梯度强度和梯度方向；
(6)对(5)中的梯度强度进行处理，以剔除无效的梯度强度；
(7)将模板工件与所有目标工件逐个进行匹配，计算模板工件与目标工件的相似度，若该相似度大于设定阈值，则认为匹配成功，反之，匹配失败。
步骤(1)的具体实现方法如下：输入一张包含且仅包含一个工件的彩色图像作为模板工件图像，另输入一张包含一个或多个工件的彩色图像作为待匹配工件图像，先将模板工件图像和待匹配工件图像转换成灰度图像，然后进行滤波处理和对图像中不均匀光照区域进行优化处理，最后将灰度图转换成二值图像，分割出图像背景和工件。
步骤(2)的具体实现方法如下：分别检测并提取(1)中模板工件图像和待匹配工件图像包含的所有工件的轮廓，并剔除无效轮廓。
步骤(3)的具体实现方法如下：首先将模板工件图像和待匹配工件图像进行边界扩充，以防止工件旋转后超出原有边界，然后检测模板工件图像和待匹配工件图像包含的所有工件的最小外接矩形，最后以最小外接矩形的中心作为旋转中心，将所有工件轮廓旋转至同一角度，将多角度的工件转换成同一个角度。
步骤(4)的具体实现方法如下：分别检测模板工件图像和待匹配工件图像中所有已经旋转至同一角度的工件的最小外接矩形，并以最小外接矩形的大小裁剪出所有已经旋转至同一角度的工件，将从模板工件图像中裁剪出的包含一个工件的唯一工件区域图作为模板工件，将从待匹配工件图像中裁剪出的包含一个工件的多个工件区域图作为目标工件。
步骤(5)的具体实现方法如下：分别计算模板工件和所有目标工件中所有像素点X和Y方向的梯度，按以下公式计算梯度强度：
其中，Gx和Gy分别为X和Y方向的梯度，Magnitude为梯度强度；
按以下公式计算梯度方向Direction：
将所有梯度方向离散成0、45、90和135度四个梯度方向以提高最终模板匹配的速度。
步骤(6)的具体实现方法如下：按以下方式分别确定模板工件和目标工件中的所有像素点的邻域左右两点的梯度强度：
根据图像中第i行第j列像素点的梯度方向确定该像素点的左邻域点和右邻域点的梯度强度对应的坐标(x1,y1)和(x2,y2)，取对应坐标的梯度强度作为左邻域点和右邻域点的强度M(x1,y1)和M(x2,y2)；
①若该像素点的梯度方向为0度，则
②若该像素点的梯度方向为45度，则
③若该像素点的梯度方向为90度，则
④若该像素点的梯度方向为135度，则
分别将模板工件和目标工件的所有像素点的梯度强度与邻域左右两点的梯度强度进行比较，若该像素点的梯度强度都大于邻域左右两点的梯度强度，则保留该像素点的梯度强度，否则，该像素点的梯度强度设置为0，即完成非极大值抑制处理；
分别将模板工件和目标工件的所有像素点的梯度强度与滞后阈值处理中预先设定的第一阈值和第二阈值进行比较，若该梯度强度大于第一阈值，则该像素点的梯度强度保留，若小于第二阈值，则将该像素点的梯度强度设置为0；若该梯度强度小于第一阈值且大于第二阈值，则将该梯度强度与八邻域点的梯度强度进行比较，若该梯度强度都大于八邻域点的梯度强度，则保留该像素点的梯度强度，否则，该像素点的梯度强度设置为0；所述第一阈值大于第二阈值。
步骤(7)的具体实现方法如下：将模板工件与所有目标工件逐个进行匹配，通过步骤(1)～(6)，得到如下信息：
其中，i＝1～n，n为模板工件有效轮廓点数，Pi T为模板工件有效轮廓点中的第i个点，和Yi T分别为模板工件有效轮廓点中的第i个点在模板工件图像的X和Y方向的坐标值，Gi T为模板工件有效轮廓点中的第i个点的梯度，/>和/>分别为模板工件有效轮廓点中的第i个点在X和Y方向的梯度；
其中，为目标工件图像在点(u,v)的梯度，/>和/>分别为目标工件图像中点(u,v)在X和Y方向的梯度，u＝1～Rows，Rows为每个目标工件图像的行数，v＝1～Cols，Cols为每个目标工件图像的列数；
按如下公式计算模板工件与目标工件的相似性度量分数S(u,v)：
其中，n为模板工件有效轮廓点数，和/>分别为模板工件有效轮廓点中的第i个点在X和Y方向的梯度，/>和/>分别为目标工件的中心(u,v)与模板工件中心重合时，第i个模板工件轮廓点对应的目标工件中轮廓点(u+Xi,y+Yi)在X和Y方向梯度；
若计算出S(u,v)满足以下公式：
S(u,v)＞Smin
即该目标工件中心点对应的相似性度量分数S(u,v)大于设定阈值Smin，则认为匹配成功；否则，匹配失败。
本发明基于Qt5软件平台并采用C++和OpenCV4.4库来实现；硬件平台采用Windows10操作系统(1.30GHz Intel(R)Core(TM)i7-1065G7 CPU)。
实施例1
从图3可以看出，模板工件通过该模板匹配方法得到的旋转平移矩阵进行平移旋转变换后，能够与所有目标工件基本重合，说明该模板匹配方法可以将多个不同角度的目标工件同时检测出来，具备多目标多角度模板匹配的能力。
实施例2
从图4可以看出，该模板匹配方法可以将多个不同角度的目标工件同时检测出来，且进行模板匹配时，该方法能够根据旋转至同一角度后的镜像工件与非镜像工件位姿的差异，自动识别出镜像工件，说明该模板匹配方法在具备多目标多角度模板匹配能力的同时，对工件发生镜像的情况具有良好的鲁棒性。
实施例3
从图5可以看出，该模板匹配方法可以将多个不同角度的目标工件同时检测出来，且进行模板匹配时，能够自动识别出镜像工件，说明该模板匹配方法在具备多目标多角度模板匹配能力的同时，对工件发生镜像的情况具有良好的鲁棒性。
实施例4
从图6可以看出，针对工件反光，致使工件前景与黑色背景对比度急剧下降的情况，该方法依然能够准确地将所有目标工件检测出来，说明该模板匹配方法对工件反光的情况具有良好的鲁棒性。

Claims (6)

1.一种快速的多目标多角度模板匹配方法，其特征在于，该方法包括如下步骤：
(1)对模板工件图像和待匹配工件图像分别进行预处理，预处理过程包括将彩色图转换成灰度图，滤波和分割处理；
(2)分别检测并提取(1)中模板工件图像和待匹配工件图像包含的所有工件的轮廓；
(3)分别将模板工件图像和待匹配工件图像中所有工件的轮廓旋转至同一角度；
(4)分别检测(3)中模板工件图像和待匹配工件图像中包含工件的最小外接矩形，并以最小外接矩形的大小裁剪出所有已经旋转至同一角度的工件，将从模板工件图像中裁剪出的包含一个工件的唯一工件区域图作为模板工件，将从待匹配工件图像中裁剪出的包含一个工件的多个工件区域图作为目标工件；
(5)分别计算(4)中模板工件和所有目标工件中所有像素点X和Y方向的梯度值，最后根据X和Y方向的梯度值，计算每个像素点的梯度强度和梯度方向；
(6)对(5)中的梯度强度进行处理，以剔除无效的梯度强度；
(7)将模板工件与所有目标工件逐个进行匹配，计算模板工件与目标工件的相似度，若该相似度大于设定阈值，则认为匹配成功，反之，匹配失败；
步骤(6)的具体实现方法如下：按以下方式分别确定模板工件和目标工件中的所有像素点的邻域左右两点的梯度强度：
根据图像中第i行第j列像素点的梯度方向确定该像素点的左邻域点和右邻域点的梯度强度对应的坐标(x1,y1)和(x2,y2)，取对应坐标的梯度强度作为左邻域点和右邻域点的梯度强度M(x1,y1)和M(x2,y2)；
①若该像素点的梯度方向为0度，则
②若该像素点的梯度方向为45度，则
③若该像素点的梯度方向为90度，则
④若该像素点的梯度方向为135度，则
分别将模板工件和目标工件的所有像素点的梯度强度与邻域左右两点的梯度强度进行比较，若该像素点的梯度强度都大于邻域左右两点的梯度强度，则保留该像素点的梯度强度，否则，该像素点的梯度强度设置为0，即完成非极大值抑制处理；
分别将模板工件和目标工件的所有像素点的梯度强度与滞后阈值处理中预先设定的第一阈值和第二阈值进行比较，若该梯度强度大于第一阈值，则该像素点的梯度强度保留，若小于第二阈值，则将该像素点的梯度强度设置为0；若该梯度强度小于第一阈值且大于第二阈值，则将该梯度强度与八邻域点的梯度强度进行比较，若该梯度强度都大于八邻域点的梯度强度，则保留该像素点的强度，否则，该像素点的强度设置为0；所述第一阈值大于第二阈值；
步骤(7)的具体实现方法如下：将模板工件与所有目标工件逐个进行匹配，通过步骤(1)～(6)，得到如下信息：
其中，i＝1～n，n为模板工件有效轮廓点数，Pi T为模板工件有效轮廓点中的第i个点，和Yi T分别为模板工件有效轮廓点中的第i个点在模板工件图像的X和Y方向的坐标值，Gi T为模板工件有效轮廓点中的第i个点的梯度，/>和/>分别为模板工件有效轮廓点中的第i个点在X和Y方向的梯度；
其中，为目标工件图像在点(u,v)的梯度，/>和/>分别为目标工件图像中点(u,v)在X和Y方向的梯度，u＝1～Rows，Rows为每个目标工件图像的行数，v＝1～Cols，Cols为每个目标工件图像的列数；
按如下公式计算模板工件与目标工件的相似性度量分数S(u,v)：
其中，n为模板工件有效轮廓点数，和/>分别为模板工件有效轮廓点中的第i个点在X和Y方向的梯度，GxS (u+Xi,v+Yi)和/>分别为目标工件的中心(u,v)与模板工件中心重合时，第i个模板工件轮廓点对应的目标工件中轮廓点(u+Xi,y+Yi)在X和Y方向梯度；
若计算出S(u,v)满足以下公式：
S(u,v)＞Smin
即该目标工件中心点对应的相似性度量分数S(u,v)大于设定阈值Smin，则认为匹配成功；否则，匹配失败。
2.根据权利要求1所述的一种快速的多目标多角度模板匹配方法，其特征在于，步骤(1)的具体实现方法如下：输入一张包含且仅包含一个工件的彩色图像作为模板工件图像，另输入一张包含一个或多个工件的彩色图像作为待匹配工件图像，先将模板工件图像和待匹配工件图像转换成灰度图像，然后进行滤波处理和对图像中不均匀光照区域进行优化处理，最后将灰度图转换成二值图像，分割出图像背景和工件。
3.根据权利要求1所述的一种快速的多目标多角度模板匹配方法，其特征在于，步骤(2)的具体实现方法如下：分别检测并提取(1)中模板工件图像和待匹配工件图像包含的所有工件的轮廓，并剔除无效轮廓。
4.根据权利要求1所述的一种快速的多目标多角度模板匹配方法，其特征在于，步骤(3)的具体实现方法如下：首先将模板工件图像和待匹配工件图像进行边界扩充，以防止工件旋转后超出原有边界，然后检测模板工件图像和待匹配工件图像包含的所有工件的最小外接矩形，最后以最小外接矩形的中心作为旋转中心，将所有工件轮廓旋转至同一角度，将多角度的工件转换成同一个角度。
5.根据权利要求1所述的一种快速的多目标多角度模板匹配方法，其特征在于，步骤(4)的具体实现方法如下：分别检测模板工件图像和待匹配工件图像中所有已经旋转至同一角度的工件的最小外接矩形，并以最小外接矩形的大小裁剪出所有已经旋转至同一角度的工件，将从模板工件图像中裁剪出的包含一个工件的唯一工件区域图作为模板工件，将从待匹配工件图像中裁剪出的包含一个工件的多个工件区域图作为目标工件。
6.根据权利要求1所述的一种快速的多目标多角度模板匹配方法，其特征在于，步骤(5)的具体实现方法如下：分别计算模板工件和所有目标工件中所有像素点X和Y方向的梯度，按以下公式计算梯度强度：
其中，Gx和Gy分别为X和Y方向的梯度，Magnitude为梯度强度；
按以下公式计算梯度方向Direction：
将所有梯度方向离散成0、45、90和135度四个梯度方向以提高最终模板匹配的速度。
CN202210412978.3A 2022-04-19 2022-04-19 一种快速的多目标多角度模板匹配方法 Active CN114842212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210412978.3A CN114842212B (zh) 2022-04-19 2022-04-19 一种快速的多目标多角度模板匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210412978.3A CN114842212B (zh) 2022-04-19 2022-04-19 一种快速的多目标多角度模板匹配方法

Publications (2)

Publication Number Publication Date
CN114842212A CN114842212A (zh) 2022-08-02
CN114842212B true CN114842212B (zh) 2024-06-25

Family

ID=82565373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210412978.3A Active CN114842212B (zh) 2022-04-19 2022-04-19 一种快速的多目标多角度模板匹配方法

Country Status (1)

Country Link
CN (1) CN114842212B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117911732A (zh) * 2024-03-19 2024-04-19 中船黄埔文冲船舶有限公司 一种机器人打磨规则模板匹配方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654902A (zh) * 2012-01-16 2012-09-05 江南大学 基于轮廓向量特征的嵌入式实时图像匹配方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8774510B2 (en) * 2012-09-11 2014-07-08 Sharp Laboratories Of America, Inc. Template matching with histogram of gradient orientations
CN108256394B (zh) * 2016-12-28 2020-09-25 中林信达（北京）科技信息有限责任公司 一种基于轮廓梯度的目标跟踪方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654902A (zh) * 2012-01-16 2012-09-05 江南大学 基于轮廓向量特征的嵌入式实时图像匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的LED划片机定位技术研究;叶小奇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115;I138-2714 *

Also Published As

Publication number Publication date
CN114842212A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN107220995A (zh) 一种基于orb图像特征的icp快速点云配准算法的改进方法
CN111401449B (zh) 一种基于机器视觉的图像匹配方法
JPH06333054A (ja) 映像内の目標パターン探知方式
CN114842212B (zh) 一种快速的多目标多角度模板匹配方法
CN109190616A (zh) 一种基于特征识别的热轧钢板在线视觉跟踪算法
Mu et al. A novel Shi-Tomasi corner detection algorithm based on progressive probabilistic hough transform
CN113989308B (zh) 一种基于霍夫变换与模板匹配的多边形目标分割方法
CN109345571B (zh) 一种基于扩展高斯图像的点云配准方法
CN114387329A (zh) 基于高分遥感影像的建筑物轮廓递进式规则化方法
CN112419224B (zh) 一种球形引脚芯片定位方法及系统
Dong et al. Superpixel-based local features for image matching
CN116958101A (zh) 锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端
CN114492681B (zh) 应用电子设备识别彩印包装图案方法及其计算机视觉系统
Koutaki et al. Fast and high accuracy pattern matching using multi-stage refining eigen template
Hu et al. Multivariate positioning and dimension measurement technology based on template matching
Hu et al. Research on improvement of stereo matching algorithm based on ELAS
CN113658166B (zh) 一种基于网格模型的点云缺陷检测方法和装置
Wang et al. A fast quantity and position detection method based on monocular vision for a workpieces counting and sorting system
CN116309758B (zh) 一种基于OpenCV的线激光图像自动对齐方法及终端设备
CN114758161B (zh) 图像目标匹配定位方法、存储介质和计算机
Li et al. Character Recognition for Automotive Parts Coding Based on Convolutional Neural Network
Todd Advanced vision systems for computer-integrated manufacture Part I
CN117893607A (zh) 基于仿真结构光图像的焊缝识别方法及装置
Chenwei Target Workpiece Recognition and Localization Based on Monocular Vision
CN106951810B (zh) 一种基于ewma模型的汉信码定位方法

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
GR01 Patent grant