CN114943752A - 一种基于曲率特征描述的自适应轮廓模板识别配准方法 - Google Patents

Abstract

本发明公开了一种基于曲率特征描述的自适应轮廓模板识别配准方法,对待识别的轮廓建立特征描述，寻找对应点；计算其与模板轮廓的平移、旋转、缩放矩阵R、T、S，依据该矩阵将待识别轮廓转换到模板轮廓坐标系下，计算两个轮廓之间的差异性并以此判断待识别的工件是否为目标工件。该方法是通过计算待识别轮廓与模板轮廓对应点之间的欧式距离及其平均值E、方差D，来判断待识别轮廓与模板轮廓的相似性，由数值D控制了轮廓与模板之间在外形上的差异程度，E控制了轮廓与模板之间在尺寸上的差异程度，将数值D与E相结合来完成对平面型工件或者近似平面型的识别，提高对毛胚型工件的识别定位的准确性。

Description

一种基于曲率特征描述的自适应轮廓模板识别配准方法

技术领域

本发明涉及计算机图像处理及配准领域，尤其是一种基于曲率特征描述的自适应轮廓模板识别配准方法。

背景技术

图像配准就是将不同时间、不同传感器或不同条件下获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。图像配准方法主要分为三个主要类别：基于灰度信息法、变换域法和基于特征法，其中基于特征法又可以根据所用的特征属性的不同而细分为若干类别。

基于特征的匹配方法的共同之处是首先要对待配准图像进行预处理，也就是图像分割和特征提取的过程，再利用提取得到的特征完成两幅图像特征之间的匹配，通过特征的匹配关系建立图像之间的配准映射关系。由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法。常用到的图像特征有：特征点(包括角点、高曲率点等)直线段、边缘、轮廓、闭合区域、特征结构以及统计特征如矩不变量、重心等等。

基于特征的配准，其能将整个图像的各种分析转化为图像特征的分析，大大压缩了图像信息的数据量，同时保持了图像的平移、旋转等方面的特征，相比于其他方法速度快，鲁棒性好。

在工业自动化上下料领域，为了提高自动化抓取上下料的智能程度，普遍使用3D视觉，并对图像进行配准，来完成对工件的识别定位，引导机器人实现上下料的自动化生产任务。在3D视觉识别定位技术领域中一般采用迭代最近点算法(Iterative ClosestPoint,ICP)及各种变种ICP算法。但是在处理平面型工件或者近似平面型的工件时常常会出现识别错误及配准错误的情况。同时在对毛胚型工件进行识别定位时，由于工件本身一致性较差，会进一步提高识别配准的难度。

发明内容

本发明的目的是针对上述现有技术的不足，而提供一种基于曲率特征描述的自适应轮廓模板识别配准方法，以解决平面型或者近似平面型毛胚件的识别定位问题。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于曲率特征描述的自适应轮廓模板识别配准方法，包括如下步骤：

(1)建立模板轮廓：建立目标工件的上表面轮廓模板，其轮廓点集P，具体表示为P＝{p₁,p₂,...,p_n},其中n为轮廓点数；

(2)提取轮廓：对待识别工件进行扫描，根据得到的点云数据提取上表面轮廓，得到对应的待识别轮廓点；

(3)轮廓点去噪重采样：对步骤(2)提取到的所有轮廓点进行多边形拟合，并对其进行固定数量的轮廓点等距填充，以使其与模板轮廓的轮廓点数相同，得到待识别轮廓点集Q，具体表示为Q＝{q₁,q₂,...,q_n}；

(4)特征点描述：计算步骤(3)中得到的轮廓点各个顶点的曲率ρ_n，依次对该轮廓进行高斯平滑，计算轮廓点在不同高斯核下的曲率，对每个轮廓点进行曲率特征描述：V_Q＝{ρ₁,ρ₂,...,ρ_n}；以轮廓特征描述的相似性作为判断标准，寻找最优匹配序列，得到待识别轮廓与模板轮廓的一一对应点；

(5)计算平移、旋转、缩放矩阵：根据步骤(4)寻找到的轮廓对应点，计算待识别轮廓与模板轮廓的旋转矩阵R、平移矩阵T和缩放矩阵S；

(6)计算差异性和相似性：依据步骤(5)计算得到的旋转矩阵R,平移矩阵T和缩放矩阵S，将待识别轮廓转换到模板轮廓的坐标系下，计算待识别轮廓与模板轮廓对应点之间的差异性和相似性,并以此判断待识别工件是否为目标工件。

在本发明另一个实施例中，所述步骤(3)中对轮廓点进行多边形拟合是采用Douglas-Peucker算法实现的。

在本发明另一个实施例中，所述步骤(3)中对轮廓进行固定数量的轮廓点等距填充的方法如下：根据模板轮廓的轮廓点数n确定采样长度l＝L/n，其中L为原始轮廓长度，遍历轮廓顶点进行采样，在满足采样长度条件处插入新的三维轮廓点。

在本发明另一个实施例中，所述步骤(4)中寻找最优匹配序列是依据轮廓点有序连续的特点采用Needleman-Wunsch算法实现的。

在本发明另一个实施例中，所述步骤(5)中旋转矩阵R、平移矩阵T和缩放矩阵S的计算过程如下：

计算旋转矩阵R：

①、对模板轮廓点集P＝{p₁,p₂,...,p_n}和待识别轮廓点集Q＝{q₁,q₂,...,q_n}的旋转矩阵R、平移矩阵T构建数学模型：

其中，a_i表示每个点对之前的权重；

②、对点集P、Q去中心化及协方差矩阵SVD分解求P、Q中心值μ_A、μ_B：

③、将点集P、Q去中心化，转换为点集P'、Q'：

P'＝{p′₁,p'₂,...,p'_n} Q'＝{q′₁,q'₂,...,q'_n}

其中：p'_i＝{p_i-μ_A} q'_i＝{q_i-μ_B}

④、计算协方差矩阵H：

⑤、对矩阵H进行SVD分解为矩阵U、Σ、V，得到旋转矩阵R：

R＝VU^T

计算缩放矩阵S：首先分别计算点集合P、Q中所有点连成的线，则线段个数均为：n*(n-1)/2，再计算所有线段的Ld阶长度，然后将两集合中所有对应线段的长度相除，分别得到对应的缩放系数，去除过短的线段和异常的缩放系数，剩下的取平均即可得到缩放系数的估计值s，则缩放矩阵表示为：

计算偏移矩阵T：T＝-sR×μ_A+μ_B。

在本发明另一个实施例中，待识别轮廓点集s2与模板轮廓点集s1的转换关系为：P＝T·R·S·Q。

在本发明另一个实施例中，所述步骤(6)中，计算待识别轮廓与模板轮廓对应点之间的差异性过程如下：

首先计算各对应点之间的欧式距离d_n，对应的数据集为D_P-Q：

d_n＝p_n-q_n D_P-Q＝{d₁,d₂,...,d_n}

再计算D_P-Q的平均值E及其方差D，则待识别轮廓与模板轮廓的相似性为：S_P-Q＝w₁E+w₂D，其中，w₁和w₂为两个参数的权重。

本发明的有益效果是：本发明基于曲率特征描述的自适应轮廓模板识别配准方法首先建立目标物体的上表面轮廓模板，依据待识别工件的点云，提取上表面轮廓；对轮廓点进行多边形拟合以去除小的轮廓边缘噪声；然后对轮廓进行固定数量的轮廓点等距填充使其与模板的轮廓点数相同。对轮廓建立特征描述，寻找对应点。计算其与模板轮廓的平移、旋转、缩放矩阵R、T、S，依据该矩阵对待识别轮廓转换到模板轮廓坐标系下，计算两个轮廓之间的差异性并以此判断待识别的工件是否为目标工件。

该方法是通过计算待识别轮廓与模板轮廓对应点之间的欧式距离及其平均值E、方差D，来判断待识别轮廓与模板轮廓的相似性，由数值D控制了轮廓与模板之间在外形上的差异程度。E控制了轮廓与模板之间在尺寸上的差异程度。

将数值D与E相结合来完成对平面型工件或者近似平面型的识别，提高对毛胚型工件的识别定位的准确性。

附图说明

图1是本发明基于曲率特征描述的自适应轮廓模板识别配准方法的流程图；

图2是本发明实施例的模板轮廓图；

图3本发明实施例待识别工件的点云图；

图4是本发明实施例待识别轮廓图；

图5是本发明实施例待识别轮廓重采样后的轮廓图；

图6是本发明实施例待识别轮廓与模板轮廓的匹配图。

具体实施方式

为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

如图1所示为本发明基于曲率特征描述的自适应轮廓模板识别配准方法的流程图，由图可知，该方法包括如下步骤：

(1)建立模板轮廓：建立目标工件的上表面轮廓模板，其轮廓点集P，具体表示为P＝{p₁,p₂,...,p_n},其中n为轮廓点数，如图2所示。

(2)提取轮廓：对待识别工件进行扫描，根据得到的点云数据提取上表面轮廓，得到对应的待识别轮廓点；

利用3D相机对待识别工件进行扫描，获取的点云如图3所示，对该点云图进行处理，提取其上表面轮廓，得到待识别轮廓图，如图4所示。

(3)轮廓点去噪重采样：对步骤(2)提取到的所有轮廓点进行多边形拟合，并对其进行固定数量的轮廓点等距填充，以使其与模板轮廓的轮廓点数相同，得到待识别轮廓点集Q，具体表示为Q＝{q₁,q₂,...,q_n}；

对上一步骤提取到的轮廓点使用Douglas-Peucker算法进行多边形拟合，以降低轮廓点数量，去除小的轮廓边缘噪声。然后，对轮廓进行固定数量的轮廓点等距填充使其与模板的轮廓点数相同，具体方法如下：根据模板轮廓点数n确定采样长度l＝L/n，其中L为待识别轮廓的原始轮廓长度，遍历轮廓顶点进行采样，在满足采样长度条件处插入新的三维轮廓点。再次过程中，需调整轮廓点顺序，统一为顺时针或逆时针。重采样后的轮廓图如图5所示。

(4)特征点描述：计算步骤(3)中得到的轮廓点各个顶点的曲率ρ_n，依次对轮廓进行高斯平滑，计算轮廓点在不同高斯核下的曲率，对每个轮廓点进行曲率特征描述：V_Q＝{ρ₁,ρ₂,...,ρ_n}；依据轮廓点有序连续的特点采用Needleman-Wunsch算法，以轮廓特征描述的相似性作为判断标准，寻找最优匹配序列，得到待识别轮廓与模板轮廓的对应点。待识别轮廓与模板轮廓的匹配图如图6所示。

(5)计算平移、旋转、缩放矩阵：根据步骤(4)寻找到的轮廓对应点，计算待识别轮廓(如图5所示)与模板轮廓(如图2所示)的旋转矩阵R、平移矩阵T和缩放矩阵S，具体过程如下：

计算旋转矩阵R：

①、对模板轮廓点集P＝{p₁,p₂,...,p_n}和待识别轮廓点集Q＝{q₁,q₂,...,q_n}的旋转矩阵R、平移矩阵T构建数学模型：

其中，a_i表示每个点对之前的权重；

②、对点集P、Q去中心化及协方差矩阵SVD分解求P、Q中心值μ_A、μ_B：

③、将点集P、Q去中心化，转换为点集P'、Q'：

P'＝{p′₁,p'₂,...,p'_n} Q'＝{q′₁,q'₂,...,q'_n}

其中：p'_i＝{p_i-μ_A} q'_i＝{q_i-μ_B}

④、计算协方差矩阵H：

⑤、对矩阵H进行SVD分解为矩阵U、Σ、V(通用算法)，得到旋转矩阵R：

R＝VU^T

计算缩放矩阵S：首先分别计算点集合P、Q中所有点连成的线，则线段个数均为：n*(n-1)/2，再计算所有线段的Ld阶长度，然后将两集合中所有对应线段的长度相除，分别得到对应的缩放系数，去除过短的线段和异常的缩放系数，剩下的取平均即可得到缩放系数的估计值s，则缩放矩阵表示为：

计算偏移矩阵T：T＝-sR×μ_A+μ_B。

则待识别轮廓点集P与模板轮廓点集Q的转换关系为：P＝T·R·S·Q。

(6)计算差异性和轮廓相似性：依据步骤(5)计算得到的旋转矩阵R,平移矩阵T和缩放矩阵S，将待识别轮廓转换到模板轮廓的坐标系下，计算待识别轮廓与模板轮廓对应点之间的差异性和相似性,并以此判断待识别工件是否为目标工件。

由于使用Needleman-Wunsch算法找到的只是两个待识别匹配的轮廓的最优的对应点对序列，以此并不能很好的确定轮廓是否为目标轮廓，因此求得两个轮廓点对的转换矩阵后，依据上一步骤计算得到的旋转矩阵R,平移矩阵T和缩放矩阵S,将待识别轮廓转换到模板轮廓的坐标系下，计算各对应点之间的欧式距离d_n，对应的数据集为D_P-Q：

d_n＝p_n-q_n D_P-Q＝{d₁,d₂,...,d_n}

再计算D_P-Q的平均值E及其方差D，则待识别轮廓与模板轮廓的相似性为：S_P-Q＝w₁E+w₂D，其中，w₁和w₂为两个参数的权重，该数值根据实际情况进行调整。将S_P-Q与相似性设定值S_设进行比较，若S_P-Q的值小于等于S_设，则判定待识别的工件是目标工件；若S_P-Q的值大于S_设，则判定待识别的工件不是目标工件。

在该方法中，由数值D控制了待识别轮廓与模板轮廓之间在外形上的差异程度，E控制了待识别轮廓与模板轮廓之间在尺寸上的差异程度。将数值D与E相结合来完成对平面型工件或者近似平面型的识别，大大提高了对毛胚型工件的识别定位的准确性。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均包括在本发明的专利保护范围内。

Claims (7)

1.一种基于曲率特征描述的自适应轮廓模板识别配准方法，其特征在于，包括如下步骤：

(1)建立模板轮廓：建立目标工件的上表面轮廓模板，其轮廓点集P，具体表示为P＝{p₁,p₂,...,p_n},其中n为轮廓点数；

(2)提取轮廓：对待识别工件进行扫描，根据得到的点云数据提取上表面轮廓，得到对应的待识别轮廓点；

(3)轮廓点去噪重采样：对步骤(2)提取到的所有轮廓点进行多边形拟合，并对其进行固定数量的轮廓点等距填充，以使其与模板轮廓的轮廓点数相同，得到待识别轮廓点集Q，具体表示为Q＝{q₁,q₂,...,q_n}；

(4)特征点描述：计算步骤(3)中得到的轮廓点各个顶点的曲率ρ_n，依次对该轮廓进行高斯平滑，计算轮廓点在不同高斯核下的曲率，对每个轮廓点进行曲率特征描述：V_Q＝{ρ₁,ρ₂,...,ρ_n}；以轮廓特征描述的相似性作为判断标准，寻找最优匹配序列，得到待识别轮廓与模板轮廓的一一对应点；

(5)计算平移、旋转、缩放矩阵：根据步骤(4)寻找到的轮廓对应点，计算待识别轮廓与模板轮廓的旋转矩阵R、平移矩阵T和缩放矩阵S；

(6)计算差异性和相似性：依据步骤(5)计算得到的旋转矩阵R,平移矩阵T和缩放矩阵S，将待识别轮廓转换到模板轮廓的坐标系下，计算待识别轮廓与模板轮廓对应点之间的差异性和相似性,并以此判断待识别工件是否为目标工件。

2.根据权利要求1所述的基于曲率特征描述的自适应轮廓模板识别配准方法，其特征在于，所述步骤(3)中对轮廓点进行多边形拟合是采用Douglas-Peucker算法实现的。

3.根据权利要求2所述的基于曲率特征描述的自适应轮廓模板识别配准方法，其特征在于，所述步骤(3)中对轮廓进行固定数量的轮廓点等距填充的方法如下：根据模板轮廓的轮廓点数n确定采样长度l＝L/n，其中L为原始轮廓长度，遍历轮廓顶点进行采样，在满足采样长度条件处插入新的三维轮廓点。

4.根据权利要求2或3所述的基于曲率特征描述的自适应轮廓模板识别配准方法，其特征在于，所述步骤(4)中寻找最优匹配序列是依据轮廓点有序连续的特点采用Needleman-Wunsch算法实现的。

5.根据权利要求4所述的基于曲率特征描述的自适应轮廓模板识别配准方法，其特征在于，所述步骤(5)中旋转矩阵R、平移矩阵T和缩放矩阵S的计算过程如下：

计算旋转矩阵R：

①、对模板轮廓点集P＝{p₁,p₂,...,p_n}和待识别轮廓点集Q＝{q₁,q₂,...,q_n}的旋转矩阵R、平移矩阵T构建数学模型：

其中，a_i表示每个点对之前的权重；

②、对点集P、Q去中心化及协方差矩阵SVD分解求P、Q中心值μ_A、μ_B：

③、将点集P、Q去中心化，转换为点集P'、Q'：

P'＝{p′₁,p'₂,...,p'_n}Q'＝{q′₁,q'₂,...,q'_n}

其中：p'_i＝{p_i-μ_A}q'_i＝{q_i-μ_B}

④、计算协方差矩阵H：

⑤、对矩阵H进行SVD分解为矩阵U、Σ、V，得到旋转矩阵R：

R＝VU^T

计算缩放矩阵S：首先分别计算点集合P、Q中所有点连成的线，则线段个数均为：n*(n-1)/2，再计算所有线段的Ld阶长度，然后将两集合中所有对应线段的长度相除，分别得到对应的缩放系数，去除过短的线段和异常的缩放系数，剩下的取平均即可得到缩放系数的估计值s，则缩放矩阵表示为：

计算偏移矩阵T：T＝-sR×μ_A+μ_B。

6.根据权利要求5所述的基于曲率特征描述的自适应轮廓模板识别配准方法，其特征在于，待识别轮廓点集P与模板轮廓点集Q的转换关系为：P＝T·R·S·Q。

7.根据权利要求6所述的基于曲率特征描述的自适应轮廓模板识别配准方法，其特征在于，所述步骤(6)中，计算待识别轮廓与模板轮廓对应点之间的差异性过程如下：

首先计算各对应点之间的欧式距离d_n，对应的数据集为D_P-Q：

d_n＝p_n-q_n D_P-Q＝{d₁,d₂,...,d_n}

再计算D_P-Q的平均值E及其方差D，则待识别轮廓与模板轮廓的相似性为：S_P-Q＝w₁E+w₂D，其中，w₁和w₂为两个参数的权重。

Images