机器视觉系统是一个十分新颖,并服务于各个领域的现代技术,而且迅速在许多领域具有广阔的应用前景而备受关注。其主要是由图像获取和图像处理两部分组成。它主要研究的是对视觉系统采集到的目标或者图像进行分析与处理,从而满足实际应用的需求。在机器视觉系统领域,人们已经进行了大量的研究并获得了丰厚的研究成果。但在不同的复杂应用场景中,依然面临着几个主要的挑战,它们分别是视觉系统的标定、采集图像所处的复杂背景、光照不均以及目标遮挡等问题。如何对机器人视觉系统进行标定以及在采集的图像中检测出我们需要的目标或类别,并且检测识别的结果不受目标位置、视角和光线强弱的影响已经成为目前研究的热点。围棋机器人是世界上最流行的棋类机器人之一,Alpha Go的出现也激发了人们对于人工智能的热情。目前,关于围棋机器人视觉系统的研究很少。实际上,这些研究大多数集中在国际象棋领域。此外,视觉系统应该能够对检测区域中的目标做出快速响应。但是,在实际应用中,某些棋盘所处的特定环境可能会影响检测结果。而基于深度学习的方法对计算能力要求很高,因此可能不是最佳的解决方案。无论是否存在过度拟合的问题,深度学习模型的准确性通常都会随着模型大小的增加而增加,这将不可避免地降低处理速度。因此,本文提出了一种基于机器视觉的围棋机器人视觉系统算法研究,设计了用于视觉系统标定和棋盘棋子检测识别的方法:首先用分水岭分割,简单几何变换及霍夫变换等算法对围棋机器人视觉系统进行标定;其次使用图像校正,霍夫变换,模板匹配对棋盘棋子实现鲁棒的目标识别,最后将其与当今流行的几种卷积神经网络(Convolutional Neural Network)进行对比并得出结论。本文的主要贡献总结如下:(1)基于分水岭分割算法。目前,大部分的图像分割算法只能分割出棋盘,而无法分割出棋盘边界线以内的区域。并且图像所处的环境复杂多变,传统的分水岭分割算法非常容易出现受到噪声的直接影响而产生过度分割的现象,导致其在后续的分割过程和结果中可能会出现大量细小的分割区域,影响最终的分割处理效果。因此,本文提出了一种基于分水岭分割的改进算法,能有效解决上述问题,并能够精确定位棋盘边界,这对实时应用至关重要。(2)本文提出了投影变换结合霍夫变换进行棋盘格角点检测,并构建棋盘参考模型进行角点匹配。首先对分水岭分割后获得的棋盘边界去计算棋盘四个顶角坐标,其次利用投影变换将棋盘以外的复杂背景去除,利用霍夫变换精确地检测出棋盘中所有的棋盘线并标记出361个棋盘角点的位置。最后定义一个参考模型,然后预测参考图像中线与线的交点,并将输入图像中的角点映射到参考模型上,并保留匹配正确的角点。(3)最后,对输入的棋盘形变图像进行校正并对校正后的图像去除噪声。其次,利用霍夫变换检测游戏开始时棋盘上的空行。然后使用模板圆匹配对棋盘线交叉点周围的圆进行定位。对于每个交叉点,计算它周围的平均亮度值并确定一个好的阈值来识别棋子的颜色。最后本文设计构造了几种流行的卷积神经网络模型,并将其与本文的方法进行了比较,验证了本文算法的优越性。