论文部分内容阅读
Linemod-2D算法是以边缘点的梯度方向作为匹配特征,其优点是匹配速度快,但匹配精度很低,难以满足高精度的工业应用。本文针对其在特征提取、角度量化和匹配策略等存在的不足进行改进,并采用最小二乘平差法对匹配位置进行校正,从而提出基于改进Linemod-2D的形状匹配算法(即本文算法)。对于特征提取的不足,本文提出Zernike矩对特征点的梯度方向和位置进行亚像素校正,以获得更高精度的特征点。并对其特征提取策略进行改进,提出网格化提取方式,相比与Linemod-2D原算法,其特征点分布更加均匀、更具代表性。对于角度量化的不足,本文提出将量化方向拓展到16个,从而提高量化方向的区分度。对于匹配策略的不足,本文提出粗、精匹配相结合的策略。在图像金字塔的上层(底层以上),采用改进的Linemod-2D进行快速的粗匹配。在图像金字塔底层,本文提出新的匹配策略进行精匹配,其角度量化为360个。最后,为了进一步提高算法的匹配精度,本文采用最小二乘平差法对匹配位置进行校正,最终得到亚像素级的匹配位置和精确的旋转角度。实验研究结果表明,在光照变化、噪声干扰和部分遮挡等条件的影响下,相比于原算法,其稳定性都有提高。在基于刚性变换图像的测试中,本文算法的定位精度高于CkVisionBuilder、MIL10.0的形状匹配算法,接近Halcon的形状匹配算法。同时,本文算法的重复定位精度优于CkVisionBuilder、MIL10.0的形状匹配算法,接近Halcon的形状匹配算法。另一方面,本文算法的匹配效率与Halcon、MIL10.0的形状匹配算法接近,优于CkVisionBuilder的形状匹配算法。大型的墨盒生产已经实现自动化,但在载盘运输墨盒时会有墨水洒落载盘上,进而形成污渍。对于这一问题,富士康的产线上已经采用机器视觉技术检测载盘的墨滴污渍。目前,在现有检测系统中,其图像配准部分采用Halcon的匹配算法,但是该算法的建模部分非常耗时,无法满足产线对实时性要求。基于此,提出将本文算法应用于检测系统的图像配准。为了验证本文算法的可行性,实验将采集墨盒载盘图像测试配准算法的匹配精度、匹配速度和建模速度。由实验结果可知,在匹配精度方面,本文算法的匹配精度比CkVisionBuilder的形状匹配算法高15.51%、比MIL10.0的形状匹配算法高15.11%、比Halcon的形状匹配算法略高6.76%。在匹配和建模的耗时方面,本文算法建模和匹配的总耗时比CkVisionBuilder的形状匹配算法少48.06%、比MIL10.0形状匹配算法少40.57%、比Halcon的形状匹配算法少82.06%。因此,本文算法具有良好匹配精度和实时性,可以应用于污渍检测系统的图像配准。