利用机器视觉技术完成生产线上工件的检测与识别,能够有效地提高制造中的柔性化与智能化水平。目标识别与定位作为机器视觉的一个重要研究方向,其适应性和实时性是评判机器视觉系统性能的重要指标。目标识别的过程包括图像特征提取、特征匹配以及相似度或距离计算。在工业应用中,对目标识别算法的基本要求是能够适应目标的线性形变,即具有平移、旋转和尺度不变性,同时对实时性也具有较高要求。此外,由于某些工业现场环境恶劣,图像可能受到噪声的影响,因此目标识别算法的稳定性和鲁棒性也是重要指标。本文针对工业应用需求,提出了一种目标识别算法,在满足平移、旋转和尺度不变性的同时,对噪声和目标的非线性形变具有一定的适应能力。主要工作概括如下:首先,基于轮廓分段的思想,将识别算法分为粗匹配和精匹配两部分,形状间的相似度由这两部分的结果加权得到,识别算法对形状具有较好的全局和局部信息描述能力。其次,为了增强算法对噪声和非线性形变的适应能力,提出一种基于最小外接矩形的特征点提取方法,并以最小外接矩形的形心作为目标的中心,由此构造对形变具有较好鲁棒性的特征描述子。第三,为了加快匹配的速度,充分利用粗匹配中的扩展编辑距离矩阵和轮廓点的顺序信息,从总体上得到不同轮廓段之间的匹配关系,精匹配只需在匹配的轮廓段间进行,减少了匹配次数,加快了算法总体的运行速度。第四,完成了目标识别后,以目标形状的最小外接矩形中心作为位置信息,采用匹配相似度最高的轮廓段计算旋转角度,得到目标的定位信息。实验证明,本文算法的适应性和实时性满足一般工业应用的要求,可应用于飞行打标系统中。