一种基于视觉的连接器表面特征自动识别方法

摘要

本发明涉及了一种基于视觉的连接器表面特征自动识别方法。本方法采集基准图像和实测图像，然后使用伪Zernike矩对基准图像和实测图像的特征计算不变矩特征向量距离，然后采用鲁棒的SIFT特征匹配算法提供严密的相似特征，最后将伪Zernkie距离系数同SIFT匹配系数一起构成线性可分的二维特征向量，最后对特征向量进行分类，得出相似/不相似的结果。本发明基于视觉的手段，对连接器的表面特征进行非接触的自动识别，适应了连接器质量管控中自动化的发展要求，克服了由打标设备的误差造成的特征差异，在连接器自动化视觉检测方面具有良好的应用前景。

主权项

一种基于视觉的连接器表面特征自动识别方法，其特征在于，过程为：采集基准图像和实测图像，然后使用伪Zernike矩对基准图像和实测图像的特征计算不变矩特征向量距离，然后采用鲁棒的SIFT特征匹配算法提供严密的相似特征，最后将伪Zernkie距离系数同SIFT匹配系数一起构成线性可分的二维特征向量，最后对特征向量进行分类，得出相似或者不相似的结果，具体如下：第一步：采集基准图像和实测图像利用工业CCD设备采集具有指定特征的样品图像作为基准图像，实测图像指实际待检产品的图像，设采集到的基准图像和实测图像分别为G(x,y)和G′(x,y)；第二步：计算基准图像和实测图像的不变矩特征向量不变矩是图像特征识别中的常用评价指标，即通过提取具有仿射不变的图像特征，采用Zernike矩、伪Zernike矩进行图像相似度的评价，Zernike矩及伪Zernike矩的定义如下：Zernike矩是在一组正交矩，重复率为m的n阶Zernike矩定义为：$A_{nm}=\frac{n+1}{\pi }{\int }_0^{2\pi }{\int }_0^1{R}_{nm}\left(r\right)e^{-jm\theta }f(r,\theta )rdrd\theta ---\left(1\right)$其中，f(r,θ)是灰度图像的极坐标表达函数，r为映射到单位圆内的灰度图像坐标(x,y)在极坐标系下的距离参数，θ为映射到单位圆内的灰度图像坐标(x,y)在极坐标系下的角度参数，伪Zernike不变矩中的基由极坐标(r,θ),|r|＜1表示，在二维离散空间中，需要将图像坐标(i,j),i,j＝0,1,2...N‑1映射到单位圆内，将其映射到单位圆内的公式为：$A_{nm}=\frac{n+1}{\pi }\underset{x=0}{\overset{N-1}{\Sigma }}\underset{y=0}{\overset{M-1}{\Sigma }}{R}_{nm}\left(r_{xy}\right)e^{-{\mathrm{jl\theta }}_{xy}}g\left(x,y\right)---\left(8\right)$用于特征识别的不变矩为式(8)所表示的伪Zernike矩的模|A_nm|，由于高阶矩中的图像信息更多，因此本方法中采用6,7,8,9,10阶不变矩[|A_6,0| |A_7,1| |A_8,0| |A_9,1| |A_10,0|]作为粗筛选的特征向量，在本步中对基准图像和实测图像进行二值分割，得到特征表达区域的二值影像，记基准图像和实测图像的二值化影像分别为GB(x,y)和GB′(x,y)，按照式(8)计算GB(x,y)和GB′(x,y)的高阶伪Zernike不变矩组成的特征向量A＝(|A_6,0| |A_7,0| |A_8,0| |A_9,0| |A_10,0|)，A′＝[|A_6,0′| |A_7,0′| |A_8,0′| |A_9,0′| |A_10,0′|]；第三步：计算不变矩匹配系数δ以不变矩特征向量的欧式距离作为相似度距离评判标准，公式如下式：δ＝||A₁‑A₂||           (9)其中，A₁＝[|A_6,0| |A_7,1| |A_8,0| |A_9,1| |A_10,0|]表示基准图像的伪Zernike不变矩特征向量，A₂＝[|A′_6,0| |A′_7,1| |A′_8,0| |A′_9,1| |A′_10,0|]表示实测图像的伪Zernike不变矩特征向量，将该欧式距离作为评判标准同设定的初筛选阈值K₁进行比较，若小于阈值，则认为特征相似，否则认为特征不相似，计算特征向量A同A′的欧氏距离δ，将其作为不变矩匹配系数，并同设定的初筛选阈值K₁比较，对大于或等于初筛选阈值K₁的样本直接判为不相似，结束本次特征识别过程，对于小于初筛选阈值K₁的样本进入下一步，第四步：计算SIFT特征匹配系数φ对基准图像和实测图像进行SIFT特征提取后，以128维特征向量之间的欧式距离作为同名点匹配的相似度准则对特征点进行匹配，获取基准图像和实测图像的同名点对，仿射变换如下式：$\left[\begin{array}{ccc}{x}^{\prime }& y^{\prime }& 1\end{array}\right]=\left[\begin{array}{ccc}x& y& 1\end{array}\right]\left[\begin{array}{ccc}{H}_{11}& H_{21}& 0\\ H_{12}& H_{22}& 0\\ H_{13}& H_{23}& 1\end{array}\right]---\left(10\right)$在得到n对同名点后，可解算出上式的仿射变换系数，将匹配点转换到统一的坐标系后，计算出同名点的平均距离σ，为了增强不同特征的可分性，将匹配点数考虑进来，构建如下的匹配系数：$\left\{\begin{array}{cc}\gamma =10\frac{\sigma }{n}& n\ge 3\\ \gamma =1000& n<3\end{array}\right.---\left(11\right)$上式表明，匹配系数与匹配点数成反比，与同名点距离中误差成正比，匹配点数小于3对的时候，将匹配系数赋为一个大值，结合实际影像的特点将该大值设为1000；第五步：分类器判定相似或者不相似按照式(9)和式(11)取不变矩匹配系数δ和SIFT匹配系数γ构成二维的特征向量(δ，φ)，利用线性判别函数进行分类得出相似和不相似的结果，完成基准图像与实测图像的特征识别过程。