一种用于具有拐角点特征的产品分拣的机器视觉识别方法

摘要

本发明公开了一种用于具有拐角点特征的产品分拣的机器视觉识别方法，包括步骤：对已知产品的图像轮廓进行Freeman链码编码，用Freeman链码对拐角点检测，计算所有拐角点的拐角点特征三维列向量，再对拐角点特征三维列向量排序，将向量序列作为已知产品向量序列；对待分拣对象的图像轮廓进行Freeman链码编码，用Freeman链码对拐角点检测，计算所有拐角点的拐角点特征三维列向量，再对拐角点特征三维列向量排序，将向量序列作为待分拣对象的向量序列；最后对已知产品的向量序列和待分拣对象的向量序列进行判断，完成机器视觉的识别。该方法用链码来简化表示已知产品和待分拣对象的形状，后续计算量小，所提取的向量序列具有缩放、旋转不变性，能够实现正确识别，算法简单。

主权项

1.一种用于具有拐角点特征的产品分拣的机器视觉识别方法，其特征在于，该方法包括以下步骤：（1）、利用工业摄像机对流水线上的已知产品进行拍摄，得到已知产品的图像，对图像进行滤波、分割、二值化处理后，得到已知产品的二值图像，对二值图像中已知产品轮廓进行八方向Freeman链码编码得到Freeman链码，其中，是Freeman链码的起始点像素坐标，为已知产品轮廓的像素点数目，为已知产品轮廓上像素点的索引值，为点链码值；（2）、使用基于差别累加值及三点链码差的图像曲线拐角点检测方法来检测链码中的拐角点，依次为检测到的每一个拐角点设置拐角点索引值，拐角点索引值从0开始，计算每个拐角点的像素坐标，记为，其中，为拐角点索引值，其具体如下：（2-1）、按照Freeman链码编码顺序逐点计算差别累加值：，其中为曲线像素点的索引值，为差别累加值，为相邻点的差别值，为间隔两个点的差别值；所述的，当时，；当时，；当时，；所述的，当时，；时，；当时，；其中是点链码值；（2-2）、根据差别累加值将图像曲线上所有的点分为拐角点、非拐角点和可疑点：当第个点的差别累加值时为拐角点；当第个点的差别累加值时为非拐角点；当第个点的差别累加值时为可疑点；（2-3）、计算步骤（2-2）可疑点的三点链码差：，其中为点的三点链码差，为点的三点链码和；所述的，其中为点的绝对链码值，为点前一个点的绝对链码值，为点前两个点的绝对链码值，；所述的，其中，为点的相对链码值；为点前一个点的绝对链码值，，当时，；所述的，当时，；当时，；其中，是点链码值；为对中括号内的数值或表达式进行模8运算；（2-4）、将可疑点的三点链码差与阈值进行比较，当三点链码差大于阈值时，此点为拐角点，当三点链码差小于或等于阈值时此点为非拐点；所述的阈值为36；将本步骤得到的拐角点与步骤（2-2）得到的拐角点按照链码编码的先后顺序进行合并，得到所有拐角点；（2-5）、按照链码编码的先后顺序为所有的拐角点设置拐角点索引值，；记拐角点索引值为的拐角点对应的像素点的索引值为，其像素坐标记为，其表达式为：（1）所述的为步骤（1）得到的Freeman链码中起始点的像素坐标，为方向像素坐标的偏移值，为方向像素坐标的偏移值，为点链码值，其中：时，；时，；时，；时，；时，；时，；时，；时；（3）、分别计算已知产品轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值，其中，为拐角点索引值；由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值构成一个已知产品的拐角点特征三维列向量；（4）、对由步骤（3）中得到的所有拐角点特征三维列向量进行排序，排序后的向量序列作为已知产品向量序列，记为，将已知产品向量序列存储在用于识别和分拣控制的计算机中，所述的为已知产品的拐角点数目；（5）、利用工业摄像机对流水线上的待分拣对象进行拍摄，得到待分拣对象的图像，对图像进行滤波、分割、二值化处理后，得到待分拣对象的二值图像，对二值图像中待分拣对象轮廓进行八方向Freeman链码编码得到Freeman链码，其中，是Freeman链码的起始点像素坐标，为待分拣对象轮廓的像素点数目，为已知产品轮廓上像素点的索引值，为点链码值，为表示待分拣对象的记号；（6）、使用基于差别累加值及三点链码差的图像曲线拐角点检测方法来检测链码中的拐角点，依次为检测到的每一个拐角点设置拐角点索引值，拐角点索引值从0开始，计算每个拐角点的像素坐标，记为，其中，为拐角点索引值，其具体如下：（6-1）、按照Freeman链码编码顺序逐点计算差别累加值：，其中为曲线像素点的索引值，为差别累加值，为相邻点的差别值，为间隔两个点的差别值；所述的，当时，；当时，；当时，；所述的，当时，；时，；当时，；其中是中点链码值；（6-2）、根据差别累加值将图像曲线上所有的点分为拐角点、非拐角点和可疑点：当第个点的差别累加值时为拐角点；当第个点的差别累加值时为非拐角点；当第个点的差别累加值时为可疑点；（6-3）、计算步骤（6-2）可疑点的三点链码差：，其中为点的三点链码差，为点的三点链码和；所述的，其中为点的绝对链码值，为点前一个点的绝对链码值，为点前两个点的绝对链码值，；所述的，其中，为点的相对链码值；为点前一个点的绝对链码值，，当时，；所述的，当时，；当时，；其中，是点链码值；为对中括号内的数值或表达式进行模8运算；（6-4）、将可疑点的三点链码差与阈值进行比较，当三点链码差大于阈值时，此点为拐角点，当三点链码差小于或等于阈值时此点为非拐点；所述的阈值为36；将本步骤得到的拐角点与步骤（6-2）得到的拐角点按照链码编码的先后顺序进行合并，得到所有拐角点；（6-5）、按照链码编码的先后顺序为所有的拐角点设置拐角点索引值，，记拐角点索引值为的拐角点对应的像素点的索引值为，其像素坐标记为，其表达式为：（11）所述的为步骤（5）得到的Freeman链码中起始点的像素坐标，为方向像素坐标的偏移值，为方向像素坐标的偏移值，为点链码值，其中：时，；时，；时，；时，；时，；时，；时，；时，；（7）、分别计算待分拣对象轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值，其中，为拐角点索引值；由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值构成一个待分拣对象的拐角点特征三维列向量；（8）、对由步骤（7）中得到的所有拐角点特征三维列向量进行排序，排序后的向量序列作为待分拣对象向量序列，记为，所述的为待分拣对象的拐角点数目；（9）、对已知产品的向量序列和待分拣对象的向量序列进行判断，完成机器视觉的识别。