一种基于Adaboost和模板匹配的车门限位器检测方法技术

本发明专利技术提供了一种基于Adaboost和模板匹配的车门限位器检测方法，包括利用Adaboost分类器对待测车门限位器的图片中的螺母特征进行识别与定位；根据待测车门限位器的图片中螺母特征的定位结果以及待测车门限位器的图片的上螺母与字符特征之间的位置关系，初步对待测车门限位器图片上的字符区域进行粗定位；利用双重迭代法制作字符的最佳模板库，同时求得模板匹配的最佳阈值；提取待测车门限位器图片和模板的边缘特征，利用改进的快速模板匹配方法识别这些字符，完成待测车门限位器检测与识别的几个步骤；提升了车门限位器检测的检测速度和正确率。

A Detection Method of Door Limiter Based on Adaboost and Template Matching

The invention provides a detection method of door limiter based on Adaboost and template matching, which includes using Adaboost classifier to recognize and locate the nut features in the picture of door limiter, according to the positioning results of nut features in the picture of door limiter to be tested and the position relationship between the nut and character features in the picture of door limiter to be tested, and preliminary analysis. Rough positioning of character areas on the vehicle threshold image is carried out; the optimal template library of characters is made by double iteration method, and the optimal threshold of template matching is obtained; the edge features of the vehicle threshold image and template are extracted, and these characters are recognized by improved fast template matching method, which completes several steps of detection and recognition of the vehicle threshold. The detection speed and accuracy of the door limiter are also discussed.

【技术实现步骤摘要】
一种基于Adaboost和模板匹配的车门限位器检测方法
本专利技术属于工业零件检测
，具体涉及一种基于Adaboost和模板匹配的车门限位器检测方法。
技术介绍
传统的工业零件检测与识别方法是依靠人工肉眼观察来判断零件是否出现错误等情况，短时间内这或许会有着极大的准确度，但随着现代工厂的大规模化生产，长时间的工作下人眼不可避免得会产生疲劳，从而使得准确度大幅下降，己经没法满足目前的工业生产需求，而近年来计算机技术、人工智能和模式识别等技术得到了大力发展以及广泛应用，这些技术也渗透到了工业生产行业，在这种背景下，基于机器视觉的工业零件检测与识别技术应运而生。目前，国内外基于机器视觉的工业零件检测主要以基于模板匹配的识别方法和基于统计模式的识别方法为主。模板匹配方法也称近邻法，是模式识别非参数中最重要的方法，也是最常用的方法，广泛用于字符检测和识别算法，它具有算法简单、分类直观、计算快速、易于理解与实现的特点。模板匹配的方法大致可以分为三类：第一类是基于灰度图像的模板匹配方法，第二类是基于特征的模板匹配方法，第三类是基于对图像理解和解释的匹配方法。现阶段国内外对模板匹配的研究重点主要在匹配的速度和精度上，已研究较多的方法也集中在前两类匹配方法上。第一类基于灰度图像的模板匹配方法是将一幅图像作为模板并通过逐像素比较的方法搜索模板在另一幅图像上的对应位置的过程。由于模板提供的图像信息更加完整，基于灰度图像的模板匹配算法能比基于特征的模板匹配算法更好地适应弱特征、图像噪声和成像模糊等不利因素。但是对于一些实时图像匹配任务或是存在严重噪声和灰度畸变干扰的异源图像匹配任务，现有的模板匹配算法往往还存在运行效率慢，不做预处理时可靠性不足等问题。因此研究计算速度快、可靠性好的模板匹配算法具有非常重要的意义。第二类基于特征的模板匹配包括全局不变特征和局部不变特征的模板匹配。由于全局不变特征不容易获取以及无法区分前景和背景，利用全局不变特征的算法很少被使用。图像的局部不变特征是指在图像的视角变化、旋转变化、尺度变换、光照变化、图像模糊和图像压缩等各种变换下保持不变的局部特征。基于局部不变特征的图像匹配的计算复杂度较基于灰度相关的算法有所降低，抗噪抗干扰能力较强。目前基于局部特征的模板匹配算法以其较高的鲁棒性而被广泛应用，该算法主要包括特征检测和特征描述两个方面。目前特征检测领域中广泛使用的方法有Harris仿射法，Hessian仿射法，MSER法，DOG法，IBR法，EBR法等。综合分析以上几种特征检测算法的性能，然后是特征描述，对于特征检测得到的区域，使用局部不变特征描述子进行特征描述。其中最经典的局部不变特征描述子有SIFT和DAISY描述子，而MROGH，MRRID，LIOP和HRI-CSLTP描述子是近年来研究最为热门和最受关注的描述子。第三类基于统计模式的识别算法需要建立样本库，然后通过一系列的方法提取样本特征，最后利用机器学习的方法训练分类器，最终完成识别过程。该算法相比于模板匹配算法的优势是具有很好的鲁棒性。
技术实现思路
为解决上述现有技术中存在的技术问题，本专利技术提供了一种基于Adaboost和模板匹配的车门限位器检测方法，本方法不同于传统工业零件检测中的模板匹配方法，而是先用前向光源对车门限位器照明后采集车门限位器图片，再利用Adaboost训练得到的分类器对车门限位器上的螺母进行定位与识别，然后利用车门限位器上螺母与字符的位置关系对车门限位器上字符特征进行粗定位，在粗定位的基础上提取车门限位器上字符特征的边缘信息，最后采用改进的快速模板匹配方法识别车门限位器类型，对应方法很好的解决了因车门限位器上有镂空字符而难以检测到字符信息从而难以判断车门限位器类型的问题。本专利技术解决其技术问题是通过以下技术方案实现的：.一种基于Adaboost和模板匹配的车门限位器检测方法，包括以下步骤：步骤S1、采集待车门限位器的图片，利用Adaboost分类器对采集的车门限位器图片中的螺母进行识别与定位；步骤S2、根据所述步骤S1得到的车门限位器图片中螺母的识别结果，结合标准数据库中车门限位器上螺母与车门限位器上字符之间的位置关系，对待测车门限位器上的字符区域进行粗定位；步骤S3、利用双重迭代法制作车门限位器上字符的最佳模板库，同时求得模板匹配车门限位器上字符的最佳阈值；步骤S4、完成步骤S3后，提取待测车门限位器的图片和最佳模板库中用到的字符模板的边缘特征，利用快速模板匹配方法识别待测车门限位器图片中的字符，完成待测车门限位器的检测与识别。进一步的，所述步骤S1中，所述Adaboost分类器的准备过程为，首先准备训练所需的正、负样本，所述正、负样本的数量比例为1∶2-1∶4，其中正样本为待测车门限位器上的螺母正面图片，负样本由待测车门限位器的螺母反面图片及生产过程中未拍摄到螺母的图片以及只拍摄到部分螺母的图片两部分构成，创建训练所需的正、负样本的向量描述文件；再通过OpenCV开源库利用局部二值模式特征训练若干弱分类器，并组成所述Adaboost强分类器。进一步的，所述步骤S3中，利用双重迭代法制作车门限位器上字符的最佳模板库以及模板匹配字符的最佳阈值的计算方法，具体包括以下步骤：步骤S3.1、先取得尽可能多的第i种字符图片共L张组成图片集Pici，对每张图片，利用模板匹配的方法与图片集Pici中其它图片一一匹配，得到的L-1个相似度相加之后得到相似度之和，即可以得到L个相似度之和{sim1，sim2，sim3，…，simL}；步骤S3.2、取步骤S3.1中{sim1，sim2，sim3，…，simL}中相似度之和最小的前Numspe个图片组成图片集spe，相似度之和最大的前Numgen个图片组成图片集gen，将图片集合spe和gen合并成对应型号车门限位器的初始模板库Tempi；步骤S3.3、分别用所述步骤S3.2得到的初始模板库Tempi中的所有模板与图片集Pici中的每一张图片做模板匹配，由于Tempi中有Numgen+Numspe个模板，所以Pici中每一张图片都可得到Numgen+Numspe个相似度值，取其最大值为模板库Tempi与图片集Pici该图片的相似可信度，则Pici中L张图片可得到L个相似可信度，组成可信度集合此可信度表示Pici中L张图片上的字符为第i种字符的可信度大小；步骤S3.4、利用所述步骤S3.1和步骤S3.2方法，得到其它车型限位器上字符的模板库Tempj(j≠i且j＝1，2，3，…)，将Tempj代替所述步骤S3.3中的Tempi后按步骤S3.3的方法与图片集Pici中的所有图片做模板匹配得到图片集Pici中的各个字符图片为第j种字符的可信度集合步骤S3.5、如果所述步骤S3.2的模板库Tempi和Tempi(j≠i且j＝1，2，3，…)能够将图片集Pici中的各个图片都识别成正确的字符类型，即第i种字符，那么可信度集合的最小值大于集合(j≠i且j＝1，2，3，…)的最大值，进一步设图片集Pici的匹配错误率其中NumWrongi为图片集Pici中识别成非第i种字符的图片数目，即可信度集合中小于模板的匹配阈值Ti的元素个数，NumWrongj为字符图片集Pici中识别成第j(j≠本文档来自技高网...

【技术保护点】
1.一种基于Adaboost和模板匹配的车门限位器检测方法，其特征在于，包括以下步骤：步骤S1、采集待车门限位器的图片，利用Adaboost分类器对采集的车门限位器图片中的螺母进行识别与定位；步骤S2、根据所述步骤S1得到的车门限位器图片中螺母的识别结果，结合标准数据库中车门限位器上螺母与车门限位器上字符之间的位置关系，对待测车门限位器上的字符区域进行粗定位；步骤S3、利用双重迭代法制作车门限位器上字符的最佳模板库，同时求得模板匹配车门限位器上字符的最佳阈值；步骤S4、完成步骤S3后，提取待测车门限位器的图片和最佳模板库中用到的字符模板的边缘特征，利用快速模板匹配方法识别待测车门限位器图片中的字符，完成待测车门限位器的检测与识别。

【技术特征摘要】
1.一种基于Adaboost和模板匹配的车门限位器检测方法，其特征在于，包括以下步骤：步骤S1、采集待车门限位器的图片，利用Adaboost分类器对采集的车门限位器图片中的螺母进行识别与定位；步骤S2、根据所述步骤S1得到的车门限位器图片中螺母的识别结果，结合标准数据库中车门限位器上螺母与车门限位器上字符之间的位置关系，对待测车门限位器上的字符区域进行粗定位；步骤S3、利用双重迭代法制作车门限位器上字符的最佳模板库，同时求得模板匹配车门限位器上字符的最佳阈值；步骤S4、完成步骤S3后，提取待测车门限位器的图片和最佳模板库中用到的字符模板的边缘特征，利用快速模板匹配方法识别待测车门限位器图片中的字符，完成待测车门限位器的检测与识别。2.根据权利要求1所述的一种基于Adaboost和模板匹配的车门限位器检测方法，其特征在于，所述步骤S1中，所述Adaboost分类器的准备过程为，首先准备训练所需的正、负样本，所述正、负样本的数量比例为1∶2-1∶4，其中正样本为待测车门限位器上的螺母正面图片，负样本由待测车门限位器的螺母反面图片及生产过程中未拍摄到螺母的图片以及只拍摄到部分螺母的图片两部分构成，创建训练所需的正、负样本的向量描述文件；再通过OpenCV开源库利用局部二值模式特征训练若干弱分类器，并组成所述Adaboost强分类器。3.根据权利要求1所述的一种基于Adaboost和模板匹配的车门限位器检测方法，其特征在于，所述步骤S3中，利用双重迭代法制作车门限位器上字符的最佳模板库以及模板匹配字符的最佳阈值的计算方法，具体包括以下步骤：步骤S3.1、先取得尽可能多的第i种字符图片共L张组成图片集Pici，对每张图片，利用模板匹配的方法与图片集Pici中其它图片一一匹配，得到的L-1个相似度相加之后得到相似度之和，即可以得到L个相似度之和{sim1，sim2，sim3，…，simL}；步骤S3.2、取步骤S3.1中{sim1，sim2，sim3，…，simL}中相似度之和最小的前Numspe个图片组成图片集spe，相似度之和最大的前Numgen个图片组成图片集gen，将图片集合spe和gen合并成对应型号车门限位器的初始模板库Tempi；步骤S3.3、分别用所述步骤S3.2得到的初始模板库Tempi中的所有模板与图片集Pici中的每一张图片做模板匹配，由于Tempi中有Numgen+Numspe个模板，所以Pici中每一张图片都可得到Numgen+Numspe个相似度值，取其最大值为模板库Tempi与图片集Pici该图片的相似可信度，则Pici中L张图片可得到L个相似可信度，组成可信度集合此可信度表示Pici中L张图片上的字符为第i种字符的可信度大小；步骤S3.4、利用所述步骤S3.1和步骤S3.2方法，得到其它车型限位器上字符的模板库Tempj(j≠i且j＝1，2，3，…)，将Tempj代替所述步骤S3.3中的Tempi后按步骤S3.3的方法与图片集Pici中的所有图片做模板匹配得到图片集Pici中的各个字符图片为第j种字符的可信度集合步骤S3.5、如果所述步骤S3.2的模板库Tempi和Tempj(j≠i且j＝1，2，3，…)能够将图片集Pici中的各个图片都识别成正确的字符类型，即第i种字符，那么可信度集合的最小值大于集合(j≠i且j＝1，2，3，…)的最大值，进一步设图片集Pici的匹配错误率其中NumWrongi为图片集Pici中识别成非第i种字符的图片数目，即可信度集合中小于模板的匹配阈值Ti的元素个数，NumWrongj为字符图片集Pici中识别成第j(j≠i且j＝1，2，3，…)种字符的图片数目，即可信度集合(j≠i且j＝1，2，3，…)中大于模板的匹配阈值Ti的元素个数，求取最佳模板库Tempi的过程就是求取最佳阈值Ti与最佳Numgen、Numspe使得匹配错误率Wi最小的过程；步骤S3.6、先固定步骤S3.5中Numgen、Numspe的值，求取阈值Ti使得模板库Tempi的匹配错误率最小，最后以求得的阈值Ti处于的区间段的中点作为最佳阈值，求得所述最佳阈值后，若此时模板库Tempi的匹配错误率Wi等于零或小于0.0001，则Numgen、Numspe即可认为是最佳的，则模板库制作完成，最佳阈值Ti也已求得，否则固定阈值Ti，若可信度集合中小于最佳阈值Ti的可信度个数大于0.2*L，则说明模板的一般性不够充分，增大Numgen后继续计算匹配错误率Wi，若可信度集合中小于最佳阈值Ti的可信度个数小于0.02*L，则说明模板的特殊性不够充分，增大Numspe后继续计算匹配错误率Wi，若此时匹配错误率Wi等于零或小于0.0001，则Numgen、Numspe即可认为是最佳的，则模板库制作完成，最佳阈值Ti也已求得，否则重复此步骤直至Wi等于零或小于0.0001；步骤S3.7、根据所述步骤S3.6求得的...

【专利技术属性】
技术研发人员：刘峰，余义，干宗良，崔子冠，唐贵进，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32