一种微结构特征的位姿高精度跟踪与检测方法技术

一种微结构特征的位姿高精度跟踪与检测方法，步骤：S1对由显微镜获取的第一帧图像或预存的参考图像经预处理后，作为训练帧分别送入姿态检测模块和位置检测模块进行训练，获得判别函数的参数。S2将后续帧图像经过预处理后输入姿态检测模块，经过频谱分析，计算其相对训练帧图像的旋转角度。S3位置检测模块基于旋转角度对当前帧搜索区域的图像进行旋转变换矫正，将矫正后的图像输入位置检测滤波器，计算其相对于前一帧中微结构特征的位置变化。S4将位姿检测结果送入决策模块对检测结果进行判断处理，分别更新姿态和位置检测滤波器继续检测新一帧中微结构特征的位姿。本发明专利技术具有机器学习类算法灵活、柔性、鲁棒性强的特点，分辨率可满足多数微操作的要求。

【技术实现步骤摘要】
一种微结构特征的位姿高精度跟踪与检测方法
本专利技术属于精密微装配领域，涉及一种微结构特征的位姿高精度跟踪与检测方法。
技术介绍
特征尺度在微米～百微米的微结构特征姿态和位置检测(简称为微位姿检测)是微装配、微封装、细胞操纵等微操作中不可或缺的环节。以广泛用于微传感器集成的微装配为例，它是指将特征尺度在毫米和微米的多个零件进行移动、转动、连接，形成组件或完整器件的过程，零件本身和零件之间的精确定位和定向对装配精度和系统性能有至关重要的影响。微位姿检测本质上可以分解为对目标定位跟踪和姿态检测两个问题。目前公开报道的微位姿检测方法可分为基于几何形状和基于模板匹配两类：基于几何形状的方法主要是通过边缘提取等检测多个特征点，然后结合最小二乘法等提取几何特征，通过与预期的几何特征相比较，确定位置和姿态。例如：论文“Micro-VisionServoControlofAMulti-AxisAlignmentSystemforOpticalFiberAssembly”(JournalofMicromechanicsandMicroengine本文档来自技高网...

【技术保护点】
1.一种微结构特征的位姿高精度跟踪与检测方法，其特征在于，包括以下步骤：/n1、组建微结构特征位姿检测方法的系统，进行微零件的结构特征位姿检测；/n所述的检测系统包括显微图像采集与预处理模块、微结构特征的姿态检测模块和位置检测模块、决策模块；在图像采集与预处理模块中通过显微镜采集图像后，进行滤波和二值化预处理；相关滤波器与待测样本特征做相关运算后得到相关性响应分布，每个位置上的响应值代表相应位置为待检测目标的置信度，其中置信度最大值点即为目标位置；通过姿态检测模块进行参数训练和姿态评估；通过基于方向梯度直方图特征和强度通道特征建立位置检测模块并进行参数训练和位置评估；基于组建的检测系统进行微位...

【技术特征摘要】
1.一种微结构特征的位姿高精度跟踪与检测方法，其特征在于，包括以下步骤：
1、组建微结构特征位姿检测方法的系统，进行微零件的结构特征位姿检测；
所述的检测系统包括显微图像采集与预处理模块、微结构特征的姿态检测模块和位置检测模块、决策模块；在图像采集与预处理模块中通过显微镜采集图像后，进行滤波和二值化预处理；相关滤波器与待测样本特征做相关运算后得到相关性响应分布，每个位置上的响应值代表相应位置为待检测目标的置信度，其中置信度最大值点即为目标位置；通过姿态检测模块进行参数训练和姿态评估；通过基于方向梯度直方图特征和强度通道特征建立位置检测模块并进行参数训练和位置评估；基于组建的检测系统进行微位姿检测的全过程为：
步骤1：对由显微镜获取的第一帧图像或预存的参考图像经预处理后，作为训练帧分别送入姿态检测模块和位置检测模块进行训练，获得判别函数的参数；
步骤2：包含微结构特征的后续帧图像经过预处理后，输入到训练好的姿态检测模块，经过频谱分析，计算其相对训练帧图像的旋转角度；
步骤3：位置检测模块首先基于前述计算的旋转角度，对当前帧搜索区域的图像进行旋转变换矫正，再将矫正的图像输入到训练好的位置检测滤波器，计算其相对于前一帧中微结构特征的位置变化；
步骤4：将步骤2～3的结果送入决策模块，对检测结果判断和处理，主要分为以下情况：如果计算得到的相关响应图最大值低于设定阈值，则说明待测微结构特征可能被遮挡；如果检测得到的微结构特征位姿变化超出公差约束范围，则发预警提示；其余视为正常情况，根据当前帧的位姿检测信息，分别更新姿态和位置检测滤波器并重新采集显微图像依次重复步骤2～3，继续检测新一帧中微结构特征的位姿；
2、所述的微结构特征的姿态检测模块的工作过程为：
1)训练样本图像和检测图像的处理；
将采集和预处理后的参考图像信号f1(x,y)和待检测图像信号f2(x,y)经余弦窗处理弱化边缘截断效应，经傅里叶变换为频域信号；通过傅里叶-梅林变换，分解出极坐标系下频域图像信号的幅值部分分别为M1(θ,ρ)和M2(θ,ρ)，极坐标幅值图中，横坐标代表频谱特征的维度，每一列代表对应维度的样本信号，纵坐标代表样本信号的角度坐标，角度范围为[0°,360°]；M1(θ,ρ)和M2(θ,ρ)的关系为M1(θ,ρ)＝M2(θ-θ0,ρ)；
2)姿态相关滤波器的训练；
求解滤波器参数：首先在频域生成不同微结构特征姿态的训练样本，然后应用岭回归训练用于目标姿态检测的相关滤波器，通过求解最小二乘问题获得线性回归函数f(xi)＝ωTxi的权重系数：



式中，损失函数的第二项为权重向量ω的正则化惩罚项，避免过拟合，λ为调节因子，权重向量ω为待训练的相关滤波器，训练样本xi为样本图像极坐标幅值图的多维样本信号，输入到线性回归函数f(x)中与权重向量ω求取向量内积作为相关性表达；在损失函数中通过yi描述训练样本xi与相关滤波器的相关性；
将上述线性方程映射到非线性特征空间首先将解表达为训练样本的线性组合：每一分量αi表示对应训练样本xi的影响力因子，此时待优化的变量由原始空间中的ω变为求解对偶空间中的α：



式中，^符号表示向量或矩阵的傅里叶变换，kxx为循环矩阵中标准训练样本x的核自相关，表示训练样本x与其自身在映射的高维非线性特征空间中不同相对位移下的相关性；对于任意两多维特征样本x与样本x′，可通过高斯核函数计算两参数之间的核相关估计：



式中，下角标c表示样本的特征通道维度；核相关向量kxx′中的每一分量表示样本x经循环移位后的样本xi与样本x′在高维空间中的核互相关；
3)微结构特征的姿态识别；<...

【专利技术属性】
技术研发人员：徐征，韩刚，王晓东，杜宏宇，王彦琪，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21