一种基于边缘特征的模板匹配方法组成比例

本发明专利技术提供一种基于边缘特征的模板匹配方法，制作模板过程中，通过边缘提取算法提取出零件的边缘特征，匹配过程中，通过边缘提取算法，将整张图像的边缘特征突显出来，使用模板优化算法将原模板逐个像素对比、逐个角度对比，找到最合适的匹配点和角度，再将该位置乘以标定参数矩阵，获得机器人坐标系下的坐标。本方法通过自加工与采购搭建的视觉测量系统较为廉价，具有非接触式、速度快、精度高等优点。点。点。

【技术实现步骤摘要】
一种基于边缘特征的模板匹配方法


[0001]本专利技术涉及计算
，具体涉及一种基于边缘特征的模板匹配方法。

技术介绍

[0002]模板匹配是2D视觉定位的常用方法，是根据已知模块在搜索图像中寻找逼近模块匹配的过程，是一种简单有效、使用广泛的图像处理方法。
[0003]传统的模板匹配因自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。而国内外著名软件包如Cognex公司的Patmax、Matron公司的MILGMF、MVtec的HALCON HMatchlt、EURESYS的eVisonasyFind、Adept的AdeptSight及DALSA的Sapera等已开发出性能良好的几何模板匹配算法，但由于商业保密的原因，其所有采用的技术核心鲜有公开。

技术实现思路

[0004]本专利技术是为了解决模板配的问题，提供一种基于边缘特征的模板匹配方法：制作模板过程中，通过边缘提取算法提取出零件的边缘特征，匹配过程中，通过边缘提取算法，将整张图像的边缘特征突显出来，使用模板优化算法将原模板逐个像素对比、逐个角度对比，找到最合适的匹配点和角度，再将该位置乘以标定参数矩阵，获得机器人坐标系下的坐标。本方法通过自加工与采购搭建的视觉测量系统较为廉价，具有非接触式、速度快、精度高等优点。
[0005]本专利技术提供一种基于边缘特征的模板匹配方法，包括以下步骤：
[0006]S1、提取模板：使用边缘特征算法处理凸显零件特征的照片，确定特征区域，然后手动屏蔽不需要的边缘特征，得到初步模板；
[0007]S2、训练模板：使用模板优化算法提取初步模板中有代表性的特征点，并制作成粗模板和精模板，通过训练得到边缘特征和数组索引；
[0008]S3、图像预处理：使用边缘特征算法处理待测图像，获得具有边缘特征的图像，降低具有边缘特征的图像分辨率得到粗图像；
[0009]S4、粗定位：将粗模板与粗图像进行逐点匹配，获得每个像素位置的得分值，得分最高的位置为粗定位获取的位置；
[0010]S5、精定位：根据粗定位获取的位置，将精模板与粗图像进行匹配，得到精模板区域内各像素位置的得分，得分最高位置为精定位获取的位置，再将精定位获取的位置乘以标定参数矩阵得到机器人坐标下的待测图像坐标。
[0011]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，步骤S1、S3中，边缘特征算法为使用Sobel算子提取照片边缘特征，Sobel算子为：
[0012]Gx＝[f(x+1，y
‑
1)+2*f(x+1，y)+f(x+1，y+1)]‑
[f(x
‑
1，y
‑
1)+2*f(x
‑
1，y)+f(x
‑
1，y+1)]；
[0013]Gy＝[f(x
‑
1，y
‑
1)+2*f(x，y
‑
1)+f(x+1，y
‑
1)]‑
[f(x
‑
1，y+1)+2*f(x，y+1)+f(x+1，y
+1)]；
[0014][0015]其中，f(x，y)为图像(x，y)点的灰度值，Gx为横向边缘检测的图像灰度值，Gy为纵向边缘检测的图像灰度值，G为边缘检测的综合图像灰度值。
[0016]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，步骤S1包括以下步骤：
[0017]S11、载入零件特征凸显较好的照片；
[0018]S12、使用边缘特征算法的Sobel算子提取照片边缘特征的ROI区域；
[0019]S13、手动屏蔽不需要的边缘特征，将灰度值设为0，得到初步模板。
[0020]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，步骤S2包括以下步骤：
[0021]S21、使用Sobel算子处理ROI区域内的灰度图像，灰度值与变化梯度成正比；
[0022]S22、以阈值对灰度图像进行二值化，过滤梯度变化小的像素点；
[0023]S23、以掩膜对像素点进行简化，使用模板优化算法提取有代表性的特征点，并制作成粗模板和精模板；
[0024]S24、将特征点以二维数组的形式保存在文本文件中，得到边缘特征和数组索引。
[0025]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，步骤S2中，模板优化算法包括以下内容：
[0026]对分辨率为M*N的二值化图像数组每k行k列截取k行k列的数组A
i
，得到M/k*N/k个k*k个数组，当不能整除时，剩余部分按照M％k或者N％k截取；
[0027]提取数组A
i
中像素为1的索引值，并按照行的大小进行排序，提取索引中值；
[0028]将索引中值设定为特征点，重新放到图像中，继续其他数组的索引中值提取，直至全部数组的索引值提取完成。
[0029]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，步骤S4和步骤S5中，粗模板、精模板与粗图像进行匹配的方法为：
[0030]设粗模板或精模板旋转θ角度之后，粗模板或精模板的宽*高＝n*m，粗模板或精模板的矩阵为：
[0031][0032]当模板矩阵起始点在源矩阵(X
i
，Y
j
)点处做对比时，提取到的待对比矩阵
[0033]A1矩阵中，特征点为1，其他为0，B1矩阵中，像素值为255时，对应矩阵值为1，否则为0；
[0034]构建新的一个矩阵C1，C1矩阵为n*m的矩阵，矩阵中的每个值为A1矩阵并B1矩阵中
的值，获得每个像素位置的得分值。
[0035]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，验证匹配效果的软件包括以下功能：载入图片功能、参数调节功能、添加ROI区域功能、结果显示功能和快速加载图片功能。
[0036]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，参数调节功能用于调节以下任意一种参数：拍照环境、零件特性、Sobel算子后的二值化阈值、分数阈值和扩充倍数。
[0037]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，结果显示功能用于显示粗匹配、精匹配和匹配所用的总时间；结果显示功能用显示查找坐标，坐标包括横坐标、纵坐标和旋转角度。
[0038]本专利技术所述的一种基于边缘特征的模板匹配方法，作为优选方式，快速加载图片功能用于加载图片同时触发模板匹配功能，找到特征在图像中的位置。
[0039]本专利技术以LabVIEW为开发平台，研究了一种基于边缘特征的模板匹配方法，编制了模板的制作算法、匹配算法、得分算法等。最后通过对比Congex的Patmax算法得出结论：该算法可满足自动化领域在视觉定位中的要求，不仅定位平面坐标，而且可以计算零件的旋转角度，同时具有高成功率、高精度、通用性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘特征的模板匹配方法，其特征在于：包括以下步骤：S1、提取模板：使用边缘特征算法处理凸显零件特征的照片，确定特征区域，然后手动屏蔽不需要的边缘特征，得到初步模板；S2、训练模板：使用模板优化算法提取所述初步模板中有代表性的特征点，并制作成粗模板和精模板，通过训练得到边缘特征和数组索引；S3、图像预处理：使用边缘特征算法处理待测图像，获得具有边缘特征的图像，降低所述具有边缘特征的图像分辨率得到粗图像；S4、粗定位：将所述粗模板与所述粗图像进行逐点匹配，获得每个像素位置的得分值，得分最高的位置为粗定位获取的位置；S5、精定位：根据所述粗定位获取的位置，将所述精模板与所述粗图像进行匹配，得到所述精模板区域内各像素位置的得分，得分最高位置为精定位获取的位置，再将所述精定位获取的位置乘以标定参数矩阵得到机器人坐标下的待测图像坐标。2.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于：步骤S1、S3中，边缘特征算法为使用Sobel算子提取照片边缘特征，Sobel算子为：Gx＝[f(x+1，y
‑
1)+2*f(x+1，y)+f(x+1，y+1)]
‑
[f(x
‑
1，y
‑
1)+2*f(x
‑
1，y)+f(x
‑
1，y+1)]；Gy＝[f(x
‑
1，y
‑
1)+2*f(x，y
‑
1)+f(x+1，y
‑
1)]
‑
[f(x
‑
1，y+1)+2*f(x，y+1)+f(x+1，y+1)]；其中，f(x，y)为图像(x，y)点的灰度值，Gx为横向边缘检测的图像灰度值，Gy为纵向边缘检测的图像灰度值，G为边缘检测的综合图像灰度值。3.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于：步骤S1包括以下步骤：S11、载入零件特征凸显较好的照片；S12、使用边缘特征算法的Sobel算子提取照片边缘特征的ROI区域；S13、手动屏蔽不需要的边缘特征，将灰度值设为0，得到所述初步模板。4.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于：步骤S2包括以下步骤：S21、使用Sobel算子处理ROI区域内的灰度图像，灰度...

【专利技术属性】
技术研发人员：李志博，靳开轩，宋明安，郭强，麻辉，
申请(专利权)人：宁夏巨能机器人股份有限公司，
类型：发明
国别省市：