一种用于机器视觉识别的图像数据处理方法和装置制造方法及图纸

本申请公开了一种用于机器视觉识别的图像数据处理方法和装置，用于获取机器视觉系统采集的识别图像与模板图像的匹配度。首先将待识别图像输入一预设的岭回归算法数学模型中，以获取岭回归算法数学模型输出的匹配回归值；然后比较匹配回归值和一预设的模板回归值；最后依据比较结果输出识别图像和模板图像的匹配度。由于采用回归分析来替代匹配的计算其相关性，使得对通过采集或生成大量的各种矢量，可以用学习的方法得到一个回归分类器，且可以在标准模板建立时就可以先进行预计算，这样在进行检索时就非常快捷。进行检索时就非常快捷。进行检索时就非常快捷。

【技术实现步骤摘要】
一种用于机器视觉识别的图像数据处理方法和装置


[0001]本专利技术涉及工业机器人
，具体涉及一种用于机器视觉识别的图像数据处理方法和装置。

技术介绍

[0002]随着信息技术的发展，人们也不遗余力地将人类视觉能力赋予计算机、机器人或各种智能设备。既然人工智能需要像人一样思考和行动，那么发展人工智能，首先就要先帮助机器“看懂这个世界”。机器视觉就是用机器代替人眼，对事物进行观察、测量和判断。机器视觉系统架构主要分为硬件设备和软件算法两部分，其中硬件设备主要包括光源系统、镜头、摄像机、图像采集卡和视觉处理器；软件包中核心算法主要包括传统的数字图像处理算法和基于深度学习的图像处理算法。机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、I/O卡等)。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。机器视觉在工业领域中的应用主要归为四大类，包括：识别、检测、测量、定位与引导。比如在基于机器视觉引导的自动装配等领域，经常需要先寻找并识别待装配的对象，或者被装配到的目标区域（也成为某种图像的图案），例如在柔性插件系统中，需要在上料区域去寻找待插找的某种对象或器件，另一方面，可能需要识别被插进的位置，也需要进行智能的识别。
[0003]传统的识别方法是模板匹配，通常采用相关分析法，即计算两个区域（模板的图案、以及候选区域）的相关区域相关系数，其中一个是待查找的对象的模板图像区域，另一个则是待查询的候选区域图像区域。（候选区域的选取也有两种方式，一是就是要在整个待查区域去进行瀑布式搜索，也就是对每一个像素所在的区域都进行匹配，匹配度高的就是候选的寻找的器件或对象；另一种方式是采用图像的分块技术，即先分割出不同的块（Blob），然后再进行相关分析）。但这种方法有两个比较大的缺点，一是需要对所有的Blob进行匹配，或是所有位置（像素）的区域进行匹配；二是如果在采集待查找标准模板不准确，则可能造成错配。如果允许待插器件的摆放方向不能严格保持某个平行或垂直的角度时，还需要对每一个位置，不同方向的候选区域进行匹配（采用相关分析），耗费大量时间，且匹配的鲁棒性受到一定的影响。

技术实现思路

[0004]本专利技术主要解决的技术问题是现有技术中机器视觉系统在进行匹配识别是还存在着技术缺陷。
[0005]根据第一方面，一种实施例中提供一种用于机器视觉识别的图像数据处理方法，用于获取机器视觉系统采集的识别图像与模板图像的匹配度，所述图像数据处理方法包括：将待识别图像输入一预设的岭回归算法数学模型中，以获取所述岭回归算法数学
模型输出的匹配回归值；比较所述匹配回归值和一预设的模板回归值，依据比较结果输出识别图像和模板图像的匹配度；所述模板回归值是将所述模板图像输入所述岭回归算法数学模型中获得的。
[0006]一实施例中，所述岭回归算法数学模型的获取方法包括：以所述模板图像中一预设旋转点按一预设旋转增量d
°
进行旋转n次，n为自然数；对所述模板图像和n次旋转获取的每个模板旋转图像分别拉伸成为一个矢量x，以获取矢量x0，x1，x2，
…
，x
n
，其中，矢量x0为拉伸所述模板图像获取；矢量x1，x2，
…
，x
n
为拉伸n个模板旋转图像获取；按一预设最大矢量尺寸通过向两边拓延方式统一矢量x0，x1，x2，
…
，x
n
的尺寸；将统一尺寸的矢量x0，x1，x2，
…
，x
n
，作为岭回归算法的正样本，并将其每个矢量x的回归值都设置为1；对所述模板图像和n次旋转获取的每个模板旋转图像中任一个图像进行随机平移，其该随机平移后获取的平移图像的回归值为：y(u,v) = Exp[
‑
(u
‑
u0)2‑
(v
‑
v0)2];其中，（u0，v0）是所述模板图像中所述预设旋转点的坐标，(u,v)是该预设旋转点平移后的坐标；将平移后的获取的所有所述平移图像对应统一尺寸后的矢量x，以构成所述岭回归算法数学模型。
[0007]一实施例中，所述岭回归算法数学模型的获取方法还包括：所述岭回归算法数学模型包括岭回归算法公式，所述岭回归算法公式包括：y=Wx+b；所述岭回归算法公式表示所有统一尺寸后矢量x，及其偏移量为y的线性回归模型，b为常数，W表示向量。
[0008]一实施例中，所述岭回归算法数学模型的获取方法还包括：对所述岭回归算法公式进行极小化处理，其极小化处理公式为：||y
‑
Wx
‑
b||2+λ*||W||2；其中，λ为是正则项的加权系数，则向量W的获取公式为：W=(X
T
X+λI)
‑1X
T
Y；其中， X是所有x形成的矩阵，Y是所有y形成的矩阵。
[0009]一实施例中，所述岭回归算法数学模型的获取方法还包括：采用一个非线性的核函数Q(x)来替代x, 形成非线性映射，采用核函数K(x1,x2)=Q(x1)Q(x2)，即得到W=K(X
T
,X)
‑1K(X
T
,Y) ；其中， X是所有x形成的矩阵，Y是所有y形成的矩阵。
[0010]一实施例中，所述预设旋转点为所述模板图像的中心点。
[0011]一实施例中，模板回归值设置的是1。
[0012]根据第二方面，一种实施例中提供一种用于机器视觉识别的图像数据处理装置，用于应用如第一方面所述的图像数据处理方法来获取机器视觉系统采集的识别图像与模
板图像的匹配度，所述图像数据处理装置包括：识别图像获取模块，用于获取机器视觉系统采集的识别图像；回归值获取模块，用于将待识别图像输入一预设的岭回归算法数学模型中，以获取所述岭回归算法数学模型输出的匹配回归值；比较模块，用于比较所述匹配回归值和一预设的模板回归值，依据比较结果输出识别图像和模板图像的匹配度；所述模板回归值是将所述模板图像输入所述岭回归算法数学模型中获得的；结果输出模块，用于依据所述匹配度输出匹配结果。
[0013]一实施例中，图像数据处理装置还包括显示模块；所述显示模块用于显示所述匹配结果。
[0014]根据第三方面，一种实施例中提供一种计算机可读存储介质，包括程序，所述程序能够被处理器执行,以实现如第一方面所述的图像数据处理方法。
[0015]依据上述实施例的图像数据处理方法，首先将待识别图像输入一预设的岭回归算法数学模型中，以获取岭回归算法数学模型输出的匹配回归值；然后比较匹配回归值和一预设的模板回归值；最后依据比较结果输出识别图像和模板图像的匹配度。由于采用回归分析来替代匹配的计算其相关性，使得对通过采集或生成大量的各种矢量，可以用学习的方法得到一个回归分类器，且可以在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于机器视觉识别的图像数据处理方法，其特征在于，用于获取机器视觉系统采集的识别图像与模板图像的匹配度，所述图像数据处理方法包括：将待识别图像输入一预设的岭回归算法数学模型中，以获取所述岭回归算法数学模型输出的匹配回归值；比较所述匹配回归值和一预设的模板回归值，依据比较结果输出识别图像和模板图像的匹配度；所述模板回归值是将所述模板图像输入所述岭回归算法数学模型中获得的。2.如权利要求1所述的图像数据处理方法，其特征在于，所述岭回归算法数学模型的获取方法包括：以所述模板图像中一预设旋转点按一预设旋转增量d
°
进行旋转n次，n为自然数；对所述模板图像和n次旋转获取的每个模板旋转图像分别拉伸成为一个矢量x，以获取矢量x0，x1，x2，
…
，x
n
，其中，矢量x0为拉伸所述模板图像获取；矢量x1，x2，
…
，x
n
为拉伸n个模板旋转图像获取；按一预设最大矢量尺寸通过向两边拓延方式统一矢量x0，x1，x2，
…
，x
n
的尺寸；将统一尺寸的矢量x0，x1，x2，
…
，x
n
，作为岭回归算法的正样本，并将其每个矢量x的回归值都设置为1；对所述模板图像和n次旋转获取的每个模板旋转图像中任一个图像进行随机平移，其该随机平移后获取的平移图像的回归值为：y(u,v) = Exp[
‑
(u
‑
u0)2‑
(v
‑
v0)2];其中，（u0，v0）是所述模板图像中所述预设旋转点的坐标，(u,v)是该预设旋转点平移后的坐标；将平移后的获取的所有所述平移图像对应统一尺寸后的矢量x，以构成所述岭回归算法数学模型。3.如权利要求2所述的图像数据处理方法，其特征在于，所述岭回归算法数学模型的获取方法还包括：所述岭回归算法数学模型包括岭回归算法公式，所述岭回归算法公式包括：y=Wx+b；所述岭回归算法公式表示所有统一尺寸后矢量x，及其...

【专利技术属性】
技术研发人员：赵勇，赵昀，林永嘉，刘钢，
申请(专利权)人：诡谷子人工智能科技深圳有限公司，
类型：发明
国别省市：