復雜場景下單目視覺工件目標精定位.pdf

1、隨著科技的進步，機器視覺在工業(yè)應用中發(fā)揮了越來越大的作用。在工業(yè)機器人分揀工件過程中，需要對目標進行精確定位。圖像配準是目標精識別的一大主要解決手段，利用圖像配準可以使圖像識別精度達到亞像素級。在復雜的場景中，圖像配準問題往往得不到封閉解，目標精識別的誤匹配率往往很大。如何提高復雜場景下工件目標的配準正確率以及配準精度，是現(xiàn)階段需要解決的重點難題之一。
　　本文以復雜場景下工業(yè)零件作為識別和配準對象，首先利用基于二次閾值分割的方向

2、倒角匹配法對工件目標進行粗略定位，然后改進三種傳統(tǒng)的配準算法分別對工件目標進行精確配準，最后進行實驗驗證，并通過坐標轉換，測定三種改進的配準算法在復雜場景下對工件目標精定位的性能，主要完成的研究工作如下：
　?。?）研究了基于二次閾值分割的方向倒角模板匹配算法。首先利用大津法對復雜背景下的目標圖像進行圖像分割，得到目標和雜亂物的前景圖像，然后利用迭代閾值法對前景圖像進行進一步分割，分割之后得到目標物體。經(jīng)測試，該算法的工件平均識別

3、率達到72％以上，匹配率為99.25%。
　?。?）重點研究了三種傳統(tǒng)配準算法，對這三種算法進行改進，得到約束SIFT特征配準算法，信賴域阻尼高斯牛頓法圖像配準算法和類SIFT去噪TICP算法。
　　首先，根據(jù)復雜場景下工件目標的具體特征，對 SIFT配準算法加入約束 SIFT特征配準概念，利用魯棒性高的ShapeMatch模板匹配對目標進行匹配，獲得粗略幾何變換信息，尋找模板圖像和待配準圖像的匹配特征點對，剔除誤匹配點對，

4、再利用隨機抽樣一致性法對匹配點對進行更加魯棒的幾何變換參數(shù)估計。仿真結果顯示，該算法在x、y方向上的誤差均值分別為0.030個像素和0.041個像素，旋轉角度誤差為0.11°，配準準確率為90.7%。
　　其次，針對高斯牛頓法的不足之處：若初始迭代點距離目標點很遠時，迭代步長過大無法找到極值；在復雜場景下，容易陷入局部解。本文提出信賴域阻尼高斯牛頓法，即每次配準迭代時設定置信區(qū)間，在信賴區(qū)間內進行阻尼高斯牛頓法搜索極值點。仿真結果

5、顯示，信賴域阻尼高斯牛頓法的x、y方向上的定位誤差分別為0.0345個像素和0.0736個像素，旋轉角度誤差為0.0984°，配準準確率為86.7%。
　　最后，針對傳統(tǒng)迭代最近點法在復雜場景下配準目標時，容易陷入局部解的問題，提出了類SIFT去噪TICP算法，該算法利用類SIFT算子對目標區(qū)域進行魯棒去噪，然后使用截斷迭代最近點法（TICP）進行配準。仿真結果顯示，該算法在x和y方向上的定位誤差分別為0.043個像素和0.054

6、2個像素，旋轉角度平均誤差為0.0998°，配準方面的準確率為90.0%。
　　（3）設計了復雜場景下目標真實位置測定實驗，測定了本文工件目標精定位算法的性能，結果顯示：約束SIFT特征配準算法、信賴域阻尼高斯牛頓法、類SIFT去噪TICP算法在x方向上的誤差均值分別小于0.6mm、0.4mm、0.5mm，在y方向上的誤差均值分別小于0.7mm、0.55mm、0.5mm，運行時間分別為0.18s~0.22s、0.88s~0.94s