基于特征描述子的几何哈希法实现目标鲁棒识别的方法

本发明主要应用于机器视觉中工业装备零配件的定位识别领域，具体是指对图像 进行边缘检测，提取特征点，将量化的特征点坐标索引到哈希表中，通过几何哈希法实现待 测图像和模板库图像的鲁棒识别方法。

随着对机器视觉技术研究的不断深入，机器视觉技术逐渐取代人力，成为现代工 业生产的重要方式。机器视觉的目的就是让机器人能够像人类一样工作，从而去替代人类 的一些劳动任务，并且具备高效率、高精度、高稳定性等优点。因此机器视觉被广泛应用到 汽车零件的识别、电子元器件的检测、物流产品的分拣等领域。

Haim J.Wolfson提出了一种几何哈希法用于图像识别，几何哈希法的最大优点是 算法的并行性，算法分为离线建模过程和在线识别过程，使用数据结构中的哈希表作为索 引、查工具，建立模型几何特征的索引库，通过待测图像特征量化坐标的查哈希表中相 应坐标，实现目标的识别。经典的几何哈希法针对存在遮挡、目标杂乱的目标识别性能比较 差。本发明在经典几何哈希法的基础上，为了提升视觉识别系统对目标存在遮挡、杂乱情况 下的识别性能，提出了基于特征描述子的几何哈希法实现目标鲁棒识别的方法。

本发明的目的实现对存在遮挡、杂乱情况下的目标进行识别，设计了一种使用特 征点描述子向量作为辅助信息的鲁棒性识别方法。

在工业领域中，汽车、电子、设备等生产过程中包含大量的形状规则的零部件。本 发明能够对产线上存在遮挡和目标杂乱的形状规则零配件进行识别。

本发明采用改进的Canny进行边缘检测，使用SIFT提取特征点并添加描述子向量， 整体基于几何哈希法进行目标的鲁棒识别，具体的实现步骤如下：

离线建模过程：

(1)将需要识别的目标模板放置在单一背景的平台上，使用工业CCD相机采集模板 图像，在模板图像中选择目标的所在的区域作为待处理的图像。

(2)采用改进的Canny算子检测目标的边缘，然后使用3*3的正方形结构对目标边 缘进行膨胀操作。通过SIFT提取特征点及添加描述子向量，并存储描述子向量。

(3)选择点之间距离在阈值范围之内的基点对(Pi,Pj)建参考坐标系，通过该坐标 系对剩余的特征点进行量化，得到特征点的在该坐标系下的坐标。(根据经验值，基点对之 间的距离阈值取(Tmin,Tmax)＝(30,80)像素，此距离阈值的选取与相机图像的像素大小有 关)。

(4)建立几何哈希表，重复步骤(3)，直到将所有符合阈值条件的基点对均建立坐 标系，用量化的特征点坐标索引(Mi,(Pi,Pj))到哈希表中，其中Mi指模型，(Pi,Pj)指基点对。

在线识别阶段：

(1)通过CCD相机获取现场中待识别目标的图像，对待测目标图像处理同离线建模 阶段步骤(1)到(2)。

(2)使用欧氏距离来匹配测量待识别目标图像的特征点描述子向量和模板图像的 特征点描述子向量之间的对应关系，采用Kd树实现最近邻搜索，确定匹配置信度前20的特 征点作为特征子集。

(3)选择特征子集中符合距离阈值的基点对构建参考坐标系，使用该坐标系量化 特征点，使用这些坐标值查询几何哈希表中的基点对，并计算基点对的得票数。

(4)基点对的票数高于设定阈值，选择得票数最高的基点对符作为匹配点，使用欧 氏距离验证实测图和模板图的相对关系，匹配成功，则识别目标，匹配不成功，重复步骤 (3)；如果不存在高于设定阈值的基点对，则重复步骤(3)，直到所有符合条件的基点对评估 完毕。

本发明的优点:本发明采用几何哈希法作为识别的方法，满足了工业实时性的要 求；采用改进的Canny算子进行边缘检测，很好的消除了图像中噪声的影响；本发明中引入 了SIFT特征点及描述子向量，实现了对目标存在遮挡和目标杂乱情况下的鲁棒识别。

图1是本发明的整体示意图。

图2是本发明具体识别过程示意图。

下面对本发明的具体实施步骤及每个步骤中具体细节、技术方案、方法优点做进 一步的说明。

图1是本发明的识别方法的整体示意图。

识别方法分为并行的两部分，包括：离线建模过程、在线识别过程。具体步骤如下：

离线建模过程

步骤一

(1.1)识别的目标模板放置在单一背景的平台上，使用背光照射，通过工业CCD相 机采集模板图像，在模板图像中选择目标的所在的区域作为待处理的图像。

步骤二

(2.1)使用改进的Canny算子对模板图像进行边缘检测，得到边缘检测的图像。

(2.2)通过3*3的正方形结构对边缘进行膨胀操作，3*3正方形结构如下：

(2.3)通过SIFT提取特征点(p0，p1，…，pn)及添加描述子向量，存储描述子向量。

步骤三

(3.1)选择符合距离阈值的特征点，其中任意两点坐标为Pi(xi,yi), Pj(xj,yj),ij ＝0,1,...,n：

Tmin≤D≤Tmax

取Tmin＝30像素，Tmax＝80像素。

(3.2)使用满足阈值的任意两点构建正交坐标系，量化剩余特征点坐标。

Po＝(Pi+Pj)/2

其中Po是基点对的中点，Po＝(Pxo,Pyo)。

P'x＝Px*cosθ+Py*sinθ-Pxo

其中P'x是量化后的x坐标值，Px,Py是任意特征点的x，y坐标值。

P'y＝-Px*sinθ+Py*cosθ-Pyo

其中P'y是量化后的y坐标值，Px,Py是任意征点的x，y坐标值。

步骤四

(4.1)建立几何哈希表，用量化的特征点坐标索引(Mi,(Pi,Pj))到哈希表中，其中 Mi指模型，(Pi,Pj)指基点对。重复步骤三，直到所有符合阈值条件的基点对均构建坐标系。

在线识别阶段

步骤一

(1.1)采用背光照射，使用工业CCD相机采集待识别目标图像。

(1.2)使用改进的Canny算子对模板图像进行边缘检测，得到边缘检测的图像。

(1.3)通过3*3的正方形结构对边缘进行膨胀操作，3*3正方形结构如下：

(1.4)通过SIFT提取特征点(p0，p1，…，pm)及添加描述子向量，存储描述子向量。

步骤二

(2.1)使用欧氏距离来匹配测量待识别目标图像的特征点描述子向量和模板图像 的特征点描述子向量之间的对应关系：

其中D12表示描述子向量之间的欧氏距离，a,b分别表示模板、待测目标的描述子向 量。

采用Kd树实现最近邻搜索，确定匹配置信度前20的特征点(P0，P1，…， P19)作为特 征子集。

步骤三

(3.1)在特征子集中选择符合距离阈值的特征点，其中任意两点坐标为 Pi(xi, yi),Pj(xi,yj),ij＝0,1,...,19：

Tmin≤D≤Tmax

取Tmin＝30像素，Tmax＝80像素。

(3.2)使用满足阈值的任意两点作为基底构建正交坐标系，量化剩余特征点坐标。

Po＝(Pi+Pj)/2

其中Po是基点对的中点，Po＝(Pxo,Pyo)。

P'x＝Px*cosθ+Py*sinθ-Pxo

其中P'x是量化后的x坐标值，Px,Py是任意特征点的x，y坐标值。

P'y＝-Px*sinθ+Py*cosθ-Pyo

其中P'y是量化后的y坐标值，Px,Py是任意特征点的x，y坐标值。

(3.3)使用量化的坐标值查询几何哈希表中的基点对，并计算基点对的投票数。每 有一个坐标值查询到基点对，基点对的相应得票数加1。

步骤四

(4.1)基点对的票数高于设定阈值，选择得票数最高的基点对符作为匹配点，使用 欧氏距离验证实测图和模板图的相对关系，匹配成功，则识别目标，匹配不成功，重复步骤 三。

(4.2)如果不存在高于设定投票阈值的基点对，我们重复步骤三，选取另外一组符 合距离阈值条件的基点对，重新计算投票，直到到高于设定投票阈值的基点对。否则，认 定为待测图像中不存在目标模板。