CN / EN
banner圖
掌握核心技術 駕馭光的運用

技術文章

機器視覺定位算法:二維圖像模式定位係統算法

日期:2018-04-25 來源:币游国际
        機器視覺(Machine Vision),又被稱為計算機視覺或人工視覺,是用計算機模擬人眼的視覺功能,從圖像或圖像序列中提取信息,對客觀世界的三維景物和物體進行形態和運動識別。 機器視覺技術已廣泛應用於工業自動化生產線,各類檢驗和監視,視覺導航,圖像自動解釋、人機交互及虛擬現實等領域。
 
二維圖像模式定位係統算法
 
       機器視覺中的二維圖像模式定位係統算法整體流程圖如圖1所示,由RBF網絡模式訓練和模式定位兩個部分組成。
       徑向基函數(RBF,Radial basis function) RBF網絡為兩層MLP(Multiple Layer Propagation)提供了一種前饋結構,具有最佳逼近(Best approximation)性質,無須學習係數,學習收斂速度極快,在樣本數目多的情況下,正確率趨於穩定。故本算法中采用RBF網絡對圖像特征進行神經網絡學習訓練。


 機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com
圖1 定位算法流程圖
 
        定位係統具體工作流程圖如圖2所示。先設定訓練模式,對模板圖像進行預處理,濾除幹擾、噪聲後再經特征提取得到訓練樣本,對樣本進行學習,提供分類決策。在待識別模式中對待識別圖像同樣經過預處理、特征提取後,用訓練模式中的分類器中提取的分類決策進行RBF網絡識別,得到結果。若分類器不能提供目前的分類決策,則得到錯誤檢測,需要更新訓練模式,直到重新獲得正確的分類決策。其中最重要的一個環節就是特征提取與選擇,影響到最後的定位精度。

 機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com
圖2  RBF神經網絡特征識別係統工作流程圖
 
圖像特征提取
 
        小波變換具有多分辨率特性,對原始圖像的分解呈Mallat塔式分解,具有集中信號能量的能力,小波變換後圖像的信息僅僅集中在少數幾個變換係數上,多數變換係數為零,有助於降低圖像目標小波變換的時間複雜度和空間複雜度(如圖3所示)。同時小波變換後代表圖像頂點等特征點的模極大值的範數不隨圖像的旋轉、平移和伸縮的變化而改變,故本文在小波變換的基礎上對圖像提取特征。


機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com 
圖3 小波變換前後圖像的直方圖比較
 
       視覺係統獲得具有實際模式的二維圖像,記為I(x,y)。存儲在計算機內存中具有同樣模式的參考圖像(即模板)記為
機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com
 
       本文隻考慮二維圖像變化為剛性變化的情況。
       其中點集P{p1、p2、… pm}表示參考圖像W的數據,Q{q1、q2、… qn}為經過仿射變換(如平移、旋轉、縮放等)的圖像I數據。本文假設圖像I和模板W中心重合,則P與Q之間的關係可以通過公式求得
機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com
       其中s 是兩幅圖像的放大縮小比例係數,θ是旋轉角度,∆x、∆y分別是沿X軸,Y軸方向的位移偏移量。
       特征提取步驟為:首先對圖像重采樣,使得其寬度和高度是2的冪次方,然後進行小波變換得到矩陣X,將X歸一化得到圖像特征矩陣Y。其中X=[x1,…,xn]T為低分辨率的小波係數組合成的矩陣,均值µ,方差σ,矩陣Y=[y1,…,yn]T為
機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com

模式訓練算法
 
獲得圖像特征矩陣後,對特征進行 RBF網絡學習訓練,對RBF中心的學習采用模糊聚類算法。


機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com 
圖4  定位算法中模式訓練流程圖
 
計算權值係數
 
       由於本算法中RBF選用的是高斯函數,因此方差為:機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com

       其中 M為隱含層節點數,dmax為所選取中心之間的最大距離。隱含層至輸出層單元連接權值用最小二乘法直接計算,即
機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com
模式定位算法
 
       對背景圖像進行預處理後提取特征,用已經訓練好的RBF網絡分類器進行鄰域搜索,求得最佳匹配位置。流程圖如圖5所示。


 機器視覺定位算法:二維圖像模式定位係統算法_heydanbo.com
圖5  定位算法中模式定位流程圖
 
原文鏈接:http://www.elecfans.com/lab/code/20180123621321.html



返回列表