[发明专利]一种自动训练形状匹配模型的方法

说明书

本发明提出了一种自动训练形状匹配模型的方法，包括：步骤S1，采集一张没有目标的图像；步骤S2，采集一张包含目标的图像；步骤S3，获取步骤S1和步骤S2采集的两张图像的多个差异区域；步骤S4，计算每个区域的最小外接矩形或椭圆形，以及其长轴与图像x轴形成的角度；步骤S5，针对所有差异区域提取边缘点，并计算每个边缘点基于灰度的梯度信息；步骤S6，随机选取一个差异区域中的边缘点训练初始模型；步骤S7，通过其他区域中的边缘点对上述模型进行修饰，得到适用于所有目标的模型；步骤S8，利用修改后的模型在步骤S2采集的图像中搜索目标，如果无法找到所有目标或到达最大迭代次数，则返回步骤S5，最后一次迭代得到的模型即为最终模型。

技术领域

本发明涉及图像定位处理技术领域，特别涉及一种自动训练形状匹配模型的方法。

背景技术

模板匹配是一种在图像中搜索另一幅图像(称之为模板图像)的技术，广泛用于在图像中定位目标。其基本思路为：首先根据模板图像的特征训练模型，然后在新的图像中利用模型信息搜索模板图像，最终得到目标在新的图像中的位置。

在当前机器视觉软件中，模板匹配是常用的功能，其第一步是获取模板图像然后训练模型。训练模型的流程为：1.将需要定位的目标放置于视野中并获取包含目标的图像；2.在图像中设置包含目标的ROI并将ROI中的部分作为模板图像；3.设置模型训练参数。上述过程要求人去参与ROI和参数的设置，相对繁琐且需要人了解参数的意义，无法实现模型训练的完全自动化。

模板匹配根据匹配原理的不同有多种匹配方法，《OCCLUSION,CLUTTER,ANDILLUMINATION INVARIANT OBJECT RECOGNITION》提出了一种工业级的模板匹配方法——基于形状的匹配(简称形状匹配)，在非线性光源变化以及存在遮挡、污损等情况下依然可以实现很好的识别。其基本原理为提取模板图像中的边缘点，并计算每个边缘点的梯度，利用所有边缘点所包含的位置和梯度信息以及目标可能发生的变化(平移、旋转和缩放)信息计算模型，随后在其他图像中搜索该模型。可见，该方法所需要设置的参数也比较多，需要一定的专业知识，具有较高的使用门槛。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种自动训练形状匹配模型的方法。

为了实现上述目的，本发明的实施例提供一种自动训练形状匹配模型的方法，包括如下步骤：

步骤S1，采集一张没有目标的图像；

步骤S2，采集一张包含目标的图像，其中，所述步骤S1采集的图像和步骤S2采集的图像的区别仅在于是否存在目标；

步骤S3，获取步骤S1和步骤S2采集的两张图像的多个差异区域；

步骤S4，计算每个区域的最小外接矩形或椭圆形；

步骤S5，针对所有差异区域提取边缘点，并计算每个边缘点基于灰度的梯度信息；

步骤S6，随机选取一个差异区域中的边缘点训练初始模型；

步骤S7，通过其他区域中的边缘点对上述模型进行修饰，得到适用于所有目标的模型；

步骤S8，利用修改后的模型在步骤S2采集的图像中搜索目标，如果无法找到所有目标或到达最大迭代次数，则返回步骤S5，最后一次迭代得到的模型即为最终模型。

进一步，所述步骤S3包括：

步骤S31，对两张图像逐像素作差并取绝对值，得到新的图像；

步骤S32，对所述新的图像进行二值化，得到二值化图像；

步骤S33，根据所述二值化图像中像素为255的点之间的连通关系，获得所述二值化图像中的多个连通域；所述多个连通域对应表示多个差异区域。