[发明专利]局部模板智能启发全局图像匹配方法

说明书

技术领域

本发明涉及机器视觉技术领域，特别适用于机器视觉在工业设备中的智能启发式应用。

背景技术

1962年，R．纳拉西曼提出了一种基于基元关系的句法模式识别方法，该方法是结构模式识别的发展，特别对于复杂模式情况下，所面临的一个困难就是特征提取的问题，它所要求的特征量十分巨大，要把某一个复杂模式准确分类很困难，因此该方法通过把一个复杂模式分解为许多基元，支配基元组成模式的规则称为文法，然后对基元进行识别，当每个基元被识别后，利用句法分析和分类决策就可以作出整个的模式识别，即以这个句子是否符合某特定文法，以识别该复杂模式，如图1所示。但由于使用句法模式识别方法时，在基元提取和分类器训练上的困难使得结构模式识别方法仍未成熟。

由于句法模式识别方法的缺点，在机器视觉领域，该方法的应用特别有限。随着计算机视觉技术的日益发展，机器视觉已经广泛用于工业、农业、医药等各种行业，机器视觉系统最基本的功能就是提高了生产的灵活性和自动化程度。在机器视觉领域，图像匹配是目前应用于机器视觉中最为广泛的技术，传统图像匹配方法主要分为两种，一种是基于图像灰度的算法，另一种是基于图像特征的算法。但是图像匹配存在着待识别图像必须是已知的，能够事先制作出特征或模板的条件，而对于未知的待识别图像不能够自适应进行，因此还需要对其智能化程度进行更大的提高。

发明内容

为了克服现有技术的不足，本发明公开了一种局部模板智能启发全局图像匹配方法。该方法并不对待识别的机器视觉图像进行基元分解和分类，因此克服了句法模式识别中基元提取和分类器的困难，而又保持了通过句法分析而带来的智能启发式优点，提高了图像匹配的智能化程度。

本发明所采用的技术方案是针对样本图像进行句法分析，然后再使用得到的全局模板实现图像匹配，其具体步骤如下：

(1)训练过程生成局部模板：首先对样本图像进行滤波等预处理，然后选择图像中可能普遍存在的局部特征作为基元，对这些基元部分生成局部模板；

(2)启发过程生成全局模板：使用已经在训练过程中生成的局部模板和输入的结构参数，通过句法分析或其他组合算法从而生成适用于当前待识别图像所需的全局模板；

(3)识别过程完成图像匹配：此过程可以使用目前任何常用的图像匹配方法实现图像匹配完成识别，其使用的模板就是在之前启发过程中得到的全局模板。

本发明与现有技术相比，具有以下有益效果：

(1) 通过启发过程，使支持的对象扩展到当前未知的视觉图像进行识别，例如产品型号多元化带来的维护问题，由于本发明能扩展到目前未知的产品型号上，因此使得产品生产设备能够智能化的适应新的产品；

(2)相对于句法模式识别来说，具有更高的效率，因为对象识别过程就是采用传统图像识别方法，没有增加复杂度，因此识别效率与传统图像识别方法一样，而句法分析、局部模板生成和全局模板生成是放在独立的过程中，即训练过程和启发过程中，这两个过程通常可以提前完成，例如对于当前未知产品型号到了真正开始生产的时候，其型号已经确定，此时已经提前完成了训练过程和启发过程，在生产过程中，只需要进行识别过程，从而回避了句法模式识别效率低的问题；

具体实施方式：

本发明局部模板智能启发全局图像匹配方法包括3个过程：

(1)训练过程生成局部模板：首先对样本图像进行滤波等预处理，然后选择图像中可能普遍存在的局部特征作为基元，对这些基元部分生成局部模板；

(2)启发过程生成全局模板：使用已经在训练过程中生成的局部模板和输入的结构参数，通过句法分析或其他组合算法从而生成适用于当前待识别图像所需的全局模板；

(3)识别过程完成图像匹配：此过程可以使用目前任何常用的图像匹配方法实现图像匹配完成识别，其使用的模板就是在之前启发过程中得到的全局模板。

下面通过实施例详细描述本发明，从而更清晰的阐述本发明的优点和特征。

使用本发明可以更好的实现产品型号多元化的智能生产，如图3 和图4所示为实施的流程图，其具体步骤如下：

(1)将训练过程单独作为一个独立过程，此过程对许多种产品型号进行共同特征的分类划分，然后选择这些共同特征作为基元，如图3所示，产品图像经过高斯滤波后，选择共同特征作为基元，然后将这些基元制作成为多个局部模板，该过程不需要对每个产品型号都进行训练，而是寻找许多产品型号的共同特征，一次训练就完成几十甚至几百个产品型号的局部模板；