王世勇 乾國(guó)康 李迪 張舞杰

（華南理工大學(xué) 機(jī)械與汽車(chē)工程學(xué)院，廣東 廣州 510640）

模板匹配作為機(jī)器視覺(jué)領(lǐng)域十分重要的研究?jī)?nèi)容之一，是目標(biāo)識(shí)別、工件定位、對(duì)象跟蹤等技術(shù)的重要環(huán)節(jié)［1］。其核心理念是利用模板圖像像素信息或特征信息，在待處理圖像中進(jìn)行目標(biāo)搜索，進(jìn)而確定目標(biāo)位姿。目前，模板匹配的實(shí)現(xiàn)主要有3種技術(shù)途徑：基于灰度的模板匹配方法利用圖像灰度信息進(jìn)行匹配［2-3］，具有原理簡(jiǎn)單、容易實(shí)現(xiàn)的優(yōu)勢(shì)，但是其計(jì)算量大、抗干擾性差，使用局限性較大；基于特征的模板匹配方法利用特征點(diǎn)［4］、邊緣［5-6］、結(jié)構(gòu)［7］等作為匹配特征，相比于基于灰度的方法有較好的魯棒性；隨著機(jī)器學(xué)習(xí)技術(shù)的興起，深度學(xué)習(xí)也被用于模板匹配［8-9］。基于深度學(xué)習(xí)的模板匹配方法能夠自動(dòng)學(xué)習(xí)圖像特征，從而顯著減少對(duì)圖像處理專(zhuān)業(yè)知識(shí)的要求。但深度學(xué)習(xí)模型的訓(xùn)練需要大量的標(biāo)注數(shù)據(jù)和基于經(jīng)驗(yàn)的反復(fù)調(diào)試，因此要求大量的人工作業(yè)和人工智能專(zhuān)業(yè)知識(shí)。

因此，基于特征的模板匹配方法具有魯棒性和效率兩方面的綜合優(yōu)勢(shì)，仍然是目前最常用的一類(lèi)模板匹配方法。其中，基于邊緣特征的模板匹配方法是其一個(gè)重要分支。在邊緣特征配準(zhǔn)魯棒性方面，Hinterstoisser 等［10］提出一種結(jié)合邊緣二維梯度信息與物體內(nèi)部三維法線(xiàn)信息的特征描述方法，一定程度上增強(qiáng)了模板匹配的魯棒性。Peng［11］在主導(dǎo)方向模板方法中引入顏色模板，并且采用邏輯回歸方法優(yōu)化匹配分?jǐn)?shù)，增強(qiáng)了無(wú)紋理物體檢測(cè)的魯棒性。Wu 等［12］將關(guān)鍵邊緣點(diǎn)和其鄰域內(nèi)邊緣直方圖信息相結(jié)合，形成更加復(fù)雜的描述子，能夠在非線(xiàn)性強(qiáng)度變化和噪聲情況下保持較高的匹配準(zhǔn)確率。吳曉軍等［13］利用亞像素邊緣位置信息和梯度特征作為模板信息，能夠以亞像素精度穩(wěn)定地定位目標(biāo)對(duì)象。Chan 等［14］提出一種面向邊界的矩形描述子，利用物體大小的定向矩形實(shí)現(xiàn)具有最小離群值的最佳物體信息封裝，能夠保證在雜波、遮擋場(chǎng)景下的高檢測(cè)率。這類(lèi)方法的共性特點(diǎn)是提出了冗余的模板描述方法，以增加匹配時(shí)間為代價(jià)提升方法的魯棒性，難以滿(mǎn)足實(shí)時(shí)場(chǎng)景的模板匹配需求。

為了提升模板匹配效率，Le 等［15］提出了一種GPU 加速方法，利用GPU 高效的并行計(jì)算能力提升匹配速度。但是，這種方法需要GPU 硬件支持，有一定的局限性。Tsai等［16］根據(jù)邊緣梯度方向進(jìn)行高效的相似度查表計(jì)算，能夠適當(dāng)?shù)靥嵘ヅ渌俣?，但?huì)造成大量的內(nèi)存消耗，所以該方法也受限于計(jì)算機(jī)硬件的性能。王凱等［17］提出了邊緣點(diǎn)稀疏、逐層重疊篩選的金字塔匹配策略，以提升匹配效率。利用平均采樣稀疏雖然能夠減少邊緣點(diǎn)數(shù)量，但不會(huì)降低噪聲邊緣點(diǎn)的比率，所以削弱了方法的魯棒性；逐層進(jìn)行目標(biāo)重疊篩選雖然能夠小幅提升計(jì)算速度，但會(huì)排除掉部分正確位姿，影響匹配準(zhǔn)確性。

綜上所述，當(dāng)前基于邊緣特征的模板匹配方法在魯棒性和實(shí)時(shí)性?xún)煞矫骐y以達(dá)到平衡。針對(duì)該問(wèn)題，本文提出一種改進(jìn)的邊緣特征模板匹配方法。首先，在模板創(chuàng)建階段，提出一種新型邊緣稀疏方法，獲取最佳邊緣點(diǎn)集，減少模板信息冗余；然后，在圖像匹配階段，結(jié)合金字塔搜索策略，提出頂層提前篩選方法，以剔除錯(cuò)誤位姿、加快后續(xù)各層的搜索速度；最后，通過(guò)多種工況的對(duì)比實(shí)驗(yàn)和快速視覺(jué)點(diǎn)膠工藝檢驗(yàn)所提模板匹配方法的性能。

1 系統(tǒng)框架

如圖1所示，基于邊緣特征的模板匹配方法包括圖像模板創(chuàng)建和圖像匹配兩個(gè)階段，各階段又分別包括若干個(gè)步驟。

圖1 整體技術(shù)框架Fig.1 Overall technical framework

（1）模板創(chuàng)建階段：首先，對(duì)模板圖像進(jìn)行自適應(yīng)下采樣，生成圖像金字塔；其次，對(duì)每層圖像進(jìn)行輪廓分割［18］并創(chuàng)建圖像掩膜，結(jié)合最大類(lèi)間方差法和Canny 算子對(duì)模板圖像進(jìn)行自適應(yīng)邊緣檢測(cè)［19］，并且通過(guò)邊緣稀疏方法篩選出最佳邊緣點(diǎn)集；最后，根據(jù)最佳邊緣點(diǎn)集中邊緣點(diǎn)梯度向量生成圖像模板信息。

（2）圖像匹配階段：首先，對(duì)實(shí)時(shí)圖像進(jìn)行與模板創(chuàng)建階段同樣的金字塔下采樣；其次，在金字塔頂層進(jìn)行粗搜索并利用頂層提前篩選方法獲取潛在目標(biāo)位姿，同時(shí)排除錯(cuò)誤目標(biāo)位姿；接著，從上到下對(duì)金字塔進(jìn)行逐層搜索，以精度遞增的方式，進(jìn)一步排除錯(cuò)誤目標(biāo)位姿，找到滿(mǎn)足閾值要求的潛在目標(biāo)位姿；最后，在底層圖像中，利用非極大抑制與曲面擬合得到亞像素級(jí)的目標(biāo)位姿。

2 模板創(chuàng)建

圖像模板是圖像匹配的基準(zhǔn)，在保證模板圖像特征質(zhì)量的前提下減少模板表達(dá)的信息量，有助于減小圖像匹配的計(jì)算量，從而提升匹配速度。圖像模板創(chuàng)建包括圖像金字塔構(gòu)建、最佳邊緣點(diǎn)提取、模板信息生成等幾個(gè)主要步驟。特別地，在圖像金字塔構(gòu)建方面，提出了自適應(yīng)金字塔層數(shù)計(jì)算方法；在最佳邊緣點(diǎn)提取方面，提出了稀疏可控的鄰域融合方法；在模板信息生成方面，采用了更加穩(wěn)健的描述子。這些創(chuàng)新能夠有效減少圖像模板的信息冗余，為實(shí)時(shí)模板匹配奠定基礎(chǔ)。

2.1 自適應(yīng)圖像金字塔構(gòu)建

圖像金字塔是利用濾波器多次下采樣形成的一系列分辨率逐步降低的圖像集合。當(dāng)前，高斯金字塔是最常用的圖像金字塔，采用的濾波器是高斯濾波器。為了減少金字塔構(gòu)建時(shí)間，本文采用2 × 2均值濾波器構(gòu)建圖像金字塔。這種方法雖然降低了圖像分辨率，但不會(huì)顯著影響圖像質(zhì)量。同時(shí)，根據(jù)模板圖像大小、模板圖像邊緣情況，自適應(yīng)地計(jì)算金字塔層數(shù)。

式中：m為根據(jù)圖像大小初步確定的層數(shù)；W為模板圖像寬度；H為模板圖像高度；Round 函數(shù)為取整操作；m'為最終確定的金字塔層數(shù)；NEP，min為設(shè)定的邊緣點(diǎn)數(shù)量閾值，NEP(j)為初步確定的第j（j=1，2，…，m）層金字塔圖像邊緣點(diǎn)數(shù)量，且令NEP(m+1)=NEP，min。由于每層邊緣點(diǎn)數(shù)量隨著層數(shù)的增加而單調(diào)減少，因此該方法最終將第m'層作為頂層，而排除掉其后邊緣點(diǎn)過(guò)少的幾層。

2.2 最佳邊緣點(diǎn)提取

直接利用邊緣檢測(cè)結(jié)果構(gòu)建圖像模板會(huì)加大搜索過(guò)程的計(jì)算量，難以保證方法的實(shí)時(shí)性。針對(duì)這一問(wèn)題，提出一種邊緣稀疏方法。該方法能夠保留模板邊緣中穩(wěn)定性較好的邊緣點(diǎn)，即對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化能夠保持較好不變性的邊緣點(diǎn)。

首先，對(duì)所有邊緣點(diǎn)進(jìn)行置信評(píng)分計(jì)算：

式中，Ep為邊緣點(diǎn)p的置信評(píng)分，U(p，R)為邊緣點(diǎn)p的半徑為R的鄰域，Mp為邊緣點(diǎn)p的梯度幅值，而Mi為p鄰域內(nèi)其他邊緣點(diǎn)的梯度幅值：

式中，ti、ui分別為邊緣點(diǎn)在x、y方向的梯度值。式（2）表明相對(duì)于鄰域內(nèi)其他點(diǎn)，點(diǎn)p的梯度幅值越大，其置信評(píng)分越高。這樣，能夠保證強(qiáng)邊緣獲得較高的置信評(píng)分。

其次，定義邊緣點(diǎn)集EPall和最佳邊緣點(diǎn)集EPbest。初始時(shí)，EPall包含所有邊緣點(diǎn)，EPbest為空。

然后，根據(jù)置信評(píng)分對(duì)EPall中的邊緣點(diǎn)進(jìn)行排序，將置信評(píng)分最高的邊緣點(diǎn)轉(zhuǎn)移到EPbest中，并將其鄰域中所有其他邊緣點(diǎn)從EPall中刪除。

接著，對(duì)EPall中剩余的邊緣點(diǎn)重復(fù)進(jìn)行上述的排序、轉(zhuǎn)移和刪除操作，直到EPall為空。這樣，EPbest就匯集了所有最佳邊緣點(diǎn)。

另外，為使最佳邊緣點(diǎn)數(shù)量可調(diào)，為所提邊緣稀疏方法定義一種稀疏因子γ：

利用邊緣稀疏方法能夠提取邊緣中適量的關(guān)鍵點(diǎn)，組成最佳邊緣點(diǎn)集，這些點(diǎn)分布在模板圖像的重要邊緣上。與邊緣點(diǎn)集相比，最佳邊緣點(diǎn)集在較少的邊緣點(diǎn)數(shù)量情況下，仍然能夠保留邊緣輪廓結(jié)構(gòu)信息。

2.3 模板信息的生成

模板信息通常是由模板圖像全部邊緣描述子構(gòu)成［20］，本文以最佳邊緣點(diǎn)梯度信息作為描述子構(gòu)建模板信息。為了保證模板具有不變性，選擇模板圖像中心作為參考點(diǎn)，并以邊緣點(diǎn)相對(duì)于參考點(diǎn)的位置偏移Li(xi，yi)和梯度向量Gi(Ti，Ui)作為描述子，如圖2 所示。整合全部邊緣描述子，形成模板信息：

圖2 模板信息描述子示例Fig.2 Illustration of template information descriptors

式中，IMinfo 表示圖像模板信息，n為最佳邊緣點(diǎn)集中邊緣點(diǎn)數(shù)量，(xi，yi，Ti，Ui)為最佳邊緣點(diǎn)集中第i個(gè)邊緣點(diǎn)對(duì)應(yīng)的描述子，其中(xi，yi)為邊緣點(diǎn)相對(duì)于參考點(diǎn)的位置偏移，而Ti、Ui為邊緣點(diǎn)在x、y方向的歸一化梯度值：

通常，歸一化有利于提升模板的魯棒性。

3 圖像匹配

圖像匹配是一個(gè)動(dòng)態(tài)過(guò)程，需要交替地進(jìn)行目標(biāo)搜索和相似性度量，最終篩選出與模板圖像相似的對(duì)象作為目標(biāo)對(duì)象。對(duì)目標(biāo)圖像進(jìn)行遍歷搜索是一個(gè)直觀但低效的過(guò)程。為了提升搜索效率，采用金字塔搜索策略，特別是在金字塔搜索的過(guò)程中提出一種頂層提前篩選方法，從而可以提前排除錯(cuò)誤位姿，顯著縮短搜索時(shí)間。在相似性度量方面，引入邊緣梯度閾值限制，能夠排除目標(biāo)圖像中不滿(mǎn)足梯度幅值要求的邊緣點(diǎn)，實(shí)現(xiàn)濾噪操作，提升魯棒性。

3.1 相似性度量

相似性度量是模板匹配的重要技術(shù)之一，目標(biāo)圖像中某一局部區(qū)域和模板圖像之間的相似性得分越高，表明該區(qū)域越可能包含目標(biāo)對(duì)象［21］。在圖像模板制作階段，創(chuàng)建單一角度模板信息，以避免多角度模板信息的過(guò)大內(nèi)存開(kāi)銷(xiāo)。相應(yīng)地，在模板匹配階段，為了保證模板旋轉(zhuǎn)不變性和尺度不變性，需要對(duì)單一角度模板信息進(jìn)行相似變換：

式中，θ為旋轉(zhuǎn)角度，f為尺度因子，為相似變換后的描述子。

匹配過(guò)程中，在目標(biāo)圖像中的某個(gè)搜索位置P=(xp，yp)計(jì)算目標(biāo)圖像與模板圖像的相似度：

式中：MP'為邊緣點(diǎn)P'的梯度幅值；Mmin為梯度幅值閾值；P'(+xp，+yp)為目標(biāo)圖像中與模板圖像第i個(gè)邊緣點(diǎn)對(duì)應(yīng)的點(diǎn)；VP'、WP'分別為P'處歸一化梯度向量在x、y方向上的分量；si為目標(biāo)圖像與模板圖像中單個(gè)對(duì)應(yīng)點(diǎn)對(duì)的相似性得分。當(dāng)目標(biāo)圖像中邊緣點(diǎn)梯度幅值大于閾值Mmin時(shí)才計(jì)算點(diǎn)對(duì)的相似性得分，否則點(diǎn)對(duì)的相似性得分為0，這種閾值限制能夠避免目標(biāo)圖像中噪聲邊緣點(diǎn)對(duì)相似度的干擾。

模板圖像在目標(biāo)圖像某位置處的相似性得分S定義為所有點(diǎn)對(duì)相似性得分的算術(shù)平均值：

然而，對(duì)于部分遮擋的目標(biāo)圖像，遮擋區(qū)域出現(xiàn)的隨機(jī)梯度會(huì)降低相似性得分。根據(jù)遮擋比例α（可由用戶(hù)設(shè)定或由自適應(yīng)方法確定），取k個(gè)相似性得分最高的邊緣點(diǎn)對(duì)計(jì)算總體相似性得分：

綜上，利用梯度閾值限制目標(biāo)圖像中梯度較小的噪聲邊緣，能夠提升模板匹配穩(wěn)定性。對(duì)于存在遮擋的匹配場(chǎng)景，在對(duì)所有描述子進(jìn)行相似度計(jì)算后，根據(jù)遮擋比例和相似得分分布情況排除得分較低的區(qū)域，從而顯著降低錯(cuò)誤配準(zhǔn)率。

3.2 金字塔搜索策略

圖像金字塔搜索是一種由粗到精的搜索策略，即先在頂層低分辨率圖像中進(jìn)行遍歷搜索，獲取潛在目標(biāo)平面位姿，然后逐層縮小搜索范圍并增加搜索精度，從而能夠在保證搜索精度的同時(shí)提升搜索效率［22］。在逐層搜索過(guò)程中，下層只需要對(duì)上層潛在平面目標(biāo)位姿映射的鄰域進(jìn)行搜索，搜索區(qū)域由下式確定：

式中，（x，y，θ）為搜索區(qū)域，ηx、ηy、ηθ為上層潛在目標(biāo)位姿，dEp表示擴(kuò)展搜索范圍，

式中，j為金字塔層數(shù)，取值范圍通常為1 -7。這種加速搜索策略在越靠近頂層時(shí)搜索范圍越大，越靠近底層時(shí)搜索范圍越小，使得匹配方法不會(huì)過(guò)早陷入局部最優(yōu)解。

頂層遍歷搜索過(guò)程中需要設(shè)定尺度步長(zhǎng)，通常尺度步長(zhǎng)越小則搜索時(shí)間越長(zhǎng)，合適的步長(zhǎng)能夠在避免目標(biāo)遺漏的情況下保證最佳的搜索速度，因此尺度步長(zhǎng)需要根據(jù)實(shí)際場(chǎng)景設(shè)定。

在進(jìn)行圖像金字塔搜索時(shí)，角度步長(zhǎng)越小，角度分辨率就越高，但過(guò)小的角度步長(zhǎng)會(huì)增加搜索時(shí)間，所以需要確定合適的角度步長(zhǎng)。其中，最底層的角度步長(zhǎng)a1為

式中，(xl，yl)為最佳邊緣點(diǎn)集中距離參考點(diǎn)(xc，yc)最遠(yuǎn)的邊緣點(diǎn)。隨著金字塔層數(shù)的升高，圖像分辨率逐漸降低，所以可以在上層搜索中采用較大的角度步長(zhǎng)aj：

為了不丟失目標(biāo)，隨著金字塔層數(shù)的升高，需要放松對(duì)相似性得分的要求。如果底層相似性得分閾值為Smin1，那么各層相似性得分閾值Sminj為

金字塔底層搜索后只能得到像素級(jí)精度目標(biāo)位姿，為了獲取更高精度的目標(biāo)位姿，可以將目標(biāo)位置周?chē)? × 3 鄰域進(jìn)行曲面擬合［23］，并將擬合曲面的頂點(diǎn)作為最終亞像素精度目標(biāo)位置。

3.3 金字塔頂層提前篩選

在對(duì)金字塔頂層圖像進(jìn)行遍歷搜索后，可能得到多個(gè)潛在目標(biāo)位姿，而通常只有一部分為正確的目標(biāo)位姿。傳統(tǒng)的金字塔搜索方法不對(duì)頂層潛在目標(biāo)位姿進(jìn)行篩選，而是將全部的潛在目標(biāo)位姿作為后續(xù)搜索的對(duì)象，因此增加了無(wú)效搜索時(shí)間。為了盡早排除頂層搜索結(jié)果中的錯(cuò)誤目標(biāo)位姿，本文提出一種頂層提前篩選方法。

頂層遍歷過(guò)程中，當(dāng)所得位姿滿(mǎn)足最小相似性得分Smin1時(shí)，計(jì)算其與其他潛在目標(biāo)位姿的歸一化曼哈頓距離D：

式中，(x1，y1，θ1)、(x2，y2，θ2)分別為待判定的目標(biāo)位姿和合法的潛在目標(biāo)位姿，?為搜索角度范圍。如果該位姿與其他合法位姿的曼哈頓距離均大于設(shè)定的閾值Dmin，則直接將該位姿認(rèn)定為合法的潛在目標(biāo)位姿；如果該位姿與部分合法位姿的曼哈頓距離小于設(shè)定的閾值Dmin，則重新評(píng)估這些位置相近的位姿，然后保留相似性得分最高的一個(gè)，同時(shí)排除這些鄰近位姿中的其他位姿。

頂層提前篩選方法不僅考慮了潛在目標(biāo)位姿的重疊率，還將角度差作為判斷依據(jù)，能夠在頂層中提前排除錯(cuò)誤位姿，并且不會(huì)錯(cuò)誤地排除位置接近、角度不接近的潛在目標(biāo)位姿。圖3展示了頂層提前篩選方法的實(shí)施效果。在頂層搜索過(guò)后得到5 個(gè)目標(biāo)位姿，且各位姿的相似性得分均大于設(shè)定值。位姿A、B、C的位置、角度均接近，所以?xún)H相似性得分最大的位姿B 得以保留。位姿D 和E 的相似性得分雖然小于位姿B，但是位姿D 與位姿B 角度偏差較大，而位姿E 與位姿B 距離較遠(yuǎn)，所以這兩個(gè)位姿也得以保留。

圖3 頂層提前篩選示例Fig.3 A top-level pre-screening example

所提算法搜索效率的提升主要體現(xiàn)在最佳邊緣提取與頂層提前篩選兩方面。為了進(jìn)行時(shí)間復(fù)雜度分析，假設(shè)：①在最佳邊緣提取過(guò)程中保留了β1(0 ＜β1＜1)倍的邊緣點(diǎn)，在頂層提前篩選過(guò)程中保留了β2(0 ＜β2＜1)倍的潛在目標(biāo)；②其他過(guò)程對(duì)時(shí)間復(fù)雜度的影響較小，在此不考慮其影響；③令傳統(tǒng)方法在頂層遍歷搜索時(shí)耗時(shí)Ttop，在其他層逐層精確搜索耗時(shí)Tother。

基于上述假設(shè)，傳統(tǒng)的基于金字塔的模板匹配算法時(shí)間復(fù)雜度為T(mén)top+Tother，所提算法時(shí)間復(fù)雜度為β1Ttop+β1β2Tother，且有：

所以，所提算法的搜索速度比傳統(tǒng)金字塔模板匹配方法快。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)條件

為了驗(yàn)證所提模板匹配方法的魯棒性與實(shí)時(shí)性，本文構(gòu)建了5組工況不同的圖像數(shù)據(jù)集：①數(shù)據(jù)集1 是一組在不同光照情況下拍攝的瓶蓋圖像，共有324張，分辨率為652 × 494；②數(shù)據(jù)集2是一組包含了不同位姿的半導(dǎo)體芯片圖像，共720 張，分辨率為646 × 492；③數(shù)據(jù)集3是一組包含不同圖標(biāo)缺陷的瓶蓋圖像，共有324張，分辨率為1 280 ×1 024；④數(shù)據(jù)集4是一組數(shù)量和位置不同的氣管接頭圖像，共有648張，分辨率為1 920 × 1 080；⑤數(shù)據(jù)集5 是一組存在不同程度遮擋的夾緊裝置圖像，共有720張，分辨率為1 280 × 1 024。

所有實(shí)驗(yàn)都是在同一臺(tái)64 位Win10 系統(tǒng)的個(gè)人計(jì)算機(jī)上進(jìn)行的，其CPU 為2.60 GHz 11th Gen Intel（R）Core（TM），并配有16 GB 內(nèi)存；軟件開(kāi)發(fā)平臺(tái)為Visual Studio 2019，所用編程語(yǔ)言為C++。

所提模板匹配方法參數(shù)設(shè)置為：邊緣點(diǎn)數(shù)量閾值EPNmin為10，旋轉(zhuǎn)角度θ范圍為-180°～180°，角度步長(zhǎng)由式（13）和（14）確定，尺度因子f為0.8～1.2，尺度步長(zhǎng)為0.1，梯度閾值Mmin為20，底層相似性得分閾值Smin1為0.6，曼哈頓距離閾值Dmin為1。對(duì)于數(shù)據(jù)集5，遮擋比例α為0.5。

以平均匹配時(shí)間和準(zhǔn)確率（正確識(shí)別的目標(biāo)個(gè)數(shù)占目標(biāo)總數(shù)的比例）作為評(píng)價(jià)指標(biāo)，進(jìn)行兩部分實(shí)驗(yàn)：首先，通過(guò)實(shí)驗(yàn)分析本文提出的邊緣稀疏方法與頂層提前篩選方法對(duì)方法魯棒性和實(shí)時(shí)性的優(yōu)化效果；其次，與RPVC［2］、LGSC［7］、NCC［3］、CCAS［11］4種模板匹配方法進(jìn)行對(duì)比實(shí)驗(yàn)。

4.2 優(yōu)化效果分析

本文提出的邊緣稀疏方法能夠獲取最佳邊緣點(diǎn)集，而最佳邊緣點(diǎn)集的元素?cái)?shù)量可由稀疏因子控制。不同稀疏因子下最佳邊緣點(diǎn)集如圖4所示，其中白色輪廓為圖像邊緣，紅色點(diǎn)為最佳邊緣點(diǎn)集的元素?？梢?jiàn)，稀疏因子越大，最佳邊緣點(diǎn)分布越稀疏。

圖4 不同稀疏因子下的最佳邊緣點(diǎn)集Fig.4 The best edge points under different sparse factors

為了驗(yàn)證邊緣稀疏方法對(duì)匹配方法的優(yōu)化效果，選取芯片圖像（數(shù)據(jù)集2）作為測(cè)試對(duì)象，所用模板圖像分辨率為255×132，測(cè)試結(jié)果如圖5所示。結(jié)果表明，隨著稀疏因子的增大，平均匹配時(shí)間縮短，匹配準(zhǔn)確率也逐漸降低；但是平均匹配時(shí)間減少的幅度越來(lái)越小，而匹配準(zhǔn)確率下降的幅度卻越來(lái)越大。在實(shí)驗(yàn)條件下，稀疏因子γ=0.4時(shí)，平均匹配時(shí)間和準(zhǔn)確率能夠?qū)崿F(xiàn)較好的平衡，即能夠在較高的匹配準(zhǔn)確率情況下大幅縮短匹配時(shí)間。本例中，匹配速度相比無(wú)邊緣稀疏提升了70%，并且匹配準(zhǔn)確率保持在98%以上。

圖5 不同稀疏因子下的方法性能Fig.5 Algorithm performance under different sparse factors

為了測(cè)試頂層提前篩選方法對(duì)所提模板匹配方法的優(yōu)化效果。稀疏因子γ=0.4的條件下，在5組數(shù)據(jù)集中進(jìn)行有頂層提前篩選和無(wú)頂層提前篩選的性能對(duì)比，測(cè)試結(jié)果如圖6所示。結(jié)果表明，與不進(jìn)行頂層篩選相比，進(jìn)行頂層篩選能夠提升20%～45%的匹配速度，同時(shí)不會(huì)明顯影響匹配準(zhǔn)確率。

圖6 有無(wú)頂層提前篩選的性能對(duì)比Fig.6 Comparison performance of algorithms with pre-screening and without pre-screening

由此可見(jiàn)，本文方法中提出的邊緣稀疏方法與頂層提前篩選方法能夠使得所提模板匹配方法在保證魯棒性的同時(shí)提升搜索效率。

4.3 模板匹配效果對(duì)比

圖7 展示了所提模板匹配方法在稀疏因子γ=0.4，且有頂層提前篩選情況下，在5 個(gè)數(shù)據(jù)集上的部分特征匹配結(jié)果。其中，每一行第1張圖像為模板圖像，其余圖像為具有代表性的模板匹配結(jié)果。所提模板匹配方法在前4個(gè)數(shù)據(jù)集中均能實(shí)現(xiàn)97%以上的識(shí)別準(zhǔn)確率，在第5個(gè)數(shù)據(jù)集中能實(shí)現(xiàn)90%以上的識(shí)別準(zhǔn)確率。由于這5個(gè)數(shù)據(jù)集代表了5 種典型工況：光照變化、旋轉(zhuǎn)變化、圖像缺陷、多對(duì)象匹配、相互遮擋，所以測(cè)試結(jié)果表明所提模板匹配方法具有良好的魯棒性，即在非均勻光照、遮擋、噪聲等情況下，均能識(shí)別出正確的位姿。

圖7 所提模板匹配方法在5種數(shù)據(jù)集中的部分匹配結(jié)果Fig.7 Matching examples of the proposed algorithm for five datasets

為了進(jìn)一步地評(píng)估所提模板匹配方法的性能，在5個(gè)圖像數(shù)據(jù)集上與RPVC、LGSC、NCC、CCAS 4種方法進(jìn)行了對(duì)比實(shí)驗(yàn)。平均匹配時(shí)間和準(zhǔn)確率情況分別如表1、表2 所示，其中最佳結(jié)果如粗體字所示。表1 結(jié)果表明，所提模板匹配方法在匹配速度方面具有顯著的優(yōu)勢(shì)，不僅在全部數(shù)據(jù)集上匹配用時(shí)最短，而且在5 個(gè)數(shù)據(jù)集上的平均用時(shí)分別為RPVC、LGSC、NCC、CCAS的17.12%、0.47%、0.53%、23.27%。表2表明所提模板匹配方法在多個(gè)數(shù)據(jù)集（數(shù)據(jù)集1、數(shù)據(jù)集3、數(shù)據(jù)集4）上取得了最佳的匹配準(zhǔn)確率。在數(shù)據(jù)集2 和數(shù)據(jù)集5 上，所提模板匹配方法的準(zhǔn)確率也能達(dá)到最佳結(jié)果的98.06%（98.06/100.00）和98.10%（90.87/92.63）。因此，所提模板匹配方法能夠有效平衡匹配速度和匹配準(zhǔn)確率，具有優(yōu)良的綜合性能。

表1 5種數(shù)據(jù)集下5種方法的平均匹配時(shí)間Table 1 Average matching time of five algorithms for five datasets ms

表2 5種數(shù)據(jù)集下5種方法的準(zhǔn)確率對(duì)比Table 2 Comparison of accuracy of five algorithms for five datasets%

5 應(yīng)用實(shí)例

點(diǎn)膠是一種將流體涂覆、點(diǎn)滴到工件表面的生產(chǎn)工藝，能夠起到粘貼、灌封、絕緣、固定、表面光滑等作用。將所提模板匹配方法應(yīng)用到點(diǎn)膠機(jī)上，利用圖像匹配代替模具進(jìn)行工件定位，能夠在工件隨機(jī)分布的情況下進(jìn)行快速點(diǎn)膠作業(yè)，實(shí)現(xiàn)了一種新型自由平面位姿快速視覺(jué)點(diǎn)膠工藝，如圖8所示。

圖8 點(diǎn)膠機(jī)實(shí)物圖Fig.8 A glue dispenser

所用視覺(jué)點(diǎn)膠裝置主要由三軸點(diǎn)膠機(jī)、工業(yè)相機(jī)、相機(jī)鏡頭、環(huán)形光源和工業(yè)PC 組成。其中，點(diǎn)膠機(jī)是一種三軸臺(tái)式點(diǎn)膠機(jī)；工業(yè)相機(jī)型號(hào)為MV-SUA134GA-T，具有1 280 × 1 024 的分辨率；相機(jī)鏡頭型號(hào)為C-125-1620-5M；環(huán)形光源為KM-2RND704A90；工業(yè)PC 具有3.40 GHz Intel（R）Core（TM）i7-4770 的CPU、8 GB 內(nèi)存和64 位Ubuntu18.04系統(tǒng)。

所提模板匹配方法在實(shí)時(shí)點(diǎn)膠作業(yè)過(guò)程中的部分典型工況下的工件定位效果如圖9所示。在實(shí)時(shí)點(diǎn)膠場(chǎng)景中，所提模板匹配方法準(zhǔn)確率可達(dá)98.10%（207/211），僅在工件缺陷過(guò)大的情況下會(huì)丟失目標(biāo)，每個(gè)工件的平均匹配時(shí)間為20.59 ms，定位精度為0.02 mm，能夠滿(mǎn)足點(diǎn)膠行業(yè)實(shí)時(shí)穩(wěn)定定位需求。

圖9 所提模板匹配方法在點(diǎn)膠機(jī)中的實(shí)時(shí)定位效果Fig.9 Real-time positioning effect of the proposed template matching method with glue dispenser

6 結(jié)論

本文提出了一種面向邊緣特征的改進(jìn)模板匹配方法，以提升方法的實(shí)時(shí)性，并且保證魯棒性。在圖像模板創(chuàng)建方面，提出了一種邊緣稀疏方法，該方法能夠從邊緣點(diǎn)中篩選出關(guān)鍵點(diǎn)，并且點(diǎn)數(shù)可控，從而在保留高質(zhì)量的邊緣信息的同時(shí)減少邊緣點(diǎn)數(shù)量，能夠顯著降低模板匹配的計(jì)算開(kāi)銷(xiāo)。在圖像匹配方面，為了進(jìn)一步提升方法的速度，在金字塔搜索中提出了一種頂層提前篩選方法，采用歸一化曼哈頓距離作為限制條件在頂層結(jié)果中提前排除錯(cuò)誤的目標(biāo)位姿。構(gòu)建了5 種工況不同的數(shù)據(jù)集，對(duì)所提出方法進(jìn)行了對(duì)比驗(yàn)證，并成功將所提模板匹配方法應(yīng)用于自由平面位姿下的快速視覺(jué)點(diǎn)膠工藝中。實(shí)驗(yàn)結(jié)果表明，所提模板匹配方法在顯著提升匹配速度的同時(shí)能夠保證高的匹配準(zhǔn)確率，并且能夠有效克服光照、旋轉(zhuǎn)、缺陷、多目標(biāo)、遮擋等干擾因素，同時(shí)滿(mǎn)足視覺(jué)場(chǎng)景中對(duì)圖像匹配的魯棒性和實(shí)時(shí)性要求。但是，所提模板匹配方法著重于解決剛性目標(biāo)匹配問(wèn)題，對(duì)于非剛性目標(biāo)匹配，需要重點(diǎn)建立新型的相似性度量方法。