CNC視覺系統(tǒng)中的圖像特征匹配技術(shù)及其應(yīng)用研究.pdf

1、自20世紀(jì)90年代以來，快速發(fā)展的計(jì)算機(jī)技術(shù)，推動(dòng)數(shù)控系統(tǒng)不斷更新?lián)Q代。從數(shù)控技術(shù)及其裝備發(fā)展的趨勢來看，數(shù)控技術(shù)向著多技術(shù)集成、自適應(yīng)方向發(fā)展。將視覺技術(shù)運(yùn)用到CNC機(jī)床上，會(huì)使數(shù)控技術(shù)在這個(gè)發(fā)展方向上邁進(jìn)一大步。
　　在CNC機(jī)床上應(yīng)用計(jì)算機(jī)視覺技術(shù)，主要評(píng)估刀具磨損、評(píng)測工具表面粗糙度、規(guī)劃走刀路徑、安全監(jiān)控等。這些應(yīng)用都涉及到圖像配準(zhǔn)，圖像配準(zhǔn)是圖像處理與分析中的基本問題，可完成圖像分析、變化檢測、三維重建、目標(biāo)識(shí)別和圖像

2、檢索等處理工作。所以，圖像配準(zhǔn)技術(shù)是將計(jì)算機(jī)視覺技術(shù)應(yīng)用于數(shù)控系統(tǒng)中的關(guān)鍵技術(shù)。
　　基于圖像特征的配準(zhǔn)方法因?yàn)榫雀?、速度快、穩(wěn)定性好等特點(diǎn)成為圖像配準(zhǔn)研究熱點(diǎn)?；趫D像特征的圖像配準(zhǔn)離不開圖像特征的搜索與匹配，如何描述圖像特征以實(shí)現(xiàn)精確地、快速地匹配是其中的關(guān)鍵。近些年出現(xiàn)了許多構(gòu)建圖像特征描述子的算法，但是要同時(shí)達(dá)到特征匹配的高精度和實(shí)時(shí)性，是一個(gè)需要繼續(xù)研究的問題。
　　本文以構(gòu)建性能更優(yōu)的圖像特征描述子為目的，從不

3、同方面對描述子構(gòu)建進(jìn)行了研究;還對基于所提描述子的圖像特征匹配在反求制造中的三維模型重構(gòu)和視覺數(shù)控安全監(jiān)控中應(yīng)用進(jìn)行了研究。主要研究內(nèi)容和創(chuàng)新成果如下:
　　(1)針對基于一般采樣模式(如BRISK和FREAK)構(gòu)建的特征描述子魯棒性不高的問題，提出了一種基于有序分階采樣模式的局部特征描述算法。有序分階采樣模式以圖像關(guān)鍵點(diǎn)為中心，由方塊、子方塊和采樣點(diǎn)三部分構(gòu)成，每個(gè)子方塊和采樣點(diǎn)都是有序排列的。接著，采用高斯-拉普拉斯(LOG)

4、平滑處理每個(gè)子塊，根據(jù)LOG響應(yīng)的正負(fù)性來確定每個(gè)采樣點(diǎn)二進(jìn)制值。然后，依次有序地串聯(lián)起所有采樣點(diǎn)的LOG響應(yīng)值構(gòu)成一個(gè)二進(jìn)制串，即為關(guān)鍵點(diǎn)的圖像特征描述子，它對應(yīng)采樣模式的三部分構(gòu)成分別有串、段和位三個(gè)梯度。實(shí)驗(yàn)驗(yàn)證了采樣點(diǎn)之間的有序分階性能增強(qiáng)特征描述子對視角和尺度變化的魯棒性。
　　(2)從像素聚類的角度，提出了在一般采樣模式上實(shí)現(xiàn)采樣點(diǎn)之間有序分階的特征描述方法。通過圖像補(bǔ)丁分層處理、增加關(guān)鍵點(diǎn)對應(yīng)的圖像補(bǔ)丁個(gè)數(shù)來獲取更多

5、的局部特征信息，提高了特征描述子的獨(dú)特性。首先，根據(jù)灰度序列對圖像補(bǔ)丁內(nèi)所有像素點(diǎn)聚類處理形成了一個(gè)亞補(bǔ)丁，并在每個(gè)亞補(bǔ)丁上隨機(jī)提取像素點(diǎn)進(jìn)行灰度值比較測試，這是縱向挖掘補(bǔ)丁特征信息。其次，在圖像關(guān)鍵點(diǎn)周圍分割出多個(gè)不同大小的圖像補(bǔ)丁，或是將原圖像補(bǔ)丁根據(jù)尺度金字塔確定幾個(gè)尺度大小不同的補(bǔ)丁，然后分層處理圖像補(bǔ)丁、做比較測試，這是橫向挖掘補(bǔ)丁特征信息。所構(gòu)建的描述子不僅包含了補(bǔ)丁像素的灰度比較信息，還包含了灰度排序信息和像素聚類信息，提

6、高了特征描述子的魯棒性。
　　(3)從機(jī)器學(xué)習(xí)的角度，提出了一種基于AdaBoost算法的學(xué)習(xí)架構(gòu)，通過學(xué)習(xí)圖像補(bǔ)丁的相似性來構(gòu)建維數(shù)低、高獨(dú)特性的特征描述子。在該架構(gòu)里，通過Adaboost學(xué)習(xí)得到一組非線性圖像特征弱學(xué)習(xí)器，組合學(xué)習(xí)圖像補(bǔ)丁局部特征信息，優(yōu)化響應(yīng)函數(shù)組合形式和弱學(xué)習(xí)器權(quán)重配置;而且提出了新的圖像補(bǔ)丁相似性度量函數(shù)作為目標(biāo)函數(shù)的核函數(shù)，基于AdaBoost算法設(shè)計(jì)了圖像補(bǔ)丁相似性的整個(gè)學(xué)習(xí)算法流程，以改進(jìn)特征弱學(xué)

7、習(xí)器組合優(yōu)化的效果。該學(xué)習(xí)架構(gòu)不會(huì)受限于任何預(yù)定義的圖像特征信息采集模式，并能產(chǎn)生基于灰度信息和方向梯度信息的特征描述子。該學(xué)習(xí)架構(gòu)能有效地優(yōu)化配置圖像特征的弱學(xué)習(xí)器，得到的特征描述子具有較高的魯棒性和較強(qiáng)的泛化性。
　　(4)針對CNC視覺圖像的特點(diǎn)，及CNC視覺系統(tǒng)對圖像特征匹配在視角和尺度變化下具有高魯棒性的要求，遞進(jìn)地設(shè)計(jì)了兩種采樣模式，結(jié)合有序分階、像素聚類和集成學(xué)習(xí)構(gòu)建適用于CNC視覺系統(tǒng)的圖像特征描述子。首先，分析了

8、FREAK和BRISK等采樣模式的特點(diǎn)，得出了采樣點(diǎn)密度和平滑重疊度是影響采樣模式性能的兩個(gè)因素;通過測試探究了這兩個(gè)因素與采樣模式性能之間的關(guān)系，據(jù)此關(guān)系調(diào)整了采樣點(diǎn)密度和平滑重疊度，設(shè)計(jì)出了一種性能較好的改進(jìn)型采樣模式;在此采樣模式上測試采樣點(diǎn)對構(gòu)建關(guān)鍵點(diǎn)的描述子，分析評(píng)估了該描述子。因?yàn)檫@只是對采樣模式從兩個(gè)影響因素上進(jìn)行的改進(jìn)設(shè)計(jì)，還未挖掘出采樣模式最優(yōu)性能，于是接下來進(jìn)一步挖掘圖像補(bǔ)丁特征信息，又繼續(xù)深入研究了前面兩個(gè)影響因素

9、與采樣模式性能的關(guān)系;為了使采樣點(diǎn)對二進(jìn)制位方差最高、點(diǎn)對之間關(guān)聯(lián)度最低，將采樣模式建立在兩個(gè)影響因素適度值上，設(shè)計(jì)出了一種性能更優(yōu)化的采樣模式;并在此采樣模式上，結(jié)合灰度排序、補(bǔ)丁分層方法，提出了一種基于分層采樣模式的特征描述子;從魯棒性和實(shí)時(shí)性兩個(gè)角度分析評(píng)估了該描述子，驗(yàn)證了基于分層采樣模式的特征描述子可以實(shí)現(xiàn)高質(zhì)量的特征匹配，適用于CNC視覺系統(tǒng)的圖像特征匹配任務(wù)。
　　(5)基于圖像特征匹配的圖像配準(zhǔn)技術(shù)在CNC視覺系統(tǒng)

10、里的應(yīng)用進(jìn)行了研究。首先，提出將計(jì)算機(jī)視覺三維重構(gòu)技術(shù)引入反求制造工程中。在多視立體重構(gòu)方法的基礎(chǔ)上，改進(jìn)了匹配點(diǎn)復(fù)制擴(kuò)充方法，得到稠密的空間點(diǎn)云，生成紋理更細(xì)致的三維模型，該模型精度基本達(dá)到數(shù)控加工的要求。通過這個(gè)方法說明了采用計(jì)算機(jī)視覺技術(shù)重構(gòu)的立體模型可以應(yīng)用于CNC加工制造。其次，提出了通過視覺監(jiān)控技術(shù)來實(shí)現(xiàn)數(shù)控安全機(jī)加工。在這種基于圖像特征匹配的安全監(jiān)控方法里，對監(jiān)控圖像分區(qū)后，構(gòu)建每個(gè)相關(guān)區(qū)域里像素的背景模型，并設(shè)計(jì)開發(fā)了C