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)展的計算機技術(shù)，推動數(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)運用到CNC機床上，會使數(shù)控技術(shù)在這個發(fā)展方向上邁進一大步。
　　在CNC機床上應(yīng)用計算機視覺技術(shù)，主要評估刀具磨損、評測工具表面粗糙度、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)是將計算機視覺技術(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)方法因為精度高、速度快、穩(wěn)定性好等特點成為圖像配準(zhǔn)研究熱點?；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，但是要同時達到特征匹配的高精度和實時性，是一個需要繼續(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)鍵點為中心，由方塊、子方塊和采樣點三部分構(gòu)成，每個子方塊和采樣點都是有序排列的。接著，采用高斯-拉普拉斯(LOG)

4、平滑處理每個子塊，根據(jù)LOG響應(yīng)的正負性來確定每個采樣點二進制值。然后，依次有序地串聯(lián)起所有采樣點的LOG響應(yīng)值構(gòu)成一個二進制串，即為關(guān)鍵點的圖像特征描述子，它對應(yīng)采樣模式的三部分構(gòu)成分別有串、段和位三個梯度。實驗驗證了采樣點之間的有序分階性能增強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現(xiàn)采樣點之間有序分階的特征描述方法。通過圖像補丁分層處理、增加關(guān)鍵點對應(yīng)的圖像補丁個數(shù)來獲取更多

5、的局部特征信息，提高了特征描述子的獨特性。首先，根據(jù)灰度序列對圖像補丁內(nèi)所有像素點聚類處理形成了一個亞補丁，并在每個亞補丁上隨機提取像素點進行灰度值比較測試，這是縱向挖掘補丁特征信息。其次，在圖像關(guān)鍵點周圍分割出多個不同大小的圖像補丁，或是將原圖像補丁根據(jù)尺度金字塔確定幾個尺度大小不同的補丁，然后分層處理圖像補丁、做比較測試，這是橫向挖掘補丁特征信息。所構(gòu)建的描述子不僅包含了補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)圖像補丁的相似性來構(gòu)建維數(shù)低、高獨特性的特征描述子。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)計了圖像補丁相似性的整個學(xué)習(xí)算法流程，以改進特征弱學(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的泛化性。
　　(4)針對CNC視覺圖像的特點，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，遞進地設(shè)計了兩種采樣模式，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，得出了采樣點密度和平滑重疊度是影響采樣模式性能的兩個因素;通過測試探究了這兩個因素與采樣模式性能之間的關(guān)系，據(jù)此關(guān)系調(diào)整了采樣點密度和平滑重疊度，設(shè)計出了一種性能較好的改進型采樣模式;在此采樣模式上測試采樣點對構(gòu)建關(guān)鍵點的描述子，分析評估了該描述子。因為這只是對采樣模式從兩個影響因素上進行的改進設(shè)計，還未挖掘出采樣模式最優(yōu)性能，于是接下來進一步挖掘圖像補丁特征信息，又繼續(xù)深入研究了前面兩個影響因素

9、與采樣模式性能的關(guān)系;為了使采樣點對二進制位方差最高、點對之間關(guān)聯(lián)度最低，將采樣模式建立在兩個影響因素適度值上，設(shè)計出了一種性能更優(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;從魯棒性和實時性兩個角度分析評估了該描述子，驗證了基于分層采樣模式的特征描述子可以實現(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)用進行了研究。首先，提出將計算機視覺三維重構(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，改進了匹配點復(fù)制擴充方法，得到稠密的空間點云，生成紋理更細致的三維模型，該模型精度基本達到數(shù)控加工的要求。通過這個方法說明了采用計算機視覺技術(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)來實現(xiàn)數(shù)控安全機加工。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)建每個相關(guān)區(qū)域里像素的背景模型，并設(shè)計開發(fā)了C