技術(shù)特征：

1.爆炸電路板殘片圖像自動比對識別方法，其特征在于：包括如下步驟，

第一步，對原電路板圖像進(jìn)行對象分割，具體為：

在原電路板圖像上，在電路板外圍人工畫矩形框，再執(zhí)行基于概率圖模型的圖像分割算法，得到電路板前景圖像區(qū)域；

在電路板前景圖像區(qū)域，采用K-means算法聚類電路板像素顏色值，像素數(shù)目最多的那一類簇則認(rèn)為是主板像素，作為初始背景，其余簇均作為初始前景，以此分別初始化高斯混合模型，進(jìn)而執(zhí)行基于概率圖模型的圖像分割算法，得到電路板對象分割結(jié)果；

對于電路板對象分割結(jié)果，執(zhí)行基于概率抽樣的顏色模型，對元器件對象進(jìn)行的對象精定位；

第二步，特征提取和特征點過濾：對象分割后的原電路板圖像分別進(jìn)行SIFT特征點提取和特征點過濾；

第三步，對所有的原電路板執(zhí)行第一步～第二步，存儲原電路板圖像、原電路板過濾后的SIFT特征點及其描述，構(gòu)建檢索庫；

第四步，對待識別殘片圖像進(jìn)行對象分割和SIFT特征點提?。?/p>

第五步，特征比對：將第四步中獲得的待識別殘片圖像的SIFT特征點與第三步建立的檢索庫中的特征點進(jìn)行比對，確定殘片所屬的源電路板。

2.根據(jù)權(quán)利要求1所述的爆炸電路板殘片圖像自動比對識別方法，其特征在于：第五步中所述的特征比對，設(shè)電路板殘片圖像有m個特征點，待匹配的原電路板圖像有n個特征點，m＜＜n，特征比對過程如下：

(3.1)對待識別殘片圖像的每個特征點，選擇出與其歐氏距離最小的5組特征點對，總共選擇出k＝5*m組；

(3.2)在k組特征點對中檢測空間位置相似的3組特征點對，滿足以下約束：

(1).3組特征點對組成的兩個三角形相似；

(2).3組特征點對中每兩組特征點的主方向夾角對應(yīng)相同；

(3).相似三角形的邊長比例等于兩幅圖像的尺度比例；

(4).相似三角形的旋轉(zhuǎn)角度等于兩幅圖像的旋轉(zhuǎn)角度；

(5).相似三角形為銳角三角形；

(6).相似三角形不應(yīng)滿足翻轉(zhuǎn)變換的性質(zhì)；

記錄滿足條件的所有構(gòu)成匹配三角形的特征點組；

(3.3)利用每個特征點組，計算仿射變換矩陣；通過仿射關(guān)系將殘片圖像其余的特征點投影到原電路板圖像中，在新的位置附近尋找是否存在特征歐氏距離小于規(guī)定閾值的特征點，若存在，則認(rèn)為構(gòu)成匹配對，記錄每個特征點組對應(yīng)的匹配總數(shù)，最終以特征點對最大匹配數(shù)目作為圖像的匹配得分指標(biāo)。

3.根據(jù)權(quán)利要求1所述的爆炸電路板殘片圖像自動比對識別方法，其特征在于：所述的基于概率圖模型的圖像分割算法，用一個無向圖G＝<V,E>表示要分割的圖像，在此基礎(chǔ)上增加2個頂點，分別用符號“S”和“T”表示，分別稱為源點和宿點，各自代表了對象端和背景端，其他所有的頂點必須和這兩個頂點相連；假定圖像的分割為L時，圖像的能量表示為：

E(L)＝E_R(L)+E_B(L) (1)

式中，E_R(L)表示區(qū)域項，E_B(L)表示邊界項，E(L)表示總權(quán)值，也叫能量函數(shù)，圖像分割的目標(biāo)就是優(yōu)化能量函數(shù)使其達(dá)到最小值，

①區(qū)域項

E_R(L)＝∑_p∈PR_p(l) (2)

式中，P表示像素集合，R_p(l)表示像素集合P中的任意一個像素p屬于標(biāo)簽l的概率，取概率的負(fù)對數(shù)值：

R_p(1)＝-lnPr(I_p|′obj′) R_p(0)＝-lnPr(I_p|′bkg′) (3)

其中，R_p(1)表示像素p屬于標(biāo)簽1的能量，R_p(0)表示像素p屬于標(biāo)簽0的能量；I_P表示像素點p的RGB值；obj表示前景對象，bkg表示背景對象；Pr表示像素p屬于前景/背景的概率，其值通過分別計算像素p的RGB值屬于前景/背景各自的高斯混合模型的概率得到；

一個高斯混合模型GMM由K個高斯分布組成，這些高斯分布線性加權(quán)就組成了GMM的概率密度函數(shù):

$p\left(x\right)={\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&pi;}}_{k}N\left(x\right|{\mathrm{\&mu;}}_k,{\mathrm{\&Sigma;}}_k)---\left(4\right)$

$N\left(x\right|{\mathrm{\&mu;}}_k,{\mathrm{\&Sigma;}}_k)=\frac{1}{\sqrt{{\left(2\mathrm{\&pi;}\right)}^d\left|{\mathrm{\&Sigma;}}_k\right|}}\exp \&lsqb;-\frac{1}{2}{(x-{\mathrm{\&mu;}}_k)}^T{\mathrm{\&Sigma;}}^{-1}(x-{\mathrm{\&mu;}}_k)\&rsqb;---\left(5\right)$

其中，π_k表示加權(quán)值，N(x|μ_k,∑_k)表示一個均值為μ_k、協(xié)方差為Σ_k高斯分布，x為自變量；d表示特征維數(shù)，T表示轉(zhuǎn)置；k＝1,…,K；

采用RGB顏色空間，分別用一個由K個高斯分量組成的全協(xié)方差GMM來對目標(biāo)和背景進(jìn)行建模；

②邊界項

E_B(L)＝∑_{p,q}∈VB_<p,q>*δ(l_p,l_q) (6)

其中，

式(6)中，p和q為鄰域像素，l_p和l_q分別表示像素p和像素q的標(biāo)簽，I_p和I_q分別表示像素p和像素q的像素值，B_<p,q>為像素點p和q之間的代價，σ²為指數(shù)的尺度；

當(dāng)帶權(quán)無向圖的權(quán)值確定后，通過最小割算法將帶權(quán)無向圖切割成前景與背景兩部分，將最小割轉(zhuǎn)化成最大流算法來求解。

4.根據(jù)權(quán)利要求1所述的爆炸電路板殘片圖像自動比對識別方法，其特征在于：所述的基于概率抽樣的顏色模型，在輪廓內(nèi)部基于均勻分布抽取k個像素組成前景顏色模型；在分割輪廓外部，同樣基于均勻分布抽取k個像素，需滿足以下任意一個條件：

(1)抽取像素在前景或背景顏色模型中最近鄰類別為背景；

(2)抽取像素的最近鄰類別雖為前景，但是與最近鄰的顏色歐氏距離足夠大；

當(dāng)構(gòu)建好顏色模型后，利用最近鄰思想，對待判決的像素計算其在顏色模型中與其歐氏距離最近的像素點，該最近像素點的類別即為待判決像素的類別；定義一條邊屬于前景/背景的概率為該條邊上判決為前景/背景的像素數(shù)目與邊所占像素總數(shù)之比；進(jìn)一步的，定義與邊界兩側(cè)緊緊相鄰的兩條邊的概率分別表示邊界外部屬于背景的概率以及內(nèi)部屬于前景的概率，以矩形頂部的邊(x＝[x₁,x₂],y)為例，與其相鄰的兩條邊則為(x＝[x₁,x₂],y-1)以及(x＝[x₁,x₂],y+1)，那么邊界外部屬于背景的概率為：

$P_b(x,y-1)=\frac{N_b}{N_{12}}---\left(7\right)$

式中，P_b(x,y-1)表示垂直坐標(biāo)為y-1、水平坐標(biāo)在[x₁,x₂]的邊屬于背景的概率，N_b表示該垂直坐標(biāo)為y-1的邊上屬于背景的像素數(shù)目，N₁₂表示該垂直坐標(biāo)為y-1的邊上的像素數(shù)目；

同理邊界內(nèi)部屬于前景的概率為：

$P_f(x,y+1)=\frac{N_f}{N_{12}}---\left(8\right)$

式中，P_f(x,y+1)表示垂直坐標(biāo)為y+1、水平坐標(biāo)在[x₁,x₂]的邊屬于前景的概率，N_f表示該垂直坐標(biāo)為y+1的邊上屬于前景的像素數(shù)目，N₁₂表示該垂直坐標(biāo)為y+1的邊上的像素數(shù)目；

最后，給定兩個閾值T_f和T_b，當(dāng)內(nèi)部屬于前景概率大于T_f時，認(rèn)為邊界內(nèi)部為前景；當(dāng)外部屬于背景概率大于T_b時，認(rèn)為邊界外部為背景；于是邊界內(nèi)外的判決結(jié)果會出現(xiàn)如下四種狀態(tài)：

(a)外部為背景，內(nèi)部為前景。此時邊界恰好位于元器件邊界處，不調(diào)整；

(b)外部為背景，內(nèi)部為背景。此時邊界處于元器件外，應(yīng)向內(nèi)調(diào)整；

(c)外部為前景，內(nèi)部為前景。此時邊界處于元器件內(nèi)，應(yīng)向外調(diào)整；

(d)外部為前景，內(nèi)部為背景。此時屬于異常情形，不作調(diào)整；

基于如上的狀態(tài)，對外接矩形的每條邊界進(jìn)行不斷調(diào)整，當(dāng)邊界處于狀態(tài)(a)時即停止調(diào)整，此時矩形邊界恰好貼合元器件對象的邊界處，達(dá)到了精細(xì)定位的目的。