復雜背景下基于橢圓擬合和svm的螺栓識別方法
【專利摘要】本發(fā)明公開了一種復雜背景下基于橢圓擬合和SVM的螺栓識別方法，包括：步驟1，采集圖像；步驟2，判斷圖像灰度是否低于灰度閾值，若是，采用對比度受限的自適應直方圖均衡化方法對圖像進行增強，然后執(zhí)行步驟4，若否，執(zhí)行步驟3；步驟3，判斷圖像是否有高光現(xiàn)象，若是，采用同態(tài)濾波方法對圖像進行增強，然后執(zhí)行步驟4，若否，直接執(zhí)行步驟4；步驟4，采用自適應閾值選取的Canny算法提取圖像邊緣；步驟5，采用基于橢圓率的橢圓擬合方法對圖像邊緣信息進行擬合；步驟6，采用基于SVM目標識別方法對目標進行分類識別，正確識別螺栓。本發(fā)明在圖像灰度較低或者高光情況下可以有效識別螺栓，識別準確。
【專利說明】
復雜背景下基于楠圓擬合和SVM的螺栓識別方法
技術領域
[0001] 本發(fā)明設及目標識別領域，尤其設及一種復雜背景下基于楠圓擬合和SVM的螺栓 識別方法。
【背景技術】
[0002] 基于視覺的目標識別技術主要研究如何將目標從圖像的背景中識別出來。隨著計 算機視覺技術和圖像并行處理技術的飛速發(fā)展，基于機器視覺的目標識別技術被廣泛應用 到許多領域，包括工業(yè)、農(nóng)業(yè)和電力等領域，特別是在危險系數(shù)較高的或人類視覺無法感知 的領域，基于機器視覺的目標識別技術能夠表現(xiàn)出非常高的優(yōu)越性。例如，在機器人裝配作 業(yè)過程中，經(jīng)常需要利用機器視覺技術，對螺栓進行識別，為機器人自主拆卸安裝設備奠定 基礎。
[0003] 考慮到噪聲的干擾、光照的不均、天氣的變化、物體表面的反射等影響，攝像頭可 能難W采集到目標突出的高質(zhì)量圖像，從而造成目標識別的困難。而應用圖像增強技術可 有效改善圖像質(zhì)量，突出目標信息。目前，針對基于視覺的螺栓識別研究還不是很多，且針 對螺栓識別的現(xiàn)有方法中，對環(huán)境的要求比較高，例如要求良好的光照條件等。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種復雜背景下基于楠圓擬合和SVM的螺栓識別方法。
[0005] 實現(xiàn)本發(fā)明目的的技術方案為：一種復雜背景下基于楠圓擬合和SVM的螺栓識別 方法，包括W下步驟：
[0006] 步驟1，采集包括螺栓在內(nèi)的圖像，并轉換為灰度圖像；
[0007] 步驟2,判斷圖像灰度是否低于灰度闊值，若是，采用對比度受限的自適應直方圖 均衡化方法對圖像進行增強，然后執(zhí)行步驟4;若否，執(zhí)行步驟3;
[000引步驟3,判斷圖像是否有高光現(xiàn)象，若是，采用同態(tài)濾波方法對圖像進行增強，然后 執(zhí)行步驟4，若否，直接執(zhí)行步驟4;
[0009] 步驟4,采用自適應闊值選取的化nny算法提取圖像邊緣；
[0010] 步驟5,采用基于楠圓率的楠圓擬合方法對圖像邊緣信息進行擬合；
[0011] 步驟6，采用基于SVM目標識別方法對擬合結果進行分類識別，正確識別螺栓。
[0012] 與現(xiàn)有技術相比，本發(fā)明的顯著優(yōu)點為：（1)本發(fā)明在圖像灰度較低或者圖像存在 高光現(xiàn)象時可W增強圖像，使得目標信息突出；（2)本發(fā)明采用基于楠圓率的楠圓擬合法和 SVM目標識別方法，可W排除螺孔的影響，有效識別螺栓。
【附圖說明】
[OOU]圖巧本發(fā)明復雜背景下基于楠圓擬合和SVM的螺栓識另巧法流程圖。
[0014]圖2為實施例中螺栓識別的結果圖。
【具體實施方式】
[0015] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，W下結合附圖對本發(fā)明的 復雜背景下基于楠圓擬合和SVM的螺栓識別方法的【具體實施方式】進行說明。應當理解，此處 所描述的具體實施例僅僅用W解釋本發(fā)明，并不用于限定本發(fā)明。
[0016] 結合圖1，一種復雜背景下基于楠圓擬合和SVM的螺栓識別方法，包括W下步驟：
[0017] 步驟1，采集包括螺栓在內(nèi)的圖像，并轉換為灰度圖像；
[0018] 步驟2,判斷圖像灰度是否低于灰度闊值，若是，采用對比度受限的自適應直方圖 均衡化方法對圖像進行增強，然后執(zhí)行步驟4;若否，執(zhí)行步驟3;所述對比度受限的自適應 直方圖均衡化方法步驟為：
[0019] 步驟2-1，分區(qū)域:將原圖像f(x，y)分成MXN個大小相等的連續(xù)不重疊子區(qū)域，設 每個子區(qū)域的像素總數(shù)為Sum_subpix;
[0020] 步驟2-2,計算子區(qū)域直方圖：計算各個子區(qū)域的直方圖，設第(i，j)個子區(qū)域的直 方圖為出,j(n)，其中n為各子區(qū)域的灰度級，
[0021] 步驟2-3,計算裁剪值：
[0022]
[0023] 其中，Clip_value是裁剪值，L為每個子區(qū)域中的灰度級數(shù)，a為裁剪系數(shù)，取值范 圍為[0 100] ,Smax為每個子區(qū)域映射函數(shù)的最大斜率，通過限制a,可W限制對比度；
[0024] 步驟2-4,像素點重新分配:對每個子區(qū)域直方圖中大于裁剪值Clip_value部分進 行裁剪，將裁剪下來的像素平均分配到直方圖的各個灰度級中，得到每個子區(qū)域的對比度 受限直方圖；
[0025] 步驟2-5,均衡化:對每個子區(qū)域的對比度受限直方圖進行均衡化處理；
[00%]步驟2-6，重構圖像:采用插值運算進行重構圖像；
[0027] 步驟3,判斷圖像是否是高光圖像，若是，采用同態(tài)濾波方法對圖像進行增強，然后 執(zhí)行步驟4，若否，直接執(zhí)行步驟4;
[0028] 所述判斷是否有高光現(xiàn)象的過程為:若灰度圖像中大于高光灰度闊值的像素個數(shù) 所占比例超過設定的比例，則有高光現(xiàn)象;否則沒有高光現(xiàn)象；
[0029] 所述的采用同態(tài)濾波方法對圖像進行增強的具體過程為：
[0030] 步驟3-1，圖像f(x，y)通過照射分量i(x，y)和反射分量r(x，y)的乘積表示，即 [0031 ] f(x,y) = i(x,y)r(x,y) ,0<i(x,y) <〇〇 ,0<r(x,y) <1
[0032] 其中照射分量為低頻分量，反射分量為高頻分量，（x，y)表示圖像像素點坐標；
[0033] 對上式兩邊取對數(shù)，將兩個相乘分量轉換為兩個相加分量：
[0034] z(x,y) = In f(x,y) = lni(x,y)+lnr(x,y)
[0035] 其中，z(x，y)是f(x，y)的對數(shù)變換結果；
[0036] 步驟3-2，對步驟3-1中等式進行傅里葉變換得：
[0037] Z(u,v) = I(u,v)+R(u,v)
[0038] 其中，Z(u,v)、I(u,v)、R(u,v)分別表示z(x,y)、lni(x,y)、ln;r(x,y)的傅里葉變 換；
[0039] 步驟3-3,通過濾波函數(shù)H(u，v)對圖像的照射分量和反射分量進行濾波處理：
[0040] S(u,v)=H(u,v)Z(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)
[0041] 步驟3-4,對濾波后的頻譜函數(shù)進行傅里葉逆變換得：
[0042] s(x，y) = i'(x，y)+r'(x，y)
[0043] 其中，3(又，7)、1'(又，7)和丘'（又，7)分別是5(11，乂）、化11，乂)1(11，乂)和化11，乂)1?(11，乂)的 傅里葉逆變換；
[0044] 步驟3-5,對步驟3-4結果進行取指數(shù)運算即獲得同態(tài)濾波增強后的圖像g(x，y)。
[0045] g(x，y)=eS(x'y) = ei'(x'y)er'(x'y) = i〇(x，y)r〇U，y)
[0046] 其中，io(x，y)和;r〇(x，y)分別為i/ (x，y)和(x，y)取指數(shù)運算后的結果；
[0047] 步驟4,采用自適應闊值選取的化nny算法提取圖像邊緣;具體步驟為：
[0048] 步驟4-1，計算圖像的梯度幅值；
[0049] 步驟4-2,計算圖像的梯度直方圖；
[0050] 步驟4-3,對圖像梯度直方圖累加，當累加數(shù)目達到總像素數(shù)目的Hr時，對應的圖 像梯度值為H_thresh，下限闊值1^_1:11'日311通過L_thresh = k X H_thresh計算得到，從而確 定上限闊值H_thr e Sh和下限闊值L_thr e Sh，其中，Hr為上限闊值比例系數(shù)，Lr為下限闊值比 例系數(shù)，且〇化<1，〇心<1;
[0化1 ] 步驟4-4,使用化nny算法進行邊緣檢測；
[0052] 步驟5,采用基于楠圓率的楠圓擬合方法對圖像邊緣信息進行擬合；具體過程如 下：
[0053] 步驟5-1，在一組邊緣輪廓像素點中，隨機的選擇6個邊緣點，設該邊緣輪廓像素點 的總個數(shù)為Pm;
[0054] 步驟5-2,利用楠圓方程x2+Axy+By2+Cx+Dy巧=OW及最小二乘法，得到楠圓的5個 參數(shù)A、B、C、D、E的值；
[0055] 步驟5-3,遍歷該邊緣輪廓上的所有像素點，并求出每個像素點到已擬合楠圓之間 的代數(shù)距離，如果距離小于設定的距離闊值，則該像素點為匹配點：遍折宗輪廓上的所有像 素點后，得到該擬合楠圓的匹配點總個數(shù)，設為P，則楠圓的擬合萄
[0056] 步驟5-4,比較當前擬合率與最大擬合率rwx，如果當前擬合率大于最大擬合率，貝U 更新存儲在數(shù)組bes t_array中的楠圓參數(shù)A、B、C、D、E，并將當前擬合率賦值給IWx;
[0057] 步驟5-5，重復執(zhí)行步驟5-1到步驟5-4m次，m表示給定循環(huán)次數(shù)；
[005引步驟5-6，利用數(shù)組be S t_a;rray中存儲的楠圓參數(shù)，根據(jù)下兩式
[0化9]
[0060]
[0061] 計算得到楠圓長半軸a和楠圓短半軸b，并計算楠圓率
[0062] 步驟5-7,判斷楠圓率是否大于楠圓率闊值，若是，則該楠圓是所要查找的楠圓；若 否，則不是。
[0063] 步驟6，采用基于支持向量機(SVM)目標識別方法對目標進行分類識別，正確識別 螺栓。
[0064] 所述基于SVM目標識別方法為：尋找一個能夠滿足分類要求并且具有最大分類間 隔的最佳分類超平面，利用尋找到的最佳分類超平面，對目標進行分類，從而識別目標;其 中最佳分類超平面通過大量包含識別目標在內(nèi)的正樣本和不包含識別目標的負樣本訓練 得到。
[0065] 下面結合具體實施例和附圖對本發(fā)明作進一步說明。
[0066] 實施例
[0067] -種復雜背景下基于楠圓擬合和SVM的螺栓識別方法，包括W下步驟：
[0068] 步驟1，采集包括螺栓在內(nèi)的圖像，并轉換為灰度圖像；
[0069] 步驟2,判斷圖像灰度是否低于灰度闊值，若是，采用對比度受限的自適應直方圖 均衡化方法對圖像進行增強，然后執(zhí)行步驟4;若否，執(zhí)行步驟3;其中，采用自適應闊值法獲 取圖像灰度，灰度闊值取90;
[0070] 步驟3,判斷圖像是否是高光圖像，若是，采用同態(tài)濾波方法對圖像進行增強，然后 執(zhí)行步驟4，若否，直接執(zhí)行步驟4;
[0071] 其中，同態(tài)濾波中的濾波函數(shù)為己特沃斯型帶阻濾波器，其傳遞函數(shù)為
[0072]
[0073] 霉濾波器中屯、(UO，VO) 的距離，Do表示截止頻率，w、h為圖像的寬和高?；?、扣分別為高、低頻增益系數(shù)，常數(shù)C滿足Ri <C<Rh;該實施例中，參數(shù)化為3.9,化為0.45,C為0.6;
[0074] 步驟4,采用自適應闊值選取的化nny算法提取圖像邊緣；
[0075] 步驟5,采用基于楠圓率的楠圓擬合方法對圖像邊緣信息進行擬合;其中，基于楠 圓率的楠圓擬合法中，楠圓率闊值設置為0.85;
[0076] 步驟6，采用基于SVM目標識別方法對擬合結果進行分類識別，正確識別螺栓。
[0077] 圖2(a)、圖2(b)、圖2(c)和圖2(d)中螺栓識別結果用圓圈出，其中圖2(a)和圖2(b) 是簡單背景下的識別結果，圖2(c)和圖2(d)是較復雜背景下的識別結果。
[0078] 本實施例中采用基于楠圓率的楠圓擬合法和SVM目標識別方法對螺栓進行識別， 在簡單背景和較復雜背景下都能夠準確識別螺栓，且不會將螺孔誤認為螺栓，識別效果好。
【主權項】
1. 一種復雜背景下基于橢圓擬合和SVM的螺栓識別方法，其特征在于，包括以下步驟： 步驟1，采集包括螺栓在內(nèi)的圖像，并轉換為灰度圖像； 步驟2,判斷圖像灰度是否低于灰度閾值，若是，采用對比度受限的自適應直方圖均衡 化方法對圖像進行增強，然后執(zhí)行步驟4;若否，執(zhí)行步驟3; 步驟3,判斷圖像是否有高光現(xiàn)象，若是，采用同態(tài)濾波方法對圖像進行增強，然后執(zhí)行 步驟4，若否，直接執(zhí)行步驟4; 步驟4，采用自適應閾值選取的Canny算法提取圖像邊緣； 步驟5,采用基于橢圓率的橢圓擬合方法對圖像邊緣信息進行擬合； 步驟6，采用基于SVM目標識別方法對擬合結果進行分類識別，正確識別螺栓。2. 根據(jù)權利要求1所述的復雜背景下基于橢圓擬合和SVM的螺栓識別方法，其特征在 于，步驟2中所述對比度受限的自適應直方圖均衡化方法是通過計算圖像的局部直方圖，然 后重新分布直方圖來改變圖像的對比度，該方法具體為： 步驟2-1，分區(qū)域:將原圖像f(x，y)分成MXN個大小相等的連續(xù)不重疊子區(qū)域，設每個 子區(qū)域的像素總數(shù)為Sum_subp i X; 步驟2-2,計算子區(qū)域直方圖：計算各個子區(qū)域的直方圖，設第(i，j)個子區(qū)域的直方圖 為Hi,j(rk)，其中rk為各子區(qū)域的灰度級，l$i彡M，1彡j彡N; 步驟2-3,計算裁剪值：其中，Clip_value是裁剪值，L為每個子區(qū)域中的灰度級數(shù)，α為裁剪系數(shù)，取值范圍為 [0 100]，Smax為每個子區(qū)域映射函數(shù)的最大斜率； 步驟2-4,像素點重新分配:對每個子區(qū)域直方圖中大于裁剪值Clip_valUe部分進行裁 剪，將裁剪下來的像素平均分配到直方圖的各個灰度級中，得到每個子區(qū)域的對比度受限 直方圖； 步驟2-5，均衡化:對每個子區(qū)域的對比度受限直方圖進行均衡化處理； 步驟2-6,重構圖像:采用插值運算重構圖像。3. 根據(jù)權利要求1所述的復雜背景下基于橢圓擬合和SVM的螺栓識別方法，其特征在 于，步驟3中所述判斷是否有高光現(xiàn)象的過程為:若灰度圖像中大于高光灰度閾值的像素個 數(shù)所占比例超過設定的比例，則有高光現(xiàn)象;否則沒有高光現(xiàn)象。4. 根據(jù)權利要求1所述的復雜背景下基于橢圓擬合和SVM的螺栓識別方法，其特征在 于，步驟3中所述采用同態(tài)濾波方法對圖像進行增強的具體過程為： 步驟3-1，圖像f (X，y)通過照射分量i (X，y)和反射分量r (X，y)的乘積表示，即 f (x,y) = i(x,y)r(x,y) ,0<i(x,y)<°° ,0<r(x,y)<l 其中，（x，y)表示圖像像素點坐標； 對上式兩邊取對數(shù)，將兩個相乘分量轉換為兩個相加分量： z(x,y) = lnf (x,y) = lni(x,y)+lnr(x,y) 其中，z(x,y)是f (x,y)的對數(shù)變換結果。 步驟3-2，對步驟3-1中等式進行傅里葉變換得： Z(u,v) = I(u,v)+R(u,v) 其中，2(11，￥)、1(11，￥)、1?(11，￥)分別表示2(叉，7)、111；[(叉，7)、1111'(叉，7)的傅里葉變換 ； 步驟3-3,通過濾波函數(shù)H(u，v)對圖像的照射分量和反射分量進行濾波處理： S(u,v)=H(u,v)Z(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v) 步驟3-4,對濾波后的頻譜函數(shù)進行傅里葉逆變換： s(x,y) = i/ (x,y)+r/ (x,y) 其中，s(x，y)、;i/ (x,y)和V (x,y)分別是5(11,￥)、!1(11，￥)1(11，￥)和!1(11，￥)1?(11，￥)的傅里 葉逆變換； 步驟3-5,對步驟3-4結果進行取指數(shù)運算即獲得同態(tài)濾波增強后的圖像g(x，y): g(x,y) = es(x,y) = e1 (x,y) = io(x,y)r〇(x,y) 其中，io(x,y)和r〇(x,y)分別為i/ (x,y)和V (x,y)取指數(shù)運算后的結果。5. 根據(jù)權利要求1所述的復雜背景下基于橢圓擬合和SVM的螺栓識別方法，其特征在 于，步驟4中所述采用自適應閾值選取的Canny算法提取圖像邊緣的具體步驟為： 步驟4-1，計算圖像的梯度幅值； 步驟4-2,計算圖像的梯度直方圖； 步驟4-3，對圖像梯度直方圖累加，當累加數(shù)目達到總像素數(shù)目的Hr時，對應的圖像梯度 值為H_thresh，下限閾值1^_1:1^6811通過L_thresh = Lr X H_thresh計算得到，其中，Hr為上限 閾值比例系數(shù)，Lr為下限閾值比例系數(shù)，且0〈Hr < 1，0〈Lr < 1; 步驟4-4，使用Canny算法進行邊緣檢測。6. 根據(jù)權利要求1所述的螺栓識別方法，其特征在于，步驟5中所述采用基于橢圓率的 橢圓擬合方法對圖像邊緣信息進行擬合的具體步驟為： 步驟5-1，在一組邊緣輪廓像素點中，隨機的選擇6個邊緣點，設該邊緣輪廓像素點的總 個數(shù)為Pm; 步驟5-2，利用橢圓方程x2+Axy+By2+Cx+Dy+E = 0以及最小二乘法，得到橢圓的5個參數(shù) A、B、C、D、E的值； 步驟5-3,遍歷該邊緣輪廓上的所有像素點，并求出每個像素點到已擬合橢圓之間的代 數(shù)距離，如果距離小于設定的距離閾值，則該像素點為匹配點;遍歷完輪廓上的所有像素點 后，得到該擬合橢圓的匹配點總個數(shù)，設為P，則橢圓的擬合率V = f ; m 步驟5-4,比較當前擬合率與最大擬合率rwx，如果當前擬合率大于最大擬合率，則更新 存儲在數(shù)組bes t_array中的橢圓參數(shù)A、B、C、D、E，并將當前擬合率賦值給rwx; 步驟5-5，重復執(zhí)行步驟5-1到步驟5-4m次，m表示給定循環(huán)次數(shù)； 步驟5-6，利用數(shù)組be s t_array中存儲的橢圓參數(shù)，根據(jù)下兩式計算得到橢圓長半軸a和橢圓短半軸b，并計算橢圓率:2 ; a 步驟5-7,判斷橢圓率是否大于橢圓率閾值，若是，則該橢圓是所要查找的橢圓；若否， 則不是。7.根據(jù)權利要求1所述的復雜背景下基于橢圓擬合和SVM的螺栓識別方法，其特征在 于，步驟6中所述基于SVM目標識別方法為:尋找一個能夠滿足分類要求并且具有最大分類 間隔的最佳分類超平面，利用尋找到的最佳分類超平面，對目標進行分類，從而識別目標。
【文檔編號】G06K9/54GK105956600SQ201610235295
【公開日】2016年9月21日
【申請日】2016年4月15日
【發(fā)明人】郭毓, 丁棋炳, 王璐, 韓昊, 韓昊一, 張丹丹, 吳益飛, 郭健, 任坤, 姚偉, 鐘晨星, 吳利平, 朱志浩, 李光彥, 吳巍, 黃穎, 柳洋, 陳寶存
【申請人】南京理工大學