基于不同算法的圖像特征識(shí)別研究及分析

王康 臨沂大學(xué)

引言：本文基于多種模型建立多種算法模型，以工廠零件作為實(shí)際前提條件，分析了對(duì)于工廠零件的特征識(shí)別?；贖arris、Sift，Surf算法，對(duì)于不同算法的圖像特征識(shí)別進(jìn)行研究及分析。

1.模式識(shí)別的重要意義

伴隨著自動(dòng)化在機(jī)械加工過程上面的廣泛應(yīng)用，在零件加工的過程之中還需要應(yīng)用智能化的位置識(shí)別技術(shù)來準(zhǔn)確零件的位置。在零件進(jìn)行自動(dòng)化制造的生產(chǎn)里面，很多工藝流程都需要根據(jù)圖像來進(jìn)行位置的識(shí)別以及一定的處理，從而有效利用智能化程序進(jìn)行識(shí)別零件所在的位置，進(jìn)而通過機(jī)械手搬運(yùn)到標(biāo)準(zhǔn)位置。

2.基于Harris算法特征零件識(shí)別的模型建立

(1)Harris算法模型的介紹

Harris算法是一種快捷有效的提取圖片特征點(diǎn)并進(jìn)行匹配的算法。Harris算法具有很多優(yōu)點(diǎn)。首先就是Harris算法不受灰度平移影響，第二，Harris算法對(duì)圖片的旋轉(zhuǎn)有著不變性。第三，由于只涉一階差分的計(jì)算，所以Harris算法計(jì)算簡(jiǎn)單，第四，Harris算法的取點(diǎn)方法較為科學(xué)合理。

(2)Harris算法響應(yīng)函數(shù)：

Tr(M)=A+B,Det(M)=AB-C2

在上式中，響應(yīng)函數(shù)在邊界區(qū)域時(shí)為負(fù)值，在角點(diǎn)區(qū)域?yàn)檎?，在不變化的區(qū)域是近似于零的值。在檢測(cè)圖片的角點(diǎn)過程中，如果R值大于等于某個(gè)既定的閾值，則這個(gè)值被視為角點(diǎn)。

(3)Harris匹配

對(duì)于Harris算法通常采用設(shè)定閾值進(jìn)行匹配，首先要設(shè)置一個(gè)閾值，然后進(jìn)行匹配，并返回在另一個(gè)圖片中處于設(shè)定閾值范圍之內(nèi)的匹配。

3.基于SURF算法提取特征點(diǎn)的零件識(shí)別模型建立

3.1 模型結(jié)構(gòu)總體分析

(1)SURF算法模型的介紹

就零件位置識(shí)別，本文分析提出了基于SURF特征的零件位置識(shí)別的算法模型，該模型的算法可以有效減少位置識(shí)別時(shí)可能出現(xiàn)的誤差

(2)SURF算法提取特征點(diǎn)所具有的特點(diǎn)

特征向量擁有較高的特異性。SURF提取特征點(diǎn)算法能夠針對(duì)目標(biāo)進(jìn)行快速的位置定位，能夠基于在特征點(diǎn)識(shí)別位置信息的基礎(chǔ)上，對(duì)于圖像輪廓盡心準(zhǔn)確快速的定位。

(3)SURF算法對(duì)于物體的描述方式

i.對(duì)反應(yīng)零件形狀特征的特征點(diǎn)進(jìn)行檢測(cè)(即特征點(diǎn)的快速準(zhǔn)確檢測(cè))。

ii.對(duì)于零件的特征點(diǎn)進(jìn)行合理描述（即特征向量的檢測(cè)）。

(4) 特征因子的檢測(cè)及特征匹配

i.特征點(diǎn)的檢測(cè)

ii.積分圖像的建立

iii.利用箱式濾波器建立圖像的有效尺度空間

iv.特征匹配

3.2 主要執(zhí)行的步驟

Step1：特征點(diǎn)檢測(cè)

Step2：積分?jǐn)?shù)據(jù)圖像的建立

Step3：箱式濾波器數(shù)據(jù)圖像尺度空間的建立

Step4：進(jìn)行特征描述(求取特征點(diǎn)的主方向, 鄰域旋轉(zhuǎn),進(jìn)行描述)

Step5：特征匹配

Step6：SURF算法編程

Step7：記錄數(shù)據(jù)，總結(jié)分析其它算法模型的對(duì)比

4.基于Sift算法特征零件識(shí)別模型的建立

(1)SIFT算法模型的介紹

SIFT算法又叫尺度不變特征轉(zhuǎn)換算法，它是David Lowe在1999年發(fā)表，它能在空間尺度上找尋找特征點(diǎn)，并進(jìn)行特征匹配。目前廣泛應(yīng)用于人工智能中的機(jī)器視覺領(lǐng)域，在電腦圖像識(shí)別，機(jī)械自動(dòng)化制造等方面也用廣泛的應(yīng)用。

(2)二維高斯函數(shù)

(3)算法基本步驟

step1：尺度空間極值檢測(cè)：通過遍歷尺度上圖像位置，找出圖像旋轉(zhuǎn)后的不改變的點(diǎn)，該特征點(diǎn)的辨別主要運(yùn)用高斯差分函數(shù)進(jìn)行計(jì)算，函數(shù)如下：

而實(shí)際計(jì)算時(shí)，需要構(gòu)建高斯金字塔通過相鄰層相減得到高斯差分圖像，進(jìn)行極值檢測(cè)，實(shí)際上高斯金字塔就是在模擬人的眼球由遠(yuǎn)及近。在構(gòu)建高斯金字塔時(shí)，組內(nèi)每層的尺度坐標(biāo)按如下公式計(jì)算：

step2：特征點(diǎn)定位：根據(jù)第一步選出的點(diǎn)的穩(wěn)定程度找出圖像的關(guān)鍵點(diǎn)，此時(shí)的點(diǎn)是離散的，利用子像素插值法得到連續(xù)空間極值點(diǎn)，并對(duì)尺度空間函數(shù)進(jìn)行曲線擬合來提高選出點(diǎn)的穩(wěn)定性，擬合函數(shù)為：

step3：特征點(diǎn)方向分配：

以所得直方圖中最大值代表特征點(diǎn)主方向，并設(shè)置十分之八最值為輔助方向閾值，可以提高關(guān)鍵點(diǎn)的穩(wěn)定性和魯棒性。

step4：特征點(diǎn)描述與匹配：運(yùn)用鄰域匹配的方法，描述出特征點(diǎn)周圍灰度值下降最快的方向，即梯度方向，找出特征點(diǎn)的鄰域坐標(biāo)，然后通過旋轉(zhuǎn)公式得出原

結(jié)語：其中基于Harris算法位置識(shí)別模型可以通過對(duì)于梯度的準(zhǔn)確選取，能夠有效的檢測(cè)多種類型的角點(diǎn)。Surf算法模型主要是利用數(shù)據(jù)的預(yù)處理包括在內(nèi)的梯度變換的方法從而實(shí)現(xiàn)相對(duì)旋轉(zhuǎn)的不變性,這樣就能夠達(dá)到取消主方向計(jì)算旋轉(zhuǎn)的相應(yīng)目的,實(shí)現(xiàn)SURF算法從積分圖像計(jì)算到特征描述全過程的優(yōu)化，能夠有效提升相應(yīng)的準(zhǔn)確程度。