梅鴻翔

(南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院　南京　210094)

?

一種基于圖像坐標(biāo)檢測(cè)的目標(biāo)定位方法*

梅鴻翔

(南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院南京210094)

摘要精確的目標(biāo)定位是實(shí)現(xiàn)工業(yè)生產(chǎn)流水線自動(dòng)化的關(guān)鍵技術(shù),論文提出了一種目標(biāo)定位的方法,通過檢測(cè)目標(biāo)在圖像中的坐標(biāo)再經(jīng)攝像機(jī)標(biāo)定換算到空間坐標(biāo)來進(jìn)行目標(biāo)的定位。該方法采用亞像素定位從低分辨率的圖像中實(shí)現(xiàn)圖像坐標(biāo)檢測(cè)的高精度,在一定程度上有效地降低了生產(chǎn)成本,同時(shí)使用先粗定位后精定位的方法降低圖像坐標(biāo)檢測(cè)的時(shí)間。實(shí)驗(yàn)表明,該方法檢測(cè)出來的空間坐標(biāo)能滿足目標(biāo)定位的精度要求。

關(guān)鍵詞目標(biāo)定位; 攝像機(jī)標(biāo)定; 亞像素定位

Target Location Method Based on Image Coordinate Detection

MEI Hongxiang

(School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing210094)

AbstractAccurate target location is the key technology to realize the automation of industrial production line. In this paper, a method of target location is proposed, which by detecting the coordinates of the target in the image and then converted to the space coordinates by camera calibration. High accuracy of positioning accuracy of the positioning of the low resolution image with sub-pixel positioning in this method, it can reduce the production cost effectively in some extent. At the same time, the time of the image location is reduced by using the method of the first coarse positioning and then precise positioning. Experiments show that the spatial coordinates detected by this method can meet the accuracy requirements of the target location.

Key Wordstarget location, camera calibration, sub-pixel positioning

Class NumberTP391.41

1引言

采用數(shù)字圖像處理技術(shù)來進(jìn)行目標(biāo)的定位,是通過圖像檢測(cè)算法檢測(cè)出目標(biāo)點(diǎn)在圖像中的像素坐標(biāo),再通過攝像機(jī)標(biāo)定建立的攝像機(jī)成像幾何模型將像素坐標(biāo)換算成三維空間坐標(biāo),以實(shí)現(xiàn)目標(biāo)的定位。這樣,在一條自動(dòng)化的生產(chǎn)線上,通過攝像機(jī)拍照,然后通過一套算法得到目標(biāo)的三維空間坐標(biāo),這樣就可以知道目標(biāo)在什么位置,就可以根據(jù)不同的需求完成不同的動(dòng)作。

論文實(shí)驗(yàn)是建立在一條液晶屏缺陷檢測(cè)的生產(chǎn)線上,當(dāng)一個(gè)載有液晶屏的載臺(tái)到達(dá)指定的工位后,由于不能保證每一次到達(dá)工位的位置是完全固定的,而且兩個(gè)連接液晶屏到驅(qū)動(dòng)電路的FPC連接器引腳的寬度只有0.3mm~1mm,且連接的時(shí)候不能錯(cuò)位,故可以通過定位電路板上幾個(gè)目標(biāo)點(diǎn)的位置來定位電路板的位置,然后通過機(jī)械手臂移動(dòng)到相應(yīng)的位置之后將工位上的連接器與其壓合對(duì)接,來完成液晶屏信號(hào)驅(qū)動(dòng)的功能。

對(duì)位裝置如圖1所示,載臺(tái)和工位上都有塊帶FPC連接器的電路板,工位上有三臺(tái)電機(jī)充當(dāng)著機(jī)械手臂的作用,分別控制水平、垂直方向上的位移以及角度旋轉(zhuǎn)。電路板如圖2所示,有五個(gè)目標(biāo)點(diǎn),根據(jù)中間那一個(gè)點(diǎn)的空間坐標(biāo)進(jìn)行水平、垂直方向上的移動(dòng),根據(jù)其它四個(gè)目標(biāo)點(diǎn)的空間坐標(biāo)計(jì)算出電路板旋轉(zhuǎn)的一個(gè)角度。

圖1　對(duì)位裝置

圖2　對(duì)位電路板

2基于OpenCV的攝像機(jī)標(biāo)定

攝像機(jī)標(biāo)定,是指建立攝像機(jī)的成像幾何模型,描述三維空間坐標(biāo)系中的目標(biāo)點(diǎn)同它在圖像平面上像素點(diǎn)之間對(duì)應(yīng)關(guān)系的過程。OpenCV(Open Source Computer Vision Library)是一個(gè)開源的跨平臺(tái)計(jì)算機(jī)視覺庫,它實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。OpenCV中的攝像機(jī)標(biāo)定模塊為用戶提供了良好的函數(shù)接口,有效地提高了開發(fā)效率,因此可以很好地運(yùn)用到工程實(shí)際應(yīng)用當(dāng)中。

2.1攝像機(jī)模型

攝像機(jī)標(biāo)定的目的就是確定幾何模型參數(shù)即攝像機(jī)參數(shù)[1],其中包括內(nèi)外參數(shù)和畸變參數(shù)。內(nèi)部參數(shù)描述攝像機(jī)的幾何特性和內(nèi)部光學(xué),如圖像中心、焦距、像素的物理尺寸等;外部參數(shù)就是相對(duì)于世界坐標(biāo)系的攝像機(jī)坐標(biāo)的三維位置和方向;畸變參數(shù)反映了透鏡實(shí)際的畸變情況。OpenCV標(biāo)定算法中的攝像機(jī)模型以針孔模型為基礎(chǔ),模型如圖3所示。

圖3　攝像機(jī)標(biāo)定中的坐標(biāo)系

將三維空間點(diǎn)P在世界坐標(biāo)系中的坐標(biāo)值Pw(Xw,Yw,Zw)變換為圖像平面上像素坐標(biāo)系中坐標(biāo)值P(u,v)的過程就可分解為下述的四步變換:

1) 世界坐標(biāo)系(Ow)中坐標(biāo)Pw(Xw,Yw,Zw)轉(zhuǎn)換為攝像機(jī)坐標(biāo)系(o)中坐標(biāo)P(x,y,z)

(1)

式中R為一個(gè)3×3旋轉(zhuǎn)矩陣,t為一個(gè)3×1平移向量。

2) 攝像機(jī)坐標(biāo)系(o)中坐標(biāo)P(x,y,z)在針孔模型中進(jìn)行規(guī)范化投影,得到圖像平面坐標(biāo)系(O)中理想物理坐標(biāo)Pu(Xu,Yu)

(2)

式中f為攝像機(jī)焦距。

3) 引入透鏡的徑向畸變和切向畸變,圖像平面坐標(biāo)系中物理坐標(biāo)Pu(Xu,Yu)擴(kuò)展為Pd(Xd,Yd)

(3)

4) 圖像平面坐標(biāo)系中物理坐標(biāo)Pd(Xd,Yd)轉(zhuǎn)換為像素坐標(biāo)P(u,v)

(4)

式中(u0,v0)是基準(zhǔn)點(diǎn)(通常在圖像的中心);dx、dy分別為計(jì)算機(jī)圖像在水平、垂直方向(x、y方向)上相鄰兩像素之間的有效距離(mm/pixel)。

綜合上述公式得到如下等價(jià)表達(dá)式:

(5)

或者

z·m′=A·[R|t]·M′

(6)

式中fx=f/dx,fy=f/dy,即以像素為單位的焦距長度,z為攝像機(jī)坐標(biāo)系的Z軸坐標(biāo),A矩陣被就是內(nèi)參數(shù)矩陣,旋轉(zhuǎn)-平移矩陣[R|t]被稱作外參數(shù)矩陣。這樣就得到了一個(gè)圖像點(diǎn)和空間點(diǎn)之間的一個(gè)映射關(guān)系。

2.2基于OpenCV的攝像機(jī)標(biāo)定

基于OpenCV的標(biāo)定流程如下所示:

1) 讀取標(biāo)定用的一組圖像,如圖4所示。

圖4　標(biāo)定模板圖片(一部分)

2) 用cvFindChessboardCorners()函數(shù)對(duì)標(biāo)定板圖像進(jìn)行角點(diǎn)檢測(cè),檢測(cè)出的角點(diǎn)如圖5所示。

圖5　檢測(cè)角點(diǎn)

3) 計(jì)算參數(shù)矩陣

初始化所有的輸入?yún)?shù)后,將角點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值以及在圖像坐標(biāo)系中的坐標(biāo)值代入cvCalibrateCamera2(),最后得到攝像機(jī)的內(nèi)參數(shù)矩陣、畸變系數(shù)向量、每幅圖像的旋轉(zhuǎn)向量、每幅圖像的平移向量。

4) 分析標(biāo)定結(jié)果

先用cvProjectPoints2()計(jì)算出三維角點(diǎn)坐標(biāo)的投影坐標(biāo),再用函數(shù)cvNorm()比較計(jì)算出的投影坐標(biāo)與通過角點(diǎn)檢測(cè)到的投影坐標(biāo),從而得到一個(gè)像素的誤差值,如果誤差值能達(dá)到一個(gè)像素及以下說明標(biāo)定結(jié)果還不錯(cuò)。

2.3攝像機(jī)標(biāo)定在本文中的使用

攝像機(jī)標(biāo)定中,以每個(gè)標(biāo)定板的左下角第一個(gè)角點(diǎn)為世界坐標(biāo)原點(diǎn),以垂直于標(biāo)定板的軸為Z軸,X、Y軸分別為橫向、縱向的角點(diǎn)連接線來建立世界坐標(biāo)系,則每個(gè)角點(diǎn)的世界坐標(biāo)的X、Y坐標(biāo)分別為該角點(diǎn)到Y(jié)軸、X軸的實(shí)際距離,Z坐標(biāo)則為0。因此,當(dāng)需要計(jì)算該標(biāo)定板平面上的某圖像坐標(biāo)點(diǎn)對(duì)應(yīng)的世界坐標(biāo)時(shí),可以將式(5)變形成如下表達(dá)式:

(7)

這樣就簡化了圖像坐標(biāo)和世界坐標(biāo)的換算關(guān)系,利用這一關(guān)系可以以一個(gè)X軸、Y軸方向與工位上控制對(duì)位的機(jī)械手臂的X軸、Y軸方向一致的世界坐標(biāo)系所對(duì)應(yīng)標(biāo)定板圖像為模板,使電路板和該標(biāo)定板擺放在同一平面上,然后可以通過畸變校正(利用得到的內(nèi)參數(shù)矩陣和畸變系數(shù)向量,可以通過cvUndistort2()校正圖像的畸變)后的電路板圖像,檢測(cè)出目標(biāo)點(diǎn)的圖像坐標(biāo)(u,v),利用標(biāo)定得到的內(nèi)參數(shù)矩陣和該標(biāo)定板圖像的外參數(shù)矩陣,三個(gè)方程三個(gè)未知數(shù),即可求出該目標(biāo)點(diǎn)在該世界坐標(biāo)系中的物理坐標(biāo),這樣機(jī)械手臂就可以根據(jù)目標(biāo)點(diǎn)的物理坐標(biāo)去調(diào)整位置來完成對(duì)位。

3粗定位

粗定位,顧名思義就是定位不用很精確,只需要能將我們感興趣的區(qū)域提取出來以方便下一步操作即可,這樣可以加快定位的速度。本文采用圖像匹配的算法來進(jìn)行目標(biāo)的粗定位。

圖像匹配問題是計(jì)算機(jī)視覺、圖像處理領(lǐng)域中的基本問題,有兩種對(duì)應(yīng)的問題模型:一是根據(jù)已知的圖像模型,在另一幅圖像中搜索類似模板的目標(biāo);二是兩副來自不同傳感器、不同時(shí)間或不同視角的圖像需要找出對(duì)應(yīng)關(guān)系,經(jīng)過匹配可得出兩幅圖像的差別所在,為下一步處理作基礎(chǔ)[4]。因此本文適用的是模板匹配的方法。

3.1模板匹配

圖像的模板匹配就是事先給定的一幅圖像,然后到另一幅圖像中尋找待匹配圖像,如果找到了,就是匹配成功[5]。如圖6所示,設(shè)模板T(n×m像素點(diǎn))疊放在搜索圖S上平移,模板覆蓋下的那塊搜索圖叫做子圖Si,j,i,j為這塊子圖的左上角像點(diǎn)在S圖中的坐標(biāo),叫參考點(diǎn),1≤i,j≤n-m+1。比較T和Si,j的內(nèi)容,若兩者一致,則T和Si,j之差為零。測(cè)度方法為

圖6　標(biāo)準(zhǔn)模板匹配過程

3.2模板匹配在本文中的使用

在目標(biāo)點(diǎn)的粗定位中,為了加快模板檢索的速度,用降采樣(隔多個(gè)點(diǎn)抽取一個(gè)像素)的方法將源圖像縮小為低分辨率的圖像,如圖7所示,然后構(gòu)造出標(biāo)志點(diǎn)區(qū)域的二值模板圖像,如圖8所示。

圖7　降采樣過后的圖

構(gòu)造出模板圖像后,對(duì)搜索圖的每一個(gè)子圖進(jìn)行二值化,標(biāo)志點(diǎn)區(qū)域的圖像原圖如圖9所示,其圖像表現(xiàn)為兩類物體,且直方圖波峰相隔較大,因此可用圖像的均值作為閾值對(duì)其進(jìn)行二值化,二值化的結(jié)果如圖10所示。

圖9　原圖中的標(biāo)志點(diǎn)圖像

圖10　二值化后的標(biāo)志點(diǎn)圖像

采用3.1節(jié)的測(cè)度方法比較模板和二值化后的子圖,可以得到像素點(diǎn)差異個(gè)數(shù),然后用差異個(gè)數(shù)除上模板的像素總數(shù)就得到了一個(gè)比例系數(shù),比例系數(shù)越小,匹配程度越高,當(dāng)該值小于一個(gè)閾值T時(shí),即可認(rèn)為匹配成功,本文中將該值設(shè)為25%。由于在匹配成功的位置的相鄰幾個(gè)像素子圖和模板圖像的匹配程度可能也很高,所以需要一個(gè)鄰近取比例系數(shù)最小值的過程。

在得到匹配區(qū)域中心的坐標(biāo)后,再換算到降采樣之前的坐標(biāo),即可得到原圖中的標(biāo)志點(diǎn)中心區(qū)域。

4精定位

在得到目標(biāo)點(diǎn)所在的區(qū)域后,需要得到的是標(biāo)志圖案的中心像素坐標(biāo),根據(jù)標(biāo)志圖案的中心是兩條較亮直線的交點(diǎn)且直線在圖像中占多個(gè)像素,本文提出了一套結(jié)合了最小值濾波、拉普拉斯邊緣檢測(cè)和霍夫變換直線檢測(cè)的方法來實(shí)現(xiàn)目標(biāo)中心點(diǎn)的精定位。

4.1最小值濾波

最小值濾波的基本原理是把數(shù)字圖像中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中的最小值代替。這樣,就可以膨脹較暗區(qū)域,腐蝕較亮區(qū)域,使占多個(gè)像素的較亮直線細(xì)化。

4.2拉普拉斯邊緣檢測(cè)

邊緣是指圖象中灰度發(fā)生急劇變化的區(qū)域,常用邊緣檢測(cè)算子有Robert算子、Sobel算子、Prewitt算子、laplace算子等。其中:

1) Robert算子表達(dá)式為

max(|f(i,j)-f(i+1,j+1)|,

|f(i+1,j)-f(i,j+1|)

(8)

是一種利用局部差分算子尋找邊緣的算子,對(duì)具有陡峭的低噪聲圖像效果較好。

2) Sobel算子表達(dá)式為如圖11所示。

圖11　Sobel邊緣檢測(cè)模板

Sobel對(duì)圖像中每個(gè)點(diǎn)都用這兩個(gè)核做卷積,該算子可以產(chǎn)生較好的邊緣檢測(cè)效果,受噪聲的影響比較小。

3) Prewitt算子表達(dá)式如圖12。

圖12　Prewitt邊緣檢測(cè)模板

Prewitt算子又稱方向模板,在檢測(cè)帶有方向性的邊緣上效果比較好。

4) Laplace算子表達(dá)式如圖13。

圖13　Laplace邊緣檢測(cè)模板

拉普拉斯是一種二階導(dǎo)數(shù)算子,它通過尋找圖像灰度值中二階微分中的過零點(diǎn)(即邊緣點(diǎn)兩旁的二階導(dǎo)數(shù)異號(hào))來檢測(cè)邊緣點(diǎn)。

從算子的形式可以看出,在拉普拉斯圖像中,可以發(fā)現(xiàn)二階微分過零點(diǎn)位置剛好就是邊緣的位置。而其它幾個(gè)算子都會(huì)造成一個(gè)像素的偏差,因此在本文檢測(cè)像素級(jí)的坐標(biāo)時(shí),選用拉普拉斯算子來進(jìn)行邊緣的檢測(cè)比較合適。

4.3霍夫變換直線檢測(cè)

霍夫變換是一種在圖像中檢測(cè)直線和曲線的有效方法[8]。它是先把直角坐標(biāo)系的目標(biāo)點(diǎn)映射到極坐標(biāo)系上進(jìn)行累積,即先使直角坐標(biāo)系平面上任一直線上的所有點(diǎn)均累積到極坐標(biāo)系的同一點(diǎn)集合去,然后通過尋找極坐標(biāo)系中點(diǎn)集的峰值,來發(fā)現(xiàn)經(jīng)過點(diǎn)最多的直線。

而在本文中我們需要檢測(cè)的是一條近似水平和一條近似垂直的直線,因此可以在縮小直線的斜率范圍來加快直線的檢測(cè)。

4.4精定位步驟

1) 對(duì)粗定位得到的標(biāo)志點(diǎn)區(qū)域圖像進(jìn)行窗口為直線寬度大小的最小值濾波。窗口大的最小值濾波的執(zhí)行速度很慢,可以進(jìn)行多次3×3窗口的最小值濾波加快算法的速度,圖像中心的濾波結(jié)果對(duì)比如圖14所示。

圖14　最小值濾波前后對(duì)比圖

2) 經(jīng)過最小值濾波后,兩條粗直線的中心線成為了跳變區(qū)域,中心線兩旁的點(diǎn)二階導(dǎo)數(shù)異號(hào),這樣就可以用拉普拉斯邊緣檢測(cè)來處理最小值濾波后的圖,結(jié)果如圖15所示。

圖15　拉普拉斯算子處理結(jié)果圖

3) 對(duì)拉普拉斯算子處理結(jié)果圖進(jìn)行二值化,由于經(jīng)拉普拉斯算子處理后,跳變像素點(diǎn)的灰度值會(huì)比其它像素點(diǎn)的高,所以處理之后的兩條中心線上像素的灰度值會(huì)分布在圖像直方圖灰度值高的那一部分,然而每一副目標(biāo)區(qū)域圖像的尺寸是固定的,且目標(biāo)點(diǎn)的物理尺寸也是固定的,那么每一副圖像中直線的中心線的像素個(gè)數(shù)在像素總個(gè)數(shù)中占的比例是一定的,因此可以用比例來確定閾值來進(jìn)行目標(biāo)和背景的二值化,本文以0.6%為比例系數(shù)利用直方圖計(jì)算得到閾值來進(jìn)行二值化,認(rèn)為灰度值最高的那0.6%的像素為中心線區(qū)域,結(jié)果圖像如圖16所示。

圖16　二值化圖像

4) 由圖16可以看出,兩條直線的寬度已經(jīng)只有一個(gè)到兩個(gè)像素,這時(shí)對(duì)二值化圖像進(jìn)行兩次霍夫變換檢測(cè)出一條水平直線方程和一條垂直直線方程,通過兩個(gè)方程求出來的交點(diǎn)即為標(biāo)志的中心像素點(diǎn),得到的中心像素點(diǎn)和真正的中心像素點(diǎn)的像素坐標(biāo)在X、Y上可能各有正負(fù)一個(gè)像素的誤差。

5亞像素定位

本文中的定位方法是先檢測(cè)計(jì)算出一塊電路板上標(biāo)志點(diǎn)中心的物理坐標(biāo),然后手動(dòng)調(diào)節(jié)機(jī)械手臂與其對(duì)上位,這樣機(jī)械手臂就記住了此次標(biāo)志點(diǎn)的物理坐標(biāo)和角度(記為機(jī)械手臂的原點(diǎn)信息),自動(dòng)化運(yùn)行后就通過檢測(cè)每一次電路板標(biāo)志點(diǎn)中心的物理坐標(biāo),然后計(jì)算出和機(jī)械手臂原點(diǎn)信息的相對(duì)偏差,通過機(jī)械手臂的水平、垂直方向的位移和旋轉(zhuǎn)來實(shí)現(xiàn)對(duì)位。

因此,在本文精定位會(huì)有誤差的情況下,最后的結(jié)果可能會(huì)有最多有兩個(gè)像素的偏差,原圖中一個(gè)電路板平面上的像素對(duì)應(yīng)實(shí)際電路板上的物理尺寸約為0.1mm。當(dāng)電路板為圖2中左邊那副圖像時(shí),引腳的寬度為1mm,允許的偏差為0.5mm,因此兩個(gè)像素偏差能在接受范圍內(nèi),但是后期由于信號(hào)傳輸?shù)膯栴}電路板變成右邊那副圖像的樣子,FPC連接器的引腳寬度變?yōu)榱?.3mm,定位的偏差要求變成了不能超過0.15mm。

在這種情況下,本文提出了用亞像素定位的方法來降低檢測(cè)的誤差。

5.1亞像素定位原理

像素是組成數(shù)字圖像最基本的單位,它代表了圖像的分辨率,即像素?cái)?shù)越大,圖像分辨率越高。而亞像素是將像素這個(gè)基本單位再進(jìn)行細(xì)分,它是比像素還小的單位,從而提高了圖像分辨率。亞像素定位可以理解為在攝像系統(tǒng)硬件條件不變的情況下,用軟件算法來提高邊緣檢測(cè)精度的方法,或者說是一種可以使分辨率小于一個(gè)像素的圖像處理技術(shù)。常見的亞像素定位算法主要有擬合法、插值法和矩法等。

5.2亞像素定位在本文中的使用

由于檢測(cè)中有畸變矯正這一過程,而這一過程需要傳入源圖像才能得到校正后的圖像,所以本文在通過攝像機(jī)拍攝拍攝到源圖像的時(shí)候就用雙線性插值法將圖像放大了四倍,這樣就使得圖像的分辨率為0.25個(gè)像素,偏差也就降低了四倍,這樣就能滿足精度的提高要求。

源圖像放大了四倍,則需要對(duì)攝像機(jī)標(biāo)定中每一個(gè)標(biāo)定模板圖像角點(diǎn)的像素坐標(biāo)都乘上四倍(相當(dāng)于將標(biāo)定模板圖像放大了四倍)來進(jìn)行攝像機(jī)標(biāo)定才能夠滿足攝像機(jī)模型。圖像放大后,算法的運(yùn)算時(shí)間會(huì)增大,這主要體現(xiàn)在畸變矯正和精定位上,而粗定位的降采樣使得粗定位保持原有的運(yùn)算時(shí)間。

6實(shí)驗(yàn)流程及結(jié)果驗(yàn)證

6.1實(shí)驗(yàn)流程

通過前五節(jié)的介紹,整個(gè)的實(shí)驗(yàn)總結(jié)為以下幾個(gè)步驟:

1) 對(duì)攝像機(jī)拍攝得到的標(biāo)定板模板圖像進(jìn)行角點(diǎn)坐標(biāo)乘上四倍的攝像機(jī)標(biāo)定,取內(nèi)參數(shù)矩陣以及和電路板在同一平面的標(biāo)定板模板圖像的外參數(shù)矩陣計(jì)算出圖像像素坐標(biāo)到物理坐標(biāo)的轉(zhuǎn)換關(guān)系。

2) 對(duì)攝像機(jī)拍攝到的電路板圖像進(jìn)行亞像素處理,采用雙線性插值的方法將圖像從1624×1234放大到6496×4936。

3) 利用內(nèi)參數(shù)和畸變參數(shù)對(duì)放大后的圖像進(jìn)行畸變矯正,然后對(duì)校正后的圖像進(jìn)行降采樣后的圖像模板匹配,得到了目標(biāo)點(diǎn)區(qū)域。

4) 對(duì)目標(biāo)點(diǎn)區(qū)域進(jìn)行最小值濾波、拉普拉斯算子、比例二值化以及霍夫變換直線檢測(cè)求交點(diǎn)的精定位,得到目標(biāo)區(qū)域的中心像素坐標(biāo)。

5) 將中心像素坐標(biāo)換算成物理坐標(biāo)后傳給機(jī)械手臂完成自動(dòng)對(duì)位。

6.2實(shí)驗(yàn)結(jié)果驗(yàn)證

一個(gè)好的檢測(cè)算法應(yīng)該具有不漏檢且有較高的檢測(cè)精度,能不能對(duì)位成功驅(qū)動(dòng)液晶屏成為檢驗(yàn)本文方法的主要標(biāo)準(zhǔn),下面通過在流水線自動(dòng)化運(yùn)轉(zhuǎn)的結(jié)果來驗(yàn)證。

圖17為標(biāo)示出來的目標(biāo)點(diǎn)檢測(cè)結(jié)果,五個(gè)目標(biāo)區(qū)域的中心像素用十字標(biāo)記來表示檢測(cè)成功。23個(gè)載有液晶屏的載臺(tái)在流水線自動(dòng)運(yùn)轉(zhuǎn)了五個(gè)流程后,在一個(gè)工位上統(tǒng)計(jì)的實(shí)驗(yàn)結(jié)果見表1。

圖17　檢測(cè)結(jié)果標(biāo)記圖

對(duì)位次數(shù)成功次數(shù)失敗次數(shù)平均檢測(cè)時(shí)間1151087522ms

102次對(duì)位中,失敗了七次,其中二次是在液晶屏放上載臺(tái)后插線的過程中線擋住了標(biāo)志點(diǎn)區(qū)域,導(dǎo)致攝像機(jī)拍攝不到標(biāo)志點(diǎn)導(dǎo)致的,還有五次是因?yàn)殡娐钒逶诒粚?duì)位壓合后可能導(dǎo)致平面的偏移,導(dǎo)致平面沒有和標(biāo)定板在同一平面,并且相隔較大,因?yàn)樽鴺?biāo)換算是以像素點(diǎn)的坐標(biāo)換算成世界坐標(biāo),并不會(huì)檢查電路板平面和模板平面是否在同一面上,因而導(dǎo)致檢測(cè)結(jié)果與實(shí)際位置,在調(diào)整了電路板所在平面后,能對(duì)位成功。

7結(jié)語

針對(duì)機(jī)器視覺中較為重要的三維空間目標(biāo)定位的問題,本文提出了一套結(jié)合了攝像機(jī)標(biāo)定、圖像匹配、邊緣檢測(cè)、亞像素定位等方法在內(nèi)的方案,通過檢測(cè)電路板上目標(biāo)點(diǎn)的位置,完成了液晶屏生產(chǎn)流水線上實(shí)現(xiàn)自動(dòng)對(duì)位驅(qū)動(dòng)液晶屏的功能,由實(shí)驗(yàn)結(jié)果可知:檢測(cè)的時(shí)間可以做進(jìn)一步的優(yōu)化,檢測(cè)的結(jié)果對(duì)機(jī)械結(jié)構(gòu)模型的穩(wěn)定性有較大的依賴性,當(dāng)機(jī)械結(jié)構(gòu)能保證電路板和標(biāo)定板在同一平面的基礎(chǔ)上,對(duì)位的成功率接近百分之百。所以該方法能夠較好地應(yīng)用于實(shí)際工業(yè)應(yīng)用。

參 考 文 獻(xiàn)

[1] 邱茂林,馬頌德,李毅.計(jì)算機(jī)視覺中攝像機(jī)定標(biāo)綜述[J].自動(dòng)化學(xué)報(bào),2000,26(1):47-59.

QIU Maolin, MA Songde, LI Yi. Overview of camera calibration for computer vision[J]. Acta Automatica Sinica,2000,26(1):47-59.

[2] 尹文生,羅瑜林,李世其.基于OpenCV的攝像機(jī)標(biāo)定[J].計(jì)算機(jī)工程與設(shè)計(jì),2007,28(1):197-199.

YIN Wensheng, LUO Yulin, LI Shiqi. Camera calibration based on OpenCV[J]. Computer Engineering and Design,2007,28(1):197-199.

[3] 李躍,汪亞明,黃文清,等.基于OpenCV的攝像機(jī)標(biāo)定方法研究[J].浙江理工大學(xué)學(xué)報(bào),2010,27(3):417-420,440.

LI Yue, WANG Yaming, HUANG Wenqing, et al. Camera calibration technique based on OpenCV[J]. Journal of Zhejiang Sci-tech University,2010,27(3):417-420,440.

[4] 田娟,鄭郁正.模板匹配技術(shù)在圖像識(shí)別中的應(yīng)用[J].傳感器與微系統(tǒng),2008,27(1):112-114,117.

TIAN Juan, ZHENG Yuzheng. Application of template matching technique in image recognition[J]. Transducer and Microsystem Technologies,2008,27(1):112-114,117.

[5] 黃濤.模板匹配在圖像識(shí)別中的應(yīng)用[J].云南大學(xué)學(xué)報(bào)(自然科學(xué)版),2005,27(5A):327-332.

HUANG Tao. The application of template matching in the pattern recognition of digital image[J]. Journal of Yunnan University,2005,27(5A):327-332.

[6] 孫紅艷,張海英.圖像邊緣檢測(cè)算法的比較與分析[J].菏澤學(xué)院學(xué)報(bào),2010,32(2):49-52.

SUN Hongyan, ZHANG Haiying. The comparison and analysis of image edge detection algorithms[J]. Journal of Heze University,2010,32(2):49-52.

[7] 孫英慧,蒲東兵.基于拉普拉斯算子的邊緣檢測(cè)研究[J].長春師范學(xué)院學(xué)報(bào)(人文社會(huì)科學(xué)版),2009,28(6):4-6.

SUN Yinghui, PU Dongbing. Edge detection research on laplace operator[J]. Journal of Changchun Normal University(Natural Science),2009,28(6):4-6.

[8] 張會(huì)章,張利霞,郭雷.用霍夫變換來提取目標(biāo)邊界[J].計(jì)算機(jī)應(yīng)用,2003,23(z1):117-119.

ZHANG Huizhang, ZHANG Lixia, GUO Lei. Using Hof transform to extract the target boundary[J]. Computer Applications,2003,23(z1):117-119.

[9] 劉國棟,劉炳國,陳鳳東,等.亞像素定位算法精度評(píng)價(jià)方法的研究[J].光學(xué)學(xué)報(bào),2009,29(12):3446-3451.

LIU Guodong, LIU Bingguo, CHEN Fengdong, et al. Research on the method of the accuracy evaluation of subpixel location algorithm[J]. Acta Optica Sinica,2009,29(12):3446-3451.

[10] 盛遵冰,崔賢玉,高國安.通用亞像素邊緣檢測(cè)算法[J].上海交通大學(xué)學(xué)報(bào),2007,41(6):911-915.

SHENG Zunbing, CUI Xianyu, GAO Guoan. A universal algorithm for subpixel edge Detection[J]. Journal of shanghai Jiaotong University,2007,41(6):911-915.

[11] 林欣堂,王宗義.一種新的快速通用二維圖像亞像素邊緣檢測(cè)算法[J].應(yīng)用科技,2010,37(8):35-39.

LIN Xintang, WANG Zongyi. A novel universal and fast algorithm for two-dimensional subpixel edge detection[J]. Applied Science and Technology,2010,37(8):35-39.

中圖分類號(hào)TP391.41

DOI:10.3969/j.issn.1672-9722.2016.03.013

作者簡介:梅鴻翔,男,碩士研究生,研究方向:圖像處理,模式識(shí)別。

收稿日期:2015年9月4日,修回日期:2015年10月23日