任永強(qiáng)，李 潤(rùn)，李掌珠

(合肥工業(yè)大學(xué)機(jī)械工程學(xué)院，合肥 230009)

0 引言

圖像配準(zhǔn)作為圖像處理中的一項(xiàng)基本技術(shù)，其主要用于求解不同傳感器、不同視角、不同時(shí)間獲取的圖像的最佳幾何變換，在目標(biāo)識(shí)別、圖像診斷、圖像拼接、缺陷檢測(cè)等領(lǐng)域有著廣泛應(yīng)用。其中圖像特征點(diǎn)的提取與匹配是圖像配準(zhǔn)的關(guān)鍵步驟。

常用的特征點(diǎn)提取方法有SIFT(scale invariant feature transform)、SURF(speeded up robust features)、ORB(oriented fast and rotated brief)和AKAZE算法[1]。目前在工業(yè)中，ORB算法由于檢測(cè)特征點(diǎn)速度快的優(yōu)點(diǎn)被廣泛應(yīng)用。鐘鵬程等[2]提出將ORB和SURF相結(jié)合的方法完成圖像匹配，雖然魯棒性增加了，但是提取的特征點(diǎn)較少且出現(xiàn)“簇集”現(xiàn)象。成怡等[3]利用余弦相似度改進(jìn)ORB算法，提高精確度的同時(shí)，增加了運(yùn)行時(shí)間。針對(duì)標(biāo)準(zhǔn)ORB算法分布不均勻的問題，RAúL[4]等在ORB_SLAM2中提出Qtree_ORB(quadtree-based ORB algorithm)算法，采用四叉樹對(duì)特征點(diǎn)進(jìn)行均勻化，但是標(biāo)準(zhǔn)Qtree_ORB存在四叉樹過度分割，部分特征點(diǎn)質(zhì)量較差的情況。廖泓真等[5]使用四叉樹均勻化特征點(diǎn)，并采用GMS篩選匹配點(diǎn)對(duì)，但是四叉樹過度分割的情況沒有得到改善，并且精度達(dá)不到缺陷檢測(cè)的要求。針對(duì)上述問題，本文在Qtree_ORB算法的基礎(chǔ)上，設(shè)定Harris響應(yīng)閾值在進(jìn)行四叉樹劃分前篩選部分特征點(diǎn)并在原有的基礎(chǔ)上增加劃分深度判定條件，在提取特征點(diǎn)后使用融合的特征點(diǎn)描述符進(jìn)行描述，通過空間余弦值進(jìn)行預(yù)篩選并利用PROSAC算法得到強(qiáng)匹配點(diǎn)和變換矩陣，最后如果得到的變換矩陣不能滿足檢測(cè)要求，可以使用RMSProp算法對(duì)矩陣進(jìn)行優(yōu)化，得到更為精確的圖像變換矩陣。實(shí)驗(yàn)結(jié)果表明，該方法提高了電池包圖像配準(zhǔn)的精度，算法效率滿足工業(yè)檢測(cè)要求，能有效的完成電池包焊點(diǎn)的缺陷檢測(cè)，具有實(shí)際意義。

1 圖像預(yù)處理

圖1 預(yù)處理對(duì)比圖

在使用Qtree_ORB算法進(jìn)行特征點(diǎn)提取前，需要對(duì)電池包圖像進(jìn)行預(yù)處理，其目的是減少圖像噪聲和突出圖像細(xì)節(jié)。通過對(duì)灰度圖像的分析，圖像中主要存在椒鹽噪聲，選擇對(duì)椒鹽噪聲具有較強(qiáng)過濾作用的中值濾波，在去除噪聲的同時(shí)較好的保留圖像的邊緣特征。經(jīng)濾波處理后的圖像部分細(xì)節(jié)被模糊，在進(jìn)行特征提起前，需要先通過圖像銳化處理來突出圖像中的細(xì)節(jié)，本文通過拉普拉斯算子對(duì)圖像進(jìn)行銳化處理。處理后的圖像如圖1所示。

2 改進(jìn)的Qtree_ORB算法

標(biāo)準(zhǔn)的ORB算法因?yàn)閷?shí)時(shí)性較好得到廣泛的應(yīng)用，但是標(biāo)準(zhǔn)ORB算法提取的特征點(diǎn)容易產(chǎn)生“簇集”現(xiàn)象，大多數(shù)特征點(diǎn)會(huì)集中在紋理信息較強(qiáng)的區(qū)域，其他區(qū)域的特征點(diǎn)數(shù)目較少，所提取的特征點(diǎn)并不能反映圖像的整體信息，不利于后續(xù)的特征點(diǎn)匹配和圖像配準(zhǔn)。對(duì)于Qtree_ORB算法，通過四叉樹對(duì)特征點(diǎn)進(jìn)行均勻化處理，同時(shí)采用自適應(yīng)閾值的方法對(duì)ORB進(jìn)行了改進(jìn)，雖然該算法在一定程度上緩解了上述問題，但是存在算法迭代次數(shù)過多和部分特征點(diǎn)質(zhì)量較差的缺陷[6-7]。針對(duì)此類問題，本文使用改進(jìn)的Qtree_ORB算法對(duì)特征點(diǎn)進(jìn)行提取和描述。

2.1 ORB算法

ORB主要包括oFAST(oriented features from accelerated segment test)和rBRIEF(rotation-aware brief)，分別是特征檢測(cè)的算法和生成特征描述符的算法。

oFAST算法是任選圖像中一點(diǎn)P為圓心，以3個(gè)像素為半徑的圓上16個(gè)像素點(diǎn)與圓心P的灰度差來提取角點(diǎn)。如果圓周上有N個(gè)連續(xù)像素點(diǎn)的灰度值與圓心P的差大于某一閾值t，則將圓心像素點(diǎn)P作為候選特征點(diǎn)，判斷公式為：

(1)

為實(shí)現(xiàn)特征點(diǎn)的尺度不變性和旋轉(zhuǎn)不變性，還需分別使用圖像金字塔和灰度質(zhì)心法。圖像金字塔是單個(gè)圖像的多尺度表示法，由一系列原始圖像的不同分辨率版本組成，每個(gè)級(jí)別都由上個(gè)級(jí)別的圖像下采樣完成，通過在金字塔每個(gè)級(jí)別的圖像中檢測(cè)特征點(diǎn)，使得到的特征點(diǎn)具有尺度不變性。灰度質(zhì)心法賦予特征點(diǎn)一個(gè)主方向，通過主方向?qū)μ卣鼽c(diǎn)的描述子進(jìn)行旋轉(zhuǎn)，使其具有旋轉(zhuǎn)不變性。

rBRIEF算法提取的是一種二進(jìn)制描述符，主要通過比較中心像素點(diǎn)p任意領(lǐng)域內(nèi)的n對(duì)像素之間的差值，表達(dá)式為：

(2)

二進(jìn)制描述符可以表述為：

fn(p)=∑1≤i≤n2i-1τ(p:xi,yi)

(3)

將點(diǎn)對(duì)集合轉(zhuǎn)換為2×n矩陣A，其中A為：

(4)

由特征點(diǎn)的主方向θ，確定旋轉(zhuǎn)向量Rθ，對(duì)矩陣A進(jìn)行旋轉(zhuǎn)，可得到矩陣Aθ：

(5)

2.2 改進(jìn)的Qtree_ORB算法

Qtree_ORB算法以O(shè)RB算法為基礎(chǔ)，主要包括以下幾個(gè)部分：①首先對(duì)圖像采用下采樣的方式構(gòu)建圖像金字塔，為圖像增加尺度信息；②對(duì)每一層圖像金字塔進(jìn)行網(wǎng)格劃分，并進(jìn)行FAST角點(diǎn)提取，提取的過程中通過自適應(yīng)閾值的方式，提取到更多的特征點(diǎn)；③最后通過四叉樹均勻的提取特征點(diǎn)，實(shí)現(xiàn)對(duì)特征點(diǎn)的篩選。四叉樹的原理是二維空間數(shù)據(jù)遞歸劃分為不同層次的樹結(jié)構(gòu)[8]，首先初始化四叉樹節(jié)點(diǎn)，令該節(jié)點(diǎn)為父節(jié)點(diǎn)，然后劃分節(jié)點(diǎn)，若節(jié)點(diǎn)中沒有特征點(diǎn)則刪除節(jié)點(diǎn)，若節(jié)點(diǎn)為1則不繼續(xù)劃分，節(jié)點(diǎn)個(gè)數(shù)超過1則以該節(jié)點(diǎn)為父節(jié)點(diǎn)繼續(xù)劃分，多次迭代后保留節(jié)點(diǎn)中響應(yīng)值最大的特征點(diǎn)，原理如圖2所示。

圖2 四叉樹原理圖

標(biāo)準(zhǔn)的Qtree_ORB算法會(huì)保留部分質(zhì)量較差的特征點(diǎn)，影響圖像配準(zhǔn)的效率和精度?；诖?，本文對(duì)Qtree_ORB算法進(jìn)行改進(jìn)，在FAST角點(diǎn)提取后，由于自適應(yīng)的閾值的存在，會(huì)有較多的質(zhì)量較差的點(diǎn)被分為特征點(diǎn)候選點(diǎn)，在進(jìn)行四叉樹均勻化之前，通過設(shè)定Harris[9]響應(yīng)閾值的方式刪除部分質(zhì)量較差特征點(diǎn)，增加四叉樹運(yùn)算的效率，減少不必要的分支。

同時(shí)標(biāo)準(zhǔn)算法會(huì)存在迭代次數(shù)過多的缺陷，針對(duì)此類問題，本文在原有的基礎(chǔ)上增加限定條件，通過限定整個(gè)算法四叉樹的迭代次數(shù)的方式避免算法迭代次數(shù)過多。傳統(tǒng)四叉樹的結(jié)束條件為，通過判斷每一層有效的節(jié)點(diǎn)數(shù)(node)和最大特征點(diǎn)數(shù)的差值或者分隔到不能分割為止。每層圖像金字塔的特征點(diǎn)最大數(shù)量根據(jù)面積均勻分配，圖像金字塔的總面積為：

s=HW(s2)0+HW(s2)1+…+HW(s2)m-1

(6)

單位面積應(yīng)分配的特征點(diǎn)數(shù)量為：

(7)

由此得出第i層應(yīng)分配的特征點(diǎn)數(shù)量為：

(8)

式中，N為提取的特征點(diǎn)總數(shù)；m為金字塔總層數(shù)；W為圖像的寬；H為圖像的高；S為圖像金字塔的縮放因子。

通過特征點(diǎn)的數(shù)量作為判定條件難以控制四叉樹的劃分深度，本文增加四叉樹總體劃分次數(shù)的判定條件，通過特征點(diǎn)總數(shù)計(jì)算出整體劃分深度，表達(dá)式為：

N=4(D+α)δ

(9)

式中，D為四叉樹劃分深度；α為位移系數(shù)；δ為修正系數(shù)。得到的D為圖像金字塔的總劃分次數(shù)，經(jīng)過多次下采樣后，圖像的信息丟失嚴(yán)重，所以優(yōu)先滿足上層圖像金字塔的四叉樹均勻化。擬合曲線如圖3所示，其中α取11.0，δ取0.148，經(jīng)計(jì)算得到的D向上取整。

圖3 修正系數(shù)擬合圖

改進(jìn)的四叉樹的工作流程如圖4所示。

圖4 改進(jìn)四叉樹算法流程圖

2.3 改進(jìn)的Qtree_ORB描述子

傳統(tǒng)ORB算法中,通過rBRIEF算法提取二進(jìn)制描述，具有較高的快速性和實(shí)時(shí)性，但是算法僅僅使用了圖像的灰度信息，在匹配數(shù)據(jù)較大時(shí)不具備魯棒性和區(qū)分性沒有充分地使用圖像信息且對(duì)噪聲較為敏感[10]。本文提出LDB(local difference binary)和MB-LBP(multiscale block LBP)描述符融合的方式對(duì)特征點(diǎn)進(jìn)行描述，充分利用圖像信息。首先對(duì)圖像進(jìn)行高斯掩膜，對(duì)噪聲進(jìn)行抑制，然后使用LDB算法和MB-LBP算法分別提取特征點(diǎn)描述符，最后將兩個(gè)二進(jìn)制描述符進(jìn)行拼接融合，形成新的特征描述符。

LDB描述符除了運(yùn)用圖像灰度同時(shí)還引入了垂直和水平方向均值信息。大致過程為：相對(duì)于BRIEF算法，利用特征點(diǎn)主方向?qū)D像區(qū)域進(jìn)行校正，將二值測(cè)試單元擴(kuò)大為一個(gè)子區(qū)域，同時(shí)將子區(qū)域劃分為網(wǎng)格，以尺度系數(shù)進(jìn)行多重采樣得到一系列的網(wǎng)格區(qū)域，通過計(jì)算網(wǎng)格的水平和垂直方向的導(dǎo)數(shù)得到二進(jìn)制描述子，此時(shí)描述符的維度增加到了3 bit，增強(qiáng)了描述符的可區(qū)分性。

MB-LBP(local binary pattern，多尺度局部二值模式)是一種用來描述圖像局部紋理特征的算子，它具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn)。針對(duì)傳統(tǒng)LBP特征描述對(duì)噪聲敏感，與LDB類似利用主方向校正后通過圖像塊的方式，用小區(qū)域的灰度等級(jí)的平均值作為當(dāng)前區(qū)域的灰度值，與周圍的灰度進(jìn)行比較。本文在傳統(tǒng)的MB-LBP描述符的基礎(chǔ)上增加描述符的維度，以特征點(diǎn)為中心，提取27×27像素大小的區(qū)域，對(duì)區(qū)域進(jìn)一步劃分為3×3的主塊，每個(gè)主塊大小為9×9像素，對(duì)每個(gè)主塊再次進(jìn)行劃分為3×3的次塊，每個(gè)次塊的大小為3×3像素。計(jì)算每一個(gè)次塊灰度的平均值，并以此灰度值代替每一個(gè)次塊的灰度值，在每一個(gè)主塊中計(jì)算LBP描述符，并由此生成72維MB-LBP特征的二進(jìn)制描述符。原理圖如圖5所示。

圖5 MB-LBP原理圖

使用改進(jìn)Qtree_ORB算法對(duì)電池包圖像進(jìn)行特征點(diǎn)提取，結(jié)果如圖6所示，可以看到特征點(diǎn)較為均勻，能較大程度概括圖片的信息。然后根據(jù)特征點(diǎn)周圍的像素值和紋理信息得到特征點(diǎn)對(duì)應(yīng)的特征描述子。

圖6 Qtree_ORB特征點(diǎn)

3 圖像配準(zhǔn)

圖像配準(zhǔn)中的關(guān)鍵步驟是得到圖像之間的變換矩陣H，變換矩陣H是一個(gè)3×3矩陣，歸一化后有8個(gè)參數(shù)求解，所以至少需要提供4對(duì)特征匹配點(diǎn)對(duì)，才能求解出變換矩陣H[11]。本文提出使用PROSAC算法方法計(jì)算圖像的變換矩陣，變換方程為：

(10)

3.1 特征點(diǎn)的匹配與優(yōu)化

提取到的特征點(diǎn)通過漢明距離進(jìn)行匹配獲得粗匹配集合，匹配結(jié)果如圖7所示，漢明距離是通過記錄兩個(gè)字符串對(duì)應(yīng)位置的不同字符的個(gè)數(shù)來判斷兩個(gè)字符串之間的相似度。漢明距離匹配具有速度快的特點(diǎn)，但同時(shí)也帶來了較多的錯(cuò)誤匹配。傳統(tǒng)的剔除錯(cuò)誤匹配的方式是運(yùn)用隨機(jī)抽樣一致性算法(RANSAC)，但RANSAC在計(jì)算誤匹配較多的模型參數(shù)時(shí)，其迭代次數(shù)變多，效率變低，且計(jì)算出的結(jié)果并非一定為最佳參數(shù)。針對(duì)上述問題，本文使用PROSAC算法對(duì)匹配點(diǎn)對(duì)進(jìn)行篩選，并且在篩選前通過匹配點(diǎn)對(duì)的空間余弦值對(duì)粗匹配進(jìn)行預(yù)篩選，剔除大部分錯(cuò)誤匹配，縮短篩選時(shí)間。

通過空間中使用兩個(gè)向量之間的余弦值來衡量向量之間的相似度，與漢明距離反映兩向量在對(duì)應(yīng)數(shù)值位置的相似度不同，余弦值反映的是兩向量在方向上的差異性，通過余弦值進(jìn)行篩選可更好的利用描述符中的特征信息。計(jì)算為：

(11)

式中，a、b為匹配點(diǎn)對(duì)的描述符向量；cosθ為描述符向量之間的余弦值，余弦值越大，表示兩個(gè)描述符向量之間角度越小，描述符也就越相似。通過設(shè)置閾值的方式進(jìn)行預(yù)篩選，刪除部分誤匹配點(diǎn)對(duì)，閾值一般設(shè)置為余弦值的平均值，結(jié)果如圖8所示。

圖7 初始匹配 圖8 預(yù)篩選匹配圖

PROSAC算法是一種補(bǔ)償隨機(jī)抽樣一致性算法的隨機(jī)性算法[12]，相對(duì)于RANSAC可減少迭代次數(shù)提高運(yùn)算的效率和準(zhǔn)確率，具體過程如下：

(1)使用漢明距離得到匹配點(diǎn)對(duì)以后，使用空間余弦值對(duì)粗匹配特征點(diǎn)對(duì)進(jìn)行預(yù)篩選。

(2)設(shè)置PROSAC算法相關(guān)參數(shù)，最大迭代次數(shù)，內(nèi)點(diǎn)的誤差范圍，內(nèi)點(diǎn)數(shù)量等參數(shù)。

(3)在經(jīng)過空間余弦值篩選過的匹配點(diǎn)對(duì)中，按照匹配質(zhì)量進(jìn)行升序排列，選取匹配質(zhì)量排列在前的m個(gè)匹配點(diǎn)對(duì)，從m個(gè)匹配點(diǎn)對(duì)中隨機(jī)抽取四個(gè)點(diǎn)對(duì)，計(jì)算變換矩陣，由得到的變換矩陣計(jì)算其余匹配點(diǎn)與投影點(diǎn)的誤差，如果誤差在允許的范圍內(nèi)，則判定為內(nèi)點(diǎn)，否則判定為外點(diǎn)。在遍歷完所有的匹配點(diǎn)對(duì)后，統(tǒng)計(jì)內(nèi)點(diǎn)的數(shù)量。

(4)重復(fù)執(zhí)行(3)直到迭代次數(shù)達(dá)到預(yù)先設(shè)定的最大迭代次數(shù)，返回內(nèi)點(diǎn)數(shù)量最多的一組匹配點(diǎn)對(duì)集合。

(5)判斷內(nèi)點(diǎn)數(shù)量是否大于預(yù)先設(shè)定的臨界值，如果小于則返回(3)且迭代次數(shù)加一。如果大于臨界值，則完成迭代輸出匹配點(diǎn)對(duì)集合，并得到對(duì)應(yīng)的圖像變換矩陣H。

在上述的算法中，由于存在預(yù)篩選的過程，樣本屬于內(nèi)點(diǎn)的概率大大增加，可以大幅降低迭代次數(shù)，相對(duì)于傳統(tǒng)的RANSAC可以大幅降低運(yùn)行時(shí)間，提高工業(yè)檢測(cè)效率，同時(shí)提高結(jié)果的準(zhǔn)確性。

3.2 變換矩陣的優(yōu)化

經(jīng)過PROSAC算法計(jì)算后，得到內(nèi)點(diǎn)集合和變換矩陣H，經(jīng)計(jì)算得到的變換矩陣已經(jīng)可以滿足一般檢測(cè)的要求，但是由于在選取內(nèi)點(diǎn)時(shí)有誤差閾值的存在，變換矩陣的精度可能存在不滿足要求的情況，嚴(yán)重的情況甚至影響后續(xù)的誤差檢測(cè)。因此在檢測(cè)過程中，出現(xiàn)檢測(cè)失敗現(xiàn)象時(shí)，可以使用RMSProp算法進(jìn)一步獲取更為精確的變換矩陣H，再次進(jìn)行檢測(cè)。

算法中將標(biāo)準(zhǔn)圖中的特征點(diǎn)作為標(biāo)簽數(shù)據(jù)，待檢測(cè)圖片中的特征點(diǎn)作為訓(xùn)練數(shù)據(jù)，由此得到損失函數(shù)J(H)和參數(shù)更新方程為：

(12)

指數(shù)加權(quán)平均數(shù)為：

SdH=βSdH+(1-β)dH2

(13)

參數(shù)更新方程為：

(14)

式中，m為內(nèi)點(diǎn)集合中特征點(diǎn)個(gè)數(shù)；?為學(xué)習(xí)率；β為常數(shù)，控制著指數(shù)加權(quán)平均數(shù)；δ為常數(shù)，一般較小可取0，用于保持?jǐn)?shù)值穩(wěn)定；SdH為指數(shù)加權(quán)平均數(shù)。RMSProp算法在收斂的過程中能大幅減少震蕩，收斂速度較快。

4 實(shí)驗(yàn)結(jié)果與分析

本文試驗(yàn)環(huán)境為：Ubuntu18系統(tǒng)，AMD R5處理器，算法實(shí)現(xiàn)采用C++編程語言，調(diào)用了OpenCV4.4開源庫(kù)。實(shí)驗(yàn)使用的圖片來自某公司工業(yè)生產(chǎn)線上的電池包圖片。通過采用多組圖片在不同條件的圖像配準(zhǔn)實(shí)驗(yàn)來對(duì)比本文算法，以下是其中一組在不同光照配準(zhǔn)圖片，本文僅驗(yàn)證在光照缺乏情況下算法的可行性，提取特征點(diǎn)略少于光照充足情況，分別使用本文算法、Qtree_ORB+RANSAC和ORB+RANSAC算法，實(shí)驗(yàn)結(jié)果如圖9所示。本文算法在光照均勻和光照缺乏條件下的實(shí)驗(yàn)結(jié)果如圖9a、圖9b所示，弱光條件下不存在明顯的誤匹配點(diǎn)對(duì)，本文算法具有一定的抗光照變化能力、尺度不變性和旋轉(zhuǎn)不變性。圖9c和圖9d為傳統(tǒng)Qtree_ORB算法實(shí)驗(yàn)結(jié)果，由于缺少對(duì)特征點(diǎn)的篩選，存在少數(shù)的誤匹配，算法效率較低。圖9e和圖9f為傳統(tǒng)ORB算法試驗(yàn)結(jié)果，出現(xiàn)了特征點(diǎn)聚集現(xiàn)象，不能充分反映圖片信息，配準(zhǔn)精確度難以保證。

(a) 光照均勻下本文算法 (b) 光照缺乏下本文算法

(c) 光照均勻下Qtree_ORB算法 (d) 光照缺乏下Qtree_ORB算法

(e) 光照均勻下ORB算法 (f) 光照缺乏下ORB算法

分別使用3種算法在光照充足情況下得到的圖像變換矩陣為：

為驗(yàn)證本文算法在求出的變換矩陣的準(zhǔn)確性，本文采用圖像作差的方式，經(jīng)過形態(tài)學(xué)處理后，將作差后圖像中的最大區(qū)域的輪廓面積作為評(píng)價(jià)變換矩陣的精確度指標(biāo)，實(shí)驗(yàn)結(jié)果如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)對(duì)比

圖10 工程實(shí)踐圖(截取缺陷部分圖像)

從表1和圖9得到，傳統(tǒng)Qtree_ORB+RANSAC算法相比ORB+RANSAC算法變換矩陣的精度相差無幾，同時(shí)匹配點(diǎn)對(duì)的分布也較為均勻，傳統(tǒng)的ORB+RANSAC算法出現(xiàn)了特征點(diǎn)聚集的現(xiàn)象，這主要得益于使用四叉樹均勻特征點(diǎn)，但是該算法整體較為復(fù)雜，相對(duì)存在較多質(zhì)量較差匹配點(diǎn)和匹配點(diǎn)對(duì)，篩選時(shí)間較長(zhǎng)，運(yùn)行效率較低，匹配運(yùn)行時(shí)間較傳統(tǒng)算法增加了29.1%。本文算法通過設(shè)定Harris閾值和特征融合的方式進(jìn)一步提高變換矩陣精度的同時(shí)，通過限定四叉樹劃分深度和引入預(yù)處理的方式提高運(yùn)算效率，匹配運(yùn)行時(shí)間相對(duì)Qtree_ORB+RANSAC算法降低了13.0%，可以使電池包圖像配準(zhǔn)更加精準(zhǔn)迅速。本文算法在特征點(diǎn)提取和描述子計(jì)算階段增加了四叉樹均勻化算法和計(jì)算LBP描述子，算法的整體運(yùn)行時(shí)間相較于ORB+RANSAC算法有所提高，但是滿足工業(yè)檢測(cè)要求，工程中應(yīng)用結(jié)果如圖10所示。當(dāng)出現(xiàn)電池包焊點(diǎn)缺失的情況時(shí)，出現(xiàn)巨大白色區(qū)域，通過白色區(qū)域的大小判斷電池包是否符合工程要求。

5 結(jié)論

本文提出一種基于改進(jìn)Qtree_ORB算法和PROSAC相結(jié)合的優(yōu)化方法來解決電池包焊點(diǎn)缺陷檢測(cè)中的圖像配準(zhǔn)精度問題。首先使用圖像預(yù)處理去除圖像噪聲并增強(qiáng)圖像相關(guān)細(xì)節(jié)信息，通過改進(jìn)Qtree_ORB特征檢測(cè)算法提取出電池包標(biāo)準(zhǔn)圖像和待測(cè)圖像的特征點(diǎn)和描述符，利用匹配點(diǎn)對(duì)的空間余弦值初步去除誤匹配點(diǎn)對(duì)，再通過PROSAC算法能夠快速獲得強(qiáng)匹配點(diǎn)對(duì)以及對(duì)應(yīng)的圖像變換矩陣，同時(shí)也可以使用RMSProp優(yōu)化算法進(jìn)一步優(yōu)化出精確的變換矩陣，實(shí)驗(yàn)結(jié)果表明，本文算法能夠有效提升圖像變換矩陣的精度且配準(zhǔn)速度較快，能夠滿足工業(yè)上電池包焊點(diǎn)缺陷檢測(cè)的要求。本文算法，在一定程度上也適用于其他的圖像配準(zhǔn)場(chǎng)景，具有較強(qiáng)的實(shí)用性。