一种轮毂工件定位的装置及其方法.pdf

《一种轮毂工件定位的装置及其方法.pdf》由会员分享，可在线阅读，更多相关《一种轮毂工件定位的装置及其方法.pdf（17页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104123542 A (43)申请公布日 2014.10.29 CN 104123542 A (21)申请号 201410349103.9 (22)申请日 2014.07.18 G06K 9/00(2006.01) G06T 7/00(2006.01) (71)申请人 大连理工大学 地址 116024 辽宁省大连市高新园区凌工路 2 号 (72)发明人 陈喆 殷福亮 李丹丹 (74)专利代理机构 大连东方专利代理有限责任 公司 21212 代理人 李洪福 (54) 发明名称 一种轮毂工件定位的装置及其方法 (57) 摘要 本发明公开了一种轮毂工件定位的装置及其 方法。

2、， 所述的装置包括图像采集模块、 轮毂模板信 息提取模块、 待检测轮毂特征点提取模块、 特征点 匹配模块和轮毂定位模块 ； 轮毂模板信息提取模 块用于提取轮毂模板图像上的 SIFT 特征点、 圆心 和气嘴的位置以及轮毂外边缘圆周上的四个点。 本发明考虑到轮毂图像匹配过程中遇到的光照影 响以及平移、 旋转、 尺度变化等问题， 采用尺度不 变特征变换特征点匹配方法来匹配出模板图像和 待检测图像中空间对应的点对， 然后通过这些点 对判断模板图像和待检测图像中轮毂区域图像的 空间对应关系， 最后将模板图像中已知的标定点 通过二者的空间对应关系计算出待检测图像中轮 毂区域对应的点， 从而达到轮毂定位的目。

3、的。 (51)Int.Cl. 权利要求书 4 页 说明书 8 页 附图 4 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书4页 说明书8页 附图4页 (10)申请公布号 CN 104123542 A CN 104123542 A 1/4 页 2 1. 一种轮毂工件定位的装置， 其特征在于 ： 包括图像采集模块、 轮毂模板信息提取模 块、 待检测轮毂特征点提取模块、 特征点匹配模块和轮毂定位模块 ； 所述的图像采集模块 用于采集轮毂工件灰度图像 ； 所述的轮毂模板信息提取模块用于提取轮毂模板图像上的 SIFT 特征点、 圆心和气嘴的位置以及轮毂外边缘圆周上的四个点 ；。

4、 待检测轮毂特征点提取 模块用于提取待检测轮毂图像上的 SIFT 特征点信息 ； 特征点匹配模块用于寻找待检测轮 毂图像与轮毂模板图像匹配的特征点对， 并计算待检测轮毂与模板轮毂的空间映射关系 ； 轮毂定位模块用于定位待检测图像中对应的轮毂的圆心、 气嘴以及轮毂外边缘圆周上的四 个点的位置， 并计算待检测图像中轮毂的半径长度 ； 所述的图像采集模块的输出端分别与轮毂模板信息提取模块和待检测轮毂特征点提 取模块连接， 所述的特征点匹配模块的输入端分别与轮毂模板信息提取模块和待检测轮毂 特征点提取模块连接， 特征点匹配模块的输出端与轮毂定位模块连接。 2. 一种轮毂工件的定位装置的定位方法， 其特。

5、征在于 ： 包括以下步骤 ： A、 离线处理 在离线处理阶段， 采集轮毂工件图像， 提取并存储轮毂图像的 SIFT 特征点信息， 并在 模板图像上预先标记圆心和气嘴的位置 ； 具体包括以下步骤 ： A1、 采集轮毂工件图像 由图像采集模块采集轮毂工件灰度图像， 采取时， 需要在光照情况良好、 噪声较小的环 境， 获取理想的轮毂模板图像 ； 要求该模板图像的背景颜色均匀， 并且图像中只有轮毂， 无 其它干扰物 ； A2、 轮毂模板信息提取 由轮毂模板信息提取模块提取轮毂模板图像上的 SIFT 特征点， 标定轮毂模板的圆心 和气嘴位置， 并测量轮毂模板的半径 ； 具体步骤如下 ： A21、 解析输。

6、入的轮毂工件模版图像， 搜索轮毂工件区域中满足 SIFT 特征点特性的像 素点， 统计并存储 SIFT 特征点描述信息， 即根据步骤 1) 步骤 5) 得到轮毂的 SIFT 特征点 模板信息 ： A211、 构造图像金字塔 T 输入图像定义为 f(x,y)， 对 f(x,y) 做 I 次下采样， 得到 (I+1) 层的图像金字塔 T， 其中 I log2min(M,N)-3， M 和 N 分别为 f(x,y) 的行数和列数 ； 所述的下采样是指取彼此相 邻的四个像素的均值作为下采样后的像素 ； 定义图像金字塔模型 T 中第 0 层的图像为 T0(x,y)， 即原始图像 f(x,y) ； 第 i。

7、 层的图像 定义为 Ti(x,y)， 即对原始的图像 f(x,y) 做 I 次下采样后得到的图像， i 0， 1,2,.,I ； A212、 构造高斯金字塔 L 用高斯卷积核函数G(x,y,)对Ti(x,y)做卷积， 并连续变化尺度空间因子， 得到尺 度空间为 Li： Li(x,y,) G(x,y,)*Ti(x,y) (1) 其中， 符号 * 表示卷积运算符， 为尺度空 间因子， i 0， 1,2,.,I ； 对 T 中 (I+1) 幅图像做同样操作， 得到 L ； 权 利 要 求 书 CN 104123542 A 2 2/4 页 3 A213、 构造 DoG 金字塔 D 取 Li中每两幅相邻。

8、的图像做差， 得到 DoG 空间 Di， 即 Di(x,y,) G(x,y,k)-G(x,y,)*Ti(x,y) Li(x,y,k)-Li(x,y,) (2) 其中， 符号 * 表示卷积运算符， k 为两相邻尺度空间倍数的常数， i 0， 1,2,.,I ； 对 L 中 (I+1) 组图像做同样操作， 得到 D ； A214、 检测 D 中的空间局部极值点 利用 DoG 函数的泰勒展开式， 在求解该函数导数为零的情况 其中， X (x,y,)T； 令 D(X) 的导数为零时， 得到亚像素级精度的极值点即 A215、 筛选不稳定极值点， 得到 SIFT 特征点集 首先去除图像中对比度较低的点， 。

9、即满足的极值点然后利用 Hessian 矩阵去除边缘极值点 ； DoG 金字塔中某一尺度的图像在 x 方向上的二阶导数定义为 Dxx， 则 Hessian 矩阵表示 为 ： H 的两个特征值分别定义为 1和 2， 其中 1 2且 1/2 r， 这里 1和 2 分别对应图像对在 x 方向和 y 方向上的主曲率值， 则当 r 大于阈值 10 时， 判断该极值点位 于 DoG 曲线的边缘位置 ； 定义 Tr(H) 为 H 的迹， Det(H) 为 H 的行列式， 则 即通过计算 Tr(H) 和 Det(H) 来避免直接求特征值， 从而减少计算量 ； A216、 计算 SIFT 特征点描述符 以关键点。

10、周围任意大小的图像区域作为统计范围， 将图像区域分成若干块 ； 统计每个 分块内的每个点的梯度直方图， 计算出表示该区域图像信息的向量 ； 定义梯度的模值为 m(x,y)， 方向为 (x,y)， 则 首先计算描述符所需的图像区域， 把特征点附近的邻域分为 44 个子区域， 每个子区 域的大小为 3， 其中 为尺度空间因子 ； 然后， 统计各个子区域的梯度方向直方图 ： 将特 征点的方向作为基准方向， 然后计算各个子区域中每一个像素点的梯度方向相对于基准方 向的角度， 投影到 0 2 区间以 /4 为间隔的 8 个方向上， 并统计每个方向上梯度值的 权 利 要 求 书 CN 104123542 。

11、A 3 3/4 页 4 累加， 在归一化操作后生成 8 维向量描述符 ； 最后集合每个子区域的 8 维向量， 构成一个 448 126 维的特征点描述符 ； A22、 轮毂模板信息提取模块标定并以像素为单位存储轮毂模板图像中六个像素点的 位置信息 ： 轮毂工件的圆心O(x0,y0)、 轮毂工件的气嘴中心Ogas(xgas,ygas)和轮毂外边缘圆周 上的四个点 O1(x1,y1),O2(x2,y2),O3(x3,y3),O4(x4,y4) ； B、 在线处理 在线处理阶段， 首先提取待检测图像上的SIFT特征点 ； 然后用Best-Bin-First搜索算 法搜索与轮毂模板相匹配的特征点 ； 。

12、接着用 RANSAC 算法剔除误匹配点， 并计算出待检测图 像中轮毂与模板图像之间的空间映射关系 ； 最后， 根据模板图像的标记点， 计算出待检测图 像中轮毂的圆心和气嘴的位置 ； 具体包括以下步骤 ： B1、 提取待检测图像上的 SIFT 特征点 由待检测轮毂特征点提取模块按照步骤A21取待检测图像上的SIFT特征点， 即解析输 入的待检测轮毂图像， 搜索图像中满足 SIFT 特征点特性的像素点， 统计并存储 B2、 匹配特征点 由特征点匹配模块寻找待检测轮毂图像与轮毂模板图像匹配的特征点， 并剔除误匹配 点， 计算待检测轮毂与模板轮毂的空间映射关系 ； 具体步骤如下 ： B21、 用最近邻。

13、 / 次近邻算法对参考图像和待匹配图像进行初始匹配 用 BBF 算法搜索到与待匹配特征点 p( 特征向量为 vi) 欧式距离最近的最邻近特征点 pmin(特征向量为vmin)和次邻近特征点pmin2(特征向量vmin2)， 则满足以下条件的点对是匹配 的特征点 ： 其中， Dist(vi,vmin) 表示 vi和 vmin之间的马氏距离， Dist(vi,vmin2) 表示 vi和 vmin2之间 的马氏距离， 即 其中上标 T 表示矩阵转置符号 ； B22、 用 RANSAC 算法剔除误匹配点， 并计算目标区域与模板图像的空间对应关系 ； 设点集 A 和 B 分别为模板图像和检测图像上得到的。

14、初始匹配点集合， 则 RANSAC 算法具 体步骤如下 ： B221、 随机在点对集合 A 和 B 中， 选取 4 对匹配点对， 计算这四对点对的投影变换矩阵 H ： 对图像中的一点 p(x,y)， 该点通过矩阵 H 变换到点 p (x ,y )， 即 权 利 要 求 书 CN 104123542 A 4 4/4 页 5 其中， 即 H 可通过匹配点对 p(x,y) 和 p (x ,y ) 求出 ； 每 4 对匹配点对可计算出一个 投影变换矩阵 ； B222、 用步骤 B221 中计算得到的投影变换矩阵 H， 对点集 A 中的所有特征点做空间变 换， 得到点集 B ； 计算点集 B 和 B中所。

15、有对应点的坐标误差， 即 e |B-B | ； 设定的误差阈值 ， 如果 e ， 则认为该点对为内点对， 否则为外点对 ； B223、 重复步骤 B221 和 B222， 找到内点对数量最多的一次变换， 并将该次变换得到的 内点对集合作为新的点集 A 和 B， 进行新一轮的迭代 ； B224 迭代终止判断 ： 当迭代得到的内点对数目与此次迭代前点集 A 和 B 中的点对数目 一致时， 迭代终止 ； B225、 迭代结果 ： 最后这次迭代的 A 和 B， 就是剔除误匹配特征点对后的匹配点集， 相应 的投影变换矩阵 H 代表了我们所要求的原始图像和待检测图像之间的空间变换关系 ； B3、 定位待检。

16、测图像中轮毂的圆心和气嘴的位置 由轮毂定位模块定位待检测图像中轮毂的圆心和气嘴的位置， 并计算待检测图像中轮 毂的半径长度 ； 具体步骤如下 ： B31、 根据步骤 B222 得到的空间变换矩阵 H， 计算出待检测图像中与标定点对应的六个 像素点 ： 轮毂工件的圆心 O (x 0,y0)、 轮毂工件的气嘴中心 Ogas(xgas,ygas) 和 轮毂外边缘圆周上的四个点O1(x1,y1),O2(x2,y2),O3(x3,y3),O4(x4 ,y 4) ； 以轮毂圆心位置的坐标 O (x 0,y0) 为例 ： B32、 计算待检测图像中轮毂工件的半径 R ： 其中 权 利 要 求 书 CN 10。

17、4123542 A 5 1/8 页 6 一种轮毂工件定位的装置及其方法 技术领域 0001 本发明涉及一种工件定位技术， 特别是一种轮毂工件定位的装置及其方法。 背景技术 0002 在汽车自动装配生产线上， 工件定位是一种常用的操作需求。将具有计算机视觉 功能的工业机器人应用于汽车自动化装配， 可有效减少人为因素干扰， 显著提高生产效率 和产品质量， 降低生产成本。 在工业机器人进行汽车轮毂工件的自动化加工时， 要用计算机 视觉技术来分析工业相机采集的实际工件图像， 从图像中识别出轮毂， 计算出几何位置信 息， 据此确定出机器人的抓取姿态和运动轨迹， 实时控制工业机器人抓取和搬运轮毂。 000。

18、3 通常， 轮毂工件是铸造工件， 在粗加工后的轮毂旁侧会留下多条铸线， 且轮毂表面 较粗糙 ； 此外， 在实际工作环境下， 轮毂周围常存在其它干扰物， 轮毂存在平移与旋转， 轮毂 工件有的拍摄不全， 放置轮毂的位置， 其图像背景比较复杂等。在此情况下， 轮毂工件图像 较复杂， 从而导致轮毂及其气嘴的位置定位很困难。 0004 现将与本发明有关的现有技术介绍如下 ： 0005 1、 现有技术一的技术方案 0006 赵玉良、 刘伟军、 刘永贤在文献 “汽车轮毂在线识别系统的研究 . 机械设计与制 造 ,2007(10):164-166” 中研究了在在传送带上随机混流的状态下自动识别分类多种汽车 轮。

19、毂。该方法的基本步骤有 ： 图像获取、 图像预处理、 特征提取和识别分类。其中轮毂定位 和分类的关键步骤是提取轮毂图像五类特征 ： 轮毂中心是否有孔洞 ； 轮毂直径 ； 轮毂周边 区域的孔洞个数 ； 整个轮毂所占区域的面积 ； 灰度图像中轮毂区域同一灰度级的像素点计 数最多的灰度值。 0007 现有技术一通过图像区域分割、 Rober 算子边缘检测和最小二乘法来拟合轮毂轮 廓圆。然而实际加工环境下， 可能存在放置轮毂的背景比较复杂或者轮毂图像背景与轮毂 目标颜色相近时， 边缘检测结果不好时， 可能会造成图像特征的漏判和错判。另外， 当轮毂 工件部分拍摄不全时， 该方法也无法实现轮毂形位计算。 。

20、0008 2、 现有技术二的技术方案 0009 乐莹、 徐新民、 吴晓波在文献 “基于面阵 CCD 的轮毂形位参数检测方法 . 科技通 报 ,2009,25(2):196-201” 中提出了一种基于面阵 CCD 成像和计算机图像处理技术的高精 度形位参数检测方法。 该方法的基本步骤有 ： 拍取带有标定模板的轮毂图像， 并通过图像灰 度转换、 区域分割来进行图像边缘检测， 结合光学畸变校正模型对轮毂边界做几何畸变矫 正 ； 接着采用亚像素插值算法使边缘检测结果更精确 ； 最后根据安装孔位置拟合轮毂形位 参数。 0010 现有技术二的定位精度依赖于图像区域分割和边缘检测结果， 特别是轮毂区域内 部。

21、的形状细节分割结果。然而在实际加工环境下， 可能存在放置轮毂的背景比较复杂或者 轮毂图像背景与轮毂目标颜色相近时， 用图像分割算法并不能很好地突出轮毂区域内部的 细节形状， 导致后续定位步骤无法进行 ； 另外， 当轮毂工件部分拍摄不全时， 该方法也无法 说 明 书 CN 104123542 A 6 2/8 页 7 实现轮毂形位计算。 0011 3、 现有技术三的技术方案 0012 胡超、 崔家林、 裘君等在专利 “轮毂自动识别装置和方法 : 中国 ,103090790. AP.2013,05,08” 中提出了一种识别轮毂中心孔、 轮毂装配面以及轮毂装配面到轮毂底部 外周平面的偏距参数的装置及方。

22、法。 该方法预先通过非接触距离测量仪自动获取轮毂装配 面到轮毂底部外周平面的偏距参数， 全面覆盖了轮毂的各项技术参数， 创建轮毂信息数据 库， 然后采用了两个图像采集装置分别采集轮毂的上方和下方的图像， 轮毂的上方的图像 即是轮毂俯视图， 通过轮毂俯视图获取轮毂的外形参数， 通过轮毂下方的图像， 即轮毂的仰 视图获取轮毂中心孔以及轮毂装配面的外形参数， 例如装配面的装配孔的大小， 位置， 外形 等。 0013 现有技术三需要预先存储轮毂图像的大量信息， 并且在实际识别过程中需要获取 轮毂上下方的正面图像， 装置和识别过程都较复杂。 另外， 本发明的目的是定位轮毂的特定 部位， 摄像头与轮毂的相。

23、对位置不是固定的， 所以该方法并不适用于本场景。 0014 4、 现有技术四的技术方案 0015 黄茜、 吴元、 汤达浚在专利 “一种识别轮毂型号的检测系统及其检测方法 : 中 国 ,103425969.AP.2013” 中提出了一种轮毂型号自动识别系统， 该系统包括上位机和 CCD图像传感器， 上位机与CCD图像传感器依次连接。 该专利还提供了一种由上述系统实现 的方法， 包括如下步骤 ： 初始化设置 ； 获取轮毂型号识别区域的无轮毂图像 ； 创建轮毂型号 数据库记录 ； 识别并确定轮毂型号。 该专利能根据事先创建轮毂型号数据库， 在系统工作过 程中对进入轮毂识别区的轮毂实现自动型号识别。 。

24、0016 现有技术四需要预先存储轮毂图像库， 且当轮毂工件部分拍摄不全时， 该方法也 无法实现轮毂形位计算。 0017 综上所述， 现有的轮毂工件定位技术存在以下问题 ： (1) 在轮毂匹配过程中， 图像 遇到光照影响以及平移、 旋转、 尺度变化等问题时， 轮毂工件定位偏差较大 ； (2) 在轮毂视 角变化、 部分遮挡情况下， 难以进行轮毂定位。 0018 本发明要用到的术语简称如下 ： 0019 SIFT:Scale-Invariant Feature Transform, 尺度不变特征变换 ； 0020 DoG:Difference of Gaussian, 高斯差分 ； 0021 BBF。

25、:Best Bin First, 最优节点优先 ； 0022 RANSAC:Random Sample Consensus, 随机抽样一致性。 发明内容 0023 为解决现有技术存在的上述问题， 本发明要设计一种轮毂工件定位的装置及其方 法， 实现以下两个目的 ： 0024 (1) 在轮毂匹配过程中， 降低轮毂工件定位的偏差 ； 0025 (2) 在轮毂视角变化、 部分遮挡情况下， 容易进行轮毂定位。 0026 为了实现上述目的， 本发明的技术方案如下 ： 一种轮毂工件定位的装置， 包括图像 采集模块、 轮毂模板信息提取模块、 待检测轮毂特征点提取模块、 特征点匹配模块和轮毂定 位模块 ； 所。

26、述的图像采集模块用于采集轮毂工件灰度图像 ； 所述的轮毂模板信息提取模块 说 明 书 CN 104123542 A 7 3/8 页 8 用于提取轮毂模板图像上的 SIFT 特征点、 圆心和气嘴的位置以及轮毂外边缘圆周上的四 个点 ； 待检测轮毂特征点提取模块用于提取待检测轮毂图像上的 SIFT 特征点信息 ； 特征点 匹配模块用于寻找待检测轮毂图像与轮毂模板图像匹配的特征点对， 并计算待检测轮毂与 模板轮毂的空间映射关系 ； 轮毂定位模块用于定位待检测图像中对应的轮毂的圆心、 气嘴 以及轮毂外边缘圆周上的四个点的位置， 并计算待检测图像中轮毂的半径长度 ； 0027 所述的图像采集模块的输出端。

27、分别与轮毂模板信息提取模块和待检测轮毂特征 点提取模块连接， 所述的特征点匹配模块的输入端分别与轮毂模板信息提取模块和待检测 轮毂特征点提取模块连接， 特征点匹配模块的输出端与轮毂定位模块连接。 0028 一种轮毂工件的定位装置的定位方法， 包括以下步骤 ： 0029 A、 离线处理 0030 在离线处理阶段， 采集轮毂工件图像， 提取并存储轮毂图像的 SIFT 特征点信息， 并在模板图像上预先标记圆心和气嘴的位置 ； 具体包括以下步骤 ： 0031 A1、 采集轮毂工件图像 0032 由图像采集模块采集轮毂工件灰度图像， 采取时， 需要在光照情况良好、 噪声较小 的环境， 获取理想的轮毂模板。

28、图像 ； 要求该模板图像的背景颜色均匀， 并且图像中只有轮 毂， 无其它干扰物 ； 0033 A2、 轮毂模板信息提取 0034 由轮毂模板信息提取模块提取轮毂模板图像上的 SIFT 特征点， 标定轮毂模板的 圆心和气嘴位置， 并测量轮毂模板的半径 ； 具体步骤如下 ： 0035 A21、 解析输入的轮毂工件模版图像， 搜索轮毂工件区域中满足 SIFT 特征点特性 的像素点， 统计并存储 SIFT 特征点描述信息， 即根据步骤 1) 步骤 5) 得到轮毂的 SIFT 特 征点模板信息 ： 0036 A211、 构造图像金字塔 T 0037 输入图像定义为 f(x,y)， 对 f(x,y) 做 。

29、I 次下采样， 得到 (I+1) 层的图像金字塔 T， 其中 I log2min(M,N)-3， M 和 N 分别为 f(x,y) 的行数和列数。所述的下采样是指取彼 此相邻的四个像素的均值作为下采样后的像素。 0038 定义图像金字塔模型 T 中第 0 层的图像为 T0(x,y)， 即原始图像 f(x,y) ； 第 i 层的图像定义为 Ti(x,y)， 即对原始的图像 f(x,y) 做 I 次下采样后得到的图像， i 0， 1,2,.,I。 0039 A212、 构造高斯金字塔 L 0040 用高斯卷积核函数G(x,y,)对Ti(x,y)做卷积， 并连续变化尺度空间因子， 得 到尺度空间为 。

30、Li： 0041 Li(x,y,) G(x,y,)*Ti(x,y) (1) 0042 其中， 符号 * 表示卷积运算符， 为尺 度空间因子， i 0， 1,2,.,I。 0043 对 T 中 (I+1) 幅图像做同样操作， 得到 L。 0044 A213、 构造 DoG 金字塔 D 0045 取 Li中每两幅相邻的图像做差， 得到 DoG 空间 Di， 即 说 明 书 CN 104123542 A 8 4/8 页 9 0046 Di(x,y,) G(x,y,k)-G(x,y,)*Ti(x,y) Li(x,y,k)-Li(x,y,) (2) 0047 其中， 符号 *表示卷积运算符， k 为两相。

31、邻尺度空间倍数的常数， i 0， 1,2,.,I。 0048 对 L 中 (I+1) 组图像做同样操作， 得到 D。 0049 A214、 检测 D 中的空间局部极值点 0050 利用 DoG 函数的泰勒展开式， 在求解该函数导数为零的情况 0051 0052 其中， X (x,y,)T。 0053 令 D(X) 的导数为零时， 得到亚像素级精度的极值点即 0054 0055 A215、 筛选不稳定极值点， 得到 SIFT 特征点集 0056 首先去除图像中对比度较低的点， 即满足的极值点然后利用 Hessian 矩阵去除边缘极值点。 0057 DoG 金字塔中某一尺度的图像在 x 方向上的二。

32、阶导数定义为 Dxx， 则 Hessian 矩阵 表示为 ： 0058 0059 H 的两个特征值分别定义为 1和 2， 其中 1 2且 1/2 r， 这里 1和 2分别对应图像对在 x 方向和 y 方向上的主曲率值， 则当 r 大于阈值 10 时， 判断该极值点 位于 DoG 曲线的边缘位置。 0060 定义 Tr(H) 为 H 的迹， Det(H) 为 H 的行列式， 则 0061 0062 即通过计算 Tr(H) 和 Det(H) 来避免直接求特征值， 从而减少计算量。 0063 A216、 计算 SIFT 特征点描述符 0064 以关键点周围任意大小的图像区域作为统计范围， 将图像区域。

33、分成若干块 ； 统计 每个分块内的每个点的梯度直方图， 计算出表示该区域图像信息的向量。 0065 定义梯度的模值为 m(x,y)， 方向为 (x,y)， 则 0066 0067 首先计算描述符所需的图像区域， 把特征点附近的邻域分为 44 个子区域， 每个 子区域的大小为 3， 其中 为尺度空间因子 ； 然后， 统计各个子区域的梯度方向直方图 ： 将特征点的方向作为基准方向， 然后计算各个子区域中每一个像素点的梯度方向相对于基 准方向的角度， 投影到 0 2 区间以 /4 为间隔的 8 个方向上， 并统计每个方向上梯度 说 明 书 CN 104123542 A 9 5/8 页 10 值的累加。

34、， 在归一化操作后生成 8 维向量描述符 ； 最后集合每个子区域的 8 维向量， 构成一 个 448 126 维的特征点描述符。 0068 A22、 轮毂模板信息提取模块标定并以像素为单位存储轮毂模板图像中六个像素 点的位置信息 ： 轮毂工件的圆心O(x0,y0)、 轮毂工件的气嘴中心Ogas(xgas,ygas)和轮毂外边缘 圆周上的四个点 O1(x1,y1),O2(x2,y2),O3(x3,y3),O4(x4,y4)。 0069 B、 在线处理 0070 在线处理阶段， 首先提取待检测图像上的SIFT特征点 ； 然后用Best-Bin-First搜 索算法搜索与轮毂模板相匹配的特征点 ； 。

35、接着用 RANSAC 算法剔除误匹配点， 并计算出待检 测图像中轮毂与模板图像之间的空间映射关系 ； 最后， 根据模板图像的标记点， 计算出待检 测图像中轮毂的圆心和气嘴的位置 ； 具体包括以下步骤 ： 0071 B1、 提取待检测图像上的 SIFT 特征点 0072 由待检测轮毂特征点提取模块按照步骤A21取待检测图像上的SIFT特征点， 即解 析输入的待检测轮毂图像， 搜索图像中满足 SIFT 特征点特性的像素点， 统计并存储 0073 B2、 匹配特征点 0074 由特征点匹配模块寻找待检测轮毂图像与轮毂模板图像匹配的特征点， 并剔除误 匹配点， 计算待检测轮毂与模板轮毂的空间映射关系。。

36、具体步骤如下 ： 0075 B21、 用最近邻 / 次近邻算法对参考图像和待匹配图像进行初始匹配 0076 用 BBF 算法搜索到与待匹配特征点 p( 特征向量为 vi) 欧式距离最近的最邻近特 征点 pmin( 特征向量为 vmin) 和次邻近特征点 pmin2( 特征向量 vmin2)， 则满足以下条件的点对 是匹配的特征点 ： 0077 0078 其中， Dist(vi,vmin) 表示 vi和 vmin之间的马氏距离， Dist(vi,vmin2) 表示 vi和 vmin2 之间的马氏距离， 即 0079 0080 0081 其中上标 T 表示矩阵转置符号。 0082 B22、 用 R。

37、ANSAC 算法剔除误匹配点， 并计算目标区域与模板图像的空间对应关系。 0083 设点集 A 和 B 分别为模板图像和检测图像上得到的初始匹配点集合， 则 RANSAC 算 法具体步骤如下 ： 0084 B221、 随机在点对集合 A 和 B 中， 选取 4 对匹配点对， 计算这四对点对的投影变换 矩阵 H ： 0085 对图像中的一点 p(x,y)， 该点通过矩阵 H 变换到点 p (x ,y )， 即 0086 说 明 书 CN 104123542 A 10 6/8 页 11 0087 其中， 0088 即 H 可通过匹配点对 p(x,y) 和 p (x ,y ) 求出。每 4 对匹配点。

38、对可计算出 一个投影变换矩阵。 0089 B222、 用步骤B221中计算得到的投影变换矩阵H， 对点集A中的所有特征点做空间 变换， 得到点集 B ； 0090 计算点集 B 和 B中所有对应点的坐标误差， 即 e |B-B | ； 设定的误差阈值 ， 如果 e ， 则认为该点对为内点对， 否则为外点对 ； 0091 B223、 重复步骤 B221 和 B222， 找到内点对数量最多的一次变换， 并将该次变换得 到的内点对集合作为新的点集 A 和 B， 进行新一轮的迭代 ； 0092 B224 迭代终止判断 ： 当迭代得到的内点对数目与此次迭代前点集 A 和 B 中的点对 数目一致时， 迭代。

39、终止 ； 0093 B225、 迭代结果 ： 最后这次迭代的 A 和 B， 就是剔除误匹配特征点对后的匹配点集， 相应的投影变换矩阵 H 代表了我们所要求的原始图像和待检测图像之间的空间变换关系。 0094 B3、 定位待检测图像中轮毂的圆心和气嘴的位置 0095 由轮毂定位模块定位待检测图像中轮毂的圆心和气嘴的位置， 并计算待检测图像 中轮毂的半径长度。具体步骤如下 ： 0096 B31、 根据步骤 B222 得到的空间变换矩阵 H， 计算出待检测图像中与标定点对应的 六个像素点 ： 轮毂工件的圆心O(x0,y0)、 轮毂工件的气嘴中心Ogas(xgas,ygas) 和轮毂外边缘圆周上的四个。

40、点O1(x1,y1),O2(x2,y2),O3(x3,y3),O4(x 4,y4)。 0097 以轮毂圆心位置的坐标 O (x 0,y0) 为例 ： 0098 0099 B32、 计算待检测图像中轮毂工件的半径 R ： 0100 0101 其中 0102 与现有技术相比， 本发明具有以下有益效果 ： 0103 1、 为了有效地进行轮毂工件定位， 本发明考虑到轮毂图像匹配过程中遇到的光照 影响以及平移、 旋转、 尺度变化等问题， 采用尺度不变特征变换 (SIFT) 特征点匹配方法来 匹配出模板图像和待检测图像中空间对应的点对， 然后通过这些点对判断模板图像和待检 测图像中轮毂区域图像的空间对应关。

41、系， 最后将模板图像中已知的标定点通过二者的空间 对应关系计算出待检测图像中轮毂区域对应的点， 从而达到轮毂定位的目的。文献” Lowe 说 明 书 CN 104123542 A 11 7/8 页 12 D G.Distinctive image features from scale-invariant keypoints.International Journal of Computer Vision,2004,60(2):91-110.” 中证明， 图像上满足SIFT特性的特征 点在图像发生光照变化、 平移、 旋转、 尺度变化的时候都能保持良好的 SIFT 特性， 所以本发 明对环境光线。

42、、 视角变化和部分遮挡都具有较好的鲁棒性， 在不同干扰环境下都可以对轮 毂工件进行定位， 具有良好的定位效果。 0104 2、 本发明在实际定位前， 通过离线处理方式来获取轮毂模板图像的特征点信息， 并预先标定轮毂模板的圆心和气嘴， 这减少了轮毂在实际定位过程中的计算量 ； 0105 3、 本发明采用 SIFT 算法作为特征点匹配方法， 即能够克服图像匹配过程中遇到 的光照、 平移、 旋转、 尺度变换问题， 同时对背景噪声、 视角变化和部分遮挡都有较好的鲁棒 性。 0106 4、 本发明采用随机 RANSAC 方法剔除误匹配点对， 提高了匹配精度。 附图说明 0107 本发明共有附图 7 张，。

43、 其中 ： 0108 图 1 是一种基于 SIFT 特征的轮毂工件定位方法流程图。 0109 图 2 是一种基于 SIFT 特征的轮毂工件定位装置组成示意图。 0110 图 3 是轮毂模板标记点示意图。 0111 图 4 是轮毂旋转平移情况下的定位结果。 0112 图 5 是轮毂周边有干扰物情况下的定位结果。 0113 图 6 是轮毂图像背景不均匀时的定位结果。 0114 图 7 是轮毂部分缺失情况下的定位结果。 具体实施方式 0115 下面结合附图对本发明进行进一步地描述。 一种轮毂工件定位的装置的组成如图 2 所示， 具体方法流程如图 1 所示。 0116 为了验证本发明的有效性， 进行了。

44、客观测试和主观测试。 0117 1、 主观性能测试 ( 视觉效果 ) 0118 摄像头采集轮毂图像时， 会出现不同的噪声干扰情况。为了验证本发明方法的有 效性， 采集了不同干扰情况下若干图像进行实验。 0119 实验中模板图像大小为 690691 像素， 检测图像的大小均为 1280960 像素， 其 中轮毂模板及其标记点情况如图 3 所示。在图 3 中， 用十字标号标记了轮毂模版的圆心和 气嘴中心位置， 用实线圆圈标记了轮毂模板外边缘圆周。 在轮毂定位过程中， 需要首先选取 模板图像中相关的坐标值， 本实验中， 模板图像中轮毂圆心的坐标为 (353,351)， 气嘴中心 点坐标为 (127,。

45、246)， 轮毂半径为 339 像素。 0120 考虑到篇幅限制， 在轮毂不同干扰情况下各选取一幅图像， 将其定位结果显示在 图47中， 并用星标标记了实际轮毂圆心点和气嘴中心位置， 用实线圆圈标记了检测得到 的轮毂外边缘圆周， 用十字标记了本发明检测得到的轮毂圆心点和气嘴中心位置， 用虚线 圆圈标记了检测得到的轮毂外边缘圆周。另外， 在每个轮毂图右侧将圆心和气嘴部位进行 了放大， 以更清楚地显示检测结果。 说 明 书 CN 104123542 A 12 8/8 页 13 0121 2、 客观性能标准 0122 为了对定位精确度进行客观评价， 本发明统计了每种干扰情况下得到的半径值、 圆心与气。

46、嘴中心坐标值与实际值的绝对差值， 即定位结果与实际值偏差的绝对值， 并计算 平均绝对差值。在不同干扰情况下， 轮毂圆心、 气嘴中心、 半径的定位结果与实际值的平均 绝对差值情况如表 1 所示， 表中数据的单位均为像素。 0123 表 1 本发明方法的轮毂定位结果与实际值的平均绝对差值 0124 0125 从表 1 可以看出， 虽然图像中轮毂区域存在旋转平移变换、 背景不均匀或有干扰 物， 甚至轮毂存在部分缺失， 但基于 SIFT 特征点匹配的轮毂定位均可以得到良好的定位结 果， 几乎不受干扰因素的影响。 0126 3、 针对本发明的技术方案， 以下替代方案同样能完成发明目的 0127 (1) 。

47、对于较理想的工作环境， 如光照充足、 没有遮挡等情况， 可以采用鲁棒性较差 但计算量也较小的其他特征点匹配算法， 如 SURF 算法来做匹配 ； 0128 (2)SIFT 算法是一种基于特征点匹配的方法， 对于轮毂这种规则的旋转对称形状 工件， 也可以使用线特征代替点特征来做匹配。 0129 (3) 基于本发明， 在光照条件较好的情况下， 还可通过图像区域分割预先分割出轮 毂区域， 再进行 SIFT 特征点匹配， 可以有效减少定位方法的运算量。 说 明 书 CN 104123542 A 13 1/4 页 14 图 1 图 2 说 明 书 附 图 CN 104123542 A 14 2/4 页 15 图 3 图 4 说 明 书 附 图 CN 104123542 A 15 3/4 页 16 图 5 图 6 说 明 书 附 图 CN 104123542 A 16 4/4 页 17 图 7 说 明 书 附 图 CN 104123542 A 17 。