一种目标匹配方法与流程

本发明属于图像处理领域，更具体地，涉及一种目标匹配方法。
背景技术：
：随着微电子技术及信息技术的发展，目前半导体芯片已被广泛应用于生活和工业中的各个方面。一些内部具有简单电路的芯片正逐渐应用于固态照明、信息存储、图像成像、光伏发电等大众领域。此类芯片应用面广、封装种类繁多、外观形状各异、需求量大，每年都有新装备、新技术投入生产。在面对近年来出现的异形芯片，如细长LED芯片和线阵图像传感器芯片的封装定位问题时，因为芯片图案和形状的原因，图像匹配不准确或误匹配的情况时有发生。因此如何在不对现有封装装备进行大的机械结构调整的情况下，提高图像匹配算法对此类异形芯片的适应性，对提高产品的质量和产量具有非常现实的意义。以固态照明中常见的发光二极管(LED)芯片为例，此类芯片通常采用基于边缘轮廓的匹配算法进行定位，但该算法需要创建不同角度下的模板，不能满足高速定位的生产要求。若采用特征点匹配算法，如SIFT、SURF算法，由于匹配对象纹理简单，提取出的特征点数量较少，不能满足匹配要求。霍夫变换方法可以根据图像的矢量关系，将模板图像与目标图像进行匹配，如专利文献CN201310331189公开了一种基于局部不变几何特征的广义霍夫变换方法。该方法利用图像中边缘点的特征关系从而完成目标图像匹配。在该方法中，利用边缘点(第一边缘点)与其邻域边缘点(第二边缘点)的梯度方向的夹角建立索引值；然而由于目标图像中的匹配对象往往受到噪声值的干扰，使得第二边缘点的梯度方向存在误差，导致索引值计算错误，从而影响到匹配方法的鲁棒性。技术实现要素：针对现有技术的以上缺陷或改进需求，本发明提供了一种目标匹配方法，其目的在于通过局部灰度排序序列作为索引值，减少了噪声、光照等不利因素对图像匹配带来的不利影响，提高了匹配方法的鲁棒性。为实现上述目的，按照本发明的一个方面，提供了一种目标匹配方法，根据所述霍夫变换的查找表，获得目标图像中与所述模板图像对应的匹配对象，完成目标匹配；其中，所述查找表的索引值为灰度排序序列，所述查找表的存储值为旋转不变特征参数。优选地，所述灰度排序序列的获得方法具体包括：(1)获取模板图像中的匹配对象的第k条边缘上的第i个边缘点Pk(i)；其中，k∈(1,2,...,K)，i∈(1,2,...,Nk)，K为匹配对象的边缘的数量，Nk为第k条边缘上的边缘点的数量；(2)在以边缘点Pk(i)为圆心，半径为r的圆周上等距离选取N个采样点，并获得所述边缘点Pk(i)对应的采样点的灰度排序序列。作为进一步优选地，所述步骤(2)还包括：根据边缘点Pk(i)的梯度方向，获得对应所述N个采样点的第一序列，同时根据灰度值，获得对应所述N个采样点的第二序列；所述灰度排序序列为所述第一序列中的采样点在第二序列中的序号序列，或者所述第二序列中的采样点在第一序列中的序号序列。作为进一步优选地，所述步骤(2)中的r为1～10，N为2～10。优选地，获得目标图像中与所述模板图像对应的匹配对象的方法具体包括：(1)根据所述霍夫变换的查找表，获得所述目标图像的投票值；(2)根据所述投票值，在目标图像上获得与所述模板图像对应的参考点Pref；(3)根据所述参考点Pref以及所述边缘点Pk(i)对应的参考向量Rk(i)，获得目标图像中的匹配对象与所述模板图像对应的边缘点，从而获得匹配对象，完成目标匹配。作为进一步优选地，在所述步骤(1)和所述步骤(2)之间，还包括：根据所述投票值，对所述目标图像进行连通域的划分；在所述步骤(3)中，在目标图像的连通域上获得与所述模板图像对应的参考点Pref。作为进一步优选地，所述参考点Pref为模板图像的中心或者模板图像中的匹配对象的边缘点的重心。作为进一步优选地，所述步骤(3)中的参考向量Rk(i)为所述边缘点Pk(i)至所述参考点Pref的向量。优选地，所述目标匹配方法还包括，对所述模板图像以及目标图像滤波。优选地，所述旋转不变特征参数为边缘点Pk(i)的参考向量Rk(i)的长度Lk(i)，以及边缘点Pk(i)的参考向量Rk(i)和梯度向量之间的夹角βk(i)。本发明具有以下有益效果：1、本发明以灰度排序序列特征构建霍夫变换的索引值，从而扩大了图像信息的采集范围，能有效的应对实际情况中由于噪声、光照不均等因素对图像匹配带来的不利影响；2、灰度排序序列为区域特征，相比现有技术中使用如梯度夹角等其它索引值，误差更小，匹配结果更为稳定，进一步提升了匹配方法的鲁棒性；3、利用边缘点的局部灰度排序序列作为特征，不仅具有良好的旋转不变性，还避免了基于边缘轮廓的匹配算法对角度空间的搜索过程，降低搜索空间维度，减少了计算量。附图说明图1是本发明Canny算子的基本流程；图2是本发明从梯度方向选取第一个采样点旋转前后情况示意图；图3是本发明的参考向量的长度LkT(i)和参考向量和梯度向量之间的夹角βkT(i)具有旋转不变性示意图；图4是本发明构建投票向量VkT(i)示意图；图5是本发明边缘点投票示意图；图6a是本发明单目标匹配霍夫投票空间示意图图6b是本发明多目标匹配的霍夫投票空间示意图；图7a是本发明霍夫空间连通域标记效果示意图；图7b是本发明阈值、膨胀处理后效果示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本发明提供了一种目标匹配方法，用于确定匹配对象在目标图像中的位置。模板匹配算法是指，选取一副已知的小图像(模板图像)，在另一幅大图像(目标图像)中搜索，找到目标图像上与模板图像相同尺寸、角度和位置的匹配对象。在本发明中，图像可以表示为行列方向的二维数组，每个数组元素的值代表该点的像素灰度值，以图像左上角为图像坐标的原点，垂直向下方向为Y正方向，同时也为行数标号递增方向，代表了图像的高度方向，水平向右方向为X正方向，同时也为列数标号递增方向，代表了图像的宽度方向。本发明公开了一种图像匹配方法，包括以边缘点为中心，选取与边缘点等距的多个采样点，获得与所述边缘点一一对应的采样点的灰度排序序列；以所述灰度排序序列为索引值，以旋转不变特征参数作为存储值，构建霍夫变换的查找表；根据查找表，完成目标图像与模板图像的目标匹配，具体步骤如下：(1)高斯滤波数字图像在获取和传输过程中，由于传输通道和设备的局限性、环境等干扰因素，图像信号经常受到各种噪声的干扰，图像的视觉效果受到严重的影响。因此首先需要对原始图像进行滤波处理。可采用的滤波算法有均值滤波、中值滤波、双边滤波和高斯滤波等。由于高斯滤波是一种线性平滑滤波，适用于滤除高斯白噪声，因此在本发明中可采用高斯滤波算法进行处理以获得更好的效果。数字灰度图像是一个二维矩阵，因此采用二维高斯核，高斯滤波函数为：我们采用δ＝1.5，5×5的卷积核由高斯滤波函数易得我们的卷积核矩阵为：0.0030.01330.02190.01330.0030.01330.05960.09830.05960.01330.02190.09830.16210.09830.02190.01330.05960.09830.05960.01330.0030.01330.02190.01330.003]]>获得了卷积核矩阵后，在模板图像上滑移，进行卷积运算，实现模板图像的高斯滤波。(2)灰度排序序列的获得(2.1)边缘提取因为我们的算法是把边缘点周围区域的灰度值排序序列作为局部特征，因此要对模板图像提取边缘。可采用的边缘提取算法有Roberts算子边缘检测、Sobel算子边缘检测、Prewitt算子边缘检测、Canny算子边缘检测等。由于Canny算子参数少，计算效率高，得到的边缘连续完整并且是单像素宽度，因而更适用于本发明。Canny算子的基本流程如图1所示，包括高斯滤波器平滑、计算图像梯度、梯度非极大值抑制以及双阈值提取边缘点。根据公式(2)可获得模板图像IT(x,y)中匹配对象第k条边缘EkT的边缘点PkT(i),k∈(1,...,KT)，KT表示模板图像的边缘的数量，(x,y)分别代表模板图像IT(x,y)的像素点在模板图像中的水平坐标和垂直坐标，下标T表示该图像为模板图像，i∈(1,2,...,NkT)，NkT表示第k条边缘上的边缘点的数量，fcanny(·)代表Canny算子，是PkT(i)的梯度角，Ix(PkT(i))和Iy(PkT(i))表示边缘点PkT(i)水平和垂直方向的梯度大小。。PkT(i)=fcanny(IT(x,y)),i∈(1,2,...,NkT)EkT={PkT(1),PkT(2),...,PkT(i),...,PkT(i)}---(2)]]>(2.2)获得灰度排序序列以每个模板图像的边缘点PkT(i)为圆心，半径为r的圆周上等距离依次选取序号分别为1～N的采样点(这里距离为像素单位)，令采样点的序号排成的序列为第一序列，换句话说就是每隔角度2π/N取一个采样点；并获得所述采样点的灰度值，令采样点的以其灰度值的大小依次排成的序列为第二序列。为了实现准确的匹配效果(误差≤1像素)，r和N的取值必须根据实际使用情况设定。对于纹理简单、精度较高或者匹配目标在图像边缘的情况，r和N可取较小值，反之可取较大值，通常r为1～10，N为2～10。序号为1的采样点的位置也很关键；为了使得匹配对象旋转任意角度，边缘点的采样点的灰度排序序列都不变，通常根据边缘点Pk(i)的梯度方向选取采样点的序号，比如可将边缘点的梯度方向距边缘点r处的点作为第一个采样点，即第一个采样点为剩余的N-1个点，依次沿着采样圆周的逆时针方向取，如图2所示。然后获得所述灰度排序序列，所述灰度排序序列为所述第一序列中的采样点在第二序列中的序号序列，或者所述第二序列中的采样点在第一序列中的序号序列；例如，当灰度排序序列为第二序列中的采样点在第一序列中的序号序列时，其具体定义为O[PkT(i)]＝{I1[PkT(i)],I2[PkT(i)],…,IN[PkT(i)]}；其中，I1[PkT(i)]表示灰度值最小的采样点在第一序列中的序号，I2[PkT(i)]表示灰度值第2在第一序列中的采样点的序号，……，IN[PkT(i)]表示灰度值最大的采样点在第一序列中的序号；由于梯度方向与采样圆周的交点具有旋转不变性，所以边缘点的采样圆周上采样点的灰度排序序列O[PkT(i)]也具有旋转不变性。(3)构建霍夫变换的查找表由于灰度排序序列O[PkT(i)]具有旋转不变特征。这里以采样点的数量N＝4为例进行说明。如图2所示，显然旋转前的4个采样点1st，2nd，3rd，4th(图2a)的灰度排序序列与旋转后的4个采样点1’st，2’nd，3’rd，4’th是完全相同的(图2b)，因此它们所对应的灰度排序序列为：O[PkT(i)]＝{I1[PkT(i)],I2[PkT(i)],…,IN[PkT(i)]}O’[PkT(i)]＝{I1’[PkT(i)],I2’[PkT(i)],…,IN’[PkT(i)]}它们必然满足O[PkT(i)]＝O’[PkT(i)]。因此，灰度排序序列O[PkT(i)]霍夫变换的查找表的索引值。而霍夫变换的查找表还需要存储值，为了保证匹配目标旋转后仍能正常匹配，仍需以旋转不变特征参数为存储值，例如可以用边缘点PkT(i)的参考向量RkT(i)的长度LkT(i)，以及边缘点PkT(i)的参考向量和梯度向量之间的夹角βkT(i)。首先我们在模板图像中选取一个参考点Pref，此参考点通常设置为模板图像的中心点或者模板图像边缘轮廓的重心，令参考向量RkT(i)为从边缘点PkT(i)到参考点Pref的向量，即参考向量RkT(i)的定义如下：RkT(i)=Pref-PkT(i)LkT(i)=||RkT(i)||---(5)]]>βTk(i)=arccos(RTk(i)·GTk(i)||RTk(i)||·||GTk(i)||)]]>LkT(i)是指参考向量RkT(i)的长度，GkT(i)是指边缘点PkT(i)的梯度向量，βkT(i)是指参考向量RkT(i)与梯度向量GkT(i)之间的夹角，如图3所示。显然图像旋转前后，由于参考点Pref在模板图像中与匹配对象的相对位置不发生变化，对于同一个边缘点PkT(i)，其所存储的特征LkT(i)和βkT(i)是具有旋转不变性的。至此查找表就建立完毕，该查找表使用灰度排序序列O[PkT(i)]作为索引值，存储值为每个边缘点对应的参考向量的长度LkT(i)，以及参考向量与该边缘点的梯度向量之间的夹角βkT(i)。如表1所示：表1N＝4时以灰度排序序列为索引值的查找表索引值存储值(1,2,3,4){LkT(i)，βkT(i)，满足O(PkT(i))＝(I(1st),I(2nd),I(3rd),I(4th))}(1,2,4,3){LkT(i)，βkT(i)，满足O(PkT(i))＝(I(1st),I(2nd),I(4th),I(3rd))}(1,3,2,4){LkT(i)，βkT(i)，满足O(PkT(i))＝(I(1st),I(4th),I(3rd),I(2nd))}……(4,3,2,1){LkT(i)，βkT(i)，满足O(PkT(i))＝(I(4th),I(3rd),I(2nd),I(1st))}(4)目标匹配目标匹配分为单目标匹配和多目标匹配，两者的区别在于，多目标匹配需要先对所述目标图像进行连通域的划分，因此我们以多目标为例说明该匹配过程。(4.1)首先，对目标图像进行和上述步骤(0)～(1)相同的处理，以对目标图像进行滤波以及边缘提取，并根据提取获得的目标图像的边缘点以及所述步骤(3)获得的霍夫变换的查找表，对所述目标图像进行投票；广义霍夫变换的核心思想就是将图片上某个图像的点集映射到一个点上，也就是说将目标匹配问题转化为参数空间的投票问题，投票之后找到投票值最大的参数点，认为这个点有最大可能是检测点，该点也可以说是图形的参数，而这个参数的范围就是与目标图像对应的霍夫计数空间(HCS)。我们的算法采用两维的霍夫计数空间，由于本发明的查找表的索引值与存储值都具有旋转不变性，从而增加了参数之间的关联性，所以我们得将基于边缘匹配算法的三维的参数空间(图像的X坐标、Y坐标、旋转)减少了一个旋转的参数，变成两维。参数的减少会大大的降低算法的运行时间，提高计算效率。构建的霍夫计数空间的大小与目标图像大小相等，霍夫计数空间的投票值对应目标图像的像素点，投票向量投在哪个像素点上，对应投票值+1，最终找到投票值的最大值，定位匹配对象。因为在建立查找表时，索引值的种类共有N！种(N为采样点的个数)，而图像中的边缘点个数一般远远大于索引值的组合情况，每个边缘点都会对应一个索引值和存储值(LkT(i),βkT(i))，这也就意味着可能很多边缘点的索引值都相同，从而相应的存储值对应同一索引值。根据所述查找表，对所述目标图像进行投票，获得目标图像上像素点对应的投票值；理想状况下，匹配对象的投票向量都能投在同一个点上，此点实际上即为目标图像上对应模板图像的参考点Pref，查找表的存储值为参考向量的长度以及参考向量与梯度向量之间的夹角，为了能使投票向量的末端指向参考点，我们需要利用存储值重新构建投票向量。因为匹配对象的边缘点的梯度方向相对于参考点来说是不发生改变的，首先在模板图像的像素点的梯度方向上取一个与查找表中存储的参考向量长度LkT(i)等长的向量，然后将此向量顺时针旋转角度βkT(i)，组成的新向量即为我们构建的投票向量，如图4所示，其数学表达式为：xryr=||Vk(i)||·lk+xikyik]]>lk=cos(βTk(i))-sin(βTk(i))sin(βTk(i))cos(βTk(i))---(6)]]>Vmk(i)=LTk(i)·Gk(i)||Gk(i)||]]>其中，为目标图像中提取的第k条边缘上的第i个点的坐标，k∈(1,...,K)，K表示目标图像的边缘的数量，i∈(1，2，…，Nk)，Nk表示第k条边缘上的边缘点的数量，lk为顺时针旋转角度βkT(i)对应的旋转矩阵，Gk(i)为边缘点对应的梯度向量；这里即为重新构建的投票向量，该投票向量起始端为边缘点如末端所指向的点的坐标为(xr，yr)，则累加器则令该点的投票值+1。如前所述，查找表中每个索引值对应多对存储值可能存储多对[LkT(i),βkT(i)]，那么在构建投票向量时，每对存储值[LkT(i),βkT(i)]都可以构建一个投票向量，即在匹配对象的边缘点对应多个投票向量，中，m∈(1，2，…，S)，S表示该边缘点对应的投票向量的个数，如图5所示，以随机选取三个边缘点a、b和c为例(a，b，c∈(1，2，…，Nk)，每个边缘点都对应了多个投票向量，这些投票向量的末端指向不同的点，但是每个边缘点的投票向量都有一个投票向量投向了点P。实际上此点就是模板图像中的参考点Pref，因为我们在建立查找表时是使用的边缘点与此参考点的相对关系，并将此关系作为存储值，所以当模板图像中出现匹配对象时，目标匹配对象的边缘点与参考点之间也有[LkT(i),βkT(i)]的对应关系，这也就说当出现目标匹配对象时，匹配对象的边缘点的投票向量都有一个投向点P，而其它像素的投票向量则是随机投。由概率知识可知，其他投票点因为是随机点，所以对应的投票值大致相当，而点P处投的票，必然会远远大于其他像素点的投票值，从而成为投票值的峰值M。(4.2)多目标匹配与单目标匹配的区别主要在投票值的峰值的确定，如图6a为单目标匹配的投票峰值点，图6b为多目标匹配的投票峰值点，可见多目标匹配中具有多个投票峰值点。为了定位多个目标，可以定位局部峰值。将霍夫投票空间看成一张与目标图像等大的图片，每个坐标点存储的即为投票值。为了快速定位局部最大值，我们首先减小搜索区域。我们首先给霍夫计数空间设定了一个阈值δ，我们只截取霍夫计数空间中大于阈值的计数点。我们在满足阈值条件的计数点上再去检索局部最大值，减少了很多计算量。为了确定阈值δ的大小，我们首先找到霍夫计数空间的最大值M(即投票值的峰值)，然后我们的阈值就是最大值M的η倍(通常η＝0.6～1，对于单目标匹配，η＝1，即不需要进行连通域的划分，对于多目标匹配，η设置越大，计算量越少，但可能导致漏匹配，η设置越小，计算量越大，但能减少漏匹配的可能性)，其数学表达式为：M＝max{HCSpos(xr,yr)}(7)δ＝η·Mδ就是满足阈值条件的最少计数点。由图6b所示，在进行阈值处理后，有投票点的区域明显只在局部峰值附近，我们把经过阈值处理后的投票空间，看成一幅图像IV，把投票数看成对应坐标点的灰度值，然后将其进行归一化处理，很明显局部最大值都在如图6b所示的每个小区域内。对图像IV进行连通域标记，我们的算法采用8邻域。如图7a为对进行阈值处理后8连通域标记得到的图片，由图7a可知，虽然我们进行了阈值处理，但是图片中还是有很多面积较小的连通域，并且有些区域应该是一个区域，但是由于不连通，变成了多个连通域，这在后续提取局部最大值时必然会出错。为了去除面积较小的连通域，并将分散的连通域合并明显为一个区域的连通域。我们首先获得连通域标记后所有连通域的面积，然后设定一个面积阈值t，并去除面积阈值t的连通域；面积阈值t小于等于连通域中的最大面积为S2，但大于匹配目标的面积S1，可根据实际问题在S1～S2之间调整。针对同一个区域内连通域不连贯的问题，我们采用图像形态学处理中的膨胀处理。对连通域标记后的图像进行滤除面积较小的连通域以及膨胀处理后的效果如图7b所示，显然处理后的连通域基本定位到局部最大值的区域。局部最大值的区域确定后，接下来就是精确定位到每个区域的投票值的最大值，即精确定位模板图像上每个匹配对象的位置。遍历每个膨胀处理后的连通域，在每个连通域内找到投票值的最大值，该最大值对应的像素点即为所述连通域对应的参考点Pref。(4.3)然后根据目标图像中的旋转不变特征，如对应模板图像的参考向量RkT(i)，可根据目标图像的参考点Pref获得与所述模板图像对应的匹配对象的边缘点，从而完成目标匹配。本发明所提出的方法，在边缘点的基础上利用局部灰度排序序列特征建立索引值，降低了索引值计算错误的概率。同时由于光照变化、图像模糊问题并不影响特征点附近的采样点的灰度值排列顺序，能够较好应对光照变化、模糊等问题。该方法借鉴广义霍夫变换的查找表的思想，具有旋转不变性，也能够较好的应对图像遮挡问题。同时利用阈值以及膨胀处理，滤除非匹配区域，减少匹配过程中的计算量。本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3