機器視覺定位算法：二維圖像模式定位系統(tǒng)算法

機器視覺（Machine Vision），又被稱為計算機視覺或人工視覺，是用計算機模擬人眼的視覺功能，從圖像或圖像序列中提取信息，對客觀世界的三維景物和物體進行形態(tài)和運動識別。 機器視覺技術(shù)已廣泛應(yīng)用于工業(yè)自動化生產(chǎn)線，各類檢驗和監(jiān)視，視覺導(dǎo)航，圖像自動解釋、人機交互及虛擬現(xiàn)實等領(lǐng)域。

二維圖像模式定位系統(tǒng)算法

機器視覺中的二維圖像模式定位系統(tǒng)算法整體流程圖如圖1所示，由RBF網(wǎng)絡(luò)模式訓練和模式定位兩個部分組成。

徑向基函數(shù)（RBF，Radial basis function） RBF網(wǎng)絡(luò)為兩層MLP（Multiple Layer Propagation）提供了一種前饋結(jié)構(gòu)，具有最佳逼近（Best approximation）性質(zhì)，無須學習系數(shù)，學習收斂速度極快，在樣本數(shù)目多的情況下，正確率趨于穩(wěn)定。故本算法中采用RBF網(wǎng)絡(luò)對圖像特征進行神經(jīng)網(wǎng)絡(luò)學習訓練。

定位系統(tǒng)具體工作流程圖如圖2所示。先設(shè)定訓練模式，對模板圖像進行預(yù)處理，濾除干擾、噪聲后再經(jīng)特征提取得到訓練樣本，對樣本進行學習，提供分類決策。在待識別模式中對待識別圖像同樣經(jīng)過預(yù)處理、特征提取后，用訓練模式中的分類器中提取的分類決策進行RBF網(wǎng)絡(luò)識別，得到結(jié)果。若分類器不能提供目前的分類決策，則得到錯誤檢測，需要更新訓練模式，直到重新獲得正確的分類決策。其中最重要的一個環(huán)節(jié)就是特征提取與選擇，影響到最后的定位精度。

圖像特征提取

小波變換具有多分辨率特性，對原始圖像的分解呈Mallat塔式分解，具有集中信號能量的能力，小波變換后圖像的信息僅僅集中在少數(shù)幾個變換系數(shù)上，多數(shù)變換系數(shù)為零，有助于降低圖像目標小波變換的時間復(fù)雜度和空間復(fù)雜度（如圖3所示）。同時小波變換后代表圖像頂點等特征點的模極大值的范數(shù)不隨圖像的旋轉(zhuǎn)、平移和伸縮的變化而改變，故本文在小波變換的基礎(chǔ)上對圖像提取特征。

視覺系統(tǒng)獲得具有實際模式的二維圖像，記為I（x，y）。存儲在計算機內(nèi)存中具有同樣模式的參考圖像（即模板）記為

本文只考慮二維圖像變化為剛性變化的情況。點集P、Q定義為

其中 點集P{p1、p2、… pm}表示參考圖像W的數(shù)據(jù)，Q{q1、q2、… qn}為經(jīng)過仿射變換（如平移、旋轉(zhuǎn)、縮放等）的圖像I數(shù)據(jù)。本文假設(shè)圖像I和模板W中心重合，則P與Q之間的關(guān)系可以通過公式（1）求得

其中s 是兩幅圖像的放大縮小比例系數(shù)，θ是旋轉(zhuǎn)角度，?x、?y分別是沿X軸，Y軸方向的位移偏移量。

特征提取步驟為：首先對圖像重采樣，使得其寬度和高度是2的冪次方，然后進行小波變換得到矩陣X，將X歸一化得到圖像特征矩陣Y。其中X=［x1，…，xn］T為低分辨率的小波系數(shù)組合成的矩陣，均值μ，方差σ，矩陣Y=［y1，…，yn］T為

模式訓練算法

獲得圖像特征矩陣后，對特征進行 RBF網(wǎng)絡(luò)學習訓練，如圖4所示。

具體如下：

對RBF中心的學習采用了模糊聚類算法

（1） 選取群數(shù)M（2≤M≤N）及指數(shù)型權(quán)重r（1≤ r ≤∞）。選取起始的分割矩陣U（0）及誤差臨界值ε。初始化聚類中心di（i=1，2，…，M），根據(jù)經(jīng)驗從輸入圖像特征樣本Xj（j=1，2，…，N）中選擇M個樣本作為聚類中心。

（2） 將U（t）代入公式（5）計算模糊聚類中心

將模糊聚類中心代入公式（6）計算新的分割矩陣U（t+1）。

（4） 計算

若 ?>ε，則t＝t＋1，回到（2）；否則聚類中心的分布不再變化，結(jié)束。

計算權(quán)值系數(shù)

由于本算法中RBF選用的是高斯函數(shù)，因此方差為

其中 M為隱含層節(jié)點數(shù)，dmax為所選取中心之間的最大距離。隱含層至輸出層單元連接權(quán)值用最小二乘法直接計算，即

模式定位算法

對背景圖像進行預(yù)處理后提取特征，用已經(jīng)訓練好的RBF網(wǎng)絡(luò)分類器進行鄰域搜索，求得最佳匹配位置。流程圖如圖5所示。