本發(fā)明涉及一種工件識(shí)別裝置及方法，具體說(shuō)是一種基于二進(jìn)制描述子的工件識(shí)別方法及裝置。
背景技術(shù)：
：工件識(shí)別是計(jì)算機(jī)視覺(jué)技術(shù)在工業(yè)生產(chǎn)領(lǐng)域的典型應(yīng)用，是生產(chǎn)自動(dòng)化和智能化的重要組成部分。目前針對(duì)工件識(shí)別領(lǐng)域的研究，有基于圖像輪廓的方法、基于圖像不變矩的方法、基于圖像局部特征的方法和基于二進(jìn)制特征的工件識(shí)別方法。袁安富等提出了一種基于surf(加速魯棒性特征)特征的零件識(shí)別算法。該方案首先用工業(yè)ccd(電荷耦合元件)相機(jī)獲取工件圖像，然后對(duì)工件圖像進(jìn)行預(yù)處理操作，主要包括圖像增強(qiáng)、中值濾波和孤立點(diǎn)除噪。之后，采用surf技術(shù)對(duì)工件圖像進(jìn)行檢測(cè)，surf算法主要包括特征點(diǎn)檢測(cè)、主方向確定和描述子生成這三部分。其中特征點(diǎn)檢測(cè)基于尺度空間理論，將hessian矩陣和積分圖像結(jié)合以定位圖像中的特征點(diǎn)；主方向確定則采用主方向技術(shù)來(lái)實(shí)現(xiàn)描述子的旋轉(zhuǎn)不變性，它通過(guò)計(jì)算特征點(diǎn)在圓形區(qū)域內(nèi)不同方向的加權(quán)harr小波響應(yīng)和，其模值最大方向作為特征點(diǎn)的主方向；描述子生成通過(guò)在特征點(diǎn)主方向上計(jì)算以特征點(diǎn)為中心的16個(gè)子區(qū)域內(nèi)加權(quán)harr小波響應(yīng)矢量和，得到64維浮點(diǎn)型描述子，然后用歐式距離計(jì)算相似度并通過(guò)近似最近鄰算法進(jìn)行特征向量的匹配。上述方法采用的surf描述子是64維的浮點(diǎn)型描述子，在生成描述子過(guò)程中計(jì)算很耗時(shí)且描述子占用內(nèi)存較多。此外，surf描述子通過(guò)主方向技術(shù)來(lái)實(shí)現(xiàn)描述子的旋轉(zhuǎn)不變性，一旦主方向計(jì)算錯(cuò)誤或是有一定計(jì)算偏差，將會(huì)導(dǎo)致特征向量有較大變化，從而使得誤匹配率顯著增加。ortiz在“freak:fastretinakeypoint”論文中提出了freak算法。該方案首先用agast(自適應(yīng)通用加速分割檢測(cè)算法)特征檢測(cè)子進(jìn)行特征點(diǎn)提取。freak建立了中間密集，周邊稀疏的類似人類視網(wǎng)膜結(jié)構(gòu)的采樣模式，freak一共選取了43個(gè)采樣點(diǎn)。freak選取的采樣點(diǎn)，一共能形成個(gè)采樣點(diǎn)對(duì)，為了減小計(jì)算量，對(duì)采樣點(diǎn)對(duì)進(jìn)行訓(xùn)練學(xué)習(xí)，選取方差大、相關(guān)性低的512對(duì)采樣點(diǎn)。為了保證描述子的旋轉(zhuǎn)不變性，freak選取了45對(duì)長(zhǎng)距離的采樣點(diǎn)對(duì)的梯度方向作為freak主方向。freak選取采樣點(diǎn)的一個(gè)局部鄰域，對(duì)采樣點(diǎn)進(jìn)行高斯平滑濾波較小噪聲的影響，之后比較經(jīng)過(guò)高斯平滑的采樣點(diǎn)對(duì)的灰度值，然后生成二進(jìn)制串，構(gòu)成二進(jìn)制描述子，用漢明距離計(jì)算相似度進(jìn)行特征向量的匹配。上述方法采用freak描述子其采樣點(diǎn)平滑范圍重疊度較高，存在過(guò)多的冗余信息，且其尺度不變性較差；freak描述子僅利用采樣點(diǎn)的單一鄰域?qū)Ρ冉Y(jié)果構(gòu)成二進(jìn)制描述子，缺乏層次信息；另外，freak依賴主方向技術(shù)實(shí)現(xiàn)其旋轉(zhuǎn)不變性，魯棒性較低?，F(xiàn)有方法雖然能夠完成基本的工件識(shí)別，但存在過(guò)于依賴特征點(diǎn)主方向?qū)崿F(xiàn)旋轉(zhuǎn)不變的問(wèn)題，導(dǎo)致算法對(duì)旋轉(zhuǎn)的魯棒性比較差。為此，本專利應(yīng)用改進(jìn)的二進(jìn)制特征描述算法，提出改進(jìn)的freak描述子和fasthessian特征檢測(cè)算法相結(jié)合的工件識(shí)別方法。技術(shù)實(shí)現(xiàn)要素：鑒于已有技術(shù)存在的不足，本發(fā)明的目的是要提供一種應(yīng)用freak描述子和fasthessian特征檢測(cè)算法相結(jié)合的二進(jìn)制特征描述算法，以實(shí)現(xiàn)工件識(shí)別的方法。為了實(shí)現(xiàn)上述目的，本發(fā)明技術(shù)方案如下：一種基于二進(jìn)制描述子的工件識(shí)別方法，其特征在于，其步驟包括：步驟1)采用中值濾波方法對(duì)輸入的灰度工件圖像進(jìn)行平滑去噪，并利用fasthessian特征檢測(cè)算子提取特征點(diǎn)；步驟2)將原圖按照像素點(diǎn)灰度值排序劃分為m個(gè)子區(qū)域，分別將利用fasthessian特征檢測(cè)算子提取到的特征點(diǎn)信息以及各子區(qū)域內(nèi)像素點(diǎn)灰度信息映射到圓形采樣模式下，以構(gòu)建工件特征描述子；步驟3)對(duì)所得工件特征描述子及模板庫(kù)內(nèi)的模板特征描述子采用級(jí)聯(lián)型匹配算法以最近鄰比的方式進(jìn)行漢明距離匹配，得到初始匹配對(duì)并統(tǒng)計(jì)初始匹配對(duì)數(shù)量；步驟4)采用隨機(jī)抽樣一致性算法，剔除初始匹配對(duì)中的錯(cuò)誤匹配對(duì)，得到正確匹配對(duì)數(shù)；步驟5)根據(jù)匹配對(duì)數(shù)計(jì)算匹配分?jǐn)?shù)，從而得到工件識(shí)別結(jié)果。本發(fā)明另一目的是要提供一種基于上述工件識(shí)別方法的工件識(shí)別裝置，其特征在于，其包括：特征點(diǎn)檢測(cè)和描述子構(gòu)造單元、模板庫(kù)、特征匹配單元和剔除誤匹配單元，其中特征點(diǎn)檢測(cè)和描述子構(gòu)造單元將原圖按照像素點(diǎn)灰度值排序劃分為m個(gè)子區(qū)域，利用fasthessian特征檢測(cè)算子提取特征點(diǎn)，并并將利用fasthessian特征檢測(cè)算子提取到的特征點(diǎn)信息以及原圖各子區(qū)域內(nèi)像素點(diǎn)灰度信息映射到圓形采樣模式下，以構(gòu)建工件特征描述子；所述模板庫(kù)用以存儲(chǔ)模板特征描述子；所述特征匹配單元對(duì)工件特征描述子及模板庫(kù)內(nèi)的模板特征描述子采用級(jí)聯(lián)型匹配算法以最近鄰比的方式進(jìn)行漢明距離匹配，得到初始匹配對(duì)并統(tǒng)計(jì)初始匹配對(duì)數(shù)量；所述剔除誤匹配單元采用隨機(jī)抽樣一致性算法，剔除初始匹配對(duì)中的錯(cuò)誤匹配對(duì)，以得到正確匹配對(duì)數(shù)，并根據(jù)匹配對(duì)數(shù)計(jì)算匹配分?jǐn)?shù)，從而得到工件識(shí)別結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：(1)本發(fā)明將改進(jìn)的freak描述子與fasthessian特征檢測(cè)子相結(jié)合，增強(qiáng)了freak算法的尺度不變性。(2)本發(fā)明提出一種新的圓形采樣模式，減小了采樣點(diǎn)平滑范圍重疊度，提高了描述子構(gòu)造速度。(3)本發(fā)明提出用相似灰度值排序的方法，實(shí)現(xiàn)描述子的旋轉(zhuǎn)不變性，并利用灰度信息對(duì)圖像進(jìn)行區(qū)域劃分，以增加描述子層次信息。(4)本發(fā)明提出一種通過(guò)設(shè)定灰度閾值的方法對(duì)子區(qū)域內(nèi)的采樣點(diǎn)進(jìn)行篩選，減少了背景像素對(duì)描述子的影響，提高了描述子的區(qū)分性能。(5)本發(fā)明采用一種子區(qū)域依次判斷的級(jí)聯(lián)型匹配算法，用ransac算法進(jìn)行誤匹配的剔除，大幅度高了匹配速度，提高了匹配準(zhǔn)確率。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明工件識(shí)別方法流程圖；圖2為本發(fā)明工件特征描述子構(gòu)建流程；圖3為本發(fā)明圓形采樣模式示意圖；圖4為本發(fā)明工件圖像灰度值統(tǒng)計(jì)直方圖；圖5-1為本發(fā)明原圖像灰度值范圍0-63的提取實(shí)例圖；圖5-2為本發(fā)明原圖像灰度值范圍63-127的提取實(shí)例圖；圖5-3為本發(fā)明原圖像灰度值范圍128-191的提取實(shí)例圖；圖5-4為本發(fā)明原圖像灰度值范圍192-255的提取實(shí)例圖；圖6為本發(fā)明與其他方法工件識(shí)別率對(duì)比圖；圖7為本發(fā)明與其他方法工件識(shí)別查全率-查錯(cuò)率曲線；圖8為本發(fā)明工件識(shí)別裝置功能框圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。針對(duì)現(xiàn)有技術(shù)中描述子對(duì)旋轉(zhuǎn)魯棒性差和描述子在尺度和角度變化下區(qū)分能力差的問(wèn)題，本發(fā)明將改進(jìn)的freak描述子與fasthessian特征檢測(cè)算子相結(jié)合進(jìn)行工件識(shí)別。下面結(jié)合附圖以及具體實(shí)施例進(jìn)一步說(shuō)明本發(fā)明的技術(shù)方案：如圖1所示為一種基于二進(jìn)制描述子的工件識(shí)別方法，其步驟包括：步驟1)采用中值濾波方法對(duì)輸入的灰度工件圖像進(jìn)行平滑去噪，并利用fasthessian特征檢測(cè)算子提取特征點(diǎn)，其具體步驟包括：①在灰度工件圖像像素鄰域內(nèi)選定一個(gè)5×5的線性觀察窗口，設(shè)觀察窗口內(nèi)的像素灰度值序列為{a1,a2…an}，則像素點(diǎn)中值濾波輸出結(jié)果為②定義中值濾波后得到的圖像為c，對(duì)于圖像c中的一個(gè)像素點(diǎn)x(i,j)，計(jì)算候選特征響應(yīng)值det(happrox)＝dxxdyy-(kdxy)2(2)且其中，作為本發(fā)明的較佳實(shí)施方式，優(yōu)選權(quán)值k＝0.9，將式(2)求得的候選特征響應(yīng)值det(happrox)與預(yù)先設(shè)定的閾值進(jìn)行比較，若大于閾值，則判斷為候選特征點(diǎn)，若該候選特征點(diǎn)響應(yīng)值大于其相鄰的所有像素點(diǎn)響應(yīng)值，則判斷該候選特征點(diǎn)為特征點(diǎn)。步驟2)將原圖按照像素點(diǎn)灰度值排序劃分為m個(gè)子區(qū)域，分別將利用fasthessian特征檢測(cè)算子提取到的特征點(diǎn)信息以及各子區(qū)域內(nèi)像素點(diǎn)灰度信息映射到圓形采樣模式下，以構(gòu)建工件特征描述子。圖2給出了工件特征描述子的提取過(guò)程。作為本發(fā)明的較佳實(shí)施方式，m優(yōu)選為4，即通過(guò)灰度排序思想對(duì)像素點(diǎn)進(jìn)行排序，如圖4所示為對(duì)工件圖像的灰度值進(jìn)行統(tǒng)計(jì)的直方圖，然后根據(jù)排序結(jié)果將將圖像劃分成4個(gè)子區(qū)域，具體的劃分步驟包括：①將所有像素點(diǎn)按灰度值進(jìn)行排序，將排序后的灰度值劃分為4份；②根據(jù)m個(gè)灰度值范圍將像素點(diǎn)進(jìn)行分類，則圖像上屬于某個(gè)灰度范圍內(nèi)的像素點(diǎn)都保留下來(lái)，不屬于該類的像素點(diǎn)則全部舍棄，即將原圖像分解為m個(gè)子區(qū)域，并把每個(gè)子區(qū)域內(nèi)的像素點(diǎn)作為一個(gè)分類。如圖5-1至圖5-4所示即為工件基于灰度值排序劃分結(jié)果，其中為了直觀顯示，將屬于該子區(qū)域的像素灰度值置為白色255，不屬于該子區(qū)域的像素灰度值置為黑色0。本發(fā)明提出了一種新的采樣模式——圓形采樣模式，如圖3所示，采樣模式需要滿足以下幾個(gè)條件：以檢測(cè)到的特征點(diǎn)作為采樣模式的中心；同一層同心圓上子圓面積相同，不同層子圓面積不同；每一層采樣點(diǎn)同心圓有6個(gè)采樣點(diǎn)，共選取31個(gè)采樣點(diǎn)，每相隔的兩層子圓相切。本發(fā)明提到的采樣模式分別映射到這4個(gè)子區(qū)域內(nèi)，采用隨機(jī)測(cè)試的方式，產(chǎn)生二進(jìn)制串，將4個(gè)子區(qū)域內(nèi)的二進(jìn)制串順序連接，即得到了圖像的不依賴于主方向的且包含一定空間信息的魯棒性較強(qiáng)的二進(jìn)制描述子。其具體步驟包括：①將4個(gè)子區(qū)域內(nèi)像素點(diǎn)的灰度信息映射到圓形采樣模式下；②將fasthessian特征檢測(cè)算子檢測(cè)到的特征點(diǎn)映射到圓形采樣模式下；③依照?qǐng)A形采樣模式下采樣點(diǎn)的位置和高斯平滑范圍，將子區(qū)域內(nèi)的灰度信息映射為采樣點(diǎn)的值；④在采樣模式映射的任意子區(qū)域內(nèi)，隨機(jī)選取兩個(gè)采樣點(diǎn)的值與設(shè)定的閾值比較，若等于設(shè)定的閾值，則判斷該采樣點(diǎn)為背景點(diǎn)，舍棄該采樣點(diǎn)；若采樣點(diǎn)的值與設(shè)定的閾值不相等，則根據(jù)公式(6)比較它們的灰度值：其中，pi(0≤i＜4)表示第i個(gè)子區(qū)域映射的采樣模式，m與n是pi映射的子區(qū)域內(nèi)隨機(jī)選取的兩個(gè)采樣點(diǎn)，i(pi,m)是采樣模式pi對(duì)應(yīng)的第i個(gè)子區(qū)域內(nèi)采樣點(diǎn)m的灰度值，i(pi,n)是采樣模式pi對(duì)應(yīng)的第i個(gè)子區(qū)域內(nèi)采樣點(diǎn)n的灰度值；⑤在每個(gè)子區(qū)域內(nèi)選取n個(gè)采樣點(diǎn)對(duì)，根據(jù)公式(6)得到n個(gè)比較結(jié)果，于是得到n維子區(qū)域描述子si如式(7)。將所有子區(qū)域的描述子si依次串聯(lián)起來(lái)，構(gòu)成n×m維工件特征描述子，以式(8)的方式來(lái)描述，其中m＝4，所以描述子維度取決于n，在本發(fā)明中取n＝128，這樣構(gòu)造的描述子維度是512。步驟3)對(duì)所得工件特征描述子及模板庫(kù)內(nèi)的模板特征描述子采用級(jí)聯(lián)型匹配算法以最近鄰比的方式進(jìn)行漢明距離匹配，得到初始匹配對(duì)并統(tǒng)計(jì)初始匹配對(duì)數(shù)量。本發(fā)明采用漢明距離作為兩個(gè)描述子之間的相似度量度，采用子區(qū)域的級(jí)聯(lián)型匹配算法。對(duì)模板庫(kù)模內(nèi)的模板特征描述子和工件特征描述子按照式(9)采用異或的方式進(jìn)行子區(qū)域漢明距離的匹配。其中，表示子區(qū)域內(nèi)描述子的漢明距離，表示子區(qū)域漢明距離的閾值。先計(jì)算第一個(gè)子區(qū)域內(nèi)描述子的128位的漢明距離，如果大于選定的閾值，則舍棄該匹配點(diǎn)，小于選定的閾值則進(jìn)行第二個(gè)子區(qū)域內(nèi)的距離比較，依此類推，逐個(gè)比較。采用最近鄰比的方式進(jìn)行匹配判定，即只有當(dāng)待匹配點(diǎn)的最近漢明距離與次最近漢明距離的比值小于設(shè)定的閾值，才將其判斷為正確的匹配對(duì)，則初始匹配對(duì)對(duì)數(shù)q增加1，否則q不變。其具體步驟包括：①計(jì)算第一個(gè)子區(qū)域內(nèi)工件特征描述子與模板特征描述子之間漢明距離；②將此漢明距離與預(yù)先設(shè)定閾值進(jìn)行比較，如果該距離大于設(shè)定的距離閾值，則舍棄該匹配點(diǎn)，反之則進(jìn)行第二個(gè)子區(qū)域內(nèi)的距離比較；③采用最近鄰比的方式進(jìn)行匹配判定，即只有當(dāng)待匹配點(diǎn)的最近漢明距離與次最近漢明距離的比值小于設(shè)定的比例閾值，才將其判斷為正確的匹配對(duì)，則初始匹配對(duì)對(duì)數(shù)q增加1，否則q不變；④依此類推，重復(fù)上述步驟直至遍歷所有子區(qū)域。步驟4)采用隨機(jī)抽樣一致性算法，剔除初始匹配對(duì)中的錯(cuò)誤匹配對(duì)，得到正確匹配對(duì)數(shù)。圖像的初始匹配會(huì)存在一定的誤匹配對(duì)，因此需要采取措施消除錯(cuò)誤匹配對(duì)。采用隨機(jī)抽樣一致性(randomsampleconsensus，ransac)算法，剔除初始匹配對(duì)中的錯(cuò)誤匹配對(duì)。其基本原理是，選用一小部分?jǐn)?shù)據(jù)作為內(nèi)點(diǎn)得到初始參數(shù)模型，利用初始參數(shù)將數(shù)據(jù)分為“外點(diǎn)”和“內(nèi)點(diǎn)”，最后用所有內(nèi)點(diǎn)重新計(jì)算函數(shù)的參數(shù)模型。其具體步驟包括：①設(shè)模板圖像的初始匹配點(diǎn)集合為a，待匹配圖像上的初始匹配點(diǎn)集合為b，在集合a和b中隨機(jī)選取4個(gè)初始匹配對(duì)，并通過(guò)這4個(gè)點(diǎn)對(duì)得到一個(gè)投影變換矩陣h，h11和h12等分別代表了物體的平移和旋轉(zhuǎn)等運(yùn)動(dòng)，h33通常歸一化為1。其中，h33為1，其余位置數(shù)據(jù)隨機(jī)對(duì)應(yīng)4個(gè)初始匹配對(duì)的8個(gè)數(shù)據(jù)；②將集合點(diǎn)a中所有特征點(diǎn)根據(jù)投影變換矩陣h進(jìn)行變換，得到集合b'。對(duì)集合b和b'內(nèi)所有對(duì)應(yīng)點(diǎn)的坐標(biāo)進(jìn)行比較，即：ei＝||bi-b′i||，如果ei＜ht，則判斷此點(diǎn)對(duì)為內(nèi)點(diǎn)，其中ht為預(yù)先設(shè)定的判定閾值，否則判斷為外點(diǎn)，并統(tǒng)計(jì)本次變換得到的內(nèi)點(diǎn)個(gè)數(shù)；③重復(fù)步驟(1)到(2)，選擇內(nèi)點(diǎn)個(gè)數(shù)最多的變換，然后將通過(guò)該次變換得到的集合作為新的集合a和b，繼續(xù)進(jìn)行迭代運(yùn)算；④直至當(dāng)前迭代的內(nèi)點(diǎn)數(shù)與前一次迭代的內(nèi)點(diǎn)數(shù)相同，則終止迭代，將最后一次迭代得到的集合a和b作為剔除錯(cuò)誤匹配特征點(diǎn)對(duì)的集合，其對(duì)應(yīng)的投影變換矩陣即為最終投影變換矩陣。步驟5)根據(jù)匹配對(duì)數(shù)計(jì)算匹配分?jǐn)?shù)，從而得到工件識(shí)別結(jié)果。具體的，記錄下剔除錯(cuò)誤匹配對(duì)后的正確匹配對(duì)數(shù)q1，計(jì)算匹配分?jǐn)?shù)η，式中，的q是根據(jù)特征匹配后獲得的特征點(diǎn)的初始匹配對(duì)數(shù)。當(dāng)匹配分?jǐn)?shù)η大于設(shè)定的閾值th時(shí)，判定待識(shí)別工件和模板工件屬于同一類別，否則屬于不同類別，得到工件識(shí)別的結(jié)果。進(jìn)一步地，如果從攝像頭獲取的圖像是彩色圖像進(jìn)行工件識(shí)別前，采用加權(quán)平均法對(duì)彩色圖像進(jìn)行灰度化處理，處理過(guò)程如下g(x,y)＝w1r(x,y)+w2g(x,y)+w3b(x,y)(11)其中，r(x,y)、g(x,y)和b(x,y)分別是原彩色圖像在圖像坐標(biāo)(x,y)處的分量值，g(x,y)是變換后坐標(biāo)(x,y)處圖像的灰度值，wi(i＝1,2,3)為rgb分量的權(quán)值。本發(fā)明還公開(kāi)了一種基于上述工件識(shí)別方法的工件識(shí)別裝置，其包括：特征點(diǎn)檢測(cè)和描述子構(gòu)造單元20、模板庫(kù)30、特征匹配單元40和剔除誤匹配單元50；特征點(diǎn)檢測(cè)和描述子構(gòu)造單元將原圖按照像素點(diǎn)灰度值排序劃分為m個(gè)子區(qū)域，利用fasthessian特征檢測(cè)算子提取特征點(diǎn)，并將利用fasthessian特征檢測(cè)算子提取到的特征點(diǎn)信息以及原圖各子區(qū)域內(nèi)像素點(diǎn)灰度信息映射到圓形采樣模式下，以構(gòu)建工件特征描述子；模板庫(kù)用以存儲(chǔ)模板特征描述子；特征匹配單元對(duì)工件特征描述子及模板庫(kù)內(nèi)的模板特征描述子采用級(jí)聯(lián)型匹配算法以最近鄰比的方式進(jìn)行漢明距離匹配，得到初始匹配對(duì)并統(tǒng)計(jì)初始匹配對(duì)數(shù)量；剔除誤匹配單元采用隨機(jī)抽樣一致性算法，剔除初始匹配對(duì)中的錯(cuò)誤匹配對(duì)，以得到正確匹配對(duì)數(shù)，并根據(jù)匹配對(duì)數(shù)計(jì)算匹配分?jǐn)?shù)，從而得到工件識(shí)別結(jié)果，如圖8所示為本裝置的功能流程示意圖。裝置的輸入是待匹配工件的灰度圖像，輸出為工件識(shí)別的結(jié)果。如果對(duì)不在當(dāng)前模板庫(kù)中的工件進(jìn)行識(shí)別，可以通過(guò)剔除誤匹配模塊得到判斷結(jié)果，并更新當(dāng)前模板庫(kù)。為了驗(yàn)證本發(fā)明的有效性，挑選了螺母、雙耳墊圈、螺釘、一字型螺釘、十字型螺釘5種工件進(jìn)行測(cè)試，每種工件選取120張工件圖像作為測(cè)試集，120張工件圖像包含圖像的平移、旋轉(zhuǎn)、尺度變換、光照變化和噪聲影響等。本發(fā)明的實(shí)驗(yàn)環(huán)境為，window7旗艦版操作系統(tǒng)的pc機(jī)，配置為intel(r)core(tm)i3-370mcpu@2.40ghz，內(nèi)存為2gb，編譯環(huán)境為vs2010，opencv2.4.9。將本發(fā)明與改進(jìn)前的freak和brisk進(jìn)行比較，三種方法的工件識(shí)別率統(tǒng)計(jì)結(jié)果如圖6所示。從圖6可見(jiàn)，本發(fā)明提出的改進(jìn)方法對(duì)實(shí)驗(yàn)所用的5種工件的識(shí)別率均高于傳統(tǒng)的brisk算法和freak算法。本發(fā)明針對(duì)freak算法尺度變化性能差的問(wèn)題，采用尺度變換性能更好的fasthessian特征檢測(cè)算子代替agast特征檢測(cè)算法。在采樣時(shí)，通過(guò)設(shè)定灰度閾值減小了背景像素對(duì)工件的干擾，提高了描述子的區(qū)分性能。圖7所示為三種描述子的查全率-查錯(cuò)率曲線，其驗(yàn)證了本發(fā)明方法的有效性。本發(fā)明改進(jìn)的freak描述子的性能在旋轉(zhuǎn)縮放的條件下要好于改進(jìn)之前的freak描述子，主要是本發(fā)明通過(guò)灰度排序進(jìn)行子區(qū)域的劃分，實(shí)現(xiàn)了不依賴主方向的旋轉(zhuǎn)不變，并增加了描述子內(nèi)的局部灰度信息和灰度對(duì)比信息，提高了描述子區(qū)分性能的同時(shí)也提高了對(duì)旋轉(zhuǎn)的魯棒性。另外，表1展示了brisk、freak和本發(fā)明方法的描述子構(gòu)造時(shí)間，由表1可見(jiàn)，本發(fā)明的方法描述子構(gòu)建時(shí)間要小于brisk和freak，主要是因?yàn)楸景l(fā)明提出新的采樣模式，采樣點(diǎn)內(nèi)冗余信息少，不需要freak算法對(duì)采樣點(diǎn)對(duì)進(jìn)行篩選，因此降低了時(shí)間復(fù)雜度。本發(fā)明所提出的方案有更好的實(shí)時(shí)性。表1不同描述子構(gòu)造時(shí)間描述子種類構(gòu)造時(shí)間(ms)brisk方法285.16freak方法204.23本發(fā)明方法180.54上述結(jié)果表明，用本發(fā)明提出的方法進(jìn)行工件識(shí)別有更高的識(shí)別率和更好的實(shí)時(shí)性和魯棒性。本發(fā)明利用fasthessian特征檢測(cè)算子代替freak原來(lái)的特征檢測(cè)算子agast，增強(qiáng)freak描述子在尺度變換下的區(qū)分能力；且在本發(fā)明提出的圓形采樣模式下，對(duì)特征點(diǎn)進(jìn)行采樣，減少描述子內(nèi)的冗余信息；最后，采用不依賴主方向技術(shù)的多區(qū)域二進(jìn)制描述子，以提高二進(jìn)制描述子的魯棒性和區(qū)分性，實(shí)現(xiàn)工件圖像在旋轉(zhuǎn)縮放情況下的有效識(shí)別。最后應(yīng)說(shuō)明的是：以上各實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。當(dāng)前第1頁(yè)12