基于边缘扇区分布特征的无纹理目标识别技术研究

摘要

为了适应工厂的柔性化生产要求，现代工厂正逐步提高智能感知机器人的使用率。对目标物体进行识别是智能感知机器人的核心应用之一。对于目标物体识别的实现问题，从工业相机采集的图像提取特征进行匹配进而确定类别是一种解决方案。对于无纹理目标对象，现有的特征描述算法匹配准确率均较低:SIFT、SURF等特征在无纹理目标的识别应用中存在大量误匹配，且计算速度较慢;ORB、BRIEF等二进制特征分辨力较差，鲁棒性不足。针对以上不足，本文围绕着无纹理目标的识别问题，提出了一种边缘扇区分布特征，并采用该特征实现了无纹理物体的识别与分拣。 第一章首先介绍了图像分割与目标识别的国内外研究现状，对各类相关算法进行了分类总结，阐述了无纹理目标识别问题的研究意义。然后对本文的研究内容和全文框架进行了介绍。 第二章对无纹理目标的图像进行预处理，主要有图像增强与感兴趣区域提取，为特征点的提取、匹配和动态场景下目标的识别做准备。采用非下采样轮廓波变换算法对目标的轮廓进行增强，提出了直方图双峰法对目标图像进行前景背景标记，并在标记的基础上应用分水岭算法实现对目标图像感兴趣区域的分割。 第三章对预处理后的图像进行特征点的提取、描述子的构建与匹配，并对所提出特征的鲁棒性进行了分析与实验。提取Harris角点并筛选后作为特征点，对图像边缘的直线段与圆弧段进行重建后构建特征点描述子。之后对特征进行了尺度分析与鲁棒性评估实验。 第四章基于边缘扇区分布特征，围绕着无纹理物体的识别与分拣问题，提出了一种无纹理目标的识别分拣方法。本章主要对识别分拣方法的图像处理过程进行描述，采用DBSCAN算法对多目标进行特征点聚类，对初始帧的多目标进行识别并标记初始位置后采用粒子滤波算法对多目标进行跟踪，由工业机器人执行分拣任务。最后以各类算法实验结果的对比统计验证了提出的识别分拣方法的有效性。 第五章搭建了无纹理目标识别系统的软硬件平台。介绍了系统的硬件组成、选型、模块之间的联系和工业相机的手眼标定过程，并构建了无纹理目标识别系统的用户界面，对算法中间过程与结果图像、数据进行展示，整合了图像处理、工业机器人运动学求解、系统通信等处理模块。 第六章总结了全文的优点与不足，对后续研究进行了展望。

目录

声明

致谢

摘要

1．1引言

1．2国内外研究现状

1．2．1图像分割技术研究现状

1．2．2目标识别技术研究现状

1．3本文的研究意义与内容架构

1．3．1研究意义

1．3．2内容架构

1．4本章小结

第2章无纹理目标图像增强与感兴趣区域提取

2．1引言

2．2基于非下采样轮廓波变换的图像增强

2．2．1基于非下采样轮廓波变换的图像多尺度分解

2．2．2无纹理目标图像增强实验

2．3基于背景标记分水岭算法的感兴趣区域提取

2．3．1基于直方图双峰法的前景背景标记

2．3．2无纹理目标图像感兴趣区域提取

2．4本章小结

3．1引言

3．2基于Harris角点的特征点提取与筛选

3．3图像边缘的自适应重建

3．3．1图像边缘直线段的自适应重建

3．3．2图像边缘圆弧的自适应重建

3．4边缘扇区分布特征描述子的构建与匹配

3．4．1描述子的构建

3．4．2描述子的匹配

3．5鲁棒性及性能评估实验

3．5．1边缘扇区分布特征的不变性分析

3．5．2图像部分遮挡情况下的匹配

3．5．3各类算法对比实验

3．6本章小结

第4章基于边缘扇区分布特征的无纹理目标识别

4．1引言

4．2基于DBSCAN算法的特征点聚类

4．3动态场景下的目标识别方法

4．3．1粒子滤波算法原理

4．3．2动态场景下的多种类无纹理目标识别方法

4．4无纹理目标识别实验

4．5本章小结

第5章无纹理目标识别系统的软硬件平台实现

5．1引言

5．2无纹理目标识别的硬件平台

5．2．1目标识别系统的硬件选型

5．2．2工业相机的手眼标定

5．2．3工业机器人运动学求解分析

5．3无纹理目标识别的模块化软件系统

5．3．1软件系统开发环境与框架

5．3．2基于Qt的可视化操作界面

5．4本章小结

6．1全文总结

6．2工作展望

参考文献

作者简历