非线性形变模板匹配方法、装置、电子设备及存储介质与流程

摘要: 本技术涉及模板匹配,特别涉及一种非线性形变模板匹配方法、装置、电子设备及存储介质。背景技术:1、在机器视觉检测中,模板匹配是一类常用的目标定位方法。传统模板匹配...
非线性形变模板匹配方法、装置、电子设备及存储介质与流程

本技术涉及模板匹配,特别涉及一种非线性形变模板匹配方法、装置、电子设备及存储介质。

背景技术:

1、在机器视觉检测中,模板匹配是一类常用的目标定位方法。传统模板匹配多基于刚性形变假设,难以处理包装袋、柔板、布料等目标因局部拉伸、弯曲等引起的非线性形变。而传统的非刚性匹配方法虽通过轮廓切分来应对形变,但切分方式常为固定长度,致使模板或待匹配图像中极易存在直线段、周期性齿纹等相似结构,致使后续匹配极易产生歧义,导致多个局部段匹配同一图像区域,进而使后续形变模型估计失真。

技术实现思路

1、本技术旨在至少解决现有技术中存在的技术问题之一。为此,本技术提出一种非线性形变模板匹配方法、装置、电子设备及储存介质,能够通过根据实际轮廓中的多个实际轮廓点和预设的自适应扩展窗口自适应地对实际轮廓进行切分,以避免切分出直线段、周期性齿纹等容易导致匹配产生歧义的结果,提高后续匹配的精准度。

2、本技术第一方面实施例的非线性形变模板匹配方法包括:

3、根据模板图像和预设的自适应扩展窗口,得到多条模板局部轮廓;

4、获取待匹配图像;

5、对所述待匹配图像进行预处理,以得到实际轮廓,其中,所述实际轮廓包括多个实际轮廓点;

6、基于多个所述实际轮廓点和所述自适应扩展窗口,对所述实际轮廓进行切分,以从所述实际轮廓中提取出多条实际局部轮廓;

7、基于多条所述实际局部轮廓和多条所述模板局部轮廓,分别筛选出相同数量的所述实际局部轮廓和所述模板局部轮廓,以分别作为目标实际局部轮廓和目标模板局部轮廓;

8、针对每一条目标模板局部轮廓,分别计算所述目标模板局部轮廓与各所述目标实际局部轮廓的结构差异度值,并将所述结构差异度值最小的目标实际局部轮廓与所述目标模板局部轮廓构建匹配关系,得到匹配对。

9、根据本技术实施例的非线性形变模板匹配方法,至少具有如下有益效果:通过根据模板图像和预设的自适应扩展窗口,得到多条模板局部轮廓,为后续轮廓匹配提供数据集成;通过对待匹配图像进行预处理,提取出实际轮廓,为后续的轮廓切分提供了可靠的数据。通过自适应扩展窗口和实际轮廓点对实际轮廓进行切分,能够根据实际轮廓点的局部几何特征动态调整切分位置,使切分出的每条实际局部轮廓具有明确且独特的结构特征,有效避免了传统技术因固定切分方式容易切分出纯直线段、短圆弧等简单轮廓,导致后续匹配中出现一条目标模板局部轮廓匹配多条目标实际局部轮廓的歧义问题,显著提高了匹配的精准度。在此基础上,通过筛选出相同数量的实际局部轮廓和模板局部轮廓,进一步为后续构建一一对应的匹配关系奠定了基础。通过计算目标模板局部轮廓与各目标实际局部轮廓之间的结构差异度值,并将差异度值最小(即最相似)的目标实际局部轮廓与对应的目标模板局部轮廓构建匹配关系,以得到匹配对,进一步提高了匹配的精准度。

10、根据本技术的一些实施例,所述针对每一条目标模板局部轮廓,分别计算所述目标模板局部轮廓与各所述目标实际局部轮廓的结构差异度值包括:

11、获取所述目标模板局部轮廓的第一描述子,其中,所述第一描述子包括所述目标模板局部轮廓的弧长、起点的切线方向、终点的切线方向和平均曲率;

12、获取各所述目标实际局部轮廓的第二描述子,其中,所述第二描述子包括所述目标实际局部轮廓的弧长、起点的切线方向、终点的切线方向和平均曲率;

13、基于所述第一描述子和各所述第二描述子,分别计算得到所述目标模板局部轮廓与各所述目标实际局部轮廓的结构差异度值。

14、根据本技术的一些实施例,所述结构差异度值的计算公式如下:

15、dl(i,j)=|li-lj|/max(li,lj);

16、dθ(i,j)=sin{max[(θi(s)–θj(s)),(θi(e)-θj(e))]};

17、dk(i,j)=|ki-kj|/max(ki,kj);

18、mij=μ1dl(i,j)+μ2dθ(i,j)+μ3dk(i,j);

19、其中,li表示为目标模板局部轮廓的弧长,lj表示为目标实际局部轮廓的弧长,θi(s)表示为目标模板局部轮廓起点的切线方向,θj(s)表示为目标实际局部轮廓起点的切线方向,θi(e)表示为目标模板局部轮廓终点的切线方向,θj(e)表示为目标实际局部轮廓终点的切线方向,ki表示为目标模板局部轮廓的平均曲率,kj表示为目标实际局部轮廓的平均曲率,dl(i,j)表示为目标实际局部轮廓和目标模板局部轮廓的弧长差异量,dθ(i,j)表示为目标实际局部轮廓和目标模板局部轮廓的方向差异量,dk(i,j)表示为目标实际局部轮廓和目标模板局部轮廓的曲率差异量,mij表示为结构差异度值,μ1、μ2和μ3表示为权重系数。

20、根据本技术的一些实施例,所述基于多条所述实际局部轮廓和多条所述模板局部轮廓,分别筛选出相同数量的所述实际局部轮廓和所述模板局部轮廓,以分别作为目标实际局部轮廓和目标模板局部轮廓包括:

21、将多条所述实际局部轮廓依据弧长从大到小进行排序,得到第一轮廓序列;

22、将多条所述模板局部轮廓依据弧长从大到小进行排序,得到第二轮廓序列;

23、确定所述第一轮廓序列和所述第二轮廓序列中轮廓数较少的序列所包含的轮廓数作为数量阈值;

24、截取所述第一轮廓序列中前所述数量阈值的所述实际局部轮廓作为所述目标实际局部轮廓;

25、截取所述第二轮廓序列中前所述数量阈值的所述模板局部轮廓作为所述目标模板局部轮廓。

26、根据本技术的一些实施例,所述基于多个所述实际轮廓点和所述自适应扩展窗口,对所述实际轮廓进行切分,以从所述实际轮廓中提取出多条实际局部轮廓,包括:

27、针对每一条所述实际轮廓,采用所述自适应扩展窗口沿所述实际轮廓逐步扩展,并在扩展过程中实时计算所述自适应扩展窗口内首尾两端处的所述实际轮廓点切线方向之间的第一夹角;

28、当所述第一夹角超过预设的第一角度阈值时,在所述实际轮廓上截取所述自适应扩展窗口当前所覆盖的部分以作为一条所述实际局部轮廓,并以尾端的下一个所述实际轮廓点作为所述自适应扩展窗口新的起点重新扩展,直至遍历完整条所述实际轮廓,以得到多条所述实际局部轮廓。

29、根据本技术的一些实施例,在所述将所述结构差异度值最小的目标实际局部轮廓与所述目标模板局部轮廓构建匹配关系,得到匹配对之后,还包括:

30、对所述匹配对进行拓扑一致性筛选,得到目标匹配对。

31、根据本技术的一些实施例,在所述对所述匹配对进行拓扑一致性筛选,得到目标匹配对之后,还包括:

32、将所述目标匹配对输入至薄板样条形变模型,得到非线性坐标映射函数;

33、基于所述非线性坐标映射函数和所述模板图像,得到形变模板图像。

34、根据本技术第二方面实施例的非线性形变模板匹配装置,所述装置包括:

35、图像预处理模块,所述图像预处理模块被配置为根据模板图像和预设的自适应扩展窗口,得到多条模板局部轮廓;获取待匹配图像;

36、轮廓提取模块,所述轮廓提取模块被配置为对所述待匹配图像进行预处理,以得到实际轮廓,其中,所述实际轮廓包括多个实际轮廓点;基于多个所述实际轮廓点和所述自适应扩展窗口,对所述实际轮廓进行切分,以从所述实际轮廓中提取出多条实际局部轮廓;基于多条所述实际局部轮廓和多条所述模板局部轮廓,分别筛选出相同数量的所述实际局部轮廓和所述模板局部轮廓,以分别作为目标实际局部轮廓和目标模板局部轮廓;

37、轮廓匹配模块,所述轮廓匹配模块被配置为针对每一条目标模板局部轮廓,分别计算所述目标模板局部轮廓与各所述目标实际局部轮廓的结构差异度值;并将所述结构差异度值最小的目标实际局部轮廓与所述目标模板局部轮廓构建匹配关系,得到匹配对。

38、根据本技术的第三方面实施例的电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本技术第一方面实施例所述的非线性形变模板匹配方法。

39、根据本技术的第四方面实施例的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本技术第一方面实施例所述的非线性形变模板匹配方法。

40、本技术的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。