第1期 郗安民等：基于自构建多窗体结构的多目标匹配算法 .99 使用有序最多近似点距离，对拥有四个识别目 度判据的相似曲面进行比较，结果如图4所示 标的图像进行计算，将获得的相似曲面与传统相似 可以看到，有序最多近似点距离的峰值更为突 1.00 600 0.95 400 0.90 N0.85 200 0.8 200150 00 00150 00 x/pixel 50650100150200250 ypixel xpixel 50 0050100150200250 wpixel 图4使用传统相似度判据(a)与有序最多近似点距离(b)获得的相似曲面比较 Fig.4 Comparison of curves obtained by traditional similarity measurement (a)and ordered maximum close distance (b) 出尖锐，与背景干扰的区别较大，利于后续的分辨， 初步匹配点，采用固定相似度门限判别，将低于门限 综上所述，基于自构建多窗体结构的模板匹配 的初步匹配点排除； 算法，其总体思路如下： (8)将最终匹配对象的图像坐标位置输出，供 (1)对搜索图（灰度图）和模板图像使用3×3 后续使用 高斯平滑预处理，消除微小的背景干扰，保留预处理 2实验 后的搜索图（灰度图）和模板（灰度图）； (2)对(1)中保存的模板图像进行螺旋式搜索， 分别使用本文算法针对三类共45幅不同位置 将所有特征信息依次存入特征链： 拍摄的图像进行识别.图像大小均为1280 pixelX (③)使用同一阈值对搜索图和模板图进行二值 1024 pixel.其中第1类图像拍摄状况接近生产正 化，对结果图分别进行水平和垂直投影； 常状态，光线良好，目标较为整齐，第2类图像拍摄 (4)根据(3)获得的投影结果，采用本文计算方 状况系生产中的极端状况，光线较差，目标凌乱、缺 法求得多窗体结构的主要参数： 失，第3类芯片图像目标结构复杂，边缘的反光干 (5)使用(4)中获得的参数，在(1)中保留的搜 扰严重，模板较大.三类图像每类15幅，共计45 索图上建立多窗体结构： 幅.图5(a)为第1类图像，(b)和(c)为第2类图像 (6)在每个窗体中使用特征链中存储特征，采 第3类图像的芯片尺寸较大，电极形状呈雪花状，极 用有序最多近似点距离进行特征匹配，每个窗体中 为复杂，图像的矩形外缘模糊不清。针对上述三类 的模板遍历采用粗一精匹配策略以提高速度（本文 图像进行识别，并与传统模板匹配法及国外同类设 实验中间隔为1pixel); 备所用的几何特征检测法识别结果进行对比·在对 (7)对每个窗体中求得的相似度极大值点作为 不同图像的识别中，算法未进行任何改动 (a) (b) 图5实验图像的局部图 Fig.5 Parts of testing images 表1为本文算法对三种图像的识别效果，表2 比较 为包括本文算法在内的三种不同算法在速度方面的使用有序最多近似点距离‚对拥有四个识别目 标的图像进行计算‚将获得的相似曲面与传统相似 度判据的相似曲面进行比较‚结果如图4所示． 可以看到‚有序最多近似点距离的峰值更为突 图4 使用传统相似度判据（a）与有序最多近似点距离（b）获得的相似曲面比较 Fig．4 Comparison of curves obtained by traditional similarity measurement （a） and ordered maximum close distance （b） 出尖锐‚与背景干扰的区别较大‚利于后续的分辨． 综上所述‚基于自构建多窗体结构的模板匹配 算法‚其总体思路如下： （1） 对搜索图（灰度图）和模板图像使用3×3 高斯平滑预处理‚消除微小的背景干扰‚保留预处理 后的搜索图（灰度图） 和模板（灰度图）； （2） 对（1）中保存的模板图像进行螺旋式搜索‚ 将所有特征信息依次存入特征链； （3） 使用同一阈值对搜索图和模板图进行二值 化‚对结果图分别进行水平和垂直投影； （4） 根据（3）获得的投影结果‚采用本文计算方 法求得多窗体结构的主要参数； （5） 使用（4）中获得的参数‚在（1）中保留的搜 索图上建立多窗体结构； （6） 在每个窗体中使用特征链中存储特征‚采 用有序最多近似点距离进行特征匹配‚每个窗体中 的模板遍历采用粗—精匹配策略以提高速度（本文 实验中间隔为1pixel）； （7） 对每个窗体中求得的相似度极大值点作为 初步匹配点‚采用固定相似度门限判别‚将低于门限 的初步匹配点排除； （8） 将最终匹配对象的图像坐标位置输出‚供 后续使用． 2 实验 分别使用本文算法针对三类共45幅不同位置 拍摄的图像进行识别．图像大小均为1280pixel× 1024pixel．其中第1类图像拍摄状况接近生产正 常状态‚光线良好‚目标较为整齐．第2类图像拍摄 状况系生产中的极端状况‚光线较差‚目标凌乱、缺 失．第3类芯片图像目标结构复杂‚边缘的反光干 扰严重‚模板较大．三类图像每类15幅‚共计45 幅．图5（a）为第1类图像‚（b）和（c）为第2类图像． 第3类图像的芯片尺寸较大‚电极形状呈雪花状‚极 为复杂‚图像的矩形外缘模糊不清．针对上述三类 图像进行识别‚并与传统模板匹配法及国外同类设 备所用的几何特征检测法识别结果进行对比．在对 不同图像的识别中‚算法未进行任何改动． 图5 实验图像的局部图 Fig．5 Parts of testing images 表1为本文算法对三种图像的识别效果‚表2 为包括本文算法在内的三种不同算法在速度方面的 比较． 第1期 郗安民等： 基于自构建多窗体结构的多目标匹配算法 ·99·