第5期 彭刚，等：一种基于Mak点的点胶机器人视觉目标定位方法 ·729· 可靠性，从而有效地提高产品质量。当前常用的 R(x.y)=>(T(x.y)-I(x+x.y+y) (1) Mark点定位方式有霍夫曼圆变换-a)、Surf、Sif特 征匹配46等算法，其中霍夫曼圆变换可以适应更 2Mark点几何特征的改进型模板匹 多类型的Mark点，但该算法的准确度易受到圆 的图像规则度影响，一般还需结合其他复杂方法口 配算法 才可保证准确度。而Surf和Sift方法准确率虽 2.1Mark点图像的特征分析 高，但实时性不佳。本文则从工程应用角度对 PCB板上的Mark点一般都是在印刷时通过 Mark点定位算法的旋转不变性、缩放不变性、实 敷铜制成，常由圆形和其他常见几何图像组合而 时性、可靠性等方面综合考虑，对常用Mark点定 成，本文所使用的Mark点的灰度图像如图3所 位算法的实验结果进行分析比较，提出了一种基 示。从Mark点的灰度图可知其显著特征：正中 于Mark点几何特征的改进模板匹配算法。 心白实心圆，八边形轮廓，最外围大圆轮廓，其余 1简单模板匹配的Mark点识别算法 都近似是黑色。 1.1简单模板匹配原理 模板匹配8.1的原理相对简单，如图1所示， (a)是待检测图S,(b)是模板图T。使用模板图 T依次从左至右，从上至下移动扫描图S的每 图3Mark点图像 Fig.3 Mark point 1个像素。每移动1个像素匹配1次结果，扫描 完毕就可找出最佳匹配结果。 除此之外，大圆轮廓外部的图像是冗余信息 且具有不确定性，Mak点信息只包括大圆轮廓内 模板图 部图像。 2.2Mark点图像预处理 相机拍摄的图像一般为彩色图像，为了利于 后续操作需将其转换成灰度图并进行二值化。为 了使边界更加清晰，还可对图像进行锐化处理， 锐化方法主要分为梯度锐化和拉普拉斯锐化法。 本文采用后者，假设2f是拉普拉斯算子，分别对 (a)待检测图 (b)模板图 图像函数f亿，)计算垂直和水平方向的二阶偏导， 图1模板匹配原理示意图 两者之和就是拉普拉斯算子21，如式(2)~(4) Fig.1 Schematic diagram of template matching 所示： 1.2常用的几种简单模板匹配算法的比较 2f=f) (2) 模板匹配类型包括相关匹配、标准相关匹 0x2 配、平方差匹配、标准平方差匹配、相关系数匹配 Vf=f(i.N) 2 (3) 和标准相关系数匹配。这里使用相关匹配、平 方差匹配、相关系数匹配分别进行实验并对比， 2f=V2f+7,2f (4) 匹配效果如图2所示。 对于扩散现象引起的图像模糊，可用式（⑤）作 锐化处理51。 g(i,)=fi,j)-kπfi,) (5) 当kπ=1时，可将拉普拉斯锐化运算转换成模 板运算1，如式(6)所示： (a)平方差匹配 -1-1-1 (b)相关匹配（©）相关系数匹配 9 (6) 图23种匹配方法结果 -1-1-1 Fig.2 Results of three template matching methods 锐化操作会放大图像的部分孤立噪声，所以 从匹配的结果来看，平方差的效果最好。平 在锐化前需滤除这些噪声。本文的孤立噪声滤波 方差模板匹配公式如式(1)，结果为0时匹配效果 方式是判断白色像素的邻域是否全为黑色像素， 最好，值越大匹配效果越差。 若是则将当前像素置为黑色。图4(a)是二值化可靠性，从而有效地提高产品质量。当前常用的 Mark 点定位方式有霍夫曼圆变换[1-3] 、Surf、Sift 特 征匹配[4-6]等算法，其中霍夫曼圆变换可以适应更 多类型的 Mark 点，但该算法的准确度易受到圆 的图像规则度影响，一般还需结合其他复杂方法[7] 才可保证准确度。而 Surf 和 Sift 方法准确率虽 高，但实时性不佳。本文则从工程应用角度对 Mark 点定位算法的旋转不变性、缩放不变性、实 时性、可靠性等方面综合考虑，对常用 Mark 点定 位算法的实验结果进行分析比较，提出了一种基 于 Mark 点几何特征的改进模板匹配算法。 1 简单模板匹配的 Mark 点识别算法 1.1 简单模板匹配原理 模板匹配[8-10]的原理相对简单，如图 1 所示， (a) 是待检测图 S，(b) 是模板图 T。使用模板图 T 依次从左至右，从上至下移动扫描图 S 的每 1 个像素。每移动 1 个像素匹配 1 次结果，扫描 完毕就可找出最佳匹配结果。 模板图 (a) 待检测图 (b) 模板图 图 1 模板匹配原理示意图 Fig. 1 Schematic diagram of template matching 1.2 常用的几种简单模板匹配算法的比较 模板匹配类型包括相关匹配、标准相关匹 配、平方差匹配、标准平方差匹配、相关系数匹配 和标准相关系数匹配[11]。这里使用相关匹配、平 方差匹配、相关系数匹配分别进行实验并对比， 匹配效果如图 2 所示。 (a) 平方差匹配 (b) 相关匹配 (c) 相关系数匹配 图 2 3 种匹配方法结果 Fig. 2 Results of three template matching methods 从匹配的结果来看，平方差的效果最好。平 方差模板匹配公式如式 (1)，结果为 0 时匹配效果 最好，值越大匹配效果越差。 R(x, y) = ∑ x ′ ,y ′ (T(x ′ , y ′ )− I(x+ x ′ , y+y ′ ))2 (1) 2 Mark 点几何特征的改进型模板匹 配算法 2.1 Mark 点图像的特征分析 PCB 板上的 Mark 点一般都是在印刷时通过 敷铜制成，常由圆形和其他常见几何图像组合而 成，本文所使用的 Mark 点的灰度图像如图 3 所 示。从 Mark 点的灰度图可知其显著特征：正中 心白实心圆，八边形轮廓，最外围大圆轮廓，其余 都近似是黑色。 图 3 Mark 点图像 Fig. 3 Mark point 除此之外，大圆轮廓外部的图像是冗余信息 且具有不确定性，Mark 点信息只包括大圆轮廓内 部图像。 2.2 Mark 点图像预处理 ∇ 2 f f(i, j) 相机拍摄的图像一般为彩色图像，为了利于 后续操作需将其转换成灰度图并进行二值化。为 了使边界更加清晰，还可对图像进行锐化处理， 锐化方法主要分为梯度锐化和拉普拉斯锐化法。 本文采用后者，假设 是拉普拉斯算子，分别对 图像函数 计算垂直和水平方向的二阶偏导， 两者之和就是拉普拉斯算子[12-14] ，如式 (2)～(4) 所示： ∇x 2 f = ∂ 2 f(i, j) ∂x 2 (2) ∇y 2 f = ∂ 2 f(i, j) ∂y 2 (3) ∇ 2 f=∇x 2 f+∇y 2 f (4) 对于扩散现象引起的图像模糊，可用式 (5) 作 锐化处理[15-16]。 g(i, j) = f(i, j)−kτ∇ 2 f(i, j) (5) 当 kτ=1 时，可将拉普拉斯锐化运算转换成模 板运算[17-18]，如式 (6) 所示： A =   −1 −1 −1 −1 9 −1 −1 −1 −1   (6) 锐化操作会放大图像的部分孤立噪声，所以 在锐化前需滤除这些噪声。本文的孤立噪声滤波 方式是判断白色像素的邻域是否全为黑色像素， 若是则将当前像素置为黑色。图 4(a) 是二值化 第 5 期 彭刚，等：一种基于 Mark 点的点胶机器人视觉目标定位方法 ·729·