一种基于改进surf算法的电子元器件定位方法
阅读说明：本技术 一种基于改进surf算法的电子元器件定位方法 (Electronic component positioning method based on improved SURF algorithm ) 是由 顾寄南 黄则栋 李静 孙晓红 唐仕喜 于 2020-10-30 设计创作，主要内容包括：本发明公开了一种基于改进SURF算法的电子元器件定位方法,包括以下步骤：1)通过双目相机获取生产线上的电子元器件图像,然后输入计算机进行图像预处理,消除图像采集中存在的光照、噪声等因素的影响；2)使用SURF算法对工件图像进行特征点检测与描述；3)采用K均值聚类算法分割图像；4)对分割后的图像进行匹配；5)最后采用目标边缘算法进行形心计算,定位出左右图像中工件的形心位置,结合摄像机的标定结果进行三维重建,实现工件的空间定位。本发明的有益效果是：提出的算法减少了算法运行总时间,将匹配的结果结合双目视觉技术实现电子元器件的定位,对智能制造水平的提高有很大的应用价值。(The invention discloses an electronic component positioning method based on an improved SURF algorithm, which comprises the following steps: 1) electronic component images on a production line are acquired through a binocular camera and then input into a computer for image preprocessing, and influences of factors such as illumination, noise and the like existing in image acquisition are eliminated; 2) detecting and describing feature points of the workpiece image by using a SURF algorithm; 3) dividing the image by adopting a K mean value clustering algorithm; 4) matching the segmented images; 5) and finally, performing centroid calculation by adopting a target edge algorithm, positioning the centroid positions of the workpieces in the left and right images, and performing three-dimensional reconstruction by combining the calibration result of the camera to realize the spatial positioning of the workpieces. The invention has the beneficial effects that: the provided algorithm reduces the total operation time of the algorithm, realizes the positioning of the electronic components by combining the matching result with the binocular vision technology, and has great application value for improving the intelligent manufacturing level.)
技术领域
本发明适用于智能制造领域，尤其涉及一种基于改进SURF算法的电子元器件定位方法。
背景技术
双目面结构光测量技术可以精确地获取散乱零件在空间中的分布情况，并且可以以点云的形式直观地呈现。该测量方法明确地建立了二维图像与三维点云的关系，可以通过图像识别技术完成对目标零件的识别，通过对点云的处理分析可以精确地获取零件的位姿信息，这样就可以辅助机器人完全自主地抓取目标零件。零件的位姿信息是机器人完成抓取的必要条件。位姿信息是待抓取零件当前的位置与模板位置的相对关系。通过三维扫描设备获取待抓取零件的点云，再通过零件点云与模板点云配准获取两者之间的旋转平移矩阵,求得的旋转平移矩阵即为零件的位姿。
Yang Yang等2012年通过图像的匹配算法匹配关键点，再计算关键点的三维坐标完成三维关键点的匹配，最后通过分解单应性矩阵得到位姿信息。这种方法通过对二维图像处理得到点云的位姿，技术成熟方法简单，但是图像容易受外界环境干扰，计算结果不稳定。
Hao-Yuan Kuo等人2014年把深度图像作为输入，同时获取零件在不同姿态下的深度图像，分别对模板与当前获取的深度图提取关键点，计算关键点的旋转图像特征(Spinimage)，随后再使用RANSAC算法与模板深度图进行匹配得到初始配准结果，最后使用ICP优化配准结果。
江磊等2014年针对机械零件上常见的几何基元提出了基于“一面两孔”的点云配准方法，该方法通过几何基元构建局部坐标系，通过基元匹配得到点云与模板局部坐标系的转换关系从而获取点云位姿。这种方法计算位姿比较可靠，但是几何基元的提取与匹配具有不确定性，容易出现误匹配。
发明内容
为了克服现有电子元器件装配时工件定位存在的时间长，精度低等问题，本发明的目的在于提供一种基于改进SURF算法的电子元器件定位方法。
为实现上述发明目的，本专利采取的技术方案如下所述。
一种基于改进SURF算法的电子元器件定位方法，包括下述步骤：
S1：通过双目相机获取生产线上的电子元器件图像，然后输入计算机进行图像预处理，消除图像采集中存在的光照、噪声的影响；
S2：使用SURF算法对工件图像进行特征点检测与描述；
S3：采用K均值聚类算法分割图像；
S4：对分割后的图像进行匹配；
S5：采用目标边缘算法进行形心计算，定位出左右图像中工件的形心位置，结合摄像机的标定结果进行三维重建，实现工件的空间定位。
上述方案中，步骤S2中，采用主成分分析算法PCA对图像的特征点描述子进行降维，包括如下过程：
为了提高计算效率，将主成分分析算法PCA应用于特征点检测和减少特征的维数，对得到的特征点的64维SURF描述子进行划分，记样本矩阵为[x1,x2,L,xn]T，对样本去中心化，得到差值向量：
式中，di为差值向量，n为特征点的个数，xi为第i个特征点的64维描述符；构建协方差矩阵，求64个特征值λi和特征向量ei，将λi和相应的ei按照从大到小的顺序排列，取排列顺序的前32个特征向量进行标准化，组成特征向量矩阵W，对每一个样本xi,转化为新的样本，记为zi＝WTxi，将原有的64维SURF特征描述符降到32维。
上述方案中，步骤S3中，分割过程为：
第一步：按照最大化最小化原则，选定K个数据点作为K个子类划分的初始类中心；设由n个数据点组成的数据集为X＝{xi|xi∈Rd,i＝1,2,L,n}，每个数据点xi是由d个表征其特征的数据组成的向量；K均值聚类的目标是将这n个数据点划分为K类组成聚类集E＝{ek|k＝1,2,L,K}，其中ek类的类中心设为Ok；
第二步：计算各数据点到类中心的欧氏距离，按照最近邻原则将其划分到各类中心表示的子类中，得到K个子类数据集；定义被划分到ek类的点xi到的类中心Ok的欧氏距离为：
其中，xi为数据点，Ok为ek类的类中心,ek为第k个划分子类，xij为由第j个表征其特征的向量，Okj为第j类的类中心。
第三步：计算各个子类数据集中各点的平均值，把该平均值作为该子类新的类中心；
第四步：计算所有数据点到其所属类的类中心的欧氏距离之和，判断其和类中心的值是否发生改变，如果是，就转到第二步；如果否，就转到第五步；
所有被划分到ek类的点xi到该类的类中心Ok的欧氏距离之和为
其中，ek为第k个划分子类，xi为数据点，Ok为ek类的类中心
式中统计的是聚类集E中第k个划分子类Ok中的点到该类中心的欧氏距离之和；那么，将聚类集中的各个子类都统计一次，就得到了数据集中所有点xi到其所属类的类中心的欧氏距离之和；
其中，由此可见，要使公式中的S(xi)的值最小，类中心Ok应取该聚类子集ek中各数据点的平均值；
其中，ek为第k个划分子类，xi为数据点，Ok为ek类的类中心，M(ek)为所有被划分到ek类的点xi到该类的类中心Ok的欧氏距离之和，D(xi,Ok)为被划分到ek类的点xi到的类中心Ok的欧氏距离，λi为可变系数。
第五步：终止迭代，算法结束。
本发明的有益效果：提出的算法将PCA引入SURF算法当中，只保留特征向量值较大的点用于匹配过程当中，减少了算法运行总时间，同时通过引入K均值聚类算法降低错误匹配，进一步提高识别的精确性。通过改进的算法可以对电子元器件实现快速准确地识别匹配，将匹配的结果结合双目视觉技术实现电子元器件的定位，对智能制造水平的提高有很大的应用价值。
附图说明
图1为定位算法流程图。
图2为PCB图像分割算法流程图。
图3为双目平行系统成像模型。
图4为传统SURF算法图像立体匹配结果。
图5为
具体实施方式
中涉及的文献中改进算法的图像立体匹配结果。
图6为本发明改进算法的图像立体匹配结果。
图7为传统surf算法重建的PCB模型与参考模型图。
图8为本发明算法重建的PCB模型与参考模型图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明基于改进SURF算法的电子元器件定位方法用于电子元器件自动装配过程中。
如图1所示，本发明的方法包括如下步骤：(1)通过双目相机获取生产线上的电子元器件图像，然后输入计算机进行图像预处理，消除图像采集中存在的光照、噪声等因素的影响；(2)使用SURF算法对工件图像进行特征点检测与描述；第一步：基于Hessian矩阵构建的高斯金字塔尺寸空间中的目标点与其邻近的26个位置点进行比较，如果经过比较发现该目标点是最大值或最小值，那么认为其可能是特征点。第二步：在SURF算法快速鲁棒性特征
加速稳健特征(speeded-up robust features，SURF中，特征点主方向的求解是通过在特征点为圆心的圆形邻域中以一定间隔来转动60度扇形，其中圆形区域被划分为72组，每5°一组，计算窗口内水平方向和垂直方向响应的和并用一个新的向量表示，遍历完后，最长的向量所在的方向即为特征点的主方向。只要对特征点逐个计算，就能得到所有特征点的主方向。第三步：SURF算法特征描述符的形成也是通过在特征点周围划分一个大小为4*4的区域，在每个子区域，计算5s*5s(采样步长取s)范围内的边长为2s的haar小波响应，需要统计由水平方向之和∑dx、水平方向绝对值之和∑|dx|、垂直方向之和∑dy和垂直方向绝对值之和∑|dy|组成的4维Harr小波特征，最后将每个子区域内的∑dx,∑dy,∑|dx|,∑|dy|累加形成4维的向量v。
v＝(∑dx,∑dy,∑|dx|,∑|dy|) (1)
(3)采用K均值聚类算法分割图像，如图2所示；第一步：按照最大化最小化原则，选定K个数据点作为K个子类划分的初始类中心。第二步：计算各数据点到类中心的欧氏距离，按照最近邻原则将其划分到各类中心表示的子类中，得到K个子类数据集。第三步：计算各个子类数据集中各点的平均值，把该平均值作为该子类新的类中心。第四步：计算所有数据点到其所属类的类中心的欧氏距离之和S，判断类中心和S的值是否发生改变。如果是，就转到Step2；如果否，就转到Step5。第五步：终止迭代，算法结束。
(4)对分割后的图像进行匹配；在SURF特征向量匹配中，通常采用近邻欧氏距离比例法(Best Bin First,BBF)。假设A＝(xl1,xl2,L,xln)与B＝(xr1,xr2,L,xrn)分别为双目相机左右图像上的一对待匹配特征向量。则该对匹配点对的欧式距离为
将式(2)中的D1称作最近欧氏距离；
其中，xli为左图像上的待匹配特征，xri为右图像上的待匹配特征。
假设向量C与A的欧式距离次近于向量B，则称作次近欧氏距离D2，二者比值η为
其中，D1称作最近欧氏距离，D2为次近欧氏距离，二者比值为η
本发明选用了η＝0.8高阈值匹配，当小于阈值时，则确定为匹配点。尽管本节提出的改进SURF描述特征向量提高了匹配数量与精度，但是在BBF高阈值匹配过程中也难免出现误匹配的情况。为了保证匹配点对数量满足运动目标定位需求的同时，需要保证匹配准确率最终达到100％。在完成BBF算法高阈值匹配之后，最终采用随机抽样一致性(RandomSample Consensus,RANSAC)算法去掉误匹配点。
(5)最后采用目标边缘算法进行形心计算，定位出左右图像中工件的形心位置，结合摄像机的标定结果进行三维重建，实现工件的空间定位；
采集图像使用的双目视觉相机，在不考虑镜头畸变的情况下，可近似为双目平行视觉系统，单个像素尺寸为3.0μm×3.0μm，焦距为3.1mm，该系统中两个摄像机的焦距、图像中心点等各参数一样，成像模型如图3所示。
设左、右形心在图像的像素坐标为pl(ul,vl)、pr(ur,vr)，左摄像机所在的坐标系规定为世界坐标系，则点P在此坐标系下的坐标为(x,y,z)，在右摄像机坐标系下的坐标为(x-b,y,z)，则可得定位结果：
式(4)中，(u0,v0)为主点的坐标，(fx,fy)为有效焦距，以上参数通过摄像机的标定求出，b为基线的长度，由此便可确定点P的三维坐标(x,y,z)；
其中，pl为左形心在图像的像素坐标，ul为像素的横坐标，vl为像素的纵坐标，
pr为右形心在图像的像素坐标，ur为像素的横坐标，vr为像素的纵坐标，
u0为主点的横坐标，v0为主点的纵坐标，
b为基线的长度，
fx为有效焦距的横坐标，fy为有效焦距的纵坐标。
为了验证本发明改进的图像匹配算法，利用双目视觉系统采集的图像对经典SURF图像匹配算法、文献5[A Robust Subset-ICP Method for Point Set Registration]中改进算法和本文改进算法进行了验证和比较。匹配结果如图4至图6和表1所示。
表1三种算法匹配结果比较
由于三维扫描仪的重建精度很高，达到了0.02mm，因此通过三维扫描仪对PCB进行重建，并将其作为参考模型，对传统surf算法重建的PCB模型与参考模型进行三维偏差比较，生成图7和图8。
表2 PCB三维点云重建
为了定量计算重建算法的精度，列出了传统surf算法重建的PCB模型与参考模型之间的最大距离、平均距离和标准差。同样，列出了优化surf算法重建的PCB模型与参考模型之间的最大距离、平均距离和标准差，如表1、2所示。通过对实验结果的比较，可以看出优化后的surf算法重建PCB的精度更高，耗时更少。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种变化场景下的激光雷达鲁棒定位方法