1 引 言

　　隨著工業(yè)生產(chǎn)自動(dòng)化水平的提高，對(duì)工件自動(dòng)化檢測(cè)的需求也在不斷增長(zhǎng)。機(jī)器視覺測(cè)量技術(shù)因具有非接觸、精度高、速度快的優(yōu)點(diǎn)，被廣泛地運(yùn)用于生產(chǎn)線上的工件測(cè)量中。由于工件物體本身具有的剛性和規(guī)則性，工件圖像的輪廓能有效地體現(xiàn)目標(biāo)物體的特征。但工業(yè)現(xiàn)場(chǎng)的工件堆疊遮擋會(huì)導(dǎo)致提取的工件輪廓缺失和斷裂。因此，對(duì)局部工件輪廓進(jìn)行檢測(cè)，已成為研究熱點(diǎn)。

　　Ianni 等在 1996 年時(shí)將部分輪廓在模板輪廓上的匹配問題描述為一個(gè)組合優(yōu)化問題，并使用基于模擬退火算法和遺傳算法的改進(jìn)搜索算法對(duì)其進(jìn)行求解。之后，van Kaick 等在此基礎(chǔ)上提出了基于蟻群算法的局部形狀匹配方法，對(duì)局部輪廓匹配的組合優(yōu)化問題求解得到概率最優(yōu)路徑，同時(shí)獲得最佳的匹配結(jié)果。此后，各種利用形狀特征描述子的局部輪廓匹配方法也被相繼提出。主要包括基于輪廓點(diǎn)區(qū)域分布直方圖的形狀上下文描述子 (Shape Context)、基于輪廓內(nèi)距離的形狀上下文描述子 (Inner-Distance Shape Contex) 和融合了全局與局部輪廓信息的精確型高度函數(shù)描述子 (Exact Height Function 1)。王燕妮等在針對(duì)建筑輪廓的識(shí)別中，提出了基于各種矢量描述和輪廓局部特征的局部輪廓識(shí)別算法。該算法根據(jù)不同建筑的矢量信息，制定了任意形狀輪廓匹配相似度準(zhǔn)則及映射函數(shù)，能有效解決局部輪廓的匹配問題。黃浩等提出了利用形狀描述子將各輪廓轉(zhuǎn)換為信號(hào)數(shù)據(jù)，訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)，對(duì)復(fù)雜的管道網(wǎng)絡(luò)圖像完成了識(shí)別。文獻(xiàn)利用物體的局部輪廓大多為開輪廓的特性，提出一種基于輪廓點(diǎn)內(nèi)間距的特征描述子。該描述子有旋轉(zhuǎn)、尺度和平移不變性，而且具有很好的仿射不變性。Yang 等在 2018 年提出三角形內(nèi)間距 (Triangular Centroid Distances，TCDs) 算子。TCDs 算子對(duì)于平移、旋轉(zhuǎn)、縮放，以及相當(dāng)大的形狀變形都有可靠的不變性。孫國(guó)棟等對(duì)TCDs 描述子和 EHF1(Exact Height Function 1) 描述子進(jìn)行融合，利用 EHF1 算子對(duì)輪廓全局信息與局部信息融合的優(yōu)點(diǎn)， 提出新的 TCDs 描述子。但為了有效地描述輪廓，TCDs 描述子需要在輪廓處密集地取采樣點(diǎn)，在和模板輪廓匹配時(shí)，局部輪廓按采樣點(diǎn)次序依次在模板輪廓上滑動(dòng)，并進(jìn)行相似度計(jì)算。這存在算法匹配時(shí)計(jì)算時(shí)間過長(zhǎng)，且要處理采樣點(diǎn)起點(diǎn)不變的問題。針對(duì)以上問題，本文根據(jù)工件輪廓的角點(diǎn)特性，使用角點(diǎn)數(shù)量對(duì)模板輪廓進(jìn)行初步劃分，獲取模板圖像中的疑似輪廓段，再根據(jù)角點(diǎn)位置重新選取采樣點(diǎn)，解決采樣點(diǎn)的起點(diǎn)不變性。最后再將局部輪廓和模板的疑似輪廓進(jìn)行匹配，完成局部輪廓的識(shí)別。結(jié)果表明，在相同取樣點(diǎn)的情況下，本文算法的識(shí)別率高于傳統(tǒng) TCDs 算法，并且算法耗時(shí)減少了 86%。

　　2 輪廓角點(diǎn)提取

　　對(duì)于輪廓的角點(diǎn)提取，傳統(tǒng)方法是提取輪廓上每一點(diǎn)的曲率，而輪廓的角點(diǎn)一般是輪廓上曲率值極大的點(diǎn)，所以可以通過提取輪廓上的曲率極值點(diǎn)來提取輪廓圖像的角點(diǎn)。本文采用構(gòu)建輪廓點(diǎn)前后三角形的方式計(jì)算輪廓曲線上每一點(diǎn)的曲率值。具體方法是，將輪廓上每一點(diǎn)和其前后一定距離的兩點(diǎn)組成一個(gè)三角形，計(jì)算每個(gè)前后三角形中輪廓點(diǎn)所在角的角度， 作為該點(diǎn)的曲率值。這種計(jì)算曲率值的方法用時(shí)短，對(duì)于輪廓的細(xì)小突起也能起到明顯的平滑作用。該算法的原理如圖 1 所示。

　　如圖 1 所示，對(duì)于一段輪廓序列，序列上的每一個(gè)點(diǎn) P 都能組成圖 1 中所示的 ΔP-PP+ 。如果記 P-P 距離為 b、PP+ 距離為 a、  P-P+ 距離為 c，那么∠ P-PP+ 的大小 α 便可以表示點(diǎn) P 的曲率。由于角度的余弦值在[0, 180] 的范圍內(nèi)單調(diào)遞減，故可用　值來表示∠ P-PP+ 的大小。

　　獲取每個(gè)輪廓點(diǎn)所組成三角形的 后，便可獲得如圖2 所示局部輪廓的曲率值序列。其中，曲率值序列的局部極大值點(diǎn)便是該輪廓的角點(diǎn)。

　　圖 1 輪廓點(diǎn)曲率原理圖

　　3 三角形內(nèi)間距描述子

　　TCDs 描述子于 2018 年提出，能很好地描述二維形狀。該作者在文中還提出了局部輪廓和模板輪廓的匹配方法，其原理如圖 3 所示。

　　首先，假設(shè)圖 3 中紅色段為總輪廓的局部輪廓段，記為輪廓 P，隨后計(jì)算輪廓 P 的質(zhì)心 G， 在 P 上均勻地取 N 個(gè)采樣點(diǎn)，對(duì)于每個(gè)采樣點(diǎn)Pi 來說，都可以與其他采樣點(diǎn)P(j j ∈ [1,N] j ≠ i)和質(zhì)心 G 組成 N - 1 個(gè)三角形，記為 ΔPiPPj 。接著計(jì)算出每個(gè) ΔPiPPj 的質(zhì)心，記為 gij。其次，對(duì)于采樣點(diǎn) Pi，計(jì)算 Pi 與 gij 之間的歐氏距離，獲得一組長(zhǎng)度為 N - 1 的特征向量，該特征向量就是采樣點(diǎn) Pi 的 TCDs 特征向量，記為 li。最后，按照輪廓點(diǎn)的次序提取輪廓 P 上所有采樣點(diǎn)的 TCDs 特征向量，記為 L=(l1,…，ln)。至此，輪廓 P 的 TCDs 描述子提取完成。而對(duì)于局部輪廓和模板輪廓的匹配問題，首先根據(jù)輪廓 P 的長(zhǎng)度，在模板輪廓上取相同長(zhǎng)度的輪廓段;然后，在模板輪廓上滑動(dòng)輪廓段，計(jì)算每次滑動(dòng)后輪廓段的 TCDs 特征矩陣，并計(jì)算特征矩陣與 L 的相似度;最后，選取模板輪廓中相似度最大的輪廓段作為匹配結(jié)果。

圖 2 輪廓點(diǎn)曲率值序列

　　4 融合角點(diǎn)信息的三角形內(nèi)間距描述子

　　一般 TCDs 描述子提取的采樣點(diǎn)是在輪廓段上均勻地采樣，同時(shí)為了準(zhǔn)確地描述輪廓，采樣點(diǎn)的間距不能過大。而這樣的采樣方式將導(dǎo)致在模板輪廓匹配的過程中模板輪廓段滑動(dòng)次數(shù)過多，計(jì)算量較大。此外，在計(jì)算 TCDs 描述子時(shí)，局部輪廓采樣點(diǎn)起始點(diǎn)的改變會(huì)造成特征矩陣的變化，故一般會(huì)對(duì)提取的特征矩陣的每一行進(jìn)行離散傅里葉變換，然后忽略傅里葉變換后的相位信息，只使用系數(shù)的大小，保證了描述子的起點(diǎn)不變性。但這樣會(huì)導(dǎo)致提取 TCDs 描述子的時(shí)間變長(zhǎng)，而且起點(diǎn)不變性主要運(yùn)用在兩個(gè)完整封閉形狀的匹配，在局部輪廓的匹配中實(shí)用性不強(qiáng)。

　　(1)

圖 3 TCDs 算法原理圖

圖 4 采樣點(diǎn)分布

　圖 5 工件的局部輪廓

　　本文提出使用角點(diǎn)特征對(duì)模板輪廓段進(jìn)行篩選，然后使用角點(diǎn)坐標(biāo)對(duì)采樣點(diǎn)進(jìn)行鎖定，再對(duì)局部輪廓提取 TCDs 特征矩陣，減少了計(jì)算量和計(jì)算步驟，具體方法如下。

　　首先對(duì)于一段長(zhǎng)度為 n 的局部輪廓，記為 P={pi=(xi， yi)，i=1，2， …，n}， 其中(xi，yi)為輪廓點(diǎn)在二維圖像中的坐標(biāo)。再根據(jù)公式 (1)，對(duì) P 提取角點(diǎn)，假設(shè)輪廓 P 共有 N 個(gè)角點(diǎn)，將每一個(gè)角點(diǎn)在輪廓序列 P 的序列位置記為 kj, j ∈ [1,N] ，那么角點(diǎn) Pkj 可以將輪廓分為 N + 1 段，記輪廓 P={p1…pk1…pkj…pkn…pn}。

　　使用角點(diǎn)對(duì)輪廓進(jìn)行分段，輪廓段在結(jié)構(gòu)上體現(xiàn)出平滑、穩(wěn)定的特性，因此對(duì)角點(diǎn)間的輪廓段均勻取采樣點(diǎn)，可有效地反映整體的輪廓特征。如公式 (2) 所示，對(duì) N + 1 段輪廓段的每一段均勻分成 S 份，便可得到整個(gè)輪廓的采樣點(diǎn)，記為 L。采樣點(diǎn)的分布如圖 4 所示。

　　(2)

　　之后根據(jù)采樣點(diǎn)集 L 獲得輪廓 P 的 TCDs 特征矩陣。首先提取輪廓 P 的質(zhì)心 G(xG，yG) ，為了簡(jiǎn)化計(jì)算量，使用采樣點(diǎn)的坐標(biāo)來計(jì)算質(zhì)心。計(jì)算公式如下：

　　(3)

　　對(duì)每一個(gè)采樣點(diǎn) li 來說，可以與質(zhì)心 G 及剩下的 n-1 個(gè)采樣點(diǎn)組成 n-1 個(gè)三角形。記這 n-1 個(gè)三角形的質(zhì)心為 gij 。

圖 6 模板輪廓疑似輪廓段

　　而采樣點(diǎn) l i 與 g i j 在圖像中的距離，便是 l i 點(diǎn)此處的輪廓點(diǎn)特征，記為，其中 的計(jì)算公式如下：

　　(4)

　　而對(duì)于整段輪廓 P，則可提取出 (n - 1)×n 大小的特征矩陣，記為 TCDsP。

　　(5)

　　為了獲得輪廓描述子的比例不變性，對(duì) TCDsP 矩陣的每一行除以該行的最大值，如公式 (6) 所示：

圖 7 特殊的輪廓段

　　(6)

　　至此，TCDs 特征矩陣的提取基本完成。隨后根據(jù)局部輪廓的角點(diǎn)信息在模板輪廓上提取疑似的輪廓段。由于本文的描述子算法簡(jiǎn)化了方向不變性，所以從一開始就要對(duì)局部輪廓進(jìn)行方向上的判定。

　　如圖 5 所示，對(duì)于圖像的局部輪廓來說，若以 A 為起點(diǎn)， 則輪廓序列的遍歷方向?yàn)槟鏁r(shí)針;若以 B 為起點(diǎn)，則輪廓序列的遍歷方向?yàn)轫槙r(shí)針?？梢姡煌妮喞瘘c(diǎn)導(dǎo)致輪廓遍歷方向的不同。為了判定局部輪廓的序列方向，首先可以將局部輪廓視作一個(gè)封閉的圖像，以 A → B → A 或 B → A → B 方向?qū)喞c(diǎn)的二維坐標(biāo)求曲線積分。若求得的值為正，則輪廓方向?yàn)槟鏁r(shí)針;求得的值為負(fù)，則輪廓方向?yàn)轫槙r(shí)針。為了節(jié)省計(jì)算時(shí)間，本文算法不對(duì)所有的輪廓點(diǎn)進(jìn)行計(jì)算，而只計(jì)算輪廓的角點(diǎn)。設(shè)序列 J=[ ji=(xi，yi)，i=1，2，…，n]，其中 j1 與 jn 分別表示局部輪廓的起點(diǎn)和末點(diǎn)，其他點(diǎn)為局部輪廓的角點(diǎn)，(x i , y i ) 為對(duì)應(yīng)角點(diǎn) j i 在圖像中的二維坐標(biāo)。設(shè)參數(shù) F 為：

　　(7)

　　若 F > 0，則局部輪廓的遍歷方向?yàn)槟鏁r(shí)針;若 F < 0， 則局部輪廓的遍歷方向?yàn)轫槙r(shí)針;若 F = 0，則表示局部輪廓為一條直線。

　　獲得局部輪廓的遍歷方向后，便可以按照局部輪廓的方向在模板輪廓上生成疑似輪廓段。記模板輪廓為 D、角點(diǎn)個(gè)數(shù)為M、局部輪廓 P、角點(diǎn)個(gè)數(shù)為 N，那么顯然 N ≤ M。這樣模板輪廓就能分成 M 組，每組包含 N 個(gè)角點(diǎn)的疑似輪廓段。圖5 所示的局部輪廓上有 4 個(gè)角點(diǎn)，記輪廓起點(diǎn) A 與第 1 個(gè)角點(diǎn)的距離為 L1，輪廓末點(diǎn) B 與最后 1 個(gè)角點(diǎn)的距離為 L2。在模板輪廓上選取任意角點(diǎn)為起點(diǎn)，并按照公式 (6) 確定的遍離方向，在模板輪廓上依次選取包含 4 個(gè)角點(diǎn)的輪廓段，并在輪廓段的第 1 個(gè)角點(diǎn)和最后 1 個(gè)角點(diǎn)處，分別在模板輪廓上順延 L1 與 L2 的距離，獲得模板輪廓的一個(gè)疑似輪廓段。然后依次按確定的遍歷方向移動(dòng)起始的角點(diǎn)，獲得剩下的疑似輪廓段，組成該模板的疑似輪廓段集合，具體如圖 6 所示。

圖 8 相似零件的匹配結(jié)果

　　疑似輪廓段集合按照上文方法提取 TCDs 特征矩陣，并與局部輪廓 P 的 TCDs 特征矩陣計(jì)算差異度，其中差異度最小的輪廓段便是局部輪廓 P 與該模板輪廓的匹配結(jié)果。

　　提取模板的疑似輪廓后，需要考慮一種特殊情況：當(dāng)局部輪廓的 L1、L2 過長(zhǎng)時(shí)，某些模板的疑似輪廓段的長(zhǎng)度會(huì)超出整個(gè)模板輪廓的長(zhǎng)度。如圖 7 所示，顯然這些疑似輪廓段不是最相似的。為了節(jié)省計(jì)算時(shí)間，本文直接計(jì)算疑似輪廓段的長(zhǎng)度，若疑似輪廓段長(zhǎng)度超出整個(gè)模板輪廓的長(zhǎng)度，則可直接剔除。

圖 9 算法流程圖

　　由于已經(jīng)對(duì)輪廓 P 和模板輪廓進(jìn)行采樣方向的統(tǒng)一，采樣點(diǎn)的位置也經(jīng)過角點(diǎn)進(jìn)行鎖定，所以輪廓 P 的 TCDs 特征矩陣和每個(gè)模板的疑似輪廓段的大小、方向都一致。因此， 直接按順序計(jì)算每個(gè)輪廓段 TCDs 特征矩陣中每個(gè)采樣點(diǎn)的特征向量的余弦相似度，再將這些向量的余弦相似度取均值，就可以得到兩個(gè)輪廓段的 TCDs 特征矩陣相似度。設(shè)輪廓 P 的采樣點(diǎn)個(gè)數(shù)為 n，那么輪廓 P 的 TCDs 特征矩陣為： TCDsP=[TCDsp1…TCDspn]。設(shè)輪廓 C 為輪廓 P 的疑似輪廓段， 輪廓 C 的 TCDs 特征矩陣為：TCDsC=[TCDsc1…TCDscn]。其中， TCDspi 和 TCDsci 是長(zhǎng)度為 n-1 的一維特征向量。兩者的相似度 Dist(P,C)為：

　　(8)

　　由公式 (8) 可得，Dist(P,C)取值范圍為 [0, 1]，其中取值越接近 0 表示越匹配，越接近 1 表示越不匹配。雖然 TCDs 描述子具有較好的尺度不變性，但實(shí)際工件檢測(cè)過程中存在許多相似形狀，因此不同尺寸的工件，使用 TCDs 描述子將難以區(qū)分，如圖 8 所示。

　　圖 8(a) 中標(biāo)紅輪廓段為待檢測(cè)的目標(biāo)輪廓段，圖 8(b、a) 為兩個(gè)形狀類似但尺寸不同的模板輪廓匹配結(jié)果。其中，圖8(b) 為正確的匹配結(jié)果，但目標(biāo)輪廓段與圖 8(c) 的匹配結(jié)果也非常相似。為了正確區(qū)分不同尺寸的工件，本文根據(jù)輪廓的長(zhǎng)度特征對(duì)兩輪廓的計(jì)算公式加以修正。設(shè)輪廓 P 的長(zhǎng)度為lP、輪廓 C 的長(zhǎng)度為 lC，那么修正后的輪廓相似度為Dis(t P,C)：

　　(9)

　　其中，δ 為長(zhǎng)度差異的控制系數(shù)，主要是為了控制長(zhǎng)度差異對(duì)輪廓相似度的影響，一般 δ 的取值范圍在 [0, 1]，主要體現(xiàn)形狀輪廓相似的優(yōu)先性。經(jīng)過多次實(shí)驗(yàn)驗(yàn)證，δ 取 0.1 時(shí)實(shí)驗(yàn)效果最為理想。本文的算法流程如圖 9 所示。

　　5 實(shí)驗(yàn)結(jié)果

　　本文從檢測(cè)速度和檢測(cè)精度兩方面來驗(yàn)證檢測(cè)算法的性能。首先，選取 6 種形狀和大小不同的工件，每種工件取不同角度、不同視角下的輪廓圖各 11 張。每張工件圖中隨機(jī)選取6 段工件的局部輪廓，共提取出 600 張工件的局部輪廓樣本，并給每一個(gè)工件使用不同視角的 3 張圖片作為模板，取 3 張模板中相似度值最接近的輪廓段作為模板的匹配結(jié)果，具體流程如圖 10 所示。

圖 10 匹配流程圖

圖 11 局部工件輪廓的匹配結(jié)果

　　圖 11 為實(shí)驗(yàn)匹配結(jié)果。其中，圖 11 第 1 列標(biāo)紅的輪廓為待配結(jié)果，綠色框表示和待檢測(cè)輪廓最相似的工件輪廓。對(duì)于待檢測(cè)的部分輪廓，即便不是對(duì)應(yīng)的正確工件，也能在相應(yīng)的工件輪廓中找到最相似的疑似輪廓段，很好地體現(xiàn)了 TCDs 描述子對(duì)形狀的敏感性?？梢?，對(duì)于形狀相似但大小不同的工件局部輪廓，本文算法也能正確完成識(shí)別。

　　圖 12 為本文算法在堆疊工件圖像的匹配結(jié)果。其中，不同顏色分別表示不同的識(shí)別結(jié)果。例如，工件輪廓標(biāo)注為紫色， 那就說明該工件被識(shí)別為下方為紫色的模板工件，并在模板工件上給出匹配的輪廓段和相似度。

　　在堆疊情況比較復(fù)雜時(shí)，如圖 13 所示被標(biāo)紅的輪廓段為工件堆疊較為嚴(yán)重的區(qū)域，堆疊物體的輪廓線互相覆蓋，局部輪廓段的角點(diǎn)位置和個(gè)數(shù)被改變，造成該輪廓段不能識(shí)別或者識(shí)別錯(cuò)誤的情況。在輪廓線影響不嚴(yán)重的區(qū)域，一般忽略重疊輪廓線的影響，將重疊輪廓段作為獨(dú)立的目標(biāo)輪廓段進(jìn)行匹配， 匹配結(jié)果如圖 14 所示。而對(duì)于堆疊物體的輪廓線影響較嚴(yán)重的圖片，本文算法很難識(shí)別提取出來的局部輪廓段，這是本文算法的不足之處。

　　從公式 (2) 可知，對(duì)于一段待檢測(cè)的局部輪廓，本文算法的采樣點(diǎn)選取是通過對(duì)輪廓段進(jìn)行角點(diǎn)分割，然后在角點(diǎn)分割段中均勻取樣。這樣的采樣方法能充分利用角點(diǎn)間輪廓段平滑的特性，少量取點(diǎn)也能很好地描述輪廓。角點(diǎn)輪廓段內(nèi)不同采樣點(diǎn)個(gè)數(shù)對(duì)識(shí)別正確率的影響如圖 15 所示。

　　從圖 15 可知，當(dāng)每個(gè)角點(diǎn)間的采樣點(diǎn)數(shù)為 6 個(gè)時(shí)，識(shí)別率達(dá)到了較高值，且采樣點(diǎn)個(gè)數(shù)最少。因此本文算法對(duì)輪廓的采樣點(diǎn)個(gè)數(shù)為 (n + 1)×6(n 為局部輪廓上的角點(diǎn)個(gè)數(shù) )。

　　表 1 為不同局本輪廓匹配算法在單一模板的匹配時(shí)間，

　　圖 12 局部工件輪廓的匹配結(jié)果

　圖 13 復(fù)雜的堆疊工件圖像

　　圖 14 復(fù)雜的堆疊工件匹配結(jié)果

　圖 15 采樣點(diǎn)個(gè)數(shù)對(duì)準(zhǔn)確率的影響

　　由于本文算法的采樣點(diǎn)數(shù)量和輪廓內(nèi)角點(diǎn)數(shù)量相關(guān)，而傳統(tǒng)TCDs 算法都為固定數(shù)目的采樣點(diǎn)，為了保證算法比較的公平性，TCDs 算法的采樣點(diǎn)數(shù)目限定為 (n + 1)×6 個(gè)。從表 1 可以看出，與傳統(tǒng)的 TCDs 輪廓匹配方法相比，本文算法的計(jì)算效率有明顯的提升。

　　為了體現(xiàn)本文算法的識(shí)別精度，將傳統(tǒng) TCDs 匹配算法、形狀上下文 (Shape Context) 匹配算法、基于 Shape Context 描述子的 BP(Back Propagation) 神經(jīng)網(wǎng)絡(luò)算法和本文算法，在不同遮擋比例下的識(shí)別率進(jìn)行計(jì)算。根據(jù)上文所提到的，由于本文算法是根據(jù)目標(biāo)局部輪廓的角點(diǎn)個(gè)數(shù)來形成采樣點(diǎn)個(gè)數(shù)，所以 TCDs 匹配算法和 SC( 形狀上下文 ) 匹配算法的采樣點(diǎn)個(gè)數(shù)均為 (n + 1)×6 個(gè)，而 SC + BP 神經(jīng)網(wǎng)絡(luò)算法則使用固定的采樣點(diǎn)個(gè)數(shù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和識(shí)別，大小和本文算法的數(shù)量級(jí)相同。實(shí)驗(yàn)對(duì)比結(jié)果如表 2 所示。從表 2 可知，

　　本文算法在不同的局部輪廓比例的識(shí)別率均優(yōu)于以上 3 種算法。在采樣點(diǎn)數(shù)量較少的情況下，本文算法根據(jù)輪廓角點(diǎn)位置的采樣方法對(duì)輪廓的描述精度有明顯的提升。

　　6 結(jié)論

　　本文針對(duì)工件被遮擋只能提取局部輪廓的問題，提出一種基于 TCDs 描述子的改進(jìn)局部輪廓匹配算法。首先，利用局部輪廓的角點(diǎn)信息在模板輪廓上尋找到相對(duì)應(yīng)的疑似輪廓，這大大縮短了傳統(tǒng) TCDs 算法在模板匹配上滑動(dòng)匹配的計(jì)算時(shí)間。其次，在描述子的采樣點(diǎn)上，根據(jù)輪廓的角點(diǎn)分布，在輪廓段的角點(diǎn)間均勻取樣，充分利用了角點(diǎn)間輪廓段平滑的特性，大大減少了采樣點(diǎn)的數(shù)量。而且，本文簡(jiǎn)化了傳統(tǒng) TCDs 算法解決起點(diǎn)不變性的步驟。最后，通過統(tǒng)一局部輪廓和模板輪廓的遍歷方向，保證了局部輪廓和模板輪廓中疑似輪廓方向的一致性。通過對(duì)工件局部輪廓和模板輪廓疑似輪廓段的相似度比較， 獲得局部輪廓在不同模板輪廓的匹配結(jié)果，實(shí)現(xiàn)局部工件輪廓的目標(biāo)匹配。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的 TCDs 算法相比，本文算法時(shí)間效率有明顯的提升。在不同的局部輪廓比例和少量采樣子的情況下，本文算法對(duì)局部輪廓的識(shí)別率均優(yōu)于傳統(tǒng)算法。其中，當(dāng)局部輪廓的比例為 60% 時(shí)，本文算法的識(shí)別率依然高于 90%。但本文算法也存在不足之處：當(dāng)堆疊物體的輪廓線影響較嚴(yán)重時(shí)，由于局部輪廓段的角點(diǎn)信息被破壞，算法難以識(shí)別該局部輪廓。

　表 1 算法計(jì)算時(shí)間

　表 2 不同遮擋比例的識(shí)別率

 作者：慎正 1 胡超 2

　　1 江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院

　　2 浙大寧波理工學(xué)院信息科學(xué)與工程學(xué)院轉(zhuǎn)載自《集成技術(shù)》