快速SURF算法在藥瓶塞缺陷檢測中的應用

1，，3，1

(1.湖北文理學院機械與汽車工程學院，湖北 襄陽 441053；2.汽車零部件制造裝備數字化湖北省

協同創新中心，湖北 襄陽 441053；3.東南大學電子科學與工程學院，江蘇 南京 211189)

Application Research of Rapid SURF Algorithm on Medicine Bottle Lids Detection

WANG Zhongren1，WAN Renquan1，LU Chengyue2，ZHU Shizhang1

(1. School of Mechanical and Automotive Engineering，Hubei University of Arts and Science，Xiangyang 441053，China；

2. The Co-innovation Center of Hubei Province of Auto Parts Manufacture Equipment Digitizing，

Xiangyang 441053，China；3. School of Electronic Science & Engineering ，Southeast?University ，Nanjing 211189，China)

快速SURF算法在藥瓶塞缺陷檢測中的應用

萬仁全1，王中任1，2，盧晨鉞3，朱世璋1

(1.湖北文理學院機械與汽車工程學院，湖北 襄陽 441053；2.汽車零部件制造裝備數字化湖北省

協同創新中心，湖北 襄陽 441053；3.東南大學電子科學與工程學院，江蘇 南京 211189)

ApplicationResearchofRapidSURFAlgorithmonMedicineBottleLidsDetection

WANGZhongren1，WAN Renquan1，LU Chengyue2，ZHU Shizhang1

(1.SchoolofMechanicalandAutomotiveEngineering，HubeiUniversityofArtsandScience，Xiangyang441053，China；

2.TheCo-innovationCenterofHubeiProvinceofAutoPartsManufactureEquipmentDigitizing，

Xiangyang441053，China；3.SchoolofElectronicScience&Engineering，Southeast?University，Nanjing211189，China)

摘要：針對目前的SURF算法占用內存大和耗時長等缺點，提出一種基于興趣區域的快速SURF算法。首先對目標圖像進行閾值化分割算法進行分割，消除和抑制了圖像中背景的無用信息，再利用SURF對分割后的圖像進行匹配運算。

關鍵詞：SURF算法；閾值分割；圖像匹配；實時性

中圖分類號：TP391

文獻標識碼：A

文章編號：1001-2257(2015)03-0039-04

收稿日期：2015-01-04

基金項目：湖北文理學院大學生創新創業訓練資助項目(201310519041)

Abstract：Since speed-up robust feature (SURF) algorithm is applied in the process of feature matching and problems of wide range of searching，large volumes of data and slowly running occur，a new matching method of SIFT based on region of interest is proposed. In order to improve the performance for speed of algorithm，the image is segmented by threshold value method which eliminates and suppresses useless information of image background. Then，SURF is used to extract feature points of segmented image and match elementarily.

作者簡介：萬仁全(1990-)，男，湖北孝感人，碩士研究生，研究方向為機器視覺；王中任(1974-)，男，湖北黃梅人，博士，副教授，研究方向為智能制造與機器視覺。

Keywords：speed-uprobustfeature；thresholding；imagematching；real-time

0引言

在醫用藥瓶蓋生產中，加工出來的瓶蓋難免有少量的不合格品，然而瓶蓋的變形和破損等會使藥品的密封性破壞遭到破壞，導致藥品變質。這些不合格的藥品流向市場后對患者的生命健康造成極大隱患，因此，對藥品蓋進行檢測成為藥品生產過程中必不可少的一個環節。在現代藥品生產中，傳統人工檢測藥品蓋子方法己經不能適應生產自動化與產品標準化的要求。運用機器視覺檢測方法可以大大提高藥品蓋生產效率和生產過程的自動化程度，能夠很好地滿足企業生產需求。 機器視覺利用一個代替人眼的圖像傳感器去獲取物體圖像，將圖像轉換成數字圖像，并利用計算機視覺模擬人的判別準則去理解和識別圖像，達到分析圖像并做出判斷的目的，具有速度高、信息量大和功能多等特點。在機器視覺檢測藥瓶蓋的過程中，對藥瓶蓋的匹配定位精度和效率，直接影響了整個檢測系統的檢測效果和效率。針對藥瓶蓋的匹配定位要求和現狀，提出一種基于感興趣區域的SURF算法，實現了藥瓶塞的快速定位，滿足了機器視覺系統的高實時性要求。

1藥瓶塞機器視覺檢測系統

基于機器視覺的藥瓶塞自動檢測系統工作原理如圖1所示。其工作過程為：藥品塞被傳送到檢測位置，進料光電傳感器觸發，通過運動控制卡傳到計算機，以獲得藥瓶塞到位信號。經過一定的延時后，指令檢測位置上方攝像機啟動拍攝藥瓶塞圖像。圖像被采集傳輸計算機內存儲。計算機中的圖像處理系統對采集到的儲液桶圖像進行處理，通過一系列圖像處理算法求取藥瓶塞圖像的外圓圓度誤差值，若藥瓶塞的外圓圓度誤差值大于預設的閾值，則判斷當前藥瓶塞為不合格品，計算機通過運動控制卡的離散IO功能使踢料電磁閥開啟，氣動噴嘴將不合格品收集到指定容器，從而實現了藥瓶塞外圓的自動檢測。

圖1　基于機器視覺的藥瓶塞自動檢測系統

2SURF算法

圖像匹配的目的是為2幅不同圖像中的相似目標物建立對應關系，這是圖像配準、三維重建、目標跟蹤和自動定位等圖像處理的基本步驟。而基于特征點的圖像匹配因為其計算量小、魯棒性強和匹配精度高等特點得到廣泛的研究和應用。參考文獻[2-3]用仿射不變性、噪聲和明暗變化等衡量各種局部算子，得出SIFT是較其他局部特征算子性能上更加優秀，SIFT算法對圖像的比例縮放、旋轉以及噪聲和光強的變化具有較好的不變性，因而廣泛應用于圖像識別、圖像配準中[5]。但SIFT算法匹配維數過大，造成計算量大和匹配耗時長等缺點。2006年，HerbertBay根據對SIFT的改進提出的加速魯棒特征SURF(speededuprobustfeatures)算法具有對圖像平移、旋轉、縮放和光照等保持不變性等特征，能精確描述目標結構和紋理，在圖像配準領域得到廣泛應用。參考文獻的實驗結果表明，SURF與SIFT相比具有相似的性能，但是計算復雜度大大降低，是較為理想的匹配算法。

SURF算法的思想與SIFT算法類似，不同的是SURF算法采用不同尺度的BoxFilters與原圖片(積分圖像)卷積獲得尺度空間；在檢測特征點時，SURF先利用Hessian矩陣確定候選特征點，然后進行非極大值抑制，獲得不同尺度的特征點。SURF算法流程如圖2所示。

圖2　SURF算法流程

2.1　特征點的提取

SURF算法中特征點是指圖像中具有獨特位置的點，例如角點、拐點及T形連接。這些特征點一般具有易于提取、區分性強和穩定性好等特點。

特征點的提取第1步是建立積分圖像，積分圖像的每一點表示為原圖像從原點到該點的矩形區域的像素值之和。建立積分圖像后用箱式濾波器(boxtypeconvolutionfilters)形成尺度空間；采用Hessian矩陣檢測極值點，同時進行非極大值抑制，選取比相鄰的26個點的響應值都大的點為特征點，即可得到穩定的特征點位置和尺度。

2.2　特征點的描述

計算以特征點為中心，半徑為6σ(σ為特征點所在的尺度值) 鄰域內點的Harr小波響應來確定特征點主方向；將坐標軸旋轉到特征點的主方向，然后以此點為中心，沿主方向上選擇一個20σ× 20σ的正方形區域，并將其劃分成4 × 4 的子區域，每個區域用Harr小波響應生成一個四維向量，建立64維的特征描述向量。

2.3　特征向量的匹配

在歐式空間中采用最小距離準則來完成特征向量集的匹配，針對特征點匹配得到的匹配點中存在誤匹配問題，引入隨機抽樣一致性算法(RANSAC)算法對匹配點對進行篩選，將匹配質量較差的點作為外點去除，從而提高變換模型參數估計的準確性。SURF匹配效果如圖3所示。

圖3　SURF匹配效果

3基于感興趣區域的快速SURF算法

雖然傳統的SURF匹配算法有非常廣泛的工程應用，但還是不能滿足工業生產線上反應快、實時性強的物體識別及定位要求。在標準模板圖像與待匹配的藥瓶塞圖像(如圖4所示)可以發現，采集到的圖像包含較多的背景信息，檢測系統只是需要圖像中間的感興趣區域ROI(regionofinterest)進行匹配定位，這些背景信息不僅無益于目標藥瓶塞的匹配定位，而且可能帶入噪聲，對匹配定位的速度和精度均有不利的影響。基于此，提出了一種基于興趣區域的快速SURF圖像匹配算法。首先運用閾值化分割算法對目標圖像進行分割，再利用SURF對分割后的圖像進行匹配運算，消除和抑制了圖像中背景的無用信息，減少了檢測系統的數據處理量，加快圖像處理的速度。流程如圖5所示。

圖4　標準模板圖像與待匹配的圖像

圖5　基于ROI區域快速SURF算法流程

3.1 　圖像二值化

由圖4 的圖像和對應的灰度直方圖可知，目標和背景占據不同的灰度級范圍，可以用灰度級閾值法進行圖像二值化，如式(1)所示。

(1)

f(x，y)為輸入圖像，g(x，y)二值化后的圖像；T為灰度閾值。分析圖像的灰度直方圖后選取閾值T=60，證實這個閾值下圖像分割效果較好。

3.2　ROI區域的篩選和分割

二值化后的圖像會有噪聲、背景的白色點等干擾，故二值化圖像的白色區域不僅是ROI區域，同時也包含噪聲和干擾點。想要提取的ROI區域的面積同其他干擾區域面積相差很大，可以利用面積閾值來篩選，步驟為：

a.連通分量的標記。如圖6所示，A為原圖像，Ai(i =1，2，3…)表示包含于集合(圖像)A的連通分量(圖6中框形區域)，從連通分量Ai內部某個像素點P開始，不斷采用8連通的結構元素S(如圖7所示)進行膨脹，每次膨脹完后的圖像與原始圖像A正交，就可以把膨脹限制在Ai的內部，算法的數學表達為：

圖6　原圖像A

圖7　8連通結構

如果Bk= Bk-1，則算法收斂，該連通區域提取完畢。提取完對該連通區域Ai進行標記，即將Ai內的像素都賦值i，同時i+1，對下一個連通分量Ai+1進行如上步驟進行標記。標記后的圖像如圖8所示。

圖8　標記后圖像

b.ROI區域篩選與形心坐標計算。對上a步標記的連通區域的面積進行遍歷檢索，統計Ai的像素個數，即為Ai的面積值，記為Si，用面積閾值篩選ROI區域，如果Si大于預設的面積閾值Si，則判斷為ROI區域。進一步可以用式(2)求得ROI區域的形心坐標，即剔除干擾點(如圖9所示)后，并計算出ROI形心(XR，YR)=(344，248) ，如圖10所示。

(2)

圖9　未剔除干擾點　　圖10 ROI區域形心坐標

C.以(XR，YR)為中心，將原圖像分割大小為MR×NR的ROI圖像，留給后續匹配，如圖11(b)所示：

圖11　原始圖像和ROI圖像

4快速SURF在藥瓶塞檢測中的應用

實驗所用的圖像采集于德國Basler公司的CCD攝像機，型號為acA640-120gm，圖像大小為659×494像素。算法性能測試實驗中，測試平臺硬件環境：CPU為PentiumP61002.00GHz，2GRAM；軟件環境為VC2008。本文主要從工業中關心的匹配定位精度和時間兩個方面對算法進行驗證，匹配定位的效果如圖12～圖14所示。

圖12　SURF匹配結果

圖13　基于ROI區域的SURF匹配結果

圖14　嚴重變形的藥瓶塞匹配結果

實驗結果分析，圖12和圖13是相同的圖像對之間的匹配，從圖12～圖13可以看出，改進后的SURF算法明顯可以消除和抑制了圖像中背景的無用信息，并且沒有減弱匹配效果和精度。在圖14中，左邊的藥瓶塞有明顯的變形，仍可以保持較高的匹配精度，體現算法良好的魯棒性。表1給出了改進前后匹配時間的比較，由表1可以看出，改進后算法比原始算法在匹配時間上減少25.6%。

表1　改進算法前后匹配時間比較

5結束語

針對工業生產線上對圖像匹配定位的精度和實時性要求，將圖像分割和SURF結合起來，輸入圖像后先對ROI區域進行提取，縮小了SURF算法的計算量。實驗表明，改進后的算法沒有影響匹配的精度和效果，并且對有明顯變形的藥瓶塞具有良好的魯棒性，在實時性要求高的自動化檢測線上具有一定的實用價值。

參考文獻：

[1]賀柏根，朱明.改進的抗全仿射尺度不變特征變換圖像匹配算法. 光學精密工程，2011，19(10):2472-2477.

[2]MikolajczykK，TuytelaarsT，SchmidC.Acomparisonofaffineregiondetectors.InternationalJournalofComputerVision，2005，65( 1) : 43-72．

[3]MikolajczykK，SchmidC.Aperformanceevaluationoflocaldescriptors.IEEETransonPatternAnalysisandMachineIntelligence，2005，27( 10) : 1615-1630．

[4]李婕，鄧德祥，石文軒，等．一種抗視角變換的SURF匹配算法 .計算機應用研究，2012，29(9)：3536-3539.

[5]紀華，吳元昊，孫宏海，等．結合全局信息的SIFT特征匹配算法[J]．光學精密工程，2009，17( 2) : 439-444．

[6]BayH，TuvtellarsT，VanGL．SURF:speededuprobustfeature//Procofthe9thEuropeanConferenceonComputerVision．Berlin:Springer-Verlag，2006: 404-417．

[7]趙立榮，朱瑋，曹永剛，等.改進的加速魯棒特征算法在特征匹配中的應用 .光學精密工程，2013，21(12):3263-3271.

[8]LuoJ，GwunO.AcomparisonofSIFT，PCA-SIFTandSURF.InternationalJournalofImageProcessing(IJIP)，2009，3(4):143-152.

[9]翟優，曾巒，熊偉.不同局部鄰域劃分加速魯棒特征描述符的性能分析. 光學精密工程，2013，21(9):2395-2404.