一種基于Mark點的點膠機器人視覺目標定位方法

彭剛，熊超，夏成林，林斌

在3C行業的印刷電路板(PCB)制造過程中，為了實現點膠機器人對目標的定位，常采用Mark點輔助的方式。首先，機器人系統對PCB上的Mark點進行視覺定位，然后根據Mark點與目標的相對位置關系，可計算出目標位置。其中，Mark點定位精度直接影響點膠精度。通過優化Mark點識別與定位算法，可以提高操作的定位精度和可靠性，從而有效地提高產品質量。當前常用的Mark點定位方式有霍夫曼圓變換[1-3]、Surf、Sift特征匹配[4-6]等算法，其中霍夫曼圓變換可以適應更多類型的Mark點，但該算法的準確度易受到圓的圖像規則度影響，一般還需結合其他復雜方法[7]才可保證準確度。而Surf和Sift方法準確率雖高，但實時性不佳。本文則從工程應用角度對Mark點定位算法的旋轉不變性、縮放不變性、實時性、可靠性等方面綜合考慮，對常用Mark點定位算法的實驗結果進行分析比較，提出了一種基于Mark點幾何特征的改進模板匹配算法。

1 簡單模板匹配的Mark點識別算法

1.1 簡單模板匹配原理

模板匹配[8-10]的原理相對簡單，如圖1所示，(a)是待檢測圖S，(b)是模板圖T。使用模板圖T依次從左至右，從上至下移動掃描圖S的每1個像素。每移動1個像素匹配1次結果，掃描完畢就可找出最佳匹配結果。

1.2 常用的幾種簡單模板匹配算法的比較

模板匹配類型包括相關匹配、標準相關匹配、平方差匹配、標準平方差匹配、相關系數匹配和標準相關系數匹配[11]。這里使用相關匹配、平方差匹配、相關系數匹配分別進行實驗并對比，匹配效果如圖2所示。

圖2 3種匹配方法結果Fig. 2 Results of three template matching methods

從匹配的結果來看，平方差的效果最好。平方差模板匹配公式如式(1)，結果為0時匹配效果最好，值越大匹配效果越差。

2 Mark點幾何特征的改進型模板匹配算法

2.1 Mark點圖像的特征分析

PCB板上的Mark點一般都是在印刷時通過敷銅制成，常由圓形和其他常見幾何圖像組合而成，本文所使用的Mark點的灰度圖像如圖3所示。從Mark點的灰度圖可知其顯著特征：正中心白實心圓，八邊形輪廓，最外圍大圓輪廓，其余都近似是黑色。

圖3 Mark點圖像Fig. 3 Mark point

除此之外，大圓輪廓外部的圖像是冗余信息且具有不確定性，Mark點信息只包括大圓輪廓內部圖像。

2.2 Mark點圖像預處理

相機拍攝的圖像一般為彩色圖像，為了利于后續操作需將其轉換成灰度圖并進行二值化。為了使邊界更加清晰，還可對圖像進行銳化處理，銳化方法主要分為梯度銳化和拉普拉斯銳化法。本文采用后者，假設是拉普拉斯算子，分別對圖像函數計算垂直和水平方向的二階偏導，兩者之和就是拉普拉斯算子[12-14]，如式(2)～(4)所示：

對于擴散現象引起的圖像模糊，可用式(5)作銳化處理[15-16]。

銳化操作會放大圖像的部分孤立噪聲，所以在銳化前需濾除這些噪聲。本文的孤立噪聲濾波方式是判斷白色像素的鄰域是否全為黑色像素，若是則將當前像素置為黑色。圖4(a)是二值化圖，圖4(b)是單點濾波圖，圖4(c)是銳化圖，從這幾幅圖可以看出它們的對比效果。

圖4 Mark點對比Fig. 4 Comparison of mark point images

2.3 改進型模板匹配算法對Mark點的識別與定位

2.3.1 根據幾何特征提取Mark點結果集

根據本文2.1節的Mark點幾何特征分析，可知Mark點幾何特征主要包括3部分：小實心圓、八邊形輪廓、外圍大圓輪廓，具體如圖5所示。

圖5 Mark點特征Fig. 5 Features of mark point

為了讓輪廓更加清晰，根據上述2.2節對待檢測圖進行二值化、濾波和銳化等預處理。圖像預處理完成后，就可以根據幾何特征提取疑似目標集[19-20]。

本實驗中，已知標準Mark點圖片最小尺寸為80×80。在此基礎上，對待檢測圖從左至右、從上至下逐像素地按步驟進行搜索：

1)以待檢測圖的左上角首個像素點為起始中心點，判斷該像素是否為白色，若否，則返回，若是則如圖6所示繼續從中心點沿上下左右搜索各方向第一個黑點，并記錄黑點位置。因為小圓半徑不超過80像素，故可限定搜索半徑為80像素。4個方向都搜索到黑點后就比較中心點與各黑點的距離是否基本相等，是則繼續，否則返回。

圖6 小圓搜索路徑圖Fig. 6 Search path of small circle

2)如圖7所示，由于正八邊形旋轉周期是45°，所以從中心點起始并以45°為周期，到8個邊的距離都相等。故以45°為周期，從當前中心點開始向8個方向搜索第一個八邊形輪廓并記錄位置。最后判斷中心點到八邊形各邊的距離是否基本相等，是則繼續，否則返回。第二個八邊形搜索規則一樣，從上一個八邊形輪廓繼續向前搜索即可。

圖7 正八邊形搜索路徑圖Fig. 7 Search path of regular octagon

3)大圓的識別可以從步驟2)中搜索得到的外八邊形輪廓開始，沿上下左右4個方向搜索并記錄大圓輪廓的首個白像素點。最后判斷中心點沿各方向到大圓輪廓的距離是否基本相等，是則計算出大圓半徑，否則返回。因為在待檢測圖中幾乎沒有與大圓相近的目標，故可根據霍夫圓變換和大圓半徑參數進一步確認所得大圓輪廓是否正確。

若上述3個條件都滿足要求，就可以將搜索得到的疑似Mark點目標保存到結果集中。具體的搜索決策流程如圖8所示。

圖8 決策流程圖Fig. 8 Decision-making flowchart

在實現時，為防止漏識別，搜索條件一般較寬松，最后得到的可能是一個結果集，所以還需要繼續對結果集進行篩選。

2.3.2 根據改進型模板匹配算法對Mark點結果集進行篩選

本文采用改進型模板匹配法進行結果集篩選，為了準確地匹配有旋轉和縮放的目標，需要計算縮放比例和旋轉角度。假定結果集中的任一Mark點元素外圍大圓半徑值為r，且標準Mark點對應的該參數為R。同時，設內八邊形輪廓與圓心在水平方向上的距離為L，且標準Mark點對應的參數為M；則縮放比例T和旋轉角度的計算如式(7)、(8)所示。因為旋轉包括兩種相反方向的旋轉狀態，所以對應的旋轉角也有兩個值。

根據得到的縮放比例與旋轉角，對標準Mark點進行相應的縮放和旋轉變換校正，從而得到與結果集中Mark點有著相同縮放和旋轉狀態的Mark點模板圖。由于標準Mark點大圓以外的冗余圖像部分具有不確定性，故只截取并保留校正變換后Mark點的大圓內接正方形部分，并將該部分作為Mark點的新匹配模板，如圖9所示。

圖9 新匹配模板Fig. 9 New matching template

依次將結果集中的疑似Mark點元素與新的Mark匹配模板進行傳統模板匹配操作，疑似Mark點元素的匹配區域是Mark點的大圓內接正方形部分。不斷重復Mark點模板校正、截取及模板匹配步驟，計算并保存各個結果集元素的匹配值。最后對匹配結果進行比較，選取最佳匹配結果，具體的Mark點搜索流程如圖10所示。

圖10 Mark點搜索流程圖Fig. 10 Mark point search flowchart

3 實驗結果對比

3.1 實驗條件

圖11為本文實驗使用的樣本，(a)是待檢測圖，大小為522×391；(b)是Mark點模板圖，大小為 160×160。

圖11 待檢測圖和模板圖Fig. 11 Test image and template image

在主頻2.53 GHz的CPU，4 GB內存，Windows7系統的電腦上，使用基于MFC和OpenCV2.4.9開發的圖像識別軟件，進行以下實驗測試。

3.2 Sift和Surf算法對Mark點的識別效果

根據前面引言部分所述，Sift和Surf算子都可用于Mark點識別，本文為了清晰地展現各種算法的優劣，特別對Mark點特征圖像在縮放和旋轉變換條件下使用Sift和Surf兩種算法進行識別實驗，實驗數據如表1和表2所示。

表1 縮放對比實驗結果Table 1 Comparsion of image scaling experiment

表2 旋轉對比實驗結果Table 2 Comparsion of image rotation experiment

從表中數據可以分析出：Sift算法匹配用時是Surf的2～3倍，Sift在圖像縮小變換后的匹配效果也不如Surf；但是Sift算法的有效匹配點對數一般都比Surf多，尤其是在旋轉狀態下。由此可見，兩種算法在Mark點匹配中各有一定優缺點。

3.3 傳統平方差模板匹配算法對Mark點識別效果

根據OpenCV庫中的平方差模板匹配算法，對經過不同比例縮放(無旋轉)后的待檢測圖進行測試，測試結果如表3所示。其中待檢測圖像指標類型為1.0倍，表示未經縮放的待檢測圖。

表3 平方差在模板縮放時的匹配結果Table 3 Matching results of square difference in different template scaling

從縮放后的匹配結果可以得出：匹配效果隨著待檢測圖的縮放程度增大而變差。顯然，該算法不太適合。

3.4 改進型模板匹配算法對Mark點的識別效果

為了清晰地比較改進型模板匹配算法與Sift、Surf、平方差模板匹配算法之間的優劣，在相同實驗條件下進行實驗。

1)測試經過縮放的PCB板圖像。分別對縮放倍數為0.6、0.9、1.5和2.0倍的待檢測樣圖進行測試，測試耗時分別為125、194、363和513 ms，匹配效果如圖12所示。

2)測試經過旋轉的PCB板圖像。分別對旋轉度數為45°、60°和120°的待檢測樣圖進行測試，測試耗時分別為484、455和442 ms，匹配效果如圖13所示。

圖13 旋轉后的匹配結果Fig. 13 Matching results after images rotation

根據上述測試結果可得出：提出的基于Mark點幾何特征的改進型模板匹配算法識別效果良好。從算法的時間復雜度上看，改進模板匹配算法的平均速度是Surf的2～3倍，滿足實時性要求。從縮放旋轉上看，改進的模板匹配算法同時具有旋轉和縮放不變性，且誤差在5個像素以內，滿足實際應用中的可靠性與準確性要求。

4 結束語

Mark點作為常用的視覺輔助定位對象，使用Sift、Surf和簡單模板等傳統匹配算法對其進行識別時，不能很好地同時滿足縮放旋轉及實時性等要求。本文提出了一種基于Mark點幾何特征的改進模板匹配算法，針對待檢測圖像的縮放旋轉狀態，對匹配模板進行相應的縮放旋轉變換，不僅實現了對縮放變換的良好適應性，還保證了良好的實時性。應用該算法的視覺系統可以準確可靠地識別出Mark點并定位，從而可以根據相對位置關系實現對PCB目標點的準確定位。相比當前常用的Mark點定位算法，該算法保證了較高準確率，同時提高了實時性，可以適應當前不斷提高的視覺定位實時性要求，具有較好的工程應用價值。