基于不同算法的圖像特征識別研究及分析

王康 臨沂大學

引言：本文基于多種模型建立多種算法模型，以工廠零件作為實際前提條件，分析了對于工廠零件的特征識別。基于Harris、Sift，Surf算法，對于不同算法的圖像特征識別進行研究及分析。

1.模式識別的重要意義

伴隨著自動化在機械加工過程上面的廣泛應用，在零件加工的過程之中還需要應用智能化的位置識別技術來準確零件的位置。在零件進行自動化制造的生產里面，很多工藝流程都需要根據圖像來進行位置的識別以及一定的處理，從而有效利用智能化程序進行識別零件所在的位置，進而通過機械手搬運到標準位置。

2.基于Harris算法特征零件識別的模型建立

(1)Harris算法模型的介紹

Harris算法是一種快捷有效的提取圖片特征點并進行匹配的算法。Harris算法具有很多優點。首先就是Harris算法不受灰度平移影響，第二，Harris算法對圖片的旋轉有著不變性。第三，由于只涉一階差分的計算，所以Harris算法計算簡單，第四，Harris算法的取點方法較為科學合理。

(2)Harris算法響應函數：

Tr(M)=A+B,Det(M)=AB-C2

在上式中，響應函數在邊界區域時為負值，在角點區域為正值，在不變化的區域是近似于零的值。在檢測圖片的角點過程中，如果R值大于等于某個既定的閾值，則這個值被視為角點。

(3)Harris匹配

對于Harris算法通常采用設定閾值進行匹配，首先要設置一個閾值，然后進行匹配，并返回在另一個圖片中處于設定閾值范圍之內的匹配。

3.基于SURF算法提取特征點的零件識別模型建立

3.1 模型結構總體分析

(1)SURF算法模型的介紹

就零件位置識別，本文分析提出了基于SURF特征的零件位置識別的算法模型，該模型的算法可以有效減少位置識別時可能出現的誤差

(2)SURF算法提取特征點所具有的特點

特征向量擁有較高的特異性。SURF提取特征點算法能夠針對目標進行快速的位置定位，能夠基于在特征點識別位置信息的基礎上，對于圖像輪廓盡心準確快速的定位。

(3)SURF算法對于物體的描述方式

i.對反應零件形狀特征的特征點進行檢測(即特征點的快速準確檢測)。

ii.對于零件的特征點進行合理描述（即特征向量的檢測）。

(4) 特征因子的檢測及特征匹配

i.特征點的檢測

ii.積分圖像的建立

iii.利用箱式濾波器建立圖像的有效尺度空間

iv.特征匹配

3.2 主要執行的步驟

Step1：特征點檢測

Step2：積分數據圖像的建立

Step3：箱式濾波器數據圖像尺度空間的建立

Step4：進行特征描述(求取特征點的主方向, 鄰域旋轉,進行描述)

Step5：特征匹配

Step6：SURF算法編程

Step7：記錄數據，總結分析其它算法模型的對比

4.基于Sift算法特征零件識別模型的建立

(1)SIFT算法模型的介紹

SIFT算法又叫尺度不變特征轉換算法，它是David Lowe在1999年發表，它能在空間尺度上找尋找特征點，并進行特征匹配。目前廣泛應用于人工智能中的機器視覺領域，在電腦圖像識別，機械自動化制造等方面也用廣泛的應用。

(2)二維高斯函數

(3)算法基本步驟

step1：尺度空間極值檢測：通過遍歷尺度上圖像位置，找出圖像旋轉后的不改變的點，該特征點的辨別主要運用高斯差分函數進行計算，函數如下：

而實際計算時，需要構建高斯金字塔通過相鄰層相減得到高斯差分圖像，進行極值檢測，實際上高斯金字塔就是在模擬人的眼球由遠及近。在構建高斯金字塔時，組內每層的尺度坐標按如下公式計算：

step2：特征點定位：根據第一步選出的點的穩定程度找出圖像的關鍵點，此時的點是離散的，利用子像素插值法得到連續空間極值點，并對尺度空間函數進行曲線擬合來提高選出點的穩定性，擬合函數為：

step3：特征點方向分配：

以所得直方圖中最大值代表特征點主方向，并設置十分之八最值為輔助方向閾值，可以提高關鍵點的穩定性和魯棒性。

step4：特征點描述與匹配：運用鄰域匹配的方法，描述出特征點周圍灰度值下降最快的方向，即梯度方向，找出特征點的鄰域坐標，然后通過旋轉公式得出原

結語：其中基于Harris算法位置識別模型可以通過對于梯度的準確選取，能夠有效的檢測多種類型的角點。Surf算法模型主要是利用數據的預處理包括在內的梯度變換的方法從而實現相對旋轉的不變性,這樣就能夠達到取消主方向計算旋轉的相應目的,實現SURF算法從積分圖像計算到特征描述全過程的優化，能夠有效提升相應的準確程度。