結(jié)合先驗(yàn)信息的漸近式角點(diǎn)定位

王　仲，劉文靜，付魯華，郭有為( 天津大學(xué) 精密測試技術(shù)及儀器國家重點(diǎn)實(shí)驗(yàn)室，天津 300072 )

?

結(jié)合先驗(yàn)信息的漸近式角點(diǎn)定位

王仲，劉文靜，付魯華，郭有為
( 天津大學(xué) 精密測試技術(shù)及儀器國家重點(diǎn)實(shí)驗(yàn)室，天津 300072 )

摘要：針對批量微小型二維工件在視覺檢測中角點(diǎn)的定位，提出一種漸近式分步提取方法。該方法以圖像單像素輪廓上固有的幾何關(guān)系為先驗(yàn)信息，首先在輪廓序列中鎖定本次待測角點(diǎn)的存在區(qū)域，然后根據(jù)角點(diǎn)特征靈活設(shè)置響應(yīng)函數(shù)檢測角點(diǎn)，并對其精確定位及時(shí)排除偽角點(diǎn)，之后重新鎖定區(qū)域。這一過程循環(huán)漸近，直至將所有角點(diǎn)檢測出。實(shí)驗(yàn)結(jié)果表明，對同一工件不同位姿多次采像檢測，角點(diǎn)間距的標(biāo)準(zhǔn)差在0.5 pixel以內(nèi)，重復(fù)性高。與Harris角點(diǎn)檢測、CSS角點(diǎn)檢測算法比較，對視場內(nèi)雜質(zhì)背景的抗干擾性強(qiáng)，定位準(zhǔn)確、快速。該角點(diǎn)定位方法在微小型二維工件的大批量高速檢測中，具有明顯優(yōu)勢。

關(guān)鍵詞：角點(diǎn)定位；先驗(yàn)信息；批量微小型工件檢測；機(jī)器視覺

0　引言

對大批量微小型二維零件的高速、高精度視覺檢測而言，圖像處理是其核心技術(shù)，影響著整個(gè)設(shè)備的速度、精度、以及整機(jī)復(fù)雜程度。工件上的特殊點(diǎn)通常既是功能、工藝的關(guān)鍵點(diǎn)，也是測量的關(guān)鍵點(diǎn)。在圖像處理中，它們常常表現(xiàn)為角點(diǎn)。準(zhǔn)確的角點(diǎn)檢測對完成許多視覺任務(wù)至關(guān)重要，如尺寸測量、圖像匹配、圖像識別、檢索等。

現(xiàn)有的常規(guī)角點(diǎn)檢測算法分為兩大類：第一類基于圖像的灰度信息提取角點(diǎn)，如Harris、SUSAN等算法[1-2]。這類算法可在亞像素級提取角點(diǎn)；但通常需要處理大量數(shù)據(jù)，計(jì)算復(fù)雜度高，并對圖像旋轉(zhuǎn)等幾何變換魯棒性較差。另一類是依據(jù)圖像的輪廓特征提取角點(diǎn)，典型的有CSS算法以及對CSS算法的一系列理論改進(jìn)研究[3-5]。這類算法的定位準(zhǔn)確性很大程度上依賴于預(yù)處理得到的邊緣輪廓。相比于第一類，計(jì)算復(fù)雜度有所降低，對于雜質(zhì)點(diǎn)干擾的抵抗力有所提高，更能適應(yīng)目標(biāo)在圖像中位置改變時(shí)其角點(diǎn)的提取。兩類常規(guī)算法，提取的僅僅是符合角點(diǎn)特征的點(diǎn)；而機(jī)器視覺檢測中，需要的是這其中對測量有意義的目標(biāo)角點(diǎn)。比如雜質(zhì)角點(diǎn)符合角點(diǎn)特征但無意義。所以，在背景復(fù)雜的視場中，對于角點(diǎn)定位重復(fù)性以及時(shí)耗要求嚴(yán)格的檢測中，兩類傳統(tǒng)方法難以勝任。以“汽車卡簧高速全自動檢測分選”項(xiàng)目為例，為了降低對送至檢測位的工件的機(jī)械定位難度，圖像處理算法需要對在檢測位呈現(xiàn)多種位姿的工件均有適應(yīng)性。實(shí)際情況下，待測件卡簧概率性貼附于檢測位的限位邊框；并且設(shè)備應(yīng)用于工業(yè)現(xiàn)場，視場中不可避免的沾染灰塵等雜質(zhì)。最終造成角點(diǎn)的多樣性、冗余性、位置不確定性。如此復(fù)雜的情況下，利用常規(guī)角點(diǎn)檢測算法，有以下不足之處：第一，會將圖片中所有角點(diǎn)同時(shí)提取出。加之設(shè)備連續(xù)運(yùn)行檢測，背景時(shí)變，與多位姿工件共同形成的角點(diǎn)繁亂無序。欲從大量無序角點(diǎn)中篩選目標(biāo)角點(diǎn)，異常棘手；第二，在全圖范圍內(nèi)判別角點(diǎn)，速度難以保證；第三，全幅中使用一種算法判別工件中不同類型的目標(biāo)角點(diǎn)，針對性差。總之，常規(guī)檢測算法難以準(zhǔn)確定位目標(biāo)角點(diǎn)。

自動化檢測設(shè)備通常作用于大批量檢測對象，針對特定規(guī)格的零件，先驗(yàn)信息是一種不可丟棄的寶貴資源。若加以利用，會給圖像處理帶來極大的方便[6-7]。本文充分利用零件的幾何尺寸與形狀特征數(shù)據(jù)，提出一種分步漸近式角點(diǎn)定位方法：在預(yù)處理得到工件全輪廓序列后，擬定初始基準(zhǔn)點(diǎn)，確定約束條件進(jìn)行邊緣輪廓分割，從而鎖定角點(diǎn)搜索范圍。根據(jù)待測角點(diǎn)特征靈活設(shè)計(jì)判別方法作用于本次范圍內(nèi)，檢測角點(diǎn)、剔除偽角點(diǎn)、優(yōu)化位置。以檢測出的角點(diǎn)為基礎(chǔ)，繼續(xù)鎖定下一次角點(diǎn)檢測范圍，直至找全所有目標(biāo)角點(diǎn)。基準(zhǔn)的選取、檢測區(qū)域的鎖定、判別方法的擬定、角點(diǎn)的去偽均基于先驗(yàn)信息。

1　鎖定角點(diǎn)檢測的關(guān)注區(qū)域

原始工件圖片，經(jīng)預(yù)處理[8]得到單像素邊緣輪廓。按逆時(shí)針跟蹤順序從起點(diǎn)開始，存儲邊緣點(diǎn)在圖像坐標(biāo)系中的x、y坐標(biāo)值。如圖1，得到輪廓序列L。L中有許多不是角點(diǎn)存在的區(qū)域，本文首先結(jié)合先驗(yàn)信息鎖定角點(diǎn)檢測的關(guān)注區(qū)域。

圖1　逆時(shí)針方向跟蹤Fig.1　Tracking contour anticlockwise

圖2　鎖定角點(diǎn)檢測范圍Fig.2　Getting the region where corners exist

以圖2卡簧工件的輪廓為例，最終目的是定位出A、B、C、D四個(gè)角點(diǎn)。利用L中倒數(shù)N個(gè)點(diǎn)的坐標(biāo)，依據(jù)最小二乘法擬合圓心、半徑。與先驗(yàn)信息比較，若所得半徑在(Lr-δ，Lr+δ)內(nèi)，認(rèn)為相應(yīng)圓心(xo，yo)為內(nèi)外同心弧所對應(yīng)的圓心，并作為基準(zhǔn)點(diǎn)O。其中δ為若N個(gè)點(diǎn)均在外弧段上時(shí)，擬合半徑與標(biāo)準(zhǔn)外徑Lr的最大偏差。否則，利用L中初始N個(gè)點(diǎn)重新擬合。然后從輪廓序列中第0點(diǎn)開始，以步進(jìn)k確定點(diǎn)集Q={q0，q1，…，qt}，其中qi為L中第i×k個(gè)點(diǎn)。k小于A、B間距離|AB|(以像素表示)：

以保證Q集中必然有點(diǎn)在AB、CD范圍內(nèi)。M為輪廓點(diǎn)序列總數(shù)，t滿足：

計(jì)算Q集中所有點(diǎn)到O的距離di：

xi×k、yi×k分別為qi的橫縱坐標(biāo)。對應(yīng)保存成距離集D={d0，d1，…，dt}。從i=0開始遍歷D集，尋找第一個(gè)dm，使其滿足Sr

記錄m、ml、ms、n、nl、ns。將原輪廓序列中順序?yàn)閙lk-0.5k 到msk+0.5k 段內(nèi)的點(diǎn)確定為待測角點(diǎn)所在的局域序列L1，將nlk+0.5k到nsk-0.5k 段內(nèi)的點(diǎn)確定為L2。L1、L2即是接下來角點(diǎn)提取所作用的范圍。

2　在局域序列中檢測角點(diǎn)

確定本次檢測范圍后，考慮局域輪廓序列中各類角點(diǎn)的特征，先將特征最明顯，最具有區(qū)分度的角點(diǎn)定位出來。比如：即使工件制造誤差很大，依然是銳度最大的點(diǎn)，如圖3(a)中點(diǎn)A；處于簡單擬合曲線斷開處的角點(diǎn)，如圖3(b)中點(diǎn)R。

2.1 支撐臂夾角定位銳度最大的角點(diǎn)

對于圖3(a)中A、B兩點(diǎn)來說，B為鈍形角點(diǎn)，A的銳度最大，不易受雜質(zhì)點(diǎn)干擾，具有更好的辨識度。這是選擇以支撐域內(nèi)支撐臂夾角作為響應(yīng)函數(shù)定位角點(diǎn)的前提保證。以輪廓點(diǎn)pi為中心，其k個(gè)有序前點(diǎn)和k個(gè)有序后點(diǎn)組成pi的2k+1支撐區(qū)域。求出pi在支撐域中的角度θi:

圖3　角點(diǎn)類型舉例Fig.3　Some kinds of corners

圖4　θi極小值角點(diǎn)Fig.4　Corners with minimum θi

另外，支撐區(qū)域k的選取是算法成功的關(guān)鍵。在角點(diǎn)分布不密集、待測角點(diǎn)數(shù)量已知且銳度明顯區(qū)別于周圍輪廓點(diǎn)時(shí)，k可取5~7。同時(shí)參考RJ算法[9]和The-Chin算法[10]兩種具有代表性的支撐域選取原則。在局域輪廓內(nèi)判別此類銳形角點(diǎn)，采用點(diǎn)到弦距離累加法[11]以及文獻(xiàn)[12]提到的方法也非常有效。

2.2 檢測擬合曲線斷開處的角點(diǎn)

圖5中，R處于輪廓點(diǎn)是否在圓O上的分界處，圓上的點(diǎn)到內(nèi)圓寬度在一定范圍內(nèi)。因此，可以從搜索區(qū)域中第0點(diǎn)開始，計(jì)算每個(gè)點(diǎn)pi到內(nèi)圓輪廓的寬度wi，并繪制i—wi曲線，如圖6。直至i=t時(shí)滿足：

則初步確定第t點(diǎn)即為角點(diǎn)R。wthreshold是根據(jù)先驗(yàn)信息獲得的環(huán)允許寬度的最大值。圖6所示，根據(jù)式(7)、(8)角點(diǎn)R處曲線轉(zhuǎn)折，可以明顯區(qū)別于非角點(diǎn)。之后再在t點(diǎn)附近精確定位角點(diǎn)，參看第3節(jié)。式(8)有效保證了工件上沾染小尺寸異物形成的偽角點(diǎn)被剔除，如圖5中Rf。

圖5　擬合曲線斷開處的角點(diǎn)Fig.5　Corner at disconnect of the fitting curve

圖6　輪廓點(diǎn)與其對應(yīng)寬度曲線Fig.6　The curve of contour points andtheir corresponding width

3　角點(diǎn)位置的優(yōu)化

在第2節(jié)定位角點(diǎn)的基礎(chǔ)上，如果有必要進(jìn)一步優(yōu)化其位置，可采用簡單響應(yīng)疊加來精確定位角點(diǎn)。

其中：G1(i)、G2(i)、……分別為一種角點(diǎn)判定方式。充分利用角點(diǎn)的多種幾何特征，將兩種及以上響應(yīng)方式疊加，加強(qiáng)角點(diǎn)響應(yīng)，弱化干擾。簡單舉例，如圖7，輪廓為搜索區(qū)域，角點(diǎn)T滿足兩個(gè)特征：①其支撐臂夾角具有局域極小值；②T是擬合圓與擬合直線的交點(diǎn)。設(shè)已利用條件①(2.1節(jié)方法)擬定響應(yīng)函數(shù)G1(i)對T粗略定位。之后，取前后遠(yuǎn)離T的點(diǎn)擬合得到圓方程f1(x,y)=0與直線方程f2(x,y)=0，擬定響應(yīng)函數(shù)G2(i)：

圖7　多特征角點(diǎn)Fig.7　Corner with multiple features

角點(diǎn)T滿足G2(t)=minG2(i)。G1(i)、G2(i)均在角點(diǎn)處取得最小值，故設(shè)定α、β同號。再根據(jù)大量試驗(yàn)獲得兩響應(yīng)函數(shù)區(qū)別該角點(diǎn)與其他輪廓點(diǎn)時(shí)的敏感程度，為α、β賦權(quán)值。這里不妨均設(shè)為1，則：

在序列中對初步確定的T前后第i個(gè)點(diǎn)求G(i)，i∈[1,k]。根據(jù)G(t)=minG(i)，最終準(zhǔn)確定位角點(diǎn)T。

4　實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)選用合格卡簧為被測件，圖8(a)所示；檢測設(shè)備為實(shí)驗(yàn)室自行研制的分選儀。成像系統(tǒng)由維視圖像生產(chǎn)的MV_300SC相機(jī)配合艾菲特雙遠(yuǎn)心鏡頭BT_2348構(gòu)成，如圖8(b)，采用LED平板光源背光照明，圖8(a)。

如圖9，卡簧的檢測參數(shù)有擬合內(nèi)徑Sr、BD間距|BD|、AB與CD的對稱性。且卡簧在檢測位以各種位姿隨機(jī)分布。分析檢測需求，可知點(diǎn)A、B、C、D均為待定位角點(diǎn)。設(shè)計(jì)檢測算法，步驟如下：

1) 以第1節(jié)方法，從全輪廓序列L中鎖定搜索范圍L1、L2；

2) 采用2.1節(jié)求支撐臂夾角取最小值的方法，檢測角點(diǎn)A、C；

3) 擬合內(nèi)徑Sr：從全輪廓序列中確定A點(diǎn)往后第k個(gè)點(diǎn)M，C點(diǎn)往前第k個(gè)點(diǎn)N。利用MN之間的序列點(diǎn)采用最小二乘法擬合內(nèi)圓，得到半徑Sr以及圓心O(xo，yo)；

4) 確定檢測B、D的搜索范圍L3、L4：在L1中取A點(diǎn)以后輪廓段作為L3，同理從L2中得到其子集L4；

5) 利用2.2節(jié)方法，以L3、L4為搜索序列，求搜索范圍里各個(gè)點(diǎn)pi到外圓輪廓的距離wi，粗略定位角點(diǎn)B、D；

6) 利用第3節(jié)方法將兩種響應(yīng)疊加，優(yōu)化B、D點(diǎn)坐標(biāo)。

圖8　實(shí)驗(yàn)檢測系統(tǒng)Fig.8　Picture of detection system

圖9　實(shí)驗(yàn)參數(shù)示意圖Fig.9　Picture show detected parameters

4.1 本文算法性能驗(yàn)證

將工件在視場內(nèi)任意旋轉(zhuǎn)、平移，處理得到10組角點(diǎn)間距|BD|、|AC|的測量值，并計(jì)算10組數(shù)據(jù)的極差與標(biāo)準(zhǔn)差。以像素為單位列于表1。

表1　|BD|、|AC|測量數(shù)據(jù)與統(tǒng)計(jì)結(jié)果Table 1　The experimental data and statistical results of |BD|、|AC|　pixel

由于不同位姿時(shí)角點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值沒有可比性，所以，|BD|、|AC|距離的穩(wěn)定性可作為角點(diǎn)提取是否準(zhǔn)確的評判標(biāo)準(zhǔn)。采用雙遠(yuǎn)心鏡頭，鏡頭畸變小于0.05%，認(rèn)為視場內(nèi)各處像素當(dāng)量均一。

可見，不同位姿多次測量的統(tǒng)計(jì)結(jié)果均在一個(gè)像素以內(nèi)。本文提出的方法具有很好的重復(fù)性、穩(wěn)定性，對工件的旋轉(zhuǎn)位姿具有適應(yīng)性。

說明：在預(yù)處理中得到誤差允許范圍內(nèi)的“準(zhǔn)確輪廓”是本文算法成功的前提保證。預(yù)處理不當(dāng)，上述10組數(shù)據(jù)將會產(chǎn)生大的誤差，這里不做詳細(xì)分析。

4.2 幾種算法結(jié)果比較

對卡簧圖像分別采用Harris算法、CSS算法以及本文算法進(jìn)行角點(diǎn)提取。為了使結(jié)果更有可比性，CSS算法與本文算法均基于預(yù)處理得到的同一輪廓圖。Harris算法由于其原理必要性只能基于原始灰度圖進(jìn)行。(說明：限位邊框的存在，增加了背景的復(fù)雜程度。4.1節(jié)中本文算法在此類情況下已經(jīng)得到有效驗(yàn)證。出于對比，使用無限位邊框的原始圖片，主要降低Harris算法檢測到的冗余角點(diǎn)數(shù))，結(jié)果如圖10。

可見，由于設(shè)備長期運(yùn)行于工業(yè)現(xiàn)場，細(xì)小雜質(zhì)不可避免，采用基于灰度的角點(diǎn)檢測方法，如圖10(b)，結(jié)果顯示，目標(biāo)角點(diǎn)完全被大量雜質(zhì)角點(diǎn)所淹沒。即使考慮從中將其篩選，由于雜質(zhì)角點(diǎn)的繁亂無序，將難以進(jìn)行。

圖10(c)中，CSS檢測算法，在輪廓跟蹤時(shí)設(shè)法丟棄了孤立雜質(zhì)點(diǎn)輪廓，檢測出的偽角點(diǎn)數(shù)量大大減小。但若雜質(zhì)沾染在工件上，形成共同的輪廓，仍會在曲率極大值處產(chǎn)生偽角點(diǎn)，如圖10(e)中U區(qū)域。

圖10(f)，本文方法鎖定角點(diǎn)搜索區(qū)域，故不會對區(qū)域以外再進(jìn)行檢測，避免了圖10(e)中偽角點(diǎn)簇U的產(chǎn)生。定位A點(diǎn)時(shí)，由于在L1中選擇θi的局域極小值，則圖10(e)T區(qū)域角點(diǎn)里只有一個(gè)會入選，之后根據(jù)先驗(yàn)信息得知T區(qū)域角點(diǎn)與C角點(diǎn)距離不在允許范圍內(nèi)，故被剔除。檢測B點(diǎn)時(shí)按圖10(e)箭頭所示方向，定位到符合條件的角點(diǎn)B后，程序停止，避免了將T區(qū)域的角點(diǎn)誤判為B。

圖10　三種算法角點(diǎn)檢測結(jié)果Fig.10　Results of corner detection by three algorithms

三種方法處理時(shí)間對比，如表2。

說明：Harris角點(diǎn)檢測采用5×5的高斯濾波模板，CSS算法曲率尺度設(shè)為7。三種方法均在VC++環(huán)境中實(shí)現(xiàn)。原始圖片大小為2 048 pixels×1 536 pixels。

可見，兩種基于輪廓的角點(diǎn)提取方法，用時(shí)明顯少于基于灰度信息的Harris算法。在預(yù)處理得到輪廓后，本文方法較之CSS算法，檢測范圍縮小，并且避免了二階導(dǎo)數(shù)的求解，速度更快。

表2　三種角點(diǎn)檢測算法時(shí)間對比Table 2　Time comparison list of three algorithms　ms

5　總　結(jié)

對微小型工件自動化視覺測量過程中角點(diǎn)的定位進(jìn)行了研究，提出一種基于先驗(yàn)信息的角點(diǎn)檢測方法。多次利用先驗(yàn)信息鎖定角點(diǎn)提取范圍，降低情況復(fù)雜度，減少時(shí)間消耗。針對不同類型的角點(diǎn)運(yùn)用不同判別方法，算法局部適應(yīng)性更強(qiáng)。角點(diǎn)分批次提取，循環(huán)漸近；各批角點(diǎn)的提取，又由粗到精，漸近優(yōu)化，及時(shí)剔除偽角點(diǎn)?？ɑ山屈c(diǎn)檢測實(shí)驗(yàn)表明，本方法對于目標(biāo)角點(diǎn)定位準(zhǔn)確、重復(fù)性高、速度快。不同位姿多次測量結(jié)果穩(wěn)定在一個(gè)像素以內(nèi)，整機(jī)設(shè)備連續(xù)檢測2 000件卡簧工件時(shí)，由于角點(diǎn)定位不準(zhǔn)造成的誤判率小于1%，速度達(dá)到90件/min?？梢姡惴苓m應(yīng)時(shí)變復(fù)雜背景中多位姿工件的快速角點(diǎn)定位。

參考文獻(xiàn)：

[1] 于合龍，蘇恒強(qiáng)，汪巖，等. SUSAN角點(diǎn)檢測和匹配算法在高溫變形測量中的應(yīng)用 [J]. 航空學(xué)報(bào)，2013，34(5)：1064-1072. YU Helong，SU Hengqiang，WANG Yan，et al. Application of SUSAN Corner Detection and Matching Algorithm in HighTemperature Deformation Measurement [J]. Acta Aeronautica et Astronautica Sinica，2013，34(5)：1064-1072.

[2] 張金林，曹鵬，芮挺，等. 基于二維EMD的Harris角點(diǎn)檢測算法 [J]. 光電工程，2012，39(7)：38-42. ZHANG Jinlin，CAO Peng，RUI Ting，et al. Harris Corner Detection Algorithm Based on Two-dimensional EMD [J]. Opto-Electronic Engineering，2012，39(7)：38-42.

[3] ZHANG Xiaohong，WANG Hongxin，Smith Andrew W B，et al. Corner Detection based on Gradient Correlation Matrices of Planar Curves [J]. Pattern Recognition(S0031-3203)，2010，43(4)：1207-1223.

[4] Awrangjeb M，LU Guojun. Robust Image Corner Detection based on the Chord-to-Point Distance Accumulation Technique [J]. IEEE Transactions on Multimedia(S1520-9210)，2008，10(6)：1059-1072.

[5] 曾接賢，李煒燁. 曲率尺度空間與鏈碼方向統(tǒng)計(jì)的角點(diǎn)檢測 [J]. 中國圖象圖形學(xué)報(bào)，2014，19(2)：234-242. ZENG Jiexian，LI Weiye. Corner Detection based on Curvature Scale Space and Chain Code Direction Statistics [J]. Journal of Image and Graphics，2014，19(2)：234-242.

[6] 栗琳，王仲，蔡振興，等. 基于目標(biāo)輪廓的附著物定位與剔除方法 [J]. 光電工程，2012，39(5)：45-51. LI Lin，WANG Zhong，CAI Zhenxing，et al. A Method of Location and Elimination of Foreign Matters Based on Navigation Contour [J]. Opto-Electronic Engineering，2012，39(5)：45-51.

[7] 王仲，鄭镕浩，劉文靜，等. 基于先驗(yàn)知識的微型零件檢測中異物偽信息的剔除 [J]. 計(jì)算機(jī)應(yīng)用，2014，34(5)：1458-1462. WANG Zhong，ZHENG Ronghao，LIU Wenjing，et al. Culling of Foreign Matter Fake Information in Detection of Subminiature Accessory based on Prior Knowledge [J]. Journal of Computer Applications，2014，34(5)：1458-1462.

[8]求是科技. Visual C++數(shù)字圖像處理典型算法及實(shí)現(xiàn) [M]. 北京：人民郵電出版社，2006：406-415.

[9] Rosenfeld A，Johnston E. Angle Detection on Digital Curves [J]. IEEE Transactions on Computers(S0018-9340)，1973，22(9)：875-878.

[10] CHIN R T，THE C H. On the Detection of Dominant Points on Digital Curves [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828)，1989，11(8)：859-872.

[11] 王萬良，金亦挺，趙燕偉，等. 點(diǎn)到弦距離累加的自適應(yīng)角點(diǎn)檢測 [J]. 中國圖象圖形學(xué)報(bào)，2012，17(12)：1500-1508. WANG Wanliang，JIN Yiting，ZHAO Yanwei，et al. Adaptive Corner Detection based on Chord-to-Point Distance Accumulation [J]. Journal of Image and Graphics，2012，17(12)：1500-1508.

[12] Chetverikov D. A Simple and Efficient Algorithm for Detection of High Curvature Points in Planar Curves [C]// 10th International Conference on Computer Analysis of Images and Patterns, University of Groningen，Netherlands，August 25-27. Berlin，Germany：Springer-Verlag，2003：746-753.

A Method of Symptotic Corner Detection Based on Prior Information

WANG Zhong，LIU Wenjing，F(xiàn)U Luhua，GUO Youwei
( State Key Laboratory of Precision Measuring Technology and Instruments, Tianjin University, Tianjin 300072, China )

Abstract:A step-by-step asymptotic method of image corner detection is proposed in high speed vision detection for quantities of micro two-dimensional workpieces. In this method, the inherent geometric relationship in the single pixel contour is taken as a priori information, based on which, the region where corners exist is separated from full contour. After that, we select suitable algorithm to detect corners and get their positions accurately along with false corners being eliminated in time. Then, we can lock region again ... This process continues circularly, until all the corners have been detected. Experimental results show that, for the same workpiece, whose images are getting in different position and attitude, the standard deviation of distance between points is within 0.5 pixels. Compared with Harris corner detection algorithm and CSS corner detection algorithm, the proposed method is scarcely affected by foreign substance in the field. Due to the accuracy, high speed and high repeatability, this method has obvious advantage in high speed vision detection for quantities of micro two-dimensional workpieces.

Key words:corner detection; prior information; quantities of micro workpieces inspection; machine vision

作者簡介：王仲(1953-)，男(漢族)，天津人。教授，碩士，研究方向：機(jī)器視覺檢測。E-mail: wangzhong@tju.edu.cn。

基金項(xiàng)目：國家重大科學(xué)儀器設(shè)備開發(fā)專項(xiàng)(2013YQ17053903)

收稿日期：2015-01-26； 收到修改稿日期：2015-04-19

文章編號：1003-501X(2016)01-0006-07

中圖分類號：TP391.4

文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1003-501X.2016.01.002