250 0.005 0.001250.005 0.005 0.001250.01 0.005 0.001250.015 0.005 0.00125 calibration marks at y 0.01 m-0.015 0.01 0.00125-0.01 0.01 0.00125-0.005 0.01 0.001250 0.01 0.001250.005 0.01 0.001250.01 0.01 0.001250.015 0.01 0.00125 calibration marks at y 0.015 m-0.015 0.015 0.00125-0.01 0.015 0.00125-0.005 0.015 0.001250 0.015 0.001250.005 0.015 0.001250.01 0.015 0.001250.015 0.015 0.00125标定板的材料也有一定的要求,请参看《如何进行图形校正》。
基于 HALCON 的模板匹配方法总结 2012-02-09 10:17 27 人阅读 评论0 收藏 举报 基于 HALCON 的模板匹配方法总结 很早就想总结一下前段时间学习 HALCON 的心得,但由于其他的事情总是抽不出时间。
去年有过一段时间的集中学习,做了许多的练习和实验,并对基于 HDevelop 的形状匹配算法的参数优化进行了研究,写了一篇《基于 HDevelop 的形状匹配算法参数的优化研究》文章,总结了在形状匹配过程中哪些参数影响到模板的搜索和匹配,又如何来协调这些参数来加快匹配过程,提高匹配的精度,这篇 paper 放到了中国论文在线了,需要可以去下载。
德国 MVTec 公司开发的 HALCON 机器视觉开发软件,提供了许多的功能,在这里我主要学习和研究了其中的形状匹配的算法和流程。
HDevelop 开发环境中提供的匹配的方法主要有三种,即 Component-Based、Gray-Value-Based、Shape-Based分 别是基于组件(或成分、元素)的匹配,基于灰度值的匹配和基于形状的匹配。
这三种匹配的方法各具特点,分别适用于不同的图像特征,但都有创建模板和寻找模 板的相同过程。
这三种方法里面,我主要就第三种-基于形状的匹配,做了许多的实验,因此也做了基于形状匹配的物体识别,基于形状匹配的视频对象分割和基于 形状匹配的视频对象跟踪这些研究,从中取得较好的效果,简化了用其他工具,比如 VC来开发的过程。
在 VC 下往往针对不同的图像格式,就会弄的很头疼,更不用说编写图像特征提取、模板建立和搜寻模板的代码呢,我想其中间过程会很复杂,效果也不一定会显著。
下面我就具体地谈谈基于 HALCON 的形状匹配算法的研究和心得总结。
1. Shape-Based matching 的基本流程HALCON 提 供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板,对整个图像建立模板也可以,但这样除非是对象在整个图像中所占比例很大,比如像视频会议中人 体上半身这样的图像,我在后面的视频对象跟踪实验中就是针对整个图像的,这往往也是要牺牲匹配速度的,这个后面再讲。
基本流程是这样的,如下所示:⑴ 首先确定出 ROI 的矩形区域,这里只需要确定矩形的左上点和右下点的坐标即可,gen_rectangle1这个函数就会帮助你生成一个矩形,利用 area_center找到这个矩形的中心;⑵ 然后需要从图像中获取这个矩形区域的图像,reduce_domain会得到这个 ROI;这之后就可以对这个矩形建立模板,而在建立模板之前,可以先对这个区域进行一些处理,方便以后的建模,比如阈值分割,数学形态学的一些处理等等;⑶ 接下来就可以利用 create_shape_model来创建模板了,这个函数有许多参数,其中金字塔的级数由 Numlevels 指定,值越大则找到物体的时间越少,AngleStart 和 AngleExtent决定可能的旋转范围,AngleStep 指定角度范围搜索的步长;这里需要提醒的是,在任何情况下,模板应适合主内存,搜索时间会缩短。
对特别大的模板,用 Optimization 来减少模板点的数量是很有用的;MinConstrast 将模板从图像的噪声中分离出来,如果灰度值的波动范围是 10,则 MinConstrast 应当设为 10;Metric 参数决定模板识别的条件,如果设为’use_polarity’,则图像中的物体和模板必须有相同的对比度;创建好模板后,这时还需要监视模板,用 inspect_shape_model来完成,它检查参数的适用性,还能帮助找到合适的参数;另外,还需要获得这个模板的轮廓,用于后面的匹配,get_shape_model_contours则会很容易的帮我们找到模板的轮廓;⑷ 创建好模板后,就可以打开另一幅图像,来进行模板匹配了。
这个过程也就是在新图像中寻找与模板匹配的图像部分,这部分的工作就由函数 find_shape_model来承担了,它也拥有许多的参数,这些参数都影响着寻找模板的速度和精度。
这个的功能就是在一幅图中找出最佳匹配的模板,返回一个模板实例的长、宽和旋转角度。
其中参数 SubPixel 决定是否精确到亚像素级,设为’interpolation’,则会精确到,这个模式不会占用太多时间,若需要更精确,则可设为’least_square’’lease_square_high’,但这样会增加额外的时间,因此,这需要在时间和精度上作个折中,需要和实际联系起来。
比较重要的两个参数是 MinSocre和 Greediness,前一个用来分析模板的旋转对称和它们之间的相似度,值越大,则越相似,后一个是搜索贪婪度,这个值在很大程度上影响着搜索速度,若为 0,则为启发式搜索,很耗时,若为 1,则为不安全搜索,但最快。
在大多数情况下,在能够匹配的情况下,尽可能的增大其值。
⑸ 找到之后,还需要对其进行转化,使之能够显示,这两个函数 vector_angle_to_rigid和 affine_trans_contour_xld在这里就起这个作用。
前一个是从一个点和角度计算一个刚体仿射变换,这个函数从匹配函数的结果中对构造一个刚体仿射变换很有用,把参考图像变为当前图像。
其详细的流程图和中间参数,如下图所示:(无法上传)2. 基于形状匹配的参数关系与优化 在 HALCON 的说明资料里讲到了这些参数的作用以及关系,在上面提到的文章中也作了介绍,这里主要是重复说明一下这些参数的作用,再强调一下它们影响匹配速度的程度;在为了提高速度而设置参数之前,有必要找出那些在所有测试图像中匹配成功的设置,这时需考虑以下情况:① 必须保证物体在图像边缘处截断,也就是保证轮廓的清晰,这些可以通过形态学的一些方法来处理;② 如果 Greediness 值设的太高,就找不到其中一些可见物体,这时最后将其设为 0 来执行完全搜索;③ 物体是否有封闭区域,如果要求物体在任何状态下都能被识别,则应减小 MinScore值;④ 判断在金字塔最高级上的匹配是否失败,可以通过 find_shape_model()减小NumLevels 值来测试;⑤ 物体是否具有较低的对比度,如果要求物体在任何状态下都能被识别,则应减小MinContrast 值;⑥ 判断是否全局地或者局部地转化对比度极性,如果需要在任何状态下都能被识别,则应给参数 Metric 设置一个合适的值;⑦ 物体是否与物体的其他实例重叠,如果需要在任何状态下都能识别物体,则应增加MaxOverlap 值;⑧ 判断是否在相同物体上找到多个匹配值,如果物体几乎是对称的,则需要控制旋转范围;如何加快搜索匹配,需要在这些参数中进行合理的搭配,有以下方法可以参考:① 只要匹配成功,则尽可能增加参数 MinScore 的值;② 增加 Greediness 值直到匹配失败,同时在需要时减小 MinScore 值;③ 如果有可能,在创建模板时使用一个大的 NumLevels,即将 图像多分几个金字塔级;④ 限定允许的旋转范围和大小范围,在调用 find_shape_model()时调整相应的参数;⑤ 尽量限定搜索 ROI 的区域;除上面介绍的以外,在保证能够匹配的情况下,尽可能的增大 Greediness 的值,因为在后面的实验中,用模板匹配进行视频对象跟踪的过程中,这个值在很大程度上影响到匹配的速度。
当然这些方法都需要跟实际联系起来,不同图像在匹配过程中也会有不同的匹配效果,在具体到某些应用,不同的硬件设施也会对这个匹配算法提出新的要求,所以需要不断地去尝试。
在接下来我会结合自己做的具体的实验来如何利用 HALCON 来进行实验,主要是在视频对象分割和视频对象的跟踪方面。
上一篇:
Eclipse下C语言环境搭建
下一篇:
时间那么幽默,原来我们都为彼此活过