基于不同算法的图像特征识别研究及分析

王康 临沂大学

引言：本文基于多种模型建立多种算法模型，以工厂零件作为实际前提条件，分析了对于工厂零件的特征识别。基于Harris、Sift，Surf算法，对于不同算法的图像特征识别进行研究及分析。

1.模式识别的重要意义

伴随着自动化在机械加工过程上面的广泛应用，在零件加工的过程之中还需要应用智能化的位置识别技术来准确零件的位置。在零件进行自动化制造的生产里面，很多工艺流程都需要根据图像来进行位置的识别以及一定的处理，从而有效利用智能化程序进行识别零件所在的位置，进而通过机械手搬运到标准位置。

2.基于Harris算法特征零件识别的模型建立

(1)Harris算法模型的介绍

Harris算法是一种快捷有效的提取图片特征点并进行匹配的算法。Harris算法具有很多优点。首先就是Harris算法不受灰度平移影响，第二，Harris算法对图片的旋转有着不变性。第三，由于只涉一阶差分的计算，所以Harris算法计算简单，第四，Harris算法的取点方法较为科学合理。

(2)Harris算法响应函数：

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

在上式中，响应函数在边界区域时为负值，在角点区域为正值，在不变化的区域是近似于零的值。在检测图片的角点过程中，如果R值大于等于某个既定的阈值，则这个值被视为角点。

(3)Harris匹配

对于Harris算法通常采用设定阈值进行匹配，首先要设置一个阈值，然后进行匹配，并返回在另一个图片中处于设定阈值范围之内的匹配。

3.基于SURF算法提取特征点的零件识别模型建立

3.1 模型结构总体分析

(1)SURF算法模型的介绍

就零件位置识别，本文分析提出了基于SURF特征的零件位置识别的算法模型，该模型的算法可以有效减少位置识别时可能出现的误差

(2)SURF算法提取特征点所具有的特点

特征向量拥有较高的特异性。SURF提取特征点算法能够针对目标进行快速的位置定位，能够基于在特征点识别位置信息的基础上，对于图像轮廓尽心准确快速的定位。

(3)SURF算法对于物体的描述方式

i.对反应零件形状特征的特征点进行检测(即特征点的快速准确检测)。

ii.对于零件的特征点进行合理描述（即特征向量的检测）。

(4) 特征因子的检测及特征匹配

i.特征点的检测

ii.积分图像的建立

iii.利用箱式滤波器建立图像的有效尺度空间

iv.特征匹配

3.2 主要执行的步骤

Step1：特征点检测

Step2：积分数据图像的建立

Step3：箱式滤波器数据图像尺度空间的建立

Step4：进行特征描述(求取特征点的主方向, 邻域旋转,进行描述)

Step5：特征匹配

Step6：SURF算法编程

Step7：记录数据，总结分析其它算法模型的对比

4.基于Sift算法特征零件识别模型的建立

(1)SIFT算法模型的介绍

SIFT算法又叫尺度不变特征转换算法，它是David Lowe在1999年发表，它能在空间尺度上找寻找特征点，并进行特征匹配。目前广泛应用于人工智能中的机器视觉领域，在电脑图像识别，机械自动化制造等方面也用广泛的应用。

(2)二维高斯函数

(3)算法基本步骤

step1：尺度空间极值检测：通过遍历尺度上图像位置，找出图像旋转后的不改变的点，该特征点的辨别主要运用高斯差分函数进行计算，函数如下：

而实际计算时，需要构建高斯金字塔通过相邻层相减得到高斯差分图像，进行极值检测，实际上高斯金字塔就是在模拟人的眼球由远及近。在构建高斯金字塔时，组内每层的尺度坐标按如下公式计算：

step2：特征点定位：根据第一步选出的点的稳定程度找出图像的关键点，此时的点是离散的，利用子像素插值法得到连续空间极值点，并对尺度空间函数进行曲线拟合来提高选出点的稳定性，拟合函数为：

step3：特征点方向分配：

以所得直方图中最大值代表特征点主方向，并设置十分之八最值为辅助方向阈值，可以提高关键点的稳定性和鲁棒性。

step4：特征点描述与匹配：运用邻域匹配的方法，描述出特征点周围灰度值下降最快的方向，即梯度方向，找出特征点的邻域坐标，然后通过旋转公式得出原

结语：其中基于Harris算法位置识别模型可以通过对于梯度的准确选取，能够有效的检测多种类型的角点。Surf算法模型主要是利用数据的预处理包括在内的梯度变换的方法从而实现相对旋转的不变性,这样就能够达到取消主方向计算旋转的相应目的,实现SURF算法从积分图像计算到特征描述全过程的优化，能够有效提升相应的准确程度。