基于机器视觉的面粉袋码垛机器人研究中图像预处理（中）

具体方法是将不同类型面粉袋图像的名称分别截取出来，经过图像预处理后组成匹配识别的模板图像库，如图2.4所示。

码垛机器人当面粉袋进入视觉识别区域时，上位机PC驱动摄像头采集面粉袋图像并对随机采集的面粉袋图像进行图像预处理操作，然后提取面粉袋图像的SIFT特征向量，将待识别面粉袋图像的特征向量与模板图像库中模板图像的SIFT特征向量分别进行匹配运算。如果与其中某一模板图像匹配成功，即可判别出该面粉袋的类型，如果匹配失败则与下一个模板图像进行匹配，直至匹配成功。若待识别图像与所有的模板图像均匹配完成也未能匹配成功，则系统再次采集待识别图像并修改匹配参数重新进行匹配。在匹配处理前系统需要保存预处理后的待识别图像为面粉袋的位置识别做准备。类型判别后也要保存正确匹配的特征点对，以便识别面粉袋的角度信息，类型识别程序流程如图2.5所示。

本文通过图像匹配识别面粉袋类型是在SIFT算法的基础上实现的，因此需对SIFT匹配算法的原理进行描述说明。

2.4.2 SIFT匹配算法

SIFT C Scale Invariant Feature Transform)算法即尺度不变特征变换是David G.Lowe教授在1999年首次提出的，并于2004年对该算法进行了相关的改进和总结。SIFT算法对图像中的特征点的识别是利用了图像的局部不变特性，并且该算法对图像间发生平移、旋转和仿射变换都能达到很好的匹配效果和比较高的稳定性。该算法已经在图像遥感测量、图像拼接融合、模式识别和机器视觉等众多生产、科研领域得到了广泛的应用。

SIFT匹配算法由SIFT特征点的检测和SIFT特征向量的匹配两部分构成。具体的可分为建立图像的尺度空间、确定图像尺度空间中的关键点(极值点)、剔除不良关键点、分配关键点的方向、生成关键点的特征描述子和SIFT特征点的匹配。

(1)建立图像的尺度空间

尺度空间的构建作为SIFT匹配算法的初始化操作，主要是为了模拟出图像的多尺度特性。其中高斯卷积核是完成多尺度空间变换仅有的线性变换核，因此可以将一幅二维图像I(x,y)的尺度空间表示为式(2-14)所示。

码垛机器人DOG尺度空间是通过高斯平滑和降采样得到高斯金字塔，然后再由每一层相邻的高斯图像做差生成的，如图2.6所示。由于高斯差分函数能够类似的看作归一化了的高斯拉普拉斯函数，因此能够在高斯差分结构(即DOG尺度空间)中提取关键点作为候选关键点。