[发明专利]一种复杂场景工件识别方法

说明书

技术领域

本发明涉及应用在复杂场景中的工件识别方法，更具体地说是一种基于图像处理和机器学习的目标检测技术，属于计算机视觉领域。

背景技术

机器人在工业生产中有这广泛的应用，可以用于加工、装配、搬运、分拣等单调繁琐的重复性工作，不仅节省人力、提高生产效率，而且生产的产品质量稳定，将计算机视觉技术引入到机器人控制中，基于一定的图像处理技术和模式识别技术，使其能模拟人的视觉认知能力，可大大提高机器人的智能化水平。

在生产过程中，可以采用激光、磁学、超声等设备进行工件扫描，进而实现工件的识别，但这些设备对工业生产环境要求苛刻，数据采集和处理速度较慢，且设备成本较高，而计算机视觉技术用相机进行工件图像采集，用图像处理技术和模式识别技术实现工件的自动检测和识别，系统成本低，而且能够作为视觉引导模块能够与机器人伺服系统进行结合和引导机器人进行工作，因此在工业机器人中得到广泛应用。

现有的工件识别方法和问题如下：

公开号为CN104268602A的文献中公开了“一种基于二进制特征匹配的遮挡工件识别方法”，是一种基于特征匹配的工件识别方法，采用BRISK算法提取工件模板图像和待识别工件图像上的特征点，并用二进制描述子进行描述，最后进行特征匹配并且用RANSAC去除误匹配，进而找到工件位置。其所存在的不足是：如果待识别图像中有多个相同工件，则特征匹配会分散到这多个工件上，不能识别到一个完整的工件。

公开号为CN104156726A的文献中公开了“一种基于几何形状特征的工件识别方法”，是一种基于几何形状的工件识别方法及装置，其提取传送带上的工件图像与传送带图像做差分运算得到包含工件及其阴影在内的前景区域，采用阴影检测法去除阴影得到工件的区域轮廓，针对工件的区域轮廓提取特征包括Hu矩和Fourier算子，最后用支持向量机对工件轮廓的特征向量进行训练和分类，其所存的不足是：该方法只适用于单一的环境，比如传送带，若有复杂一些的背景，则分离不出工件的轮廓，适用性差。

Liu M Y,Tuzel 0,Veeraraghavan A，et al.于The International Journal of Robotics Research,2012,31(8):951-973.发表的“Fast object localization and pose estimation in heavy clutter for robotic bin-picking”中提出一种适用于bin-picking场景的工件识别装备及方法，利用多角度曝光摄像头拍摄到的图像，计算出工件边缘的深度信息，然后利用快速形状匹配算法，实现工件识别和姿态判定，但其设备复杂、成本高。

上述已有技术中的工件识别分类方法综合存在有如下问题：

一是需要借助3D摄像头等复杂设备实现工件识别，成本较高，数据获取和处理过程复杂，计算量较大；

二是基于二维图像的工件识别技术方案对工作环境要求苛刻，需要工件和传送带有非常强的对比度，以使获得图像中工件边缘较容易提取；

三是使用特征匹配方法识别工件不适用于场景中存在多个工件的情况，也不适用于场景复杂的情况。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种复杂场景工件识别方法，基于图像特征和机器学习的工件识别方法，让工业机器人准确地进行工件识别定位，进而完成后续抓取等工作。

本发明为解决上述技术问题采用如下技术方案：

本发明复杂场景工件识别方法的特点是按如下步骤进行：

步骤1、用单个摄像头拍摄获取含有工件的待识别场景图像；

步骤2、对于所获取的待识别场景图像提取候选识别区域，是将获取的待识别场景图像进行灰度化，得到灰度图像，对于灰度图像提取候选识别区域；

步骤3、计算码本；

对目标工件拍摄多幅目标图像作为正样本，对于所有正样本提取获得正样本surf特征点，并对每个正样本surf特征点计算获得正样本surf特征描述子，对所有的正样本surf特征描述子进行k-means聚类，得到k个聚类中心，并以所述k个聚类中心组成一个码本。

步骤4、训练SVM分类器；

拍摄多幅不含目标工件的场景图像作为负样本，利用所述码本分别为每幅正样本和每幅负样本计算获得样本BOW特征向量；对于所述样本BOW特征向量进行SVM训练，获得SVM分类器；