[发明专利]一种基于视觉的机器人目标物体识别方法

说明书

本发明涉及一种基于视觉的机器人目标物体识别方法，属于工业机器人目标物体识别技术领域，包括以下步骤：S1：采集关于目标物体的数字图像；S2：对含有目标物体的图像进行预处理，包括图像灰度化、图像增强、图像滤除噪声；S3：利用SURF算法提取图像中的特征点，包括源图像特征点以及目标图像的特征点；S4：基于特征点检测，利用模板匹配对目标物体进行识别，先识别出源图像和目标图像之间的共有特征点，再检测两特征点之间的相似程度。本方法方法具有良好的稳定性，在外界条件发生变化的情况下，诸如目标物体存在遮挡、旋转、缩放等条件下都够准确地识别出目标物体。

技术领域

本发明属于工业机器人目标物体识别技术领域，涉及一种基于视觉的机器人目标物体识别方法。

背景技术

随着人工智能技术的发展，机器人代替人力进行作业已经广泛应用于工业环境中，也成为传统制造业向现代化制造业转型的基本标志和技术。通过机器视觉进行零件识别和定位，并引导工业机器人的机械手抓取和装配零件是工业机器人应用领域中的关键问题。

随着工业技术的进步和制造工艺的提高，人们对生产过程中的自动化程度要求越来越高，传统的人工操作和简单的机械操作已不能满足生产线自动化的需求。机器人技术集成了机械、传感器、人工智能以及自动控制等各种先进技术，不仅可以增强生产过程的智能化，还能完成特定情况下人工无法完成的操作。将其应用到实际生产中，产品的质量和效率都有了明显的提高，而且在减少设备损耗、降低工人劳动强度、改善生产条件等方面也有着重大的促进意义。

在工业应用中大部分机器人采用示教编程的方式运行，前期需要进行大量的调试，而且机器人的作业位置基本都是固定的，虽然速度较快，但如果目标物体的位置发生变动就会造成机器人检测不到目标物体，因此导致作业失败，效率较低。近些年来，将机器视觉和机器人技术结合应用在生产中已经成为一种趋势，机器视觉能够作为机器人的“眼睛”，采集外界环境信息并对其进行处理整合，引导机器人完成作业。目前已经广泛的应用在工件分拣、缺陷检测、装配、装配等各个领域。但在这些领域中，工件是位于固定平面上且整齐摆放的，但是在目标物体的位置和姿态发生了改变的情况下，如果工业机器人还是按照预先设定的程序去识别、定位、抓取、安装目标物体的话，有可能不但不能完成任务，还会发生意想不到的结果。

机器视觉技术起步于20世纪60年代，美国麻省理工学院利用摄像头作为传感器，将物体识别及图像处理方法引入到机器人系统中，开始了机器视觉的研究，在复杂背景下识别物体的应用中，由于要识别的物体与周围环境相差较小，传统的阈值分割方法很难将物体从背景中分割出来，现在常用的识别方法主要分为两类：第一种先建立目标模板，通过模板匹配直接匹配出目标；第二种是对图像进行预处理，得到待识别的目标特征，然后对特征领域内进行二次分析提取出目标。

图像处理算法是机器视觉的核心内容，为了完成识别物体的任务，需要提前对图像进行滤除噪声、灰度化等操作，减少对后期物体识别的干扰。图像特征提取的定义可以简单叙述为：图像处理中初级的计算，以不同的方式遍历图像中所有像素，来提取图像像素所具有的特征，然后整合所有像素特征得到整幅图像的特征。图像的特征通常包括：颜色特征、纹理特征、边缘特征、高级特征等。颜色特征能直接表现出图像特征，可以展现出图像的基本信息。通用的颜色特征提取方法有颜色聚合矢量、颜色矩和颜色对、颜色直方图等。但是在实际的应用中，人们大多使用颜色直方图来提取颜色特征。纹理是一种结合人类视觉与触觉的视觉信息，体现了图像的一种内在的属性。纹理特征可以体现出图像灰度的结构和空间分布信息。

模板匹配是通过寻找与目标模板高度相似的特征来完成对物体的识别，有基于边缘点、灰度值、形状等方式，为了提高匹配速度，一些学者提出乱序匹配、限制最大匹配误差等匹配策略，大大减少了运算量，但在图像中有较多目标存在时，实时性较差。

发明内容

有鉴于此，本发明的目的在于提高机器人的工作效率和自适应能力，提供一种基于视觉的机器人目标物体识别方法，使机器人具有更好的灵活性、鲁棒性、高效率。