(18.204.2.190) 您好!臺灣時間:2021/04/19 08:17
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:彭國軒
研究生(外文):Kao-Hsuen Perng
論文名稱:快速物件辨認與定位—環狀樣板比對
論文名稱(外文):Fast object recognition and positioning — Ring Template Matching
指導教授:彭明輝彭明輝引用關係
指導教授(外文):Ming-Hwei Perng
學位類別:碩士
校院名稱:國立清華大學
系所名稱:動力機械工程學系
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2003
畢業學年度:91
語文別:中文
中文關鍵詞:物件辨認環形編碼樣板比對結構圖樣旋轉不便性
外文關鍵詞:object recognitionring codingtemplate matchingstructure patternrotation invariant
相關次數:
  • 被引用被引用:9
  • 點閱點閱:1518
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:123
  • 收藏至我的研究室書目清單書目收藏:1
本論文的目的為提出二值化影像(binary image)中,尺寸固定之二維物件即時辨認與定位的演算法。本文所討論的二值化影像,存在單一物件或多個物件,並考慮有物件完整的出現在影像中,並且缺陷將不影響物件的完整性。本論文提出的演算法主要分為三大步驟:
(1) 在標準二維物件上選取圓環型的樣板,目的是解決影像中目標物件旋轉不變性(Rotation invariance)的問題,並將樣板上數位點的分布轉換成為角度分布,並編碼成角碼(Angle code)成為特徵;
(2) 接著在模型樣板上設計測試搜尋步驟,過濾出初級候選位置,利用提高候選位置之輸出率使比對的程序有效率;
(3) 最後配合特徵角碼的循環性質發展出循環串列比對法(Cyclic String Matching),以判斷出目標物件的候選位置與姿態角。
本論文提出的演算法,能夠對目標物件精確的定位-包含位置以及旋轉角,並不受限特定的應用領域。最後,本論文將此演算法應用在二值化影像印刷電路板的定位、商標的辨認與空照圖中飛機的辨認與定位上作為實例,進行演算法的驗證。
第一章 序論 1
1.1研究背景 1
1.2文獻回顧 1
1.2-1圖樣識別的分類與辨認目的……………………………………………………..1
1.2-2物件搜尋 1
1.2-2(a)樣板比對 2
1.2-2(b)結構圖樣識別 2
1.2-3物件分類……………………….………………………………………………….3
1.2-3 (a)統計圖樣識別 4
1.2-3(b)類神經網絡圖樣識別 4
1.3研究目的、範圍與方法 5
1.4文章結構 6
第二章 物件搜尋技術文獻回顧 8
2.1 物件辨認技術回顧 8
2.1-1樣板比對 …………………………………………………………………………8
2.1-2結構圖樣識別……………………………………………………………………10
2.2旋轉不變性-環形編碼技術 12
2.3物件搜尋技術分析 15
2.4研究方向與方法 16
第三章 重現程序 18
3.1 影像前處理 18
3.2 物件環狀樣板 20
3.2-1環狀樣板設計……………………………………………………………………20
3.2-2特徵萃取-環碼…………………………………………………………………21
3.2-3 數位化誤差分析-角度碼轉換………………………………………………...23
第四章 辨認系統設計 28
4.1 循環串列比對法 28
4.1-1角碼性質 28
4.1-2 前處理-特徵還原 29
4.1-3 曲線比對 29
4.1-4 循環串列比對演算法 31
4.2測試性遮蔽搜尋法…………………………………………………………………....33
4.2-1初級特徵選取 34
4.2-2 候選位置暫存影像 35
4.3-1 雙環環狀樣板 37
4.3-2 無監控資料分類) 38
第五章 實驗結果與效能分析 40
5.1 實驗模擬結果 40
5.1-1 簡單規則影像物件辨認-印刷電路板 40
5.1-2複雜、不規則影像物件辨認-商標 43
5.1-3複雜、不規則、缺陷並有背景問題之影像物件辨認-空照圖 45
5.2 實驗結果效能分析 47
5.2-1辨認速度與計算效率 47
5.2-2 效能因子與限制 48
5.2-2(a) 參數選擇 48
5.2-2(b) 影像特性 49
第六章 結論與未來發展 52
6.1 研究成果 52
6.1-1優點與特性 52
6.1-2適用場合與限制 53
6.2 未來發展 53
REFERENCE 55
圖表目錄
【圖1.1】 樣板比對,圖左上方為樣板,圖中白方框處為樣板位置。 2
【圖1.2】複雜紛亂的影像,使得結構圖樣比對無法有效率的進行。 3
【圖1.3】物件搜尋系統流程圖 5
【圖1.4】研究策略流程圖 6
【圖2.1】樣板比對 8
【圖2.2】(A)影像中為數個分離的元件;(B)將(A)中的元件疊合在一起形成交錯的影像(B);(C)利用結構圖樣識別將各個元件辨認出來。 11
【圖2.3】紛亂的影像,使結構圖樣識別強健性、穩定性與效率變差。 11
【圖2.4】 影像被切割成低解析度之網格,作成三個同心圓。將三個同心圓內所有的灰階值累計,成為三個一組的特徵。 13
【圖2.5】 影像中的特徵(CHARACTER) 由質心至邊緣做等差半徑同心圓,並以每個圓圓周上物件與背景變化次數作為特徵(FEATURE)。 14
【圖2.6】 (A) 半徑為1的圓環,取樣8點;(B)將八個取樣點做二值化得到特徵。 14
【圖2.7】研究策略與方法流程圖 16
【圖3.1】 (A)原始空照圖灰階影像;(B)經過二值化後之黑白影像。 19
【圖3.2】 (A) [3, 3]中通濾波器,中心為運算位置,周圍八點為相鄰運算像素點;(B) 未經過濾波之二值化影像;(C) 經過濾波後之二值化影像。 19
【圖3.3】 (A) 以環形樣板上的灰階資料累計作為特徵;(B) 多環樣板:多個等差半徑、單一像素點寬度的圓環萃取相交次數之拓樸特徵;(C) 單環取樣:以取樣點的二值化資料串作為特徵,粗略的適度保留旋轉角度。 21
【圖3.4】 環狀樣板:單一像素點寬度圓環,以所有像素點作為特徵。 21
【圖3.5】 (A)尺寸7×7 PIXELS之二值化影像中有一尺寸3×3 PIXELS方形物件,一直徑為6 PIXELS之環狀樣板在影像上進行取樣;(B) 環狀樣板之循環二值碼;(C) 由環狀樣板展開並進行編碼後之環碼,第一項值為初始值。 22
【圖3.6】 (A)類比環形進行解析度為7×7 PIXELS之數位化,數位化後的形狀具有鋸齒狀而不近似圓形;(B) 影像旋轉30度,環狀樣板進行取樣;(C) 由環狀樣板展開之環碼,代表物件分布之數位點1之長度減少了。 23
【圖3.7】(A) 座標分析:數位化環形樣板第一項現分布;(B)最大誤差分析:取90度與45度對應之數位點比較,粗體深色直線為近似直線;(C) 誤差累積:弧旋轉45度後將出現最大誤差。 24
【圖3.8】(A) ARC : 物件經旋轉後的ARC; (B) ANT : 角度累計表建立;(C) NC : 查表還原ANC,再相減得到NC;(D)MODEL : 物件未經旋轉之NC。 26
【圖4.1】 (A) 【圖3.5】(C)環碼;(B) 【圖3.6】(C)環碼,經平移後可還原成FIG.Ⅲ.B-3(C)環碼,誤差為一個數位點。 28
【圖4.2】 角度變化編碼SHAPE SIGNATURES CODING。 30
【圖4.3】 曲線比對(ON CURVE MATCHING ALGORITHM)。 30
【圖4.4】 (A) 正向累加器;(B)負向累加器;(C) 反轉負向累加器;(C) 累加器整合。 32
【圖4.5】角碼累計值辨認判斷。 32
【圖4.6】旋轉角還原。 32
【圖4.7】 圖中之PCB,僅遮蔽背景部份仍必須處理大量的物件位置。 33
【圖4.8】(A) 飛機模型物件取環狀樣板,中間取測試方陣至(B);(B)測試方陣,邊長L =3,初級特徵值MV=9;(C) 測試位置往X或Y移動一個像素點,測試方陣將出現L個像素點的變化。 34
【圖4.9】測試性遮蔽搜尋法流程圖 36
【圖4.10】 (A)範例圖形-飛機空照圖;(B) 暫存影像。 36
【圖4.11】(A) 辨認系統流程;(B) 特徵比對流程 38
【圖4.12】無監控資料分類(UNSUPERVISED DATA CLASSIFICATION)流程圖。 39
【圖5.1】 (A) COF原始影像;(B) 模型影像,取雙環環狀模板;(C) 比對定位結果以模型邊緣重疊,比對結果為:LOCATION = (181, 192), Θ=0。。 41
【圖5.2】COF測試影像以5度為單位逐漸旋轉至45度,最大誤差包含旋轉角與位置。 41
【圖5.3】 (A) 左圖為附有錫膏之電路板實際影像,右圖為模型影像並取雙環環狀模板;(B) 附有錫膏之電路板測試影像以5度為單位逐漸旋轉至45度。 42
【圖5.4】 (A) 所選取四個商標之原始灰階影像;(B) 將四個商標進行前處理後合併在一張影像上,尺寸為440X440 PIXELS。 43
【圖5.5】 (A)商標經過旋轉後任意合併在一起的測試影像;(B)模型物件,取雙環樣板﹔(C)依據辨認出來的位置與旋轉角,將模型影像顯示在與測試影像相同尺寸的空白影像中。 43
【圖5.6】 (A)商標經過旋轉後任意合併在一起的測試影像;(B)模型物件,取雙環樣板﹔(C)依據辨認出來的位置與旋轉角,將模型影像顯示在與測試影像相同尺寸的空白影像中。 44
【圖5.7】 (A)商標經過旋轉後任意合併在一起的測試影像;(B)模型物件,取雙環樣板﹔(C)依據辨認出來的位置與旋轉角,將模型影像顯示在與測試影像相同尺寸的空白影像中。 44
【圖5.8】 (A)商標經過旋轉後任意合併在一起的測試影像;(B)模型物件,取雙環樣板﹔(C)依據辨認出來的位置與旋轉角,將模型影像顯示在與測試影像相同尺寸的空白影像中。 44
【圖5.9】(A) 原始測試影像400X278 PIXELS;(B) 二值化之測試影像;(C) 二值化測試影像經過中通濾波器;(D)模型影像161X161 PIXELS,取雙環環狀樣板;(E) 將模型物件依辨認結果重新顯示於空白影像中。 45
【圖5.10】(A) 原始測試影像600X480 PIXELS;(B) 二值化之測試影像;(C) 二值化測試影像經過中通濾波器;(D)模型影像151X151 PIXELS,取雙環環狀樣板;(E) 將模型物件依辨認結果重新顯示於空白影像中。 46
【圖5.11】(A) 原始測試影像600X740 PIXELS;(B) 二值化之測試影像;(C) 二值化測試影像經過中通濾波器;(D)模型影像151X151 PIXELS,取雙環環狀樣板;(E) 將模型物件依辨認結果重新顯示於空白影像中。 47
【圖5.12】 (A) (B)兩圖分別於不同位置取雙環樣板,當所取位置之圓心沒有物件如圖(B)時,測試方陣將無法有效的應用。 49
【圖5.13】 右圖影像為經過不好的前處理,致使特徵破碎而使得難以有效率的辨認目標物。 50
【圖5.14】 (A) COF原始二值化影像;(B)為初級候選位置暫存影像,圖中方筐內為經過篩選後的位置,方筐外為影像處理邊緣問題而不考慮。 50
【圖5.15】 (A) 附有錫膏之電路板之二值化原始影像;(B)初級候選位置暫存影像,圖中方筐內為經過篩選後的位置,方筐外為影像處理邊緣問題而不考慮。 51
【表1】 表格中定義【圖5.5】~【圖5.8】所選定的參數,以及給予影像之初始旋轉角、實驗辨認角度與辨認誤差。 ….………………………………………………………….44
Reference
[1] J. K. Aggarwal, (1995). A Model-based Object Recognition In Dense Range Image. ACM Computing Survey, Vol 25, No.1, pp. 5 — 43.
[2] I. D. Trier, A. K. Jain, and T. Taxt, (1995). Feature extraction methods for character recognition-a survey. Pattern Recognition, Vol. 29, No. 4, pp. 641—662
[3] S. Loncaeic, (1998). A survey of shape analysis techniques. Pattern Recognition, Vol. 31, No. 8, pp. 983 — 1001.
[4] A. k. Jain, R. P. W. Duin, and J. C. Mao, (2000). Statistical Pattern Recognition : A Review. IEEE. Trans. on Pattern Analysis And Machine Intelligence, Vol. 22, No.1, pp. 4 - 37.
[5] M. N. Al-Subbagh, and E. V. Jones, (1988). Optimum Patterns for Frame Alignment. IEE Procedings F , Vol. 135, Issue. 6 , pp. 594 - 603.
[6] D. W. Paglieroni, (1992). Distance Transforms: Properties and Machine Applications. GVGIP: Graphical Models and Image Processing, Vol. 54, No. 1, pp. 56 - 74.
[7] D. W. Paglieroni, (1992). A Unified Distance Transforms Algorithm and Architecture. Machine Vision and Application, Vol. 5, pp. 47 — 55.
[8] D. P. Huttenlocher, G. A. Klanderman, and W. J. Rucklidge, (1993). Comparing Image Using the Hausdorff Distance. IEEE. Trans. on Pattern Analysis And Machine Intelligence, Vol. 15, No.9, pp. 850 - 863.
[9] D. W. Paglieroni, G. E. Ford, and E. M. Tsujimoto, (1994). The Position-Orientation Masking Approach to Parametric Search for Template Matching, IEEE. Trans. on Pattern Analysis And Machine Intelligence, Vol. 16, No.7, pp. 740 — 747.
[10] C. F. Olson, and D. P. Huttenlocher, (1997). Automatic Target Recognition by Matching Oriented Edge Pixel, IEEE Trans. on Image Processing, Vol. 6, No.1, pp. 103 - 113.
[11] Xilin Yi, and Octavia I. Camps, (1999). Line-Based Recognition Using A Multi- dimensional Hausdorff Distance, IEEE. Trans. on Pattern Analysis And Machine Intelligence, Vol. 21, No. 9, pp.901 - 916.
[12] H. Sakou, T. Miyatake, S. Kashioka and M. Ejiri, (1989). “A Position Recognition Algorithm for Semiconductor Alignment Based on Structure Pattern Matching”, IEEE. Trans. on Acoustics, Speech, and Signal Processing, Vol. 37, No. 12, pp. 2148 - 2157.
[13] F. Stein, and G. Medioni, (1992). Structural Indeing : Efficient 2-D Object Recognition, IEEE. Trans. on Pattern Analysis And Machine Intelligence, Vol. 14, No.12, pp. 1198 - 1204.
[14] A. M. Mayez, (1999). An Efficient Indexing Scheme for Image Storage and Recognition. IEEE Trans. on Industrial Electronics, Vol. 46, No.2, pp. 429 - 439.
[15] E. M. Arkin, L.. Chew, D. P. Huttenlocher, Klara Kedem, and J. S. B. Mitchell, (1991). An Efficiently Computable metric for Comparing Polygonal Shapes, IEEE. Trans. on Pattern Analysis And Machine Intelligence, Vol. 13, No. 3, pp. 209 - 215.
[16] G. Cortelazzo, G. A. Mian, G, Vezzi, and P. Zamperoni, (1994). Tradmark Shapes Description By String-Matching Techniques. Pattern Recognition, Vol. 27, No. 8, pp. 1005 — 1018.
[17] H. L. Peng, and S.Y. Chen, (1997). Trademark Shape Recognition using Closed Contours. Pattern Recognition Letters, Vol. 18, pp 791 — 803.
[18] A. Bandera, C. Urdiales, F. Arrebola, and F. Sandoval, (1999). 2D Object Recognition Based on Curvature Functions Obtained from Local Histograms of the Contour Chain Code. Pattern Recognition Letters, Vol. 20, pp 49 — 55.
[19] S. Belingie, J. Malik, and J. Puzicha, (2002). Shape Matching and Object Recognition Using Shape Contexts. IEEE. Trans. on Pattern Analysis And Machine Intelligence,Vol. 24, No.24, pp. 509 - 522.
[20] H. J. Wolfson, (1990). On Curve Matching. IEEE. Trans. on Pattern Analysis And Machine Intelligence. Vol. 12, No. 5, pp. 483 — 489.
[21] C. Rekeczky, A. Ushida, and T Roska, (1995). Rotation Invariant Detection of Moving and Standing Objects Using Analogic Neural Network Algorithms Based on Ring. IEICE Trans. on Fundamentals, Vol. E78-A, No. 10, pp 1316 - 1329.
[22] L. A. Torres-Méndez, J. C. Ruiz-Suárez, Luis E. Sucar, and G. Gómez, (2000). Translation, Rotation, and Scale-Invariant Object Recognition, IEEE. Trans. on Systems, Man, and Cybernetics, Vol. 30, No. 1, pp.125 - 130.
[23] T. Ojala, M. Pietikainen, and Topi Maenpaa, (2002). Multi-resolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns. IEEE. Trans. on Pattern Analysis And Machine Intelligence, Vol. 24, No. 7, pp. 971 — 987.
[24] A. Apostolico, and Z. Galil, (1997). Pattern Matching Algorithms, Oxford University Press.
[25] E. R. Davies, (1997). Machine Vision: Theory, Algorithms, Practicalities, 2nd Edition, Academic Press.
[26] M. Sonka, V. Hlavac, and R. Boyle, (1998). Image Processing, Analysis, and Machine Vision, 2nd Edition, An International Thomsom Publishing Company.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔