一种面向密封条长度检测的模板匹配优化算法

王 展, 杜正春

(上海交通大学 机械动力工程学院，上海 201100)

密封条是现代汽车内的重要部件之一，通常应用在车门、车窗和发动机等需要保证密闭性的位置，具有隔音、防尘和防水等功能，对于提高驾驶舒适性与安全性有着重要的作用[1]，对几何尺寸精度要求较高。传统的密封条长度测量方式为人工使用带刻度的夹具进行固定与测量，但是这种方法效率低下，且测量精度受人为因素影响难以达到要求。使用机器视觉检测技术能够解决这一问题，提高密封条长度检测的精度和效率。

机器视觉是指将采集到的图像进行处理,提取其中的特征信息。在常用的特征提取方法中模板匹配法使用最为广泛[2]，将待识别图像与标准模板进行匹配，具有快速、准确等优点，广泛应用于各种检测过程[3-5]。但传统模板匹配对图像旋转与噪声特别敏感，极易出现匹配错误，密封条本身易变形且不反光的特点会给模板匹配造成一定影响。

为了消除图像旋转给模板匹配造成的影响，不少学者对此展开研究，如使用外接矩阵求得待匹配区域的旋转角度[6]，对其修正后进行匹配,但这种方法只适用于长宽差距较大的特征；一些学者从模板角度出发，使用多模板匹配的方法[7-8]增加匹配成功率，但需要一开始就将所有可能出现的模板进行储存，适用性不强；不使用图像本身，而使用一些具有旋转不变性的特征向量进行模板匹配[9-11]，可以增强模板匹配的适用性，但要求图像本身具有比较强的纹理特征，特征点的数量充足。使用深度学习法[12-14]也能够对旋转图像进行识别，但需要大量数据进行训练，部署起来十分困难。综上所述，这些方法均不适用于密封条长度检测过程。

笔者针对模板匹配在汽车密封条长度检测的实际情况，提出一种基于Hough变换的自适应模板更新优化算法，该算法通过对传统模板匹配结果进行判断，利用Hough变换结合Mark点的几何特征，实现模板的自动更新。由于Hough变换本身不受图像旋转影响，因此该算法具有对旋转不敏感的优点。通过实际测量实验证明了该算法可以提高模板匹配的稳定性，在密封条长度检测过程中具有较强的应用价值。

1 视觉测长机结构与原理

1.1 密封条特征

汽车密封条通常由橡胶组成，是汽车重要的组件之一，由于其本身具有非常好的弹性和抗压缩变形等特点，可以起到防风、防水、防震等作用，但同时其易变形性也会给密封条的长度测量造成一定的困扰，通常采取在特定位置添加Mark点的方法来计算各个尺寸信息。图1为典型的汽车密封条局部图与Mark点示意图，可以看出其具有密封条本身对比度不高和Mark点特征不够明显的特点，给图像处理工作带来了一定困难。后续除原图外，其余图像均利用相同对比度拉伸的方法进行增强，方便显示。

图1 汽车密封条局部图与Mark点示意图

1.2 视觉测长机结构与原理

针对汽车密封条的上述特点，设计出密封条长度视觉测长设备。图2为视觉测长机三维结构图。该设备主要由床身、丝杠传动装置、工业相机和夹具组成。图3为该设备的工作流程图。密封条通过专用夹具固定在测长机的工作台面，丝杠传动系统驱动工业相机在密封条各个位置处拍照，由于密封条固定在夹具上，其特征点在图像中的位置相对固定，故选择划分适合大小的感兴趣区域(Region of Interest,ROI)加快识别速度。通过模板匹配的方法识别出模板在ROI区域内的准确位置，模板内包含特征点的具体坐标，通过相应的坐标系转换将特征点在模板内的位置转化为世界坐标系中的位置，通过世界坐标系内不同特征点的位置计算出相应的长度。

图2 视觉测长机三维结构图

图3 视觉测长机工作流程图

1.3 模板匹配相关理论

模板匹配是一项在一幅图片中寻找与模板图像最匹配部分的技术。其基本原理是在被测图像中自上而到下、自左到右历遍与模板图像大小相同的区域，依据不同的方法计算区域内部与模板的匹配程度，匹配程度越大，说明重合度越高，寻找到重合度最高的区域即找到了模板在图片中的位置。

本项目采用OpenCV库中的模板匹配函数，假设原始图像矩阵为R(x,y)；模板图像矩阵为T(x′,y′);原始图像每个位置(x,y)的相关系数为I(x,y)。该函数有6种匹配方法。

① TM_SQDIFF。该方法将图像与模板对应位置的像素值做平方差，匹配值越大表明当前区域匹配效果越差。

(1)

② TM_SQDIFF_NORMED。将方法①进行归一化处理，匹配值越大表明当前区域匹配效果越差。

(2)

③ TM_CCORR。该方法将图像与模板对应位置的像素值做乘积，匹配值越大表明当前区域匹配效果越好，该方法通常具有一定的局限性。

(3)

④ TM_CCORR_NORMED。将方法③进行归一化处理，匹配值越大表明匹配效果越好。

(4)

⑤ TM_CCOEFF。该方法将模板图像每个位置像素值对其均值的差与匹配区域每个像素对其均值的差进行相关性匹配，匹配值最大处为最佳匹配位置，匹配值最小处未最差匹配位置。w、h分别为模板的宽和高。

(5)

⑥ TM_CCOEFF_NORMED。对方法⑤进行归一化处理，匹配值越大匹配效果越好。

(6)

不同的匹配方法适应不同的匹配场景，为了确定最佳的匹配方法，本文在第3节设计了相关实验确定具体的模板匹配方法。

2 自适应模板更新匹配算法

2.1 算法流程

由上文可知，即使密封条在夹具的固定下每次变形量并不大，但是模板匹配由于自身匹配机制的局限性，并不能保证每次识别成功。针对该问题以及Mark点本身的结构特征，设计出一种模板自适应更新的模板匹配算法，该算法流程如图4所示，主要分为图像预处理、直线检测及筛选、圆检测及筛选和模板更新4个部分。

图4 算法流程图

2.2 图像预处理

首先需要对模板匹配结果进行判断，由上文可知，模板匹配过程中会依据匹配方式的不同而选择不同的评价标准，得到图像不同区域的置信度，选取置信度最大的区域作为该模板的位置，依据置信度的范围可以通过设定合适的阈值Threshold来对当前模板匹配效果进行一个判断。

如果此次模板匹配的置信度小于阈值，则认为该次模板匹配效果不好，进入模板更新阶段，在模板更新阶段，会先对原始图像进行预处理。预处理主要包含对图像的滤波和边缘检测。传统的滤波方式如高斯滤波可以很好地去除噪声，但是也会造成边缘模糊，不利于高频细节的保留。双边滤波器是一种非线性的滤波方法，它在传统的高斯滤波的基础上增加了高斯方差sigmd-d，它是基于空间分布的高斯滤波函数，可以实现在消除低频噪声的基础上很好地保留高频细节，其公式为

(7)

式中：(i,j)为当前被卷积像素的像素点；(k,l)为相邻像素的坐标点。可以看出，它取决于被卷积像素与周围像素之间的灰度值差。当灰度值差较大时，会产生一个较小的权值，减少滤波带来的影响；灰度值差较小时，会产生一个较大的权值，不影响正常的滤波功能。该公式与高斯滤波卷积核相乘，可以得到双边滤波的计算公式为

(8)

图5为双边滤波与高斯滤波的效果对比，可以看出，边缘滤波相对于高斯滤波，Mark点周围的细节得到了很好的保留，同时对背景进行了平滑处理，减少了噪声，对双边滤波后的图像进行边缘检测，可以将Mark点很好地提取出来。

图5 预处理效果图

2.3 特征点识别

在得到边缘检测后的二值图像后，需要利用Hough变换对特征点坐标进行提取。该过程主要由直线检测与筛选、圆检测与筛选组成。

Hough直线检测是常用的直线提取方法，该方法将图像从原图像空间变换到参数空间，即将每个像素点中所有可能存在的曲线在极坐标下的斜率与节距(θ,r)进行统计，通过对离散的(θ,r)进行计数，通过提取其峰值坐标得到可能存在的直线参数，该方法可以有效地提取处图像中的直线信息。在得到直线之后，依据Mark点其中一条直线与另一条直线垂直的特点，对得到的直线进行初步筛选，同时记录每一对垂直的直线的交点坐标，图6为直线检测的原始图像与筛选过后的图像。

图6 直线检测效果图

Hough圆原理与直线类似，只不过其参数空间为圆心坐标(a,b)和半径r组成的三维空间，同样是对离散的(a,b,r)进行计数，通过提取峰值坐标得到可能存在的圆参数。由于三维参数空间样本数量剧增，因此一般会限定半径r的范围来减少计算量。通过给定Mark点外接圆的直径范围，对原图像进行圆检测，检测完成后对圆进行初步筛选，计算每一个圆心的坐标与垂直线对交点的距离，保留距离小于阈值的圆的信息。

在完成圆的初筛工作后，需要对圆进行复筛，通常来说此时圆会分散在图像的各个区域，其中Mark点周围的圆数量是最多的，此时对圆进行聚类算法。对初筛后的圆进行历遍，将当前圆的圆心坐标与已分类的不同类别的圆心坐标平均值作比较，距离小于某个阈值则认为该圆属于该类别，否则将圆视为一种新的类别。此算法可以将初筛后的圆根据圆心坐标分为不同的类。之后将数量最多的类的圆心坐标平均值作为Mark点的坐标。图7为圆检测及筛选过程，可以看出该算法具有较好的识别效果。

图7 圆检测图像效果图

在完成识别工作后，将识别出的最大圆直径的1.1倍作为模板图像的尺寸，在原始图像中截取相应部分作为新的模板图像，同时将特征点的坐标位置记录下来，组成完整的模板信息，供下次匹配使用。

3 实验分析

3.1 确定模板匹配Threshold参数

为了能够对模板进行自适应更新，需要利用模板匹配的置信度与阈值Threshold进行对比。好的模板匹配方法应该有较高的准确性、较快的识别速度，同时置信度有较大的变化范围，为了探究最适合密封条模板匹配的方法和Threshold参数，对同一根密封条重复装夹16次，其中前13次为谨慎规范装夹后拍摄图片，后3次为模拟操作工不规范装夹导致Mark点有轻微形变后拍摄图片，将第1张图片中的特征点信息作为模板，以此探究传统模板匹配法在实际检测过程中的效果。

利用模板与图像进行匹配得到各个方法的匹配精度与平均时间，以及不同匹配情况下置信度的范围区间，6种模板匹配方法效果如表1所示。其中由于每张图片尺寸不同，因此只记录3种归一化方法的置信度区间。

由实验可以看出，6种方法的平均时间相近，但是准确性有较大差别，虽然TM_CCORR_NORMED较 TM_CCOEFF_NORMED精度略高，但前者识别置信度在0.98～0.99之间，而后者置信度在0.4～0.95之间，相比之下具有更高的辨识度。综合考虑，本文选择TM_CCOEFF_NORMED方法作为模板匹配的标准方法。同时Threshold参数设置为0.6，用来判断模板匹配效果的好坏。

表1 6种模板匹配方法效果

3.2 模板优化算法效果

依据上述实验结果，TM_CCOEFF_NORMED模板匹配方法在12张规范装夹照片中识别出了11张，3张不规范装夹照片中识别出了1张，可以看出在规范装夹时模板匹配识别成功率较高，但是面对不规范装夹导致的图像旋转等形变时，模板匹配就失效了。

为了探究本文提出的优化算法的效果，需要验证该优化算法中Hough变换算法本身的准确度。选取与上节相同的模板与待匹配图像进行实验，同时对上述15张待匹配图片分别顺时针、逆时针旋转20°，以此模拟在实际检测过程中特征点的极限旋转情况。两种算法对比如表2所示。

表2 模板匹配算法与Hough算法对比

该实验证明Hough算法相较于传统的模板匹配算法，在实际检测过程中具有更高的准确性，同时可以克服图像旋转带来的影响，识别效果更加稳定。但是耗时较长，不利于快速检测。图8为模板匹配与优化算法识别效果，可以看到其中一张图片旋转前后两种方法的识别结果对比。

3.3 模板匹配优化算法效果

在实际的测量过程中，优化算法只会在模板匹配置信度低于阈值时调用Hough算法，生成新的模板便于下次模板匹配。为了验证优化算法在实际测量中的效果，对同一根密封条进行重复装夹30次的实验，对拍摄的图像分别使用模板匹配法与优化算法进行对比，得到的实验结果如表3所示。

图8 模板匹配与优化算法识别效果

表3 模板匹配算法与优化算法效果对比

由上述实验可以发现，相对于模板匹配法，自适应模板更新算法有更高的准确性，该算法将模板匹配与Hough变换相结合，在模板匹配失效时生成新的模板图像进行储存，下一次识别失败的时候会优先调用储存的模板图片，如果所有的模板图片均匹配失败则再启动模板更新的算法，可以保证匹配速度的同时提升匹配的准确性。

4 结束语

针对特征检测过程中模板匹配对于图像形变异常敏感的问题，提出一种基于Hough变换的自适应模板更新算法。利用传统模板匹配结果置信度判断匹配效果的好坏，将原始图像进行双边滤波、Hough变换和筛选后提取出特征点相关信息，形成新的模板进行储存，用于下一次模板匹配。该算法创新性地将模板匹配与Hough变换相结合，实现了模板的自适应更新，不仅维持了模板匹配法匹配速度快的优点，同时极大地提升了实际测量的准确度，在实时性和精度方面均能满足实际检测的需求，具有较高的应用价值。但是该算法对非刚性形变检测准确率较低，有待进一步提高。