(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211076630.8 (22)申请日 2022.09.05 (65)同一申请的已公布的文献号 申请公布号 CN 115170669 A (43)申请公布日 2022.10.11 (73)专利权人 合肥安迅精密技 术有限公司 地址 230088 安徽省合肥市高新区黄山路 602号大学科技园A40 0室 (72)发明人 贺琛　唐学峰　吴欢欢　傅亚男　 于缓缓　陈凌升　金长明　 (51)Int.Cl. G06T 7/73(2017.01) G06T 7/33(2017.01) G06T 3/00(2006.01) G06T 7/13(2017.01)G06T 1/00(2006.01) (56)对比文件 CN 111028292 A,2020.04.17 CN 110986778 A,2020.04.10 CN 103390280 A,2013.1 1.13 审查员 康环环 (54)发明名称 基于边缘特征点集配准的识别定位方法及 系统、 存储介质 (57)摘要 本发明涉及表 面贴片设备技术领域， 具体公 开了一种基于边缘特征点集配准的识别定位方 法及系统、 存储介质， 所述方法包括以下步骤： 计 算元件灰度图像中各个像素位置的梯度值， 从梯 度值中筛选出局部极值点作为候选边缘点， 根据 候选边缘点邻域内灰度分布信息计算出亚像素 边缘点的位置和对应的梯度向量； 对亚像素边缘 点筛选抽稀 得到目标特征点集； 依据目标特征点 集建立元件的形状模板点集； 将形状模板点集向 目标特征点集对应的梯度向量上 投影， 采用投影 距离的最大相关熵作为评价准则进行配准获得 元件的位姿信息。 该方案能够在元件图像质量存 在变化的前提下， 使用同一套识别参数稳定、 高 效地完成识别定位要求。 权利要求书3页 说明书8页 附图9页 CN 115170669 B 2022.11.22 CN 115170669 B 1.一种基于边 缘特征点集配准的识别定位方法， 其特 征在于， 包括以下步骤： 计算元件灰度图像中各个像素位置的梯度值， 从梯度值中筛选出局部极值点作为候选 边缘点， 根据候选边缘点邻域内灰度分布信息计算出亚像素边缘点的位置和对应的梯度向 量； 对亚像素边 缘点筛选抽稀得到目标 特征点集； 依据目标特征点集建立元件的形状模板点集， 包括以下过程： 设定形状模板点集数目 为Num， 向长边分配floor(W/(W+H) ×Num/2)个点， 向短边分配floor(H/(W+H) ×Num/2)个 点， W为以像素单位计的长边长度， H为以像素单位计的短边长度， floor表 示向下取整 数； 在 长边两侧留出s ×W的空余， 在短边两侧留出s ×H的空余后， 等间隔选取各条边上的点， 建立 元件的形状模板点 集， s表示空余系数； 将形状模板点集向目标特征点集对应的梯度向量上投影， 采用投影距离的最大相关熵 作为评价 准则进行配准获得 元件的位姿信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述根据候选边缘点邻域内灰度分布信 息 计算出亚像素边 缘点的位置和对应的梯度向量， 包括以下步骤： 分别计算元件灰度图像中各个像素位置的X和Y方向梯度值， X方向梯度值GX(row,col) ＝0.5*(gray(r ow,col+1) ‑gray(row,col‑1))， Y方向梯度值GY(row,col)＝0.5*(gray(r ow +1,col)‑gray(row ‑1,col))； 其中， GX(row， col)表示位于图像第row行第col列的像素的X 方向梯度值， GY(row， col)表示位于图像第 row行第col列的像素的Y方向梯度值， gray(row+ 1,col)表示位于图像第row+1行第col列的像素的灰度值， gray(row ‑1,col)表示位于图像 第row‑1行第col列的像素的灰度值,gray(row,col+1)表示位于图像第row行第col+1列的 像素的灰度值,gray(ro w,col‑1)表示位于图像第ro w行第col‑1列的像素的灰度值； 在X方向梯度值中筛选出局部极值点作为纵向候选边缘点； 在Y方向梯度值中筛选出局 部极值点作为横向候选边 缘点； 以候选边 缘点为中心确定邻域， 采用亚像素边 缘线y＝ɑx+b将领域分为两 部分； 以候选边缘点邻域内的梯度值确定亚像素边缘线两侧的边界位置， 并计算其中一侧边 界位置至亚像素边 缘线之间的面积Sp； 分别计算两侧边界位置的像素平均值， 得到区域灰度值， 面积Sp所在侧的区域灰度值记 为A， 另一侧的区域灰度值记为B； 计算单行像素的灰度值之和SumF， 公式如下： 其中， i为单个像素点， h为像素的大小， N 为单行像素的个数， m和n分别为像素所在行的边界位置坐标， 所述单行像素是指沿所述候 选边缘点对应的梯度方向， grad(i)为 i的灰度值； 根据Sp和SumF得到亚像素边缘线的参数 ɑ、 b， 计算出亚像素边缘点的位置为(row,col+ b)和对应的梯度向量 3.根据权利要求2所述的方法， 其特征在于， 所述以候选边缘点为中心确定邻域中， 所 述邻域沿该候选边 缘点对应的梯度方向取3行， 分别记为U、 M、 D， h取值 为1， 则 Sp＝SU+SM+SD， 且权　利　要　求　书 1/3 页 2 CN 115170669 B 2其中， U1、 M1、 D1分别为各行中位于亚像素边缘线一侧的边界位置坐标， SU、 SM、 SD分别为 各行边界位置 至亚像素边 缘线之间的面积。 4.根据权利要求1所述的方法， 其特征在于， 所述对亚像素边缘点筛选抽稀得到目标特 征点集包括以下 过程： 利用局部异常因子算法计算各个亚像素边缘点在半径为r的邻域中的点密度d， 若点密 度d小于阈值dth， 则认为该点 为离群点， 将其从亚像素边 缘点集中剔除； 利用K最近邻算法计算各个亚像素边缘点在点集中的k个最近邻点， 评估这k+1个亚像 素 边 缘 点 的 梯 度 方 向 一 致 性 ， 当 这 k + 1 个 亚 像 素 边 缘 点 的 梯 度 方 向 差 值 时， 则认为该亚像素边缘点为干扰点， 将其从亚像素边缘点集中 剔除， 其中， 表示第i个点的梯度向量的方向角， 表示第i+1个点的梯度向量的方 向角， 表示方向阈值； 在剩余的亚像素边缘点集中进行均匀采样， 等间隔抽取N_target个亚像素边缘点， 并 提取出亚像素边 缘点对应的梯度向量和坐标值构成目标 特征点集。 5.根据权利要求1所述的方法， 其特 征在于， s的取值范围为： 10 /H≤s≤30/H。 6.根据权利要求1所述的方法， 其特征在于， 所述将形状模板点集向目标特征点集对应 的梯度向量上投影， 采用投影距离的最大相关熵进行配准获得元件的位姿信息包括以下过 程： 确定形状模板点集和目标特征点集的对应关系， 将形状模板点集向目标特征点集对应 的梯度向量上投影， 计算各个对应点对的投影距离； 将投影距离之和作为迭代配准 误差， 目标函数如下： 其中， T表示刚性变换， 包括旋转变换、 缩放变换或平移变换， argmin表示求目标函数的 最小值； i表示形状模板点集中点的计数编 号； Si表示形状模板点集中第 i个点； Ns表示形状 模板点集中点的个数； Nd表示目标特征点集中特征点的个数； c(i)表示用于确定模板点i在 目标特征点集中对应点的关系函数； 表示目标特征点集中对应第i个模板点的特征点 的梯度向量， dc(i)表示目标 特征点集中与模板点 集第i个点相对应的特 征点；权　利　要　求　书 2/3 页 3 CN 115170669 B 3