機(jī)器視覺(jué)（Machine Vision），又被稱為計(jì)算機(jī)視覺(jué)或人工視覺(jué)，是用計(jì)算機(jī)模擬人眼的視覺(jué)功能，從圖像或圖像序列中提取信息，對(duì)客觀世界的三維景物和物體進(jìn)行形態(tài)和運(yùn)動(dòng)識(shí)別。 機(jī)器視覺(jué)技術(shù)已廣泛應(yīng)用于工業(yè)自動(dòng)化生產(chǎn)線，各類檢驗(yàn)和監(jiān)視，視覺(jué)導(dǎo)航，圖像自動(dòng)解釋、人機(jī)交互及虛擬現(xiàn)實(shí)等領(lǐng)域。

二維圖像模式定位系統(tǒng)算法

機(jī)器視覺(jué)中的二維圖像模式定位系統(tǒng)算法整體流程圖如圖1所示，由RBF網(wǎng)絡(luò)模式訓(xùn)練和模式定位兩個(gè)部分組成。

徑向基函數(shù)（RBF，Radial basis function） RBF網(wǎng)絡(luò)為兩層MLP（Multiple Layer Propagation）提供了一種前饋結(jié)構(gòu)，具有最佳逼近（Best approximation）性質(zhì)，無(wú)須學(xué)習(xí)系數(shù)，學(xué)習(xí)收斂速度極快，在樣本數(shù)目多的情況下，正確率趨于穩(wěn)定。故本算法中采用RBF網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練。

定位系統(tǒng)具體工作流程圖如圖2所示。先設(shè)定訓(xùn)練模式，對(duì)模板圖像進(jìn)行預(yù)處理，濾除干擾、噪聲后再經(jīng)特征提取得到訓(xùn)練樣本，對(duì)樣本進(jìn)行學(xué)習(xí)，提供分類決策。在待識(shí)別模式中對(duì)待識(shí)別圖像同樣經(jīng)過(guò)預(yù)處理、特征提取后，用訓(xùn)練模式中的分類器中提取的分類決策進(jìn)行RBF網(wǎng)絡(luò)識(shí)別，得到結(jié)果。若分類器不能提供目前的分類決策，則得到錯(cuò)誤檢測(cè)，需要更新訓(xùn)練模式，直到重新獲得正確的分類決策。其中最重要的一個(gè)環(huán)節(jié)就是特征提取與選擇，影響到最后的定位精度。

圖像特征提取

小波變換具有多分辨率特性，對(duì)原始圖像的分解呈Mallat塔式分解，具有集中信號(hào)能量的能力，小波變換后圖像的信息僅僅集中在少數(shù)幾個(gè)變換系數(shù)上，多數(shù)變換系數(shù)為零，有助于降低圖像目標(biāo)小波變換的時(shí)間復(fù)雜度和空間復(fù)雜度（如圖3所示）。同時(shí)小波變換后代表圖像頂點(diǎn)等特征點(diǎn)的模極大值的范數(shù)不隨圖像的旋轉(zhuǎn)、平移和伸縮的變化而改變，故本文在小波變換的基礎(chǔ)上對(duì)圖像提取特征。

視覺(jué)系統(tǒng)獲得具有實(shí)際模式的二維圖像，記為I（x，y）。存儲(chǔ)在計(jì)算機(jī)內(nèi)存中具有同樣模式的參考圖像（即模板）記為

本文只考慮二維圖像變化為剛性變化的情況。點(diǎn)集P、Q定義為

其中 點(diǎn)集P{p1、p2、… pm}表示參考圖像W的數(shù)據(jù)，Q{q1、q2、… qn}為經(jīng)過(guò)仿射變換（如平移、旋轉(zhuǎn)、縮放等）的圖像I數(shù)據(jù)。本文假設(shè)圖像I和模板W中心重合，則P與Q之間的關(guān)系可以通過(guò)公式（1）求得

其中s 是兩幅圖像的放大縮小比例系數(shù)，θ是旋轉(zhuǎn)角度，?x、?y分別是沿X軸，Y軸方向的位移偏移量。

特征提取步驟為：首先對(duì)圖像重采樣，使得其寬度和高度是2的冪次方，然后進(jìn)行小波變換得到矩陣X，將X歸一化得到圖像特征矩陣Y。其中X=［x1，…，xn］T為低分辨率的小波系數(shù)組合成的矩陣，均值μ，方差σ，矩陣Y=［y1，…，yn］T為

模式訓(xùn)練算法

獲得圖像特征矩陣后，對(duì)特征進(jìn)行 RBF網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，如圖4所示。

具體如下：

對(duì)RBF中心的學(xué)習(xí)采用了模糊聚類算法

（1） 選取群數(shù)M（2≤M≤N）及指數(shù)型權(quán)重r（1≤ r ≤∞）。選取起始的分割矩陣U（0）及誤差臨界值ε。初始化聚類中心di（i=1，2，…，M），根據(jù)經(jīng)驗(yàn)從輸入圖像特征樣本Xj（j=1，2，…，N）中選擇M個(gè)樣本作為聚類中心。

（2） 將U（t）代入公式（5）計(jì)算模糊聚類中心

將模糊聚類中心代入公式（6）計(jì)算新的分割矩陣U（t+1）。

（4） 計(jì)算

若 ?>ε，則t＝t＋1，回到（2）；否則聚類中心的分布不再變化，結(jié)束。

計(jì)算權(quán)值系數(shù)

由于本算法中RBF選用的是高斯函數(shù)，因此方差為

其中 M為隱含層節(jié)點(diǎn)數(shù)，dmax為所選取中心之間的最大距離。隱含層至輸出層單元連接權(quán)值用最小二乘法直接計(jì)算，即

模式定位算法

對(duì)背景圖像進(jìn)行預(yù)處理后提取特征，用已經(jīng)訓(xùn)練好的RBF網(wǎng)絡(luò)分類器進(jìn)行鄰域搜索，求得最佳匹配位置。流程圖如圖5所示。