当前主流的在线高精度PCB 裸板缺陷AOI 检测系统均采用基于轮廓矢量化分析比对方法，圆弧探测是实现轮廓矢量化的关键环节。本文提出一种快速的圆弧探测方法，首先采用DP(Douglas-Peucker)算法对轮廓进行曲线抽稀处理，将轮廓分割为直线段基元并计算法向角，然后依次计算各相邻直线段基元的法向角偏差之和，并与基元中点位置值一起形成法向角变换曲线，再次采用DP 算法检测变换曲线中的直线段即可完成圆弧探测。本文将圆弧探测简化为两次直线探测，算法复杂度为O(n)，具有非常高的计算效率。实验结果表明，本文方法与Halcon商业软件中的圆弧检测算法相比，准确率更高且耗时更少。

在线高精度 PCB裸板缺陷 AOI检测系统中待处理的高分辨率图像高达 60 000×60 000以上, 为提高处理速度, 需提取图像轮廓并进行 DP曲线抽稀从而减少处理数据量。点到线段的距离度量是影响 DP曲线抽稀方法效率的决定因素之一, 本文提出一种高效的分区距离度量计算方法, 首先以曲线首尾端点连线为基准 X轴建立新的旋转直角坐标系, 逐点计算各点在新坐标系下的坐标值, 然后以此坐标值进行分区及距离度量计算, 在 I区和 III区采用曼哈顿距离、在 II区则依然采用垂直距离。与 Dan Sunday所提分区距离度量方法相比, 本文方法充分利用了前一点的距离度量计算结果, 对点进行分区判断的方式更为简洁、高效, 在基本保持 I、III分区各点距离度量计算量的前提下, 大幅减少了比重最高的 II区点的距离度量计算量。实验结果表明, 本文改进距离度量计算的 DP曲线抽稀方法有效提高了高分辨率 PCB裸板图像轮廓的曲线抽稀效率。

提出一种基于子空间的3D目标识别方法.该方法对3D目标进行事先的训练学习,采集目标可能出现时的图像,提取场景中目标的主要特征成分,建立所有目标样本图像和每个目标样本图像对应的两类特征子空间,分别用来确定目标类型和姿态.当输入一幅未知的待识别目标图像,识别系统将其分别向两类特征空间投影,根据它在两类特征子空间中的投影位置并参照目标特征的分布规律识别目标类型和姿态.实验证明,该方法具备对目标多种姿态图像畸变的鲁棒性,对光照变化也有很好的抑制作用,取得良好的目标识效果。

基于相关的模板匹配方法在图像跟踪中得到了广泛的应用,但是这种方法的主要缺点是对图像噪声非常敏感,而且由这种方法得出的相关曲面比较平坦.为了有效抑制噪声和局部遮挡对图像的影响,提出用鲁棒统计中的一个值代替相关值作为距离度量.它不是计算两幅图像的对应像素差值, 而是计算两幅图像中差别不大的对应象素对的个数。实验证明这样得到的曲面相对要尖锐得多.当上述的距离度量应用于跟踪过程中时, 模板的合理更新对跟踪非常重要.基于上述的距离度量方法, 提出了一种新的模板更新策略.利用两幅图像中近似像素在整修匹配模板像素中所占的比例大小决定加权系数.这种加权策略可以自适应地根据图像序列的变化选择更新相关模板,同时在一定程度上减小模板漂移的危险.

汽车牌照的定位是牌照识别的第一步,定位的准确与否将对后续操作起关键性的作用.在模式识别领域中,希望通过一种方法就完成一项实际工作是不可能的,必须要考虑多种方法融合的策略.提出了一种基于多方法的车牌定位策略.首先利用颜色信息对输入图像进行彩色粗分割,得到了颜色为车牌照的一些区域.然后将分割结果中的伪目标区域(即除了车牌照区域外的其他区域)分为两类(一类是与汽车牌照颜色相近的背景,一类是可能和牌照颜色相近的汽车外壳),分别进行处理,最终利用投影法得到准确的车牌位置.实验结果表明该方法效果良好。

在传统的基于模板匹配的跟踪方法中,均是给定一个模板,然后从图像中各个位置取出一个个与模板大小一致的区域进行相似性度量,找出与模板距离最小的一个区域作为当前模板,以便进行下一步的匹配跟踪工作.在景象匹配和相关跟踪过程中,由于所面临的大多数是变化的场景,实时获取的图像与预存模板之间存在比较大的差异,传统相关匹配方法的应用就会受到限制;而且在跟踪过程中,随时更新模板会造成跟踪性能对扰动过分敏感,从而产生漂移.首先拍摄目标不同角度的图像(尽可能包含目标可能出现的所有情况),构成目标图像训练集合,抽取出特征矩阵,对它进行奇异值分解,构成一个关于目标的多维空间.然后再用匹配方法在全局范围搜索,找出目标的大致位置,并利用收敛方法在确定的大致位置内进行搜索,确定目标的仿射变换参数,从而得到一个目标位置的确切描述.

传统相关跟踪方法是利用模板图像与目标图像对应像素的灰度差异信息进行跟踪,它对旋转变化敏感,且存在跟踪累积误差,容易导致模板漂移而丢失目标.文中提出基于奇异值分解的跟踪算法,算法首先建立模板图像训练集合,利用奇异值分解方法,张成模板图像特征空间,然后求出模板图像在特征空间里的投影值,代替传统算法中灰度对两幅待匹配图像进行的全局搜索定位.在进行投影值间的相似性度量时,欧氏距离同等对待所有的特征向量不够合理,文中采用了一种鲁棒估计方法,可以对不同距离的值做不同处理.匹配跟踪实验效果良好.

传统的图像相关匹配方法中，由于实时图和参考图之间存在着灰度差异和一定程度的几何形变以及对目标的局部遮挡，使得利用求取对应像素灰度差累加和来进行相似性度量算法的性能很容易受到影响。文中从另一角度提出了一种新的图像相关匹配算法。该方法改变了原先匹配算法中求取模板图像和目标图像的像素灰度差的和的方法，而改为求取两幅图像之间相接近的点的个数，从而使匹配算法的稳定性大大提高，因为局部出现的大片噪声点将不会影响匹配的结果，而这样的情况在传统的相关算法中将会显著影响匹配结果。实验结果表明了该方法的有效性。

传统的图像匹配方法中,由于实时图和参考图之间存在着灰度差异和几何形变,仅用灰度作为特征进行匹配算法的性能很容易受到影响.文中提出了一种基于奇异值分解的图像匹配方法.该方法首先利用奇异值分解方法,求出模板图像矩阵的奇异值及奇异值向量,用它们作为模板图像的特征代替传统算法中的灰度对两幅待匹配图像进行全局搜索定位.由于奇异值分解方法所特有的优越性,匹配实验取得了良好效果.实验结果验证了该方法的有效性.