[发明专利]爆炸电路板残片图像自动比对识别方法

说明书

本发明公开了一种爆炸电路板残片图像自动比对识别方法，属于模式识别和图像处理技术领域。所述方法首先将残片图像基于概率图模型的图像分割算法进行对象分割，再采用基于概率抽样的颜色模型进行元器件的对象精定位，然后提取特征点并过滤，将过滤后的特征点与检索库中的电路板特征点进行比对识别，确定残片所属的源电路板。本发明首次提出并实现了根据爆炸电路板残片图像自动识别印刷电路板同型号原板的方法。所述比对识别方法能够准确地分割出电路板中的元器件及字符区域，抑制噪声干扰，比对时同时考虑特征点描述与空间几何关系的相似性，该方法在电路板残片图像自动识别中TOP1准确率高于99％。

技术领域

本发明属于模式识别和图像处理技术领域，具体是指一种爆炸电路板残片图像自动比对识别方法。

背景技术

遥控/定时类智能爆炸装置中的核心部件-电子线路板炸后识别比对并进一步溯源追踪，对侦破非现场智能启动爆炸案件具有重要意义。目前，对于电子线路板的甄别和辨识由专业人士人工摸排完成，需要熟练的专业知识和大量的精力；若能将图像模式技术用于爆炸电路板残片自动识别，将节省相关专家的大量排查工作、提高案件侦破的可能性。目前，通过图像模式识别技术，自动比对爆炸电路板残片、识别出同类型同型号电路板(此后简称原板)的技术和方法，国内外鲜有研究成果发表。

爆炸残片图像识别，涉及问题之一是电路板元器件分割，在电路板回收再利用的研究中，已有文献发表利用图像处理技术分割电路板图像元器件的方法；爆炸残片图像识别中的另一个重要问题，即识别方法，在图像检索领域，基于局部特征点的图像识别方法具有鲁棒的识别性能。

基于装配框标识的分割方法利用了电路板自身结构的特点，对焊接的元器件具有较好的分割结果。参考文献[1](参考文献[1]:Li,Wei,Bernhard Esders and MatthiasBreier.“SMD segmentation for automated PCB recycling.”INDIN(2013).)通过局部自适应阈值的方式检测装配框边界像素，边界框用于初始化分割候选区域，进一步通过分层评估的方法将边界框中只有焊点的区域删除，最后所有有框的元器件将被分割出。基于装配框标识的分割方法充分利用了电路板上的装配标识框，特征选择比较合理，但是准确率不高，特别是对电路板上元器件周边无装配框的情况，则无法分割元器件，该方法具有局限性。

基于阈值的分割方法，有比较多的文献发表。该类方法将电路板中的像素分为前景(元器件对象)与背景(主板)，通过颜色模型来自适应选取分割阈值。对于颜色种类少，颜色值差异大的电路板，阈值的选取相对容易；对于颜色种类丰富复杂的电路板，参考文献[2](参考文献[2]:Herchenbach,Daniel,Wei Li and Matthias Breier.“Segmentationand classification of THCs on PCBAs.”INDIN(2013))考虑多阈值的策略，通过分层优化代价函数来得到逐层的最优阈值，迭代地分割出元器件对象。在使用阈值分割的方法中，多数研究仅采用单一的颜色特征，研究的关键在于如何更准确地选取阈值，而阈值是否准确不仅与选取方法有关，也与不同来源的数据相关(拍摄条件、板子的新旧等)，各种影响因素使此类方法鲁棒性不好。电路板图像不仅颜色多样，而且纹理、边缘丰富，更合理的方案应该是考虑多特征的融合。

图像检索技术中，局部特征点匹配具有鲁棒的识别性能。Lowe提出的SIFT特征(参考文献[3]：Lowe,David G..“Distinctive Image Features from Scale-InvariantKeypoints.”IJCV(2004).)因其在图像局部特征描述方面的优越性能而被广泛应用，该特征对图像的光照、旋转变化、噪声以及尺度等都表现出较强的鲁棒性。SIFT匹配方法的实质是在不同的尺度空间上检测关键点(特征点)，并计算出关键点的方向及其特征描述。Lowe的SIFT特征提取算法分为四步：

(1)尺度空间极值检测：搜索图像所有尺度的位置，通过高斯差分函数来识别潜在的尺度不变极值点。