[发明专利]一种应用于人机协作的基于各向异性过滤的模板匹配方法

说明书

本发明公开了一种应用于人机协作的基于各向异性过滤的模板匹配方法，包括选择模板匹配算法；输入初始模板图片和源图片；根据输入的模板图片，通过各向异性过滤得到若干个层级模板图片集合；采用层级模板图片集合，通过模板匹配算法，计算集合中最佳匹配的层级；选择最佳匹配层级中所有模板图片作为输入，通过模板匹配算法，计算得到最佳匹配模板图片并输出匹配结果。本发明只需要提供一张待识别物体模板的图片，再采用各向异性过滤技术对此模板图片进行处理，自动生成多张各个角度、各种大小的模板图片。在人机协作过程中，能够对人手掌图片进行处理，高效、快捷，并且提高了工业生产的安全性和效率。

技术领域

本发明属于电数字处理领域，具体涉及一种应用于人机协作的基于各向异性过滤的模板匹配方法。

背景技术

随着人工智能技术的提高，人机协作技术越来越多的应用到了智能制造、自动化工厂领域中。人与机器人共融协作，可以有效发挥机器人精度高和耐久性好的优势。为了实现人机协作，人体运动状态和运动意图预测是机器人关注的重点。

传感方法和识别算法是准确预测人体运动信息的关键环节。摄像头传感器在其中起到了举足轻重的作用。将摄像头采集的图片信息作为输入的计算机视觉算法也越来越多地应用到人机协作中，帮助机器人更好的预测人类动作意图。计算机视觉算法的任务往往是目标识别，即在图片帧中识别出某一个特定物体；此物体可以是装配零件，也可以是人类手掌。手掌的识别与定位在预测人类动作意图也起到了一定的作用。

模板匹配是目标识别中最常用的技术之一。经典的模板匹配方法通常使用平方和差(SSD)或标准化交叉相关(NCC)来计算模板和底层图像之间的相似性分数。经过Dekel、Jiaxin Cheng等人的研究，模板匹配算法的精度和速度都有了长足发展。该算法有两个必须的输入：源图片和模板图片(即为需要识别的物体图片)。根据模板图片的不同，模板匹配算法可以在源图片中检测出多个待识别物体和同一个物体的不同角度。在实时人机协作场景中，人类和机器人处于运动状态，而摄像头的位置是固定的；因此摄像头捕捉的图片信息中，人手的角度和人手的大小都是变化的。为了能够应对这种情况，传统做法是尽可能多地提供各种角度和大小的手掌图片作为模板匹配算法的输入。随着待识别物体的增加，这种做法将变得异常繁琐、得不偿失。

发明内容

本发明的目的在于提供一种应用于人机协作的基于各向异性过滤的模板匹配方法，该方法只需要提供一张待识别物体模板的正面俯视图，再利用各向异性过滤对此模板图片进行处理，自动生成多张各个角度、各种大小的模板图片；处理快速、高效。

本发明提供的这种应用于人机协作的基于各向异性过滤的模板匹配方法，包括如下步骤：

S1.选择模板匹配算法；

S2.输入初始模板图片和源图片；

S3.根据输入的模板图片，通过各向异性过滤得到若干个层级模板图片集合；

S4.采用层级模板图片集合，通过模板匹配算法，计算集合中最佳匹配的层级；

S5.选择最佳匹配层级中所有模板图片作为输入，通过模板匹配算法，计算得到最佳匹配模板图片并输出匹配结果。

所述的步骤S1，具体包括，模板匹配算法包括平方差匹配算法、相关匹配算法和标准相关匹配算法；其中，相关匹配算法将模板对均值的相对值和图像对均值的相对值进行匹配；1表示完美匹配，-1表示糟糕的匹配，0表示没有任何相关性；同时令t_i,j为模板图片，i为模板图片的长，j为模板图片的宽；S_I,J为源图片，I为源图片的长，J为源图片的宽，i＜I,j＜J；图片为像素点的集合，并计算像素点的灰度值θ。

计算像素点的灰度值θ，具体为：

其中，x和y为像素的坐标；令图片左上角像素点为原点(0,0)，图片右下角坐标为(i,j)或(I,J)。