基于梯度直方图特征的团块关联方法及装置与流程

1.本技术涉及视觉检测技术领域，特别涉及一种基于梯度直方图特征的团块关联方法以及一种基于梯度直方图特征的团块关联装置。


背景技术：

2.相关技术中，视觉系统检测面板时，相邻较近的笔段或图标会被设置在一个roi(region of interest，感兴趣区域)框内；其中，roi框使用图形界面绘制，太小的roi框开发人员不好绘制；且不同roi框之间如果没有预留一定的余量，产线在换暗箱的时候也会非常难调试，为了精确的分析roi框内各笔段或图标信息，在分析笔段或图标的时候首先提取轮廓，然后根据索引逐一检出笔段或图标的轮廓用于提取对应的特征，最后需要通过索引将提取的特征信息与标准的特征信息关联并比较差异。
3.现有的方法一般为：步骤1，设置网格宽gw和高gh；步骤2，取轮廓左上角点或中心点代表该轮廓位置点；步骤3，将位置点放入相应的网格中；步骤4，将含有网格的位置点从左到右，从上到下排序；其中，步骤1中网格的宽和高相当于位置点被允许的“活动”范围，只要旋转后位置点仍然在同一个网格内，索引就不会变化，这样相当于有抗旋转能力；例如，有位置点a(2,2)，b(6,3)，c(4,4)，有又{gw＝3,gh＝3}和{gw＝4,gh＝4}两种网格，那么位置点划分如图1所示；再使用步骤4的规则，于是网格{gw＝3,gh＝3}得到位置点顺序为a-》c-》b，网格{gw＝4,gh＝4}得到位置点顺序为a-》b-》c；在实际应用中网格和位置点之间不能保证相对静止，会有相对移动；例如，图1b的c(4，4)位置点向上移动一个单位，那么位置点顺序就a-》c-》b，因此，如图2所示，现有方法关联团块的时候会出现错误，进而会出现黄金板和被测板之间一致性无法正确对比的情况。


技术实现要素：

4.本技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本技术的一个目的在于提出一种基于梯度直方图特征的团块关联方法，通过梯度直方图配合位置和仿射变换后搜索最邻近位置进行关联，从而提高了团块关联的准确性。
5.本技术的第二个目的在于提出一种基于梯度直方图特征的团块关联装置。
6.为达到上述目的，本技术第一方面实施例提出了一种基于梯度直方图特征的团块关联方法，包括以下步骤：获取待关联团块组中的每个团块对应的轮廓以得到轮廓点集，并获取每个轮廓点集的均值，以便将所述每个轮廓点集的均值作为所述每个轮廓的特征点位置，以得到特征点位置集合；采用梯度直方图特征根据所述每个轮廓的轮廓点集和所述特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合；根据预先设置的抽取特征点数从所述待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将所述每个特征点信息分别与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到所述每个特征点信息对应的匹配对象；根据所述随机抽取对应个特征点信息对应的特征点位置和所述匹配对象对应的特征点
位置计算仿射矩阵；采用所述仿射矩阵对所述第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索所述第一关联团块组的所有特征点信息对应的特征点位置在所述变换结果中的最邻近位置，以便完成所述第一关联团块组和所述第二关联团块组之间的关联。
7.根据本技术实施例的基于梯度直方图特征的团块关联方法，首先，获取待关联团块组中的每个团块对应的轮廓以得到轮廓点集，并获取每个轮廓点集的均值，以便将每个轮廓点集的均值作为每个轮廓的特征点位置，以得到特征点位置集合；然后，采用梯度直方图特征根据每个轮廓的轮廓点集和特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合；接着，根据预先设置的抽取特征点数从待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将每个特征点信息分别与待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到每个特征点信息对应的匹配对象；再接着，根据随机抽取对应个特征点信息对应的特征点位置和匹配对象对应的特征点位置计算仿射矩阵；最后，采用仿射矩阵对第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索第一关联团块组的所有特征点信息对应的特征点位置在变换结果中的最邻近位置，以便完成第一关联团块组和第二关联团块组之间的关联；由此，通过梯度直方图配合位置和仿射变换后搜索最邻近位置进行关联，从而提高了团块关联的准确性。
8.另外，根据本技术上述实施例提出的基于梯度直方图特征的团块关联方法还可以具有如下附加的技术特征：
9.可选地，根据以下公式得到所述每个轮廓的特征点位置：
[0010][0011]
其中，kpi表示索引为i的特征点位置，表示索引为i的轮廓对应的轮廓点集，l表示索引为i的轮廓由l个点构成，p(xj,yj)表示第j个点的坐标。
[0012]
可选地，采用梯度直方图特征根据所述每个轮廓的轮廓点集和所述特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合，包括：以所述每个轮廓对应的特征点位置为圆心，得到所述每个轮廓对应的最大内切圆对应的半径；根据预先设置的半径放大系数对所述半径进行拉伸，以得到拉伸后的圆，并将所述拉伸后的圆作为梯度直方图统计范围，以便提取所述每个轮廓对应的特征点的特征信息，以得到特征点信息集合。
[0013]
可选地，将所述每个特征点信息分别与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到所述每个特征点信息对应的匹配对象，包括：将所述每个特征点信息中的任意一个特征点信息与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以便在所述第二关联团块组对应的所有特征点信息中得到与所述任意一个特征点信息距离最小的特征点信息，并将其作为所述任意一个特征点信息的匹配对象，以此类推，直至得到所述每个特征点信息对应的匹配对象。
[0014]
可选地，基于梯度直方图特征的团块关联方法还包括：根据所述第一关联团块组的所有特征点信息对应的特征点位置和所述变换结果中的最邻近位置获取反映整体偏差
情况的阈值；如果所述阈值大于预先设置的偏差阈值或者当前匹配次数小于预先设置的最大匹配次数，则重新进行匹配关联；如果否，则完成匹配关联。
[0015]
为达到上述目的，本技术第二方面实施例提出了一种基于梯度直方图特征的团块关联装置，包括：获取模块，用于获取待关联团块组中的每个团块对应的轮廓点集，并获取每个轮廓点集的均值，以便将所述每个轮廓点集的均值作为所述每个轮廓的特征点位置，以得到特征点位置集合；特征提取模块，用于采用梯度直方图特征根据所述每个轮廓的轮廓点集和所述特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合；第一判断模块，用于根据预先设置的抽取特征点数从所述待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将所述每个特征点信息分别与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到所述每个特征点信息对应的匹配对象；计算模块，用于根据所述随机抽取对应个特征点信息对应的特征点位置和所述匹配对象对应的特征点位置计算仿射矩阵；特征关联模块，用于采用所述仿射矩阵对所述第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索所述第一关联团块组的所有特征点信息对应的特征点位置在所述变换结果中的最邻近位置，以便完成所述第一关联团块组和所述第二关联团块组之间的关联。
[0016]
根据本技术实施例的一种基于梯度直方图特征的团块关联装置，通过梯度直方图配合位置和仿射变换后搜索最邻近位置进行关联，从而提高了团块关联的准确性。
[0017]
另外，根据本技术上述实施例提出的基于梯度直方图特征的团块关联装置还可以具有如下附加的技术特征：
[0018]
可选地，根据以下公式得到所述每个轮廓的特征点位置：
[0019][0020]
其中，kpi表示索引为i的特征点位置，表示索引为i的轮廓对应的轮廓点集，l表示索引为i的轮廓由l个点构成，p(xj,yj)表示第j个点的坐标。
[0021]
可选地，所述特征提取模块还用于，以所述每个轮廓对应的特征点位置为圆心，得到所述每个轮廓对应的最大内切圆对应的半径；根据预先设置的半径放大系数对所述半径进行拉伸，以得到拉伸后的圆，并将所述拉伸后的圆作为梯度直方图统计范围，以便提取所述每个轮廓对应的特征点的特征信息，以得到特征点信息集合。
[0022]
可选地，所述第一判断模块还用于，将所述每个特征点信息中的任意一个特征点信息与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以便在所述第二关联团块组对应的所有特征点信息中得到与所述任意一个特征点信息距离最小的特征点信息，并将其作为所述任意一个特征点信息的匹配对象，以此类推，直至得到所述每个特征点信息对应的匹配对象。
[0023]
可选地，基于梯度直方图特征的团块关联装置还包括第二判断模块，用于根据所述第一关联团块组的所有特征点信息对应的特征点位置和所述变换结果中的最邻近位置获取反映整体偏差情况的阈值；如果所述阈值大于预先设置的偏差阈值或者当前匹配次数小于预先设置的最大匹配次数，则重新进行匹配关联；如果否，则完成匹配关联。
附图说明
[0024]
图1为现有网格划分和位置点放入的示意图，其中，a为网格{gw＝3,gh＝3}的示意图，b为网格{gw＝4,gh＝4}的示意图；
[0025]
图2为现有方法存在缺陷的效果示意图；
[0026]
图3为根据本技术实施例的基于梯度直方图特征的团块关联方法的流程示意图；
[0027]
图4为根据本技术实施例的计算特征点位置过程的示意图，其中，a为roi团块的示意图，b为roi的轮廓图，c为特征点位置集合示意图；
[0028]
图5为根据本技术实施例的梯度直方图统计范围示意图，其中，a为内切圆与拉伸后圆关系示意图，b为统计区域示意图；
[0029]
图6为根据本技术实施例的梯度直方图；
[0030]
图7为根据本技术实施例的偏移前后对比示意图，其中，a为偏移前示意图，b为偏移后示意图；
[0031]
图8为根据本技术实施例的团块关联效果示意图；
[0032]
图9为根据本技术一个实施例的基于梯度直方图特征的团块关联装置的方框示意图。
具体实施方式
[0033]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0034]
为了更好的理解上述技术方案，下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
[0035]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0036]
图3为根据本技术实施例的基于梯度直方图特征的团块关联方法的流程示意图，如图3所示，该基于梯度直方图特征的团块关联方法包括以下步骤：
[0037]
s101，获取待关联团块组中的每个团块对应的轮廓以得到轮廓点集，并获取每个轮廓点集的均值，以便将每个轮廓点集的均值作为每个轮廓的特征点位置，以得到特征点位置集合。
[0038]
作为一个实施例，根据以下公式得到所述每个轮廓的特征点位置：
[0039][0040]
其中，kpi表示索引为i的特征点位置，表示索引为i的轮廓对应的轮廓点集，l表示索引为i的轮廓由l个点构成，p(xj,yj)表示第j个点的坐标。
[0041]
需要说明的是，待关联团块组中至少包括两个团块组，每个团块组至少包括三个团块，每个团块对应一个轮廓；其中，如图8所示，将每个数码管笔段或者图标组成元素称为
一个团块。
[0042]
作为一个具体实施例，如图4所示，例如索引为0的轮廓由n个点构成，则该轮廓点集记为ct0＝{p(x0,y0),p(x1,y1),...,p(x
n-1
,y
n-1
)}，roi轮廓图又含有m个轮廓，则整体的轮廓点集记为ct＝{ct0,ct1,...ct
m-1
}，分别取每个轮廓点集的均值代表该轮廓，并把每个代表轮廓的均值点作为一个特征点位置kp，索引为i的特征位置kpi用式子可表示为(这里假设索引为i的轮廓由l个点构成)：那么特征点位置集合kp＝{kp0,kp1,...,kp
m-1
}，包含有m个位置。
[0043]
s102，采用梯度直方图特征根据每个轮廓的轮廓点集和特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合。
[0044]
作为一个实施例，采用梯度直方图特征根据每个轮廓的轮廓点集和特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合，包括：以每个轮廓对应的特征点位置为圆心，得到每个轮廓对应的最大内切圆对应的半径；根据预先设置的半径放大系数对半径进行拉伸，以得到拉伸后的圆，并将拉伸后的圆作为梯度直方图统计范围，以便提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合。
[0045]
作为一个具体实施例，首先，设定半径放大系数α用于拉伸半径长度，保证特征提取区域包含足够的边缘信息(边缘的梯度信息较丰富)；同时分别计算轮廓cti以对应特征点位置kpi为圆心的最大内切圆半径，并对半径进行拉伸，计算过程可表示为：
[0046]ri
＝α
×
maxinscribedcircle(cti,kpi)
[0047]
然后，将圆心为kpi，半径为ri的圆作为梯度直方图统计范围，提取kpi对应的未偏移特征信息f
′i，统计范围如图5所示。
[0048]
梯度直方图包含的梯度值g(k,z)和梯度方向θ(k,z)，可用下列式子表示：
[0049]gx
(k,z)＝i(k+1,z)-i(k-1,z)
[0050]gy
(k,z)＝i(k,z+1)-i(k,z-1)
[0051][0052][0053]
例如，现在要提取索引为i的特征信息，则k、z被限制在以kpi为圆心，ri为半径的圆内，并设置直方图bin个数为b(bin的个数b可以根据实际调整)，横轴是圆周角bin等分的梯度方向，纵轴是梯度值累加，于是可以得到如图6所示的梯度直方图，即得到未偏移特征信息fi'＝{v
′
'0,v
′1,...,v'
b-1
}。
[0054]
接着，偏移起始和幅度归一化(主要是增强特征稳定性)；将累加梯度值最大的bin作为起始，在梯度值最大的区间前的bin整体往后顺延，如图7所示意；假设fi'中最大梯度幅值为v'j，偏移后特征信息记为f
i”，那么f
i”＝{v
″0，v
″1,...,v
″
b-2
,v
″
b-1
}＝{v'j,v'
j+1
,...,v'
j-2
,v'
j-1
}；再对f
i”归一化得到fi，式子表示为：
[0055]
[0056][0057]
于是得到索引为i的轮廓特征点信息fi＝{v0,v1,...,v
b-1
}。
[0058]
最后，特征点位置kp和对应的特征点信息f组成特征点fp＝{kp,f}，于是m个轮廓的roi特征点信息集合fp＝{fp0,fp1,...,fp
m-1
}。
[0059]
s103，根据预先设置的抽取特征点数从待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将每个特征点信息分别与待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到每个特征点信息对应的匹配对象。
[0060]
作为一个实施例，将每个特征点信息分别与待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到每个特征点信息对应的匹配对象，包括：将每个特征点信息中的任意一个特征点信息与待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以便在第二关联团块组对应的所有特征点信息中得到与任意一个特征点信息距离最小的特征点信息，并将其作为任意一个特征点信息的匹配对象，以此类推，直至得到每个特征点信息对应的匹配对象。
[0061]
需要说明的是，假设共提取2个roi进行关联，roi-a和roi-b，特征点信息集合分别记为fpa、fpb(实际应用中可以是提取一个基准fp
base
，然后用基准fp
base
与其他的关联roi)；设定偏差阈值td，最大匹配次数c(td，c根据实际情况和要求设置)，设置随机抽取特征点个数n(通常n有最小要求，跟求解仿射矩阵有关)，随机抽取特征点和多次匹配都是为了增强算法稳定性。
[0062]
作为一个具体实施例，首先从fpa随机抽取n个特征点记为fp
′a，fp
′a＝{fp'
a,0
,fp'
a,1
,...,fp'
a,n-1
}＝random(fpa)，然后是特征信息匹配，例如fp'
a,i
＝{kp'
a,i
,f
′
a,i
}的特征匹配是计算fpb＝{fpb}＝{kpb,fb}包含的所有特征信息fb＝{f
b,0
,f
b,1
,f
b,2
...}与f
′
a-i
的距离，并取距离最小的信息特征作为匹配对象f
′
b,i
，可以表示为：
[0063]f′
b,i
＝min(distance(f
′
a,i
,f
b,0
),distance(f
′
a,i
,f
b,1
),...)
[0064]
分别匹配n个特征点后，得到f
′b＝{f
′
b,0
,f
′
b,1
,...,f
′
b,n-1
}。
[0065]
s104，根据随机抽取对应个特征点信息对应的特征点位置和匹配对象对应的特征点位置计算仿射矩阵。
[0066]
作为一个具体实施例，使用fp
′a的位置点集合kp
′a和f
′b对应的位置点集合kp
′b计算仿射矩阵：a＝getaffinetrans(kp
′a,kp
′b)
[0067]
其中，getaffinetrans()表示求解仿射矩阵，求解仿射矩阵的方法较多可以是任意一种，a表示仿射矩阵。
[0068]
s105，采用仿射矩阵对第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索第一关联团块组的所有特征点信息对应的特征点位置在变换结果中的最邻近位置，以便完成第一关联团块组和第二关联团块组之间的关联。
[0069]
作为一个具体实施例，使用仿射矩阵对roi-b的位置点集合kpb做仿射变换：
[0070]
akpb＝a
×
kpb[0071]
完成仿射变换后，使用最邻近搜索策略，分别搜索roi-a位置集合kpa每个位置在
akpb中的最邻近位置，这样kpa的一个位置kp
a,i
有对应
[0072][0073]
另外，作为一个实施例，基于梯度直方图特征的团块关联方法还包括：根据第一关联团块组的所有特征点信息对应的特征点位置和变换结果中的最邻近位置获取反映整体偏差情况的阈值；如果阈值大于预先设置的偏差阈值或者当前匹配次数小于预先设置的最大匹配次数，则重新进行匹配关联；如果否，则完成匹配关联。
[0074]
作为一个具体实施例，其中，m为kpa包含的位置个数；如果用于反映整体偏差情况的δd大于先前设定的阈值偏差td或当前匹配次数小于最大匹配次数c，则重新重复步骤s103-s105；如果用于反映整体偏差情况的δd小于等于先前设定的阈值偏差td，则记录关键点映射关系；于是完成了rio-a的团块和rio-b中与之对应的团块关联；其他情况，则无法关联。
[0075]
也就是说，在仿射变换后，第一关联团块组和第二关联团块组就可以通过最邻近搜索策略进行关联；可以理解为仿射变换是将第一关联团块组中的每个团块和第二关联团块组中的每个团块进行位置“对齐”，所以对齐后的第一关联团块组的每个团块使用最邻近搜索即可在第二关联团块组中找到对应的团块。
[0076]
综上所述，根据本技术实施例的基于梯度直方图特征的团块关联方法，首先，获取待关联团块组中的每个团块对应的轮廓以得到轮廓点集，并获取每个轮廓点集的均值，以便将每个轮廓点集的均值作为每个轮廓的特征点位置，以得到特征点位置集合；然后，采用梯度直方图特征根据每个轮廓的轮廓点集和特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合；接着，根据预先设置的抽取特征点数从待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将每个特征点信息分别与待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到每个特征点信息对应的匹配对象；再接着，根据随机抽取对应个特征点信息对应的特征点位置和匹配对象对应的特征点位置计算仿射矩阵；最后，采用仿射矩阵对第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索第一关联团块组的所有特征点信息对应的特征点位置在变换结果中的最邻近位置，以便完成第一关联团块组和第二关联团块组之间的关联；由此，通过梯度直方图配合位置和仿射变换后搜索最邻近位置进行关联，从而提高了团块关联的准确性。
[0077]
为了实现上述实施例，本技术实施例还提出了一种基于梯度直方图特征的团块关联装置，包括：获取模块10、特征提取模块20、第一判断模块30、计算模块40和特征关联模块50。
[0078]
其中，获取模块10用于获取待关联团块组中的每个团块对应的轮廓以得到轮廓点集，并获取每个轮廓点集的均值，以便将每个轮廓点集的均值作为每个轮廓的特征点位置，以得到特征点位置集合；特征提取模块20用于采用梯度直方图特征根据每个轮廓的轮廓点集和特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合；第一判断模块30用于根据预先设置的抽取特征点数从待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将每个特征点信息分别与待关联团块
组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到每个特征点信息对应的匹配对象；计算模块40用于根据随机抽取对应个特征点信息对应的特征点位置和匹配对象对应的特征点位置计算仿射矩阵；特征关联模块50用于采用仿射矩阵对第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索所述第一关联团块组的所有特征点信息对应的特征点位置在变换结果中的最邻近位置，以便完成第一关联团块组和第二关联团块组之间的关联。
[0079]
作为一个实施例，根据以下公式得到每个轮廓的特征点位置：
[0080][0081]
其中，kpi表示索引为i的特征点位置，表示索引为i的轮廓对应的轮廓点集，l表示索引为i的轮廓由l个点构成，p(xj,yj)表示第j个点的坐标。。
[0082]
作为一个实施例，特征提取模块20还用于，以每个轮廓对应的特征点位置为圆心，得到每个轮廓对应的最大内切圆对应的半径；根据预先设置的半径放大系数对半径进行拉伸，以得到拉伸后的圆，并将拉伸后的圆作为梯度直方图统计范围，以便提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合。
[0083]
作为一个实施例，第一判断模块30还用于，将每个特征点信息中的任意一个特征点信息与待关联团块中的第二关联团块对应的所有特征点信息进行距离判断，以便在第二关联团块对应的所有特征点信息中得到与任意一个特征点信息距离最小的特征点信息，并将其作为任意一个特征点信息的匹配对象，以此类推，直至得到每个特征点信息对应的匹配对象。
[0084]
作为一个实施例，基于梯度直方图特征的团块关联装置还包括第二判断模块，用于根据第一关联团块的所有特征点信息对应的特征点位置和变换结果中的最邻近位置获取反映整体偏差情况的阈值；如果阈值大于预先设置的偏差阈值或者当前匹配次数小于预先设置的最大匹配次数，则重新进行匹配关联；如果否，则完成匹配关联。
[0085]
需要说明的是，前述对于基于梯度直方图特征的团块关联方法的实施例的解释说明同样适用于本实施例的基于梯度直方图特征的团块关联装置，此处不再赘述。
[0086]
综上所述，根据本技术实施例的一种基于梯度直方图特征的团块关联装置，通过梯度直方图配合位置和仿射变换后搜索最邻近位置进行关联，从而提高了团块关联的准确性。
[0087]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0088]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0089]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0090]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0091]
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本技术可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0092]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0093]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。
[0094]
在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0095]
在本技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0096]
在本技术中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0097]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0098]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于梯度直方图特征的团块关联方法，其特征在于，包括以下步骤：获取待关联团块组中的每个团块对应的轮廓以得到轮廓点集，并获取每个轮廓点集的均值，以便将所述每个轮廓点集的均值作为所述每个轮廓的特征点位置，以得到特征点位置集合；采用梯度直方图特征根据所述每个轮廓的轮廓点集和所述特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合；根据预先设置的抽取特征点数从所述待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将所述每个特征点信息分别与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到所述每个特征点信息对应的匹配对象；根据所述随机抽取对应个特征点信息对应的特征点位置和所述匹配对象对应的特征点位置计算仿射矩阵；采用所述仿射矩阵对所述第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索所述第一关联团块组的所有特征点信息对应的特征点位置在所述变换结果中的最邻近位置，以便完成所述第一关联团块组和所述第二关联团块组之间的关联。2.如权利要求1所述的基于梯度直方图特征的团块关联方法，其特征在于，根据以下公式得到所述每个轮廓的特征点位置：其中，kp
i
表示索引为i的特征点位置，表示索引为i的轮廓对应的轮廓点集，l表示索引为i的轮廓由l个点构成，p(x
j
,y
j
)表示第j个点的坐标。3.如权利要求1所述的基于梯度直方图特征的团块关联方法，其特征在于，采用梯度直方图特征根据所述每个轮廓的轮廓点集和所述特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合，包括：以所述每个轮廓对应的特征点位置为圆心，得到所述每个轮廓对应的最大内切圆对应的半径；根据预先设置的半径放大系数对所述半径进行拉伸，以得到拉伸后的圆，并将所述拉伸后的圆作为梯度直方图统计范围，以便提取所述每个轮廓对应的特征点的特征信息，以得到特征点信息集合。4.如权利要求1所述的基于梯度直方图特征的团块关联方法，其特征在于，将所述每个特征点信息分别与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到所述每个特征点信息对应的匹配对象，包括：将所述每个特征点信息中的任意一个特征点信息与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以便在所述第二关联团块组对应的所有特征点信息中得到与所述任意一个特征点信息距离最小的特征点信息，并将其作为所述任意一个特征点信息的匹配对象，以此类推，直至得到所述每个特征点信息对应的匹配对象。5.如权利要求1所述的基于梯度直方图特征的团块关联方法，其特征在于，还包括：
根据所述第一关联团块组的所有特征点信息对应的特征点位置和所述变换结果中的最邻近位置获取反映整体偏差情况的阈值；如果所述阈值大于预先设置的偏差阈值或者当前匹配次数小于预先设置的最大匹配次数，则重新进行匹配关联；如果否，则完成匹配关联。6.一种基于梯度直方图特征的团块关联装置，其特征在于，包括：获取模块，用于获取待关联团块组中的每个团块对应的轮廓以得到轮廓点集，并获取每个轮廓点集的均值，以便将所述每个轮廓点集的均值作为所述每个轮廓的特征点位置，以得到特征点位置集合；特征提取模块，用于采用梯度直方图特征根据所述每个轮廓的轮廓点集和所述特征点位置集合提取每个轮廓对应的特征点的特征信息，以得到特征点信息集合；第一判断模块，用于根据预先设置的抽取特征点数从所述待关联团块组中的第一关联团块组对应的特征点信息集合中随机抽取对应个特征点信息，将所述每个特征点信息分别与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以得到所述每个特征点信息对应的匹配对象；计算模块，用于根据所述随机抽取对应个特征点信息对应的特征点位置和所述匹配对象对应的特征点位置计算仿射矩阵；特征关联模块，用于采用所述仿射矩阵对所述第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索所述第一关联团块组的所有特征点信息对应的特征点位置在所述变换结果中的最邻近位置，以便完成所述第一关联团块组和所述第二关联团块组之间的关联。7.如权利要求6所述的基于梯度直方图特征的团块关联装置，其特征在于，根据以下公式得到所述每个轮廓的特征点位置：其中，kp
i
表示索引为i的特征点位置，表示索引为i的轮廓对应的轮廓点集，l表示索引为i的轮廓由l个点构成，p(x
j
,y
j
)表示第j个点的坐标。8.如权利要求6所述的基于梯度直方图特征的团块关联装置，其特征在于，所述特征提取模块还用于，以所述每个轮廓对应的特征点位置为圆心，得到所述每个轮廓对应的最大内切圆对应的半径；根据预先设置的半径放大系数对所述半径进行拉伸，以得到拉伸后的圆，并将所述拉伸后的圆作为梯度直方图统计范围，以便提取所述每个轮廓对应的特征点的特征信息，以得到特征点信息集合。9.如权利要求6所述的基于梯度直方图特征的团块关联装置，其特征在于，所述第一判断模块还用于，将所述每个特征点信息中的任意一个特征点信息与所述待关联团块组中的第二关联团块组对应的所有特征点信息进行距离判断，以便在所述第二关联团块组对应的所有特征点信息中得到与所述任意一个特征点信息距离最小的特征点信息，并将其作为所述任意一个特征点信息的匹配对象，以此类推，直至得到所述每个特征点信息对应的匹配对象。10.如权利要求6所述的基于梯度直方图特征的团块关联装置，其特征在于，还包括第
二判断模块，用于根据所述述第一关联团块组的所有特征点信息对应的特征点位置和所述变换结果中的最邻近位置获取反映整体偏差情况的阈值；如果所述阈值大于预先设置的偏差阈值或者当前匹配次数小于预先设置的最大匹配次数，则重新进行匹配关联；如果否，则完成匹配关联。

技术总结
本申请公开了一种基于梯度直方图特征的团块关联方法及装置，方法包括获取待关联团块组中的每个团块对应的轮廓点集，以得到特征点位置集合；根据特征点位置集合提取对应的特征点信息；从第一关联团块组对应的特征点信息集合中随机抽取n个特征点信息，将n个特征点信息分别与第二关联团块组对应的所有特征点信息进行距离判断，以得到对应的匹配对象；根据n个特征点信息对应的特征点位置和匹配对象对应的特征点位置计算仿射矩阵；采用仿射矩阵对第二关联团块组的特征点位置集合进行仿射变换以得到变换结果，并采用最邻近搜索策略分别搜索所有特征点信息对应的特征点位置在变换结果中的最邻近位置，以完成关联；从而提高了关联的准确性。联的准确性。联的准确性。


技术研发人员：王少晖 陈虢 许荣再 杨家荣
受保护的技术使用者：厦门华联电子股份有限公司
技术研发日：2023.06.05
技术公布日：2023/10/15