CN103793712A - 一种基于边缘几何特征的图像识别方法及*** - Google Patents

Abstract

本发明公开了一种基于边缘几何特征的图像识别方法，包括对工件的原始图像进行滤波处理；对上述滤波处理后的图像进行二值化处理；对二值化处理后的图像查找获得轮廓序列集；从上述轮廓序列集中筛选出合格的工件轮廓；确定上述工件轮廓的最小外接矩形，并确定上述工件轮廓的中心点；沿上述最小外接矩形的四条边的方向截取上述工件轮廓的四个子序列；使用边缘几何特征算子计算上述四个子序列中各子序列的能量值；确定上述四个子序列中能量值最大的子序列，并确定工件的方向角。本发明还提供了相应的图像识别***。本发明无需建立工件的模板数据库，降低了存储消耗，减少了计算时间，能够满足高速实时性要求；同时具有较高的快速识别能力。

Description

一种基于边缘几何特征的图像识别方法及***

技术领域

本发明属于机器视觉图像处理技术领域，更具体地，涉及一种基于边缘几何特征的图像识别方法及***。

背景技术

机器视觉是计算机科学的重要研究领域之一，结合光、机、电综合应用检测识别技术，发展十分迅速。主要研究范畴包括图像特征检测、轮廓表达、基于特征的分割、距离图像分析、形状模型及表达、立体视觉、运动分析、颜色视觉、主动视觉、自标定***、物体检测、二维与三维物体识别及定位等。其应用范围也日益扩大，涉及到机器人、工业检测、物体识别、医学图像分析、军事导航和交通管理等诸多领域。

采用机器视觉技术的智能装配可以大大缩短产品开发时间,在不变更硬件的情况下处理各种零部件。机器视觉技术不仅可以用于完成一些看起来很简单(如汽车零件装配等)的任务,更可在恶劣或有害的工作环境下实现装配。目前，在工业领域中，已经有很多以机械手、视觉***为主体的带感知的机器人***进入实用阶段。例如晶体管自动焊接***、管子凸缘焊接机器人、有视觉的装配机器人、汽车车轮装入轮毅作业的自动***等等。机器人应用视觉的方式有很多种，如对机械手定位以及跟踪目标提供反馈控制信息；确定和辨别零件的位置方位以拾取零件；控制对零件的装配；引导焊缝机器人等。

在机器视觉应用中，工件识别能力主要取决于图像处理算法能否得到稳定的工件特征。早在1972年，R.O.Duda和P.E.Hart提出在视觉领域使用霍夫变换来寻找直线、圆及其他简单形状。此后，出现了很多提取图像信息的特征算法。在1988年，C.Harris和M.Stephens提出了一种基于信号的点特征提取算子Harris角点检测算法，使用特征点来代表图像的内容。Serge Belongie,Jitendra Malik,Jan Puzicha在2000年提出了基于形状上下文的形状匹配和目标识别方法，通过统计不同特征点的分布概率来形成特征直方图。2004年D.G.Lowe在论文中发表了SIFT算法，使用尺度不变特征转换描述局部特征，通过计算待测图像与模板的能量值来确定最佳匹配对象。

国内在机器视觉应用中也提出了很多实用的算法，华中理工大学的谷红勋等人提出了基于子形心集霍夫距离的平面形状识别新方法。哈尔滨工业大学的陈东、王炎提出改进的傅立叶描述子的方法，提取出目标在任意仿射变换下都不改变的特征，并对六种飞机进行特征提取并识别。清华大学的王涛、刘文印、孙家广等利用基于曲线多边形近似的连续傅立叶变换方法计算傅立叶描述子，并通过形状的主方向消除边界起始点相位影响的方法，定义了新的具有旋转平移和尺度不变的归一化傅立叶描述子来进行形状识别。浙江大学的唐国良等人利用不变矩和标准矩从二维数字图像中对五种飞机目标进行识别。北京邮电大学的王波涛等人研究了相对矩及其在几何形状识别中的应用。上海交通大学的黄红艳、杨煌普研究了基于高阶神经网络的机械零件形状识别，提出一种机械零件在线自动检测的形状识别***。该***以零件各边的长度，角度，圆心角和与邻边夹角4个特征来表示零件的形状。

上述提及的应用于机器视觉中的图像处理算法，其中提出的图像信息特征的描述子大多是从理论上实现了一些更加具有鲁棒性，且不受空间缩放、平移、旋转等影响的特征表示方法。但是对于工业生产中自动化装配应用来说，难以适应恶劣现场工作环境以及加工工艺的要求，实用能力受到限制。而另外一些改进的实用算法，则需要首先对待检测的目标进行分析并建立模板数据库，在检测时必须通过遍历式的模板匹配才能找到最优匹配结果，空间复杂度和时间复杂度都会增加。

发明内容

针对制造业现有机器视觉自动装配现场的复杂环境和高实时性要求，本发明的目的在于提供一种快速的、无需建立模板数据库的工件位姿识别算法。该算法能够在复杂的工业噪声环境中提取二维平面内工件的稳定几何边缘特征并对每一类工件自动确定唯一的方向角和位置。并且处理结果将实时发送至工业机器人，从而完成批量工件的分拣操作。

为实现上述目的，本发明提供了一种基于边缘几何特征的图像识别方法，所述方法包括以下步骤：

S1：对工件的原始图像进行滤波处理，以去除噪声；

S2：根据选定的阈值，对上述滤波处理后的图像进行二值化处理；

S3：对二值化处理后的图像使用轮廓查找算法，获得轮廓序列集；

S4：使用几何规则作为条件，从上述轮廓序列集中筛选出合格的工件轮廓；

S5：确定上述工件轮廓的最小外接矩形，并确定上述工件轮廓的中心点；

S6：沿上述最小外接矩形的四条边的方向截取上述工件轮廓的四个子序列；

S7：使用边缘几何特征算子计算上述四个子序列中各子序列的能量值；

S8：比较上述四个子序列中各子序列的能量值的大小，确定能量值最大的子序列，根据能量值最大的子序列及上述工件轮廓的中心点，确定工件的方向角。

优选地，所述步骤S3具体为：

遍历二值化处理后的整幅图像，发现并标记所有0和1像素的分界点，每一组闭合的分界点构成一个边缘序列；

将所有检测到的边缘序列以轮廓树的形式进行分类整合，得到整幅图像的轮廓序列集。

优选地，所述步骤S4具体为：通过设置轮廓阈值，从上述轮廓序列集中排除误检测的轮廓序列，得到工件轮廓，其中所述轮廓阈值包括轮廓的大小和长宽比。

优选地，所述步骤S5具体包括：

使用旋转卡壳算法，计算出工件轮廓沿两个坐标轴方向的四个极值点；

在上述四个极值点对应的坐标轴平行线所限定的矩形区域内，以任一条轮廓外切线为边构造外接矩形，并计算其面积；

沿顺时针或逆时针方向旋转外切线，不断构造新的外接矩形，将面积最小的外接矩形确定为工件轮廓的最小外接矩形；

确定最小外接矩形的对角线的交点，作为工件轮廓的中心点。

优选地，所述步骤S6具体包括：

分别以最小外接矩形四条边的中心点为圆心，以所在矩形边长的0.1-0.4倍为半径画圆；

选取工件轮廓被四个圆截取的四个轮廓片段组成工件轮廓子序列集。

优选地，所述步骤S7具体包括：

将工件轮廓子序列集{C^L,C^R,C^T,C^B}带入能量值函数

分别得到各边缘轮廓能量值F(C^L),F(C^R),F(C^T),F(C^B)；其中：

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

$\frac{S_{\mathrm{XY}}}{\sqrt{S_{\mathrm{XX}}\·S_{\mathrm{YY}}}}$

$S_{\mathrm{XY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J{Y}_J-\frac{\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\·\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J}{N},$

$S_{\mathrm{XX}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\right)}^2}{N},$

$S_{\mathrm{YY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J\right)}^2}{N},$

N表示子序列C'中的序列点总数量，X_J、Y_J分别表示子序列C'中点P_J的横坐标和纵坐标的值。

优选地，所述步骤S8具体包括：

比较步骤S7中得到的四个子序列中两对子序列的能量值F(C^L)和F(C^R),F(C^T)和F(C^B)，其中

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

取两对子序列中相差比例较大的那一对中能量值较大者作为最大能量值工件轮廓；

将最小外接矩形中，最大能量值工件轮廓所对应的边的中点记为P_D；

获取工件轮廓的中心点P_O到点P_D所作的射线与图像坐标系横轴正方向的夹角，作为工件的方向角。

按照本发明的另一方面，还提供了一种基于边缘几何特征的图像识别***，所述***包括以下模块：

滤波模块，用于对原始图像进行滤波处理，以去除噪声；

二值化模块，用于根据选定的阈值，对上述滤波处理后的图像进行二值化处理；

轮廓序列集获取模块，用于对二值化处理后的图像使用轮廓查找算法，获得轮廓序列集；

工件轮廓筛选模块，用于使用几何规则作为条件，从上述轮廓序列集中筛选出合格的工件轮廓；

最小外接矩形确定模块，用于确定上述工件轮廓的最小外接矩形，并确定上述工件轮廓的中心点；

轮廓子序列获取模块，用于沿上述最小外接矩形的四条边的方向截取上述工件轮廓的四个子序列；

子序列能量值计算模块，用于使用边缘几何特征算子计算上述四个子序列中各子序列的能量值；

工件方向角确定模块，用于比较上述四个子序列中各子序列的能量值的大小，确定能量值最大的子序列，根据能量值最大的子序列及上述工件轮廓的中心点，确定工件的方向角。

具体地，所述子序列能量值计算模块用于：

将轮廓子序列获取模块获取的工件轮廓子序列集{C^L,C^R,C^T,C^B}带入能量值函数分别得到各边缘轮廓能量值F(CL),F(CR),F(C^T),F(C^B)；其中：

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

$\frac{S_{\mathrm{XY}}}{\sqrt{S_{\mathrm{XX}}\·S_{\mathrm{YY}}}}$

$S_{\mathrm{XY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J{Y}_J-\frac{\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\·\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J}{N},$

$S_{\mathrm{XX}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\right)}^2}{N},$

$S_{\mathrm{YY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J\right)}^2}{N},$

N表示子序列C'中的序列点总数量，X_J、Y_J分别表示子序列C'中点P_J的横坐标和纵坐标的值。

具体地，所述子序列能量值计算模块用于：

比较子序列能量值计算模块得到的四个子序列中两对子序列的能量值F(C^L)和F(C^R),F(C^T)和F(C^B)，其中

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

取两对子序列中相差比例较大的那一对中能量值较大者作为最大能量值工件轮廓；

将最小外接矩形中，最大能量值工件轮廓所对应的边的中点记为P_D；

获取工件轮廓的中心点P_O到点P_D所作的射线与图像坐标系横轴正方向的夹角，作为工件的方向角。

本发明提出的用于识别工业自动化分拣中工件位姿的图像处理方法，无需在使用前采集大量图片以建立工件的模板数据库，降低了存储消耗，同时避免了因模板匹配过程而耗费的计算时间，使得处理过程能够满足机器人抓取操作的高速实时性要求。另一方面，本发明提出的工件边缘几何特征算子具有较高的稳定性，能够适应工业现场油污、复杂光照条件，在多种类大批量工件分拣应用中具有较高的快速识别能力。

附图说明

图1为本发明叙述的基于边缘几何特征的图像识别方法流程图；

图2为对原始图像滤波出去噪声后的示例图；

图3为对图2进行二值化处理得到的二值化示例图；

图4为对二值图像进行轮廓查找得到的轮廓序列示例图；

图5为使用几何规则筛选后得到的工件轮廓示例图；

图6为在工件轮廓图中定位绿色最小外接矩形示例图；

图7为在工件轮廓上截取局部轮廓子序列示例图；

图8为能量值最大的轮廓子序列以及唯一方向角箭头示例图；

图9为本发明中基于边缘几何特征的图像识别***框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

步骤S1，对于获得的工件的原始图像进行滤波处理来去除噪声。针对现场环境拍摄到的原始图像，可以使用中值滤波来消除小型的白噪声点，得到图2。

步骤S2，对滤波处理后的图像进行二值化处理。处理结果如图3，可以根据现场环境选定合适的阈值，将灰度图像转化为二值图像。如果工件分拣现场的光照环境相对稳定，则可以采用固定阈值进行二值化处理，若抓取现场的光照强度存在一定程度的波动，则优选自适应阈值法来得到二值图像。

步骤S3，使用轮廓查找算法从二值图像中获得轮廓序列集。可以采用以行扫描或列扫描或其他扫描方式遍历整幅图像，发现并标记所有0和1像素的分界点，每一组闭合的分界点构成一个边缘序列。然后，将所有检测到的边缘序列以轮廓树的形式进行分类整合。便得到了整幅图像的轮廓序列集:{C₁，C₂，C₃,…,C_J,…C_N}。轮廓查找结果如图4所示，可以看出，图中除了中部较大的工件轮廓外，还存在许多相对特别小的轮廓位于图像左侧以及右上角。

步骤S4，使用几何规则作为约束条件，排除掉误判断的轮廓序列，筛选出合格的工件轮廓。工件大多具有相对较为规则的几何外形，并且其几何尺寸变动范围也是在一定的范围内。通过设置轮廓的大小、长宽比等参数的阈值，可以排除误检测的轮廓序列，最终得到工件轮廓序列:C=C_J。

可以根据工件的面积大小等基本的几何外形信息，对上一步中查找到的所有轮廓进行选择，便得到了合格的工件轮廓，如图5所示。图中只存在位于图像正中的工件轮廓，而之前位于左侧竖直方向以及右上角的轮廓群已经被排除。

步骤S5，定位工件轮廓的最小外接矩形。用旋转卡壳算法，先计算出轮廓序列沿两个坐标轴方向的四个极值点。然后，在极值点对应的坐标轴平行线所限定的矩形区域内，以任一条轮廓外切线为边构造外接矩形，并计算其面积。最后沿顺时针或逆时针方向旋转外切线，不断构造新的外接矩形。则面积最小者即为轮廓序列的最小外接矩形。定位结果如图6所示，图中矩形即为搜索到的工件轮廓的最小外接矩形。同时记录其对角线交点，对于本实施例即图中位于工件中心的白色圆点（464,443），作为工件轮廓几何中心定位点。

步骤S6，沿外接矩形边线方向截取轮廓线子序列。分别以矩形四条边的中心点为圆心，以合适的定长（一般为所在矩形边长的0.1-0.4倍）为半径画圆，此处实施例选择半径为圆心所在矩形边长的0.2倍。然后选取工件轮廓被四个圆截取的四个轮廓片段组成工件轮廓子序列集

分别代表被截取的左、右、上、下部分轮廓子序列）。截取的四个轮廓子序列如图7所示，每一段子序列由一组点集构成，每个点在图中已用白色圆圈标记。每一组白色圆圈点连续起来即构成图中的轮廓子序列。

步骤S7，使用边缘几何特征算子计算各轮廓子序列的能量值。在上一步中截取的四个子序列，每一个序列都是由一组像素点的坐标组成，每组点集是对图像中的一条表示工件部分特征的曲线的近似拟合。定义能量值函数F(C')表征曲线的几何特征，大小为对子序列点集进行一阶线性拟合的残差平方和。C'表示待计算的轮廓序列，序列中的每一个点P_J由（X_J、Y_J）坐标构成。则能量值函数计算过程如下。

首先，求取中间变量S_XX,S_YY,S_XY:

$S_{\mathrm{XX}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\right)}^2}{N},$

$S_{\mathrm{YY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J\right)}^2}{N},$

$S_{\mathrm{XY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J{Y}_J-\frac{\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\·\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J}{N};$

其中，N表示子序列C'中的序列点总数量，X_J、Y_J分别表示子序列C'中点P_J的横坐标和纵坐标的值。

然后计算相关系数：

$\frac{S_{\mathrm{XY}}}{\sqrt{S_{\mathrm{XX}}\·S_{\mathrm{YY}}}}$

最后得到能力值函数公式：

$F(C\′)=\sqrt{\frac{(1-R^2)\·S_{\mathrm{YY}}}{N-2}}$

在此实施例中，将工件轮廓子序列集{C^L,C^R,C^T,C^B}带入能量值函数，分别得到各边缘轮廓能量值F(C^L)=34.73,F(C^R)=28.08,F(C^T)=3.88,F(C^B)=3.78。

步骤S8，比较各边缘能量值并确定工件方向角。工件的位姿包括工件的位置坐标和姿态角度，而位置坐标在步骤S5中已经由最小外接矩形得到，记为P_O。分别比较步骤S7中得到的两对边缘能量值F(C^L)（34.73）和F(C^R)（28.08）,F(C^T)（3.88）和F(C^B)（3.78），取两对中相差比例较大的那一对“F(C^L)和F(C^R)”中能量值较大者F(C^L)作为工件轮廓能量值最大者，然后将能量值最大的轮廓子序列在步骤S6中对应的圆心记为P_D。如图8所示，则工件的方向角大小定义为由工件中心点P_O到圆心点P_D所作的射线（图中白色箭头）与图像坐标系横轴正方向的夹角166.64°。

进一步地，本发明还提供了一种基于边缘几何特征的图像识别***，如图9所示，所述***包括以下模块：

滤波模块，用于对原始图像进行滤波处理，以去除噪声；

二值化模块，用于根据选定的阈值，对上述滤波处理后的图像进行二值化处理；

轮廓序列集获取模块，用于对二值化处理后的图像使用轮廓查找算法，获得轮廓序列集；

工件轮廓筛选模块，用于使用几何规则作为条件，从上述轮廓序列集中筛选出合格的工件轮廓；

最小外接矩形确定模块，用于确定上述工件轮廓的最小外接矩形，并确定上述工件轮廓的中心点；

轮廓子序列获取模块，用于沿上述最小外接矩形的四条边的方向截取上述工件轮廓的四个子序列；

子序列能量值计算模块，用于使用边缘几何特征算子计算上述四个子序列中各子序列的能量值；

工件方向角确定模块，用于比较上述四个子序列中各子序列的能量值的大小，确定能量值最大的子序列，根据能量值最大的子序列及上述工件轮廓的中心点，确定工件的方向角。

具体地，所述子序列能量值计算模块用于：

将轮廓子序列获取模块获取的工件轮廓子序列集{C^L,C^R,C^T,C^B}带入能量值函数

分别得到各边缘轮廓能量值F(C^L),F(C^R),F(C^T),F(C^B)；其中：

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

$\frac{S_{\mathrm{XY}}}{\sqrt{S_{\mathrm{XX}}\·S_{\mathrm{YY}}}}$

$S_{\mathrm{XY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J{Y}_J-\frac{\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\·\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J}{N},$

$S_{\mathrm{XX}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\right)}^2}{N},$

$S_{\mathrm{YY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J\right)}^2}{N},$

N表示子序列C'中的序列点总数量，X_J、Y_J分别表示子序列C'中点P_J的横坐标和纵坐标的值。

具体地，所述子序列能量值计算模块用于：

比较子序列能量值计算模块得到的四个子序列中两对子序列的能量值F(C^L)和F(C^R),F(C^T)和F(C^B)，其中C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

取两对子序列中相差比例较大的那一对中能量值较大者作为最大能量值工件轮廓；

将最小外接矩形中，最大能量值工件轮廓所对应的边的中点记为P_D；

获取工件轮廓的中心点P_O到点P_D所作的射线与图像坐标系横轴正方向的夹角，作为工件的方向角。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于边缘几何特征的图像识别方法，其特征在于，所述方法包括以下步骤：

S1：对工件的原始图像进行滤波处理，以去除噪声；

S2：根据选定的阈值，对上述滤波处理后的图像进行二值化处理；

S3：对二值化处理后的图像使用轮廓查找算法，获得轮廓序列集；

S4：使用几何规则作为条件，从上述轮廓序列集中筛选出合格的工件轮廓；

S5：确定上述工件轮廓的最小外接矩形，并确定上述工件轮廓的中心点；

S6：沿上述最小外接矩形的四条边的方向截取上述工件轮廓的四个子序列；

S7：使用边缘几何特征算子计算上述四个子序列中各子序列的能量值；

S8：比较上述四个子序列中各子序列的能量值的大小，确定能量值最大的子序列，根据能量值最大的子序列及上述工件轮廓的中心点，确定工件的方向角。

2.如权利要求1所述的图像识别方法，其特征在于，所述步骤S3具体为：

遍历二值化处理后的整幅图像，发现并标记所有0和1像素的分界点，每一组闭合的分界点构成一个边缘序列；

将所有检测到的边缘序列以轮廓树的形式进行分类整合，得到整幅图像的轮廓序列集。

3.如权利要求1或2所述的图像识别方法，其特征在于，所述步骤S4具体为：通过设置轮廓阈值，从上述轮廓序列集中排除误检测的轮廓序列，得到工件轮廓，其中所述轮廓阈值包括轮廓的大小和长宽比。

4.如权利要求1至3任一项所述的图像识别方法，其特征在于，所述步骤S5具体包括：

使用旋转卡壳算法，计算出工件轮廓沿两个坐标轴方向的四个极值点；

在上述四个极值点对应的坐标轴平行线所限定的矩形区域内，以任一条轮廓外切线为边构造外接矩形，并计算其面积；

沿顺时针或逆时针方向旋转外切线，不断构造新的外接矩形，将面积最小的外接矩形确定为工件轮廓的最小外接矩形；

确定最小外接矩形的对角线的交点，作为工件轮廓的中心点。

5.如权利要求1至4任一项所述的图像识别方法，其特征在于，所述步骤S6具体包括：

分别以最小外接矩形四条边的中心点为圆心，以所在矩形边长的0.1-0.4倍为半径画圆；

选取工件轮廓被四个圆截取的四个轮廓片段组成工件轮廓子序列集。

6.如权利要求1至5任一项所述的图像识别方法，其特征在于，所述步骤S7具体包括：

将工件轮廓子序列集{C^L,C^R,C^T,C^B}带入能量值函数

分别得到各边缘轮廓能量值F(C^L),F(C^R),F(C^T),F(C^B)；其中：

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

$\frac{S_{\mathrm{XY}}}{\sqrt{S_{\mathrm{XX}}\·S_{\mathrm{YY}}}}$

$S_{\mathrm{XY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J{Y}_J-\frac{\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\·\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J}{N},$

$S_{\mathrm{XX}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\right)}^2}{N},$

$S_{\mathrm{YY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J\right)}^2}{N},$

N表示子序列C'中的序列点总数量，X_J、Y_J分别表示子序列C'中点P_J的横坐标和纵坐标的值。

7.如权利要求1至6任一项所述的图像识别方法，其特征在于，所述步骤S8具体包括：

比较步骤S7中得到的四个子序列中两对子序列的能量值F(C^L)和F(C^R),F(C^T)和F(C^B)，其中

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

取两对子序列中相差比例较大的那一对中能量值较大者作为最大能量值工件轮廓；

将最小外接矩形中，最大能量值工件轮廓所对应的边的中点记为P_D；

获取工件轮廓的中心点P_O到点P_D所作的射线与图像坐标系横轴正方向的夹角，作为工件的方向角。

8.一种基于边缘几何特征的图像识别***，其特征在于，所述***包括以下模块：

滤波模块，用于对原始图像进行滤波处理，以去除噪声；

二值化模块，用于根据选定的阈值，对上述滤波处理后的图像进行二值化处理；

轮廓序列集获取模块，用于对二值化处理后的图像使用轮廓查找算法，获得轮廓序列集；

工件轮廓筛选模块，用于使用几何规则作为条件，从上述轮廓序列集中筛选出合格的工件轮廓；

最小外接矩形确定模块，用于确定上述工件轮廓的最小外接矩形，并确定上述工件轮廓的中心点；

轮廓子序列获取模块，用于沿上述最小外接矩形的四条边的方向截取上述工件轮廓的四个子序列；

子序列能量值计算模块，用于使用边缘几何特征算子计算上述四个子序列中各子序列的能量值；

工件方向角确定模块，用于比较上述四个子序列中各子序列的能量值的大小，确定能量值最大的子序列，根据能量值最大的子序列及上述工件轮廓的中心点，确定工件的方向角。

9.如权利要求8所述的图像识别***，其特征在于，所述子序列能量值计算模块具体用于：

将轮廓子序列获取模块获取的工件轮廓子序列集{C^L,C^R,C^T,C^B}带入能量值函数

分别得到各边缘轮廓能量值F(C^L),F(C^R),F(C^T),F(C^B)；其中：

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

$\frac{S_{\mathrm{XY}}}{\sqrt{S_{\mathrm{XX}}\·S_{\mathrm{YY}}}}$

$S_{\mathrm{XY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J{Y}_J-\frac{\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\·\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J}{N},$

$S_{\mathrm{XX}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{X}_J\right)}^2}{N},$

$S_{\mathrm{YY}}=\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J^2-\frac{{\left(\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{Y}_J\right)}^2}{N},$

N表示子序列C'中的序列点总数量，X_J、Y_J分别表示子序列C'中点P_J的横坐标和纵坐标的值。

10.如权利要求8或9所述的图像识别***，其特征在于，所述子序列能量值计算模块具体用于：

比较子序列能量值计算模块得到的四个子序列中两对子序列的能量值F(C^L)和F(C^R),F(C^T)和F(C^B)，其中

C代表工件轮廓，C^L,C^R,C^T,C^B分别代表工件轮廓中被截取的左、右、上、下部分轮廓子序列；

取两对子序列中相差比例较大的那一对中能量值较大者作为最大能量值工件轮廓；

将最小外接矩形中，最大能量值工件轮廓所对应的边的中点记为P_D；

获取工件轮廓的中心点P_O到点P_D所作的射线与图像坐标系横轴正方向的夹角，作为工件的方向角。

Images