CN106600600A - 基于特征匹配的晶圆缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于特征匹配的晶圆缺陷检测方法，涉及图像处理方法技术领域。所述方法包括如下步骤：采集晶圆样品图像，将晶圆样品图像与芯片模版图像进行匹配，寻找晶圆样品图像中单个待检测芯片区域；芯片模版图像和待检测芯片图像的特征点的特征向量进行描述；芯片模版图像和待检测芯片图像的特征点进行匹配，再对误匹配点进行剔除，根据匹配的结果完成待检测芯片图像的位置调整和校正；对芯片模版图像和配准后的待检测芯片图像分别进行二值化，实现芯片缺陷信息的提取。所述方法可以有效的检测晶圆上微小缺陷，且检测效率高，检测稳定性好。

Description

基于特征匹配的晶圆缺陷检测方法

技术领域

本发明涉及图像处理方法技术领域，尤其涉及一种基于特征匹配的晶圆缺陷检测方法。

背景技术

随着集成电路制造技术的快速发展，晶圆的特征尺寸不断减小，造成更多微小的缺陷。晶圆表面的缺陷已经成为影响良率的主要障碍。因此，缺陷的研究变得越来越重要，对缺陷的研究结果可以用来改善或改进工艺，从而提高产品的成品率，同时可以提高IC芯片的可靠性。而现有技术中一般通过肉眼检测的方法对晶圆缺陷进行检测，不但检测效果不好且检测效率较低。

发明内容

本发明所要解决的技术问题是如何提供一种可以有效的检测晶圆上微小缺陷，且检测效率高的基于特征匹配的晶圆缺陷检测方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于特征匹配的晶圆缺陷检测方法，其特征在于包括如下步骤：

采集晶圆样品图像，将晶圆样品图像与芯片模版图像进行匹配，寻找晶圆样品图像中单个待检测芯片区域；

芯片模版图像和待检测芯片图像的特征点的特征向量进行描述；

芯片模版图像和待检测芯片图像的特征点进行匹配，再对误匹配点进行剔除，根据匹配的结果完成待检测芯片图像的位置调整和校正；

对芯片模版图像和配准后的待检测芯片图像分别进行二值化，实现芯片缺陷信息的提取。

优选的，所述的采集晶圆样品图像，将晶圆样品图像与芯片模版图像进行匹配，寻找晶圆样品图像中单个待检测芯片区域的方法如下：

首先按像素计算模板图像与待搜索图像的相似度量，然后找到最大或最小的相似度量区域作为匹配位置。

优选的，所述的首先按像素计算模板图像与待搜索图像的相似度量，然后找到最大或最小的相似度量区域作为匹配位置的方法如下：

采用基于灰度值的模板匹配方法，基于灰度值的模板匹配方法将整幅图像的灰度值作为相似度量，利用定义好的搜索策略按照从上到下、从左到右的顺序在待搜索图像中搜索符合条件的区域，通过设定一个指定大小的搜索窗口，在搜索窗口中进行搜索比较；

待搜索图像中目标物的位姿通过平移来描述，模板由图像t(r,c)来表示，其中的感兴趣区域指定为T，模板匹配就是在待匹配图像中按照一定顺序平移模板感兴趣区域T，然后计算待匹配图像中该区域与模板感兴趣区域的相似度量值s，相似度量由下式描述:

s(r,c)＝s{t(u,v),f(r+u,c+v)；(u,v)∈T}

其中s(r,c)表示基于灰度值计算的相似度量，t(u,v)表示模板中各点的灰度值，f(r+u,c+v)表示模板感兴趣区域移到图像当前位置的灰度值；

求取相似度量的方法是计算两图像之间灰度值差值的绝对值之和SAD或所有差值的平方和SSD，SAD和SSD分别用以下两式表示:

其中，n表示模板该兴趣区域内像素点的数量，即n＝|T|；对于SAD和SSD来说，相似度量的值越大，待搜索图像与模板之间的差别也就越大。

优选的，所述的芯片模版图像和待检测芯片图像的特征点的特征向量进行描述的方法如下：

采用Harris算子提取特征点取代SIFT算法中的极值点，并精确定位极值点，然后为每个特征点定义主方向，最后采用主成分分析法来生成特征点描述子。

优选的，所述的采用Harris算子提取特征点取代SIFT算法中的极值点的方法如下：

Harris算子的值为：

R＝det(C)-ktr²(C)

式中，det为矩阵的行列式；tr为矩阵的迹；C为相关矩阵，且：

式中，I_u(x)、I_v(x)、I_uv(x)分别为图像点x的灰度在u和v方向的偏导以及二阶混合偏导；k为经验值；当某点的Harris算子R大于设定阈值T时，该点为角点。

优选的，所述的精确定位极值点的方法如下：

利用DOG函数的二阶Taylor展开式D(X)插值得到特征点位置和尺度坐标的精确值：

式中向量X＝(x,y,σ)，表示采样点和特征点之间的位置、尺度偏移；令上式的一阶导数为0，可得特征点精确位置的偏移向量为：

将加到原粗特征点的坐标X，即得到特征点的亚像素精确插值估计，经过数学代入以后可得：

当|D(X)|值小于某阈值时，该特征点舍去；

此外还应舍去具有不稳定的边缘响应点，DOG函数的此类极值点通常在边缘切向有较大的主曲率，而在边缘的垂直方向有较小的主曲率；为了检测主曲率是否在某域值r下，只需检测是否满足：

式中H为DOG函数的Hessian矩阵:。

优选的，所述的采用主成分分析法来生成特征点描述子的方法如下：

对特征点确定一个大小为41×41的邻域，旋转这个邻域到主方向；

计算邻域内像素点的水平梯度与垂直梯度，每个特征点确定一个大小为39×39×2＝3042维的特征描述子；

针对图像特征采集m个特征点，够成一个原始特征矩阵M，矩阵大小3042×m，计算矩阵的协方差矩阵N；

计算协方差矩阵N的特征向量，根据特征根的大小排序，选择对应的前n个特征向量，构成投影矩阵T；

对新的特征描述子向量，乘以投影矩阵T，得到3042维降到n维的特征向量。

优选的，采用k-d树进行特征点匹配，匹配方法如下：

构建k-d树：

在图像特征描述子匹配过程中，k-d树的每个节点至少要包含多项信息，并有各自的特定含义；k-d树的构建过程是一个逐级展开的过程，对所有数据逐步进行划分，一层层确定空间分割域与分割数值；在特征配准过程中，对于每一级的分割域选择是通过比较各个维数上的数据方差大小来确定的，选择最分散的那一维作为分割域，同时分割域位于中间的值作为分割值；

k-d树的最近邻查找：

k-d树最近邻查找过程是通过不断将待查询点与k-d树上的节点在其partition维与节点的keyValue进行比较，比keyValue值小则向左子树继续查找，反之向右子树查找，一直到叶节点。

优选的，所述的对误匹配点进行剔除的方法如下：

从模板图像中计算匹配点坐标的最大值和最小值，并据此把模板图像中包含匹配点的部分平均分成b×b块；

其中，有的块中有匹配点，有的块中没有，把没有匹配点的块去掉；

然后从模板图像中选取8个互不相同的块，从这8块的每块中随机选取一个点，得到8对分布比较均匀的匹配点；

在选择随机样本集数量的时候要比求取模型参数所需匹配对的数量多一个，先利用这n+1样本中的n个数据确定模型的参数，找到临时模型，然后检测第n+1个样本是不是在临时模型上，如果不是，重新选择一个随机样本集；如果是，则此临时模型为候选模型，算法继续寻找此候选模型的支撑集；如果支撑数量足够大，候选模型即为所寻找的目标模型；否则，重选随机样本集。

优选的，所述的对芯片模版图像和配准后的待检测芯片图像分别进行二值化，实现芯片缺陷信息的提取的方法如下：

假设标准图像处于坐标(x，y)处的灰度像素值为f(x,y)，缺陷图像处于坐标(x，y)处的灰度像素值g(x,y)，则其绝对差值图在坐标(x，y)处的值可以表示为|f(x,y)-g(x,y)|；

随后采用基于固定阈值的分割方法，将结果差影图中每一个像素灰度值与这个预设门限值相比较，规定将像素灰度值大于此阈值的像素点赋值为255，反之赋值为0，把缺陷信息单独提取出来。

采用上述技术方案所产生的有益效果在于：本发明所述方法利用数字图像处理技术对晶圆样品进行特征提取和匹配，即可实现晶圆缺陷的自动在线检测，可以有效的检测晶圆上的微小缺陷，且检测效率高，稳定性高。

此外，所述方法采用Harris提取特征点取代SIFT算法中的极值点，并采用主成分分析法为特征点生成特征向量描述子，降低特征描述子的维度，大大提高了特征提取的速度，满足缺陷检测的实时性要求。

采用k-d树进行匹配搜索，有效节约了匹配时间，提高了检测的效率，采用改进的RANSAC算法对误匹配点进行剔除，保证了匹配的正确率，便于更好地实现图像的配准。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例所述方法的流程图；

图2是本发明实施例所述方法中待搜索图像；

图3是本发明实施例所述方法中模板图像；

图4是本发明实施例所述方法中k-d树匹配法的示意图；

图5是本发明实施例所述方法中改进的RANSAC算法示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

总体的，如图1所示，本发明公开了一种基于特征匹配的晶圆缺陷检测方法，包括如下步骤：

S101：采集晶圆样品图像，将晶圆样品图像与芯片模版图像进行匹配，寻找晶圆样品图像中单个待检测芯片区域；

S102：芯片模版图像和待检测芯片图像的特征点的特征向量进行描述；

S103：芯片模版图像和待检测芯片图像的特征点进行匹配，再对误匹配点进行剔除，根据匹配的结果完成待检测芯片图像的位置调整和校正；

S104：对芯片模版图像和配准后的待检测芯片图像分别进行二值化，实现芯片缺陷信息的提取。

本发明所述方法利用数字图像处理技术对晶圆样品进行特征提取和匹配，即可实现晶圆缺陷的自动在线检测，可以有效的检测晶圆上的微小缺陷，且检测效率高，稳定性高。

具体的，S101：通过图像采集装置采集晶圆样品图像，将晶圆样品图像传输至计算机，将晶圆样品图像与芯片模版图像进行匹配，寻找晶圆样品图像中单个待检测芯片区域。

模板匹配是通过计算模板图像和待搜索图像的相似度量，从而在待搜索图像中找到模板图像的过程。模板匹配的过程可以表述为：首先按像素计算模板图像与待搜索图像的相似度量，然后找到最大或最小的相似度量区域作为匹配位置，其原理如图2-3所示。

由于晶圆样品图像各区域的灰度值分布是均匀固定的，故本发明采用了基于灰度值的模板匹配方法。基于灰度值的模板匹配方法将整幅图像的灰度值作为相似度量，利用定义好的搜索策略按照从上到下、从左到右的顺序在待搜索图像中搜索符合条件的区域，通过设定一个指定大小的搜索窗口，在搜索窗口中进行搜索比较。

待搜索图像中目标物的位姿可以通过平移来描述。模板由图像t(r,c)，来表示，其中的感兴趣区域指定为T,模板匹配就是在待匹配图像中按照一定顺序平移模板感兴趣区域T，然后计算待匹配图像中该区域与模板感兴趣区域的相似度量值s。相似度量由下式描述:

s(r,c)＝s{t(u,v),f(r+u,c+v)；(u,v)∈T}

其中s(r,c)表示基于灰度值计算的相似度量，t(u,v)表示模板中各点的灰度值，f(r+u,c+v)表示模板感兴趣区域移到图像当前位置的灰度值。

求取相似度量的最简单方法是计算两图像之间灰度值差值的绝对值之和(SAD)或所有差值的平方和(SSD)，SAD和SSD可以分别用以下两式表示:

其中，n表示模板中该兴趣区域内像素点的数量，即n＝|T|。对于SAD和SSD来说，相似度量的值越大，待搜索图像与模板之间的差别也就越大。采用基于灰度值的模板匹配方法即可确定单个芯片待检测区域。

S102：芯片模版图像和待检测芯片图像的特征点的特征向量进行描述；

SIFT算法是一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算法，特征提取过程主要有4步如下：

1)检测尺度空间极值点

一幅二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

式中(x,y)是空间坐标；σ是尺度坐标；G(x,y,σ)是尺度可变高斯函数：

为了有效地在尺度空间检测到稳定的特征点，提出了高斯差分尺度空间，即DOG算子，是尺度归一化的LOG算子的近似，利用不同不同尺度的高斯差分核与图像卷积生成：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)

为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和与它同尺度的8个相邻点以及上下相邻尺度对应的9×2个点共26个点比较，如果该像素在这26个邻域像素中皆为极值，则作为候选的极值点。

2)精确定位极值点

通过拟和三维二次函数以精确确定特征点的位置和尺度，同时去除低对比度的特征点和不稳定的边缘响应点(因为DOG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。

利用DOG函数的二阶Taylor展开式D(X)插值得到特征点位置和尺度坐标的精确值(亚像素精度)：

式中向量X＝(x,y,σ)，表示采样点和特征点之间的位置、尺度偏移。令上式的一阶导数为0，可得特征点精确位置的偏移向量为：

将加到原粗特征点的坐标X，即得到特征点的亚像素精确插值估计。经过数学代入以后可得：

当|D(X)|值小于某阈值时，该特征点可以舍去，通常，这种特征点对噪声敏感故而不稳定。

此外还应舍去具有不稳定的边缘响应点，DOG函数的此类极值点通常在边缘切向有较大的主曲率，而在边缘的垂直方向有较小的主曲率。为了检测主曲率是否在某域值r下，只需检测是否满足：

式中H为DOG函数的Hessian矩阵:

3)为每个特征点选择主方向

利用特征点邻域像素的梯度方向分布特性，为每个特征点指定方向参数，使算子具备旋转不变性。首先在高斯空间计算特征点的梯度模和方向：

然后在高斯空间中特征点的邻域内采样，创建梯度方向直方图。直方图每10度作为一个柱，共36个柱。然后将邻域内的每个采样点按梯度方向θ归入适当的柱，以梯度模m作为贡献的权重。最后选择直方图的主峰值作为特征点的主方向，选取量值达到主峰值80％以上的局部峰值作为辅助方向。这样一个特征点可能会被指定具有多个方向，可以增强匹配的鲁棒性。

4)生成特征点描述子

将坐标轴旋转为特征点的方向，以确保旋转不变性。接下来以特征点为中心取8×8的窗口。以窗口中央点为当前特征点的位置每个小格代表特征点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，然后在每4×4的小块上计算

8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点。

这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。实际计算过程中，为了增强匹配的稳健性，对每个特征点使用4×4共16个种子点来描述，对于一个特征点就可以产生128个数据，即最终形成128维的SIFT特征向量。此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。

由于SIFT算法多次使用了卷积平滑操作和加权直方图统计，算法复杂度较高，计算时间长，同时生成特征点过多，特征点描述子的维数过高，影响匹配和搜索速度，为了满足缺陷检测***的实时性问题，

本发明从两方面对SIFT特征提取算法进行了改进，如下：

其一是采用了Harris算子来取代SIFT中的极值点提取算法。Harris算子是一种有效的点特征提取算子，其值为：

R＝det(C)-ktr²(C)

式中，det为矩阵的行列式；tr为矩阵的迹；C为相关矩阵，且：

式中，I_u(x)、I_v(x)、I_uv(x)分别为图像点x的灰度在u和v方向的偏导以及二阶混合偏导；k为经验值，通常取0.04～0.06。当某点的Harris算子R大于设定阈值T时，该点为角点。

Harris算子计算简单，提取的特征点均匀合理，因此选用Harris提取特征点取代SIFT算法中的极值点，然后为每个特征点定义主方向，为每个特征点生成特征向量描述子，可以很好地满足缺陷检测算法的实时性要求。

其二是采用主成分分析法来生成特征点描述子，其原理步骤如下：

1)对特征点确定一个大小为41×41的邻域，旋转这个邻域到主方向。

2)计算邻域内像素点的水平梯度与垂直梯度，这样每个特征点确定了一个大小为39×39×2＝3042维的特征描述子。

3)针对图像特征采集m个特征点，这样够成了一个原始特征矩阵M，矩阵大小3042×m,计算矩阵的协方差矩阵N；

4)计算协方差矩阵N的特征向量，根据特征根的大小排序，选择对应的前n个特征向量(本发明选择n＝20),构成投影矩阵T；

5)对新的特征描述子向量，乘以投影矩阵T，得到3042维降到n维的特征向量；

实际上，步骤3)和步骤4)是在之前计算好，即投影矩阵是通过同一类图像集采用PCA原理提前计算出。从图像中特征点计算得到3042维的特征描述子时，只需要与投影矩阵相乘，即可达到降维。关于投影矩阵的n的选择，可以根据需要固定n的值，也可根据协方差矩阵的特征值能量值百分比，自动确定n的大小。本发明采用n＝20效果最佳。

所述方法采用Harris提取特征点取代SIFT算法中的极值点，并采用主成分分析法为特征点生成特征向量描述子，降低特征描述子的维度，大大提高了特征提取的速度，满足缺陷检测的实时性要求。

S103：芯片模版图像和待检测芯片图像的特征点进行匹配，再对误匹配点进行剔除，根据匹配的结果完成待检测芯片图像的位置调整和校正。

k-d树是一种空间划分树，将整个空间划分为特定的几个子空间，然后搜索过程中就可以在特定的子空间内进行搜索，不断缩小空间范围。基于k-d树的特征点匹配主要包括两步如下：

构建k-d树：

在图像特征描述子匹配过程中，k-d树的每个节点至少要包含多项信息，如partition、keyValue等，有各自的特定含义。k-d树的构建过程是一个逐级展开的过程，对所有数据逐步进行划分，一层层确定空间分割域与分割数值。在特征配准过程中，对于每一级的分割域选择是通过比较各个维数上的数据方差大小来确定的，选择最分散的那一维作为分割域，同时分割域位于中间的值作为分割值。

k-d树的最近邻查找：

k-d树最近邻查找过程是通过不断将待查询点与k-d树上的节点在其partition维与节点的keyValue进行比较，比keyValue值小则向左子树继续查找，反之向右子树查找，一直到叶节点。寻找到的叶节点不一定是最近邻点，如图4在二维空间所示。待查询点S经k-d树搜索落在D点所在空间，但实际上A点是最近邻点，因此在搜索到叶节点后还需要回溯。

误匹配点对会对变换参数的计算带来很大影响，因此在进行变换参数估计时，需要进行匹配点对的提纯。RANSAC(随机抽样一致性)算法计算过程稳定可靠，而且精度高，对误匹配点对有很强的适应能力，并且能够较好的剔除误匹配点对。

但是常规的RANSAC算法存在两个问题：其一是随机选取样本集时，存在两个候选点距离过近被认为是一个点从而求得基本矩阵列不准确的问题。其二是每次随机挑选一个随机样本集，都要寻找其对应候选模型参数的支撑集。对于存在较多误差的观测数据集，将会有很多的时间浪费在寻找对应的支撑集点上。

针对上述问题本发明提出了一种改进的RANSAC算法，主要从两个方面来提高RANSAC算法的效果：

1)随机选取匹配点中，采取如图5所示的匹配点按块随机选取方法。具体如下：从模板图像中计算匹配点坐标的最大值和最小值，并据此把模板图像中包含匹配点的部分平均分成b×b块。在图中,b＝4,其中，有的块中有匹配点，有的块中没有，把没有匹配点的块去掉。

然后从模板图像中选取8个互不相同的块，从这8块的每块中随机选取一个点，可得到8对分布比较均匀的匹配点。用这样8对匹配点计算出的基本矩阵比较稳定、准确。

2)在选择随机样本集数量的时候要比求取模型参数所需匹配对的数量多一个，先利用这n+1样本中的n个数据确定模型的参数，找到临时模型，然后检测第n+1个样本是不是在临时模型上，如果不是，重新选择一个随机样本集(n+1个样本)；如果是，则此临时模型为候选模型，算法继续寻找此候选模型的支撑集。如果支撑数量足够大，候选模型即为所寻找的目标模型；否则，重选随机样本集。这样可以不必在每次确定支撑集时都将所有观测数据点检测一遍，减小了计算量。

采用k-d树进行匹配搜索，有效节约了匹配时间，提高了检测的效率，采用改进的RANSAC算法对误匹配点进行剔除，保证了匹配的正确率，便于更好地实现图像的配准。

S104：对芯片模版图像和配准后的待检测芯片图像分别进行二值化，实现芯片缺陷信息的提取。

在完成模版图像和待检测缺陷图像的匹配工作后，可以得到配准后的缺陷图像。随后对模版图像和缺陷图像分别进行二值化，再采用灰度差影法对缺陷信息进行提取，其算法实质是图像的绝对差分，主要思想是：

假设标准图像处于坐标(x,y)处的灰度像素值为f(x,y)，缺陷图像处于坐标(x,y)处的灰度像素值g(x,y),则其绝对差值图在坐标(x,y)处的值可以表示为|f(x,y)-g(x,y)|。此时得到的灰度差值图中包含有缺陷所携带的灰度信息。随后采用的是基于固定阈值的分割方法，采用手动设定一个阈值的方法，将结果差影图中每一个像素灰度值与这个预设门限值相比较，规定将像素灰度值大于此阈值的像素点赋值为255(白色像素点),反之赋值为0(黑色像素点)。则可以把缺陷信息单独提取出来，最终实现晶圆在线缺陷检测的工作。

Claims (10)

1.一种基于特征匹配的晶圆缺陷检测方法，其特征在于包括如下步骤：

采集晶圆样品图像，将晶圆样品图像与芯片模版图像进行匹配，寻找晶圆样品图像中单个待检测芯片区域；

芯片模版图像和待检测芯片图像的特征点的特征向量进行描述；

芯片模版图像和待检测芯片图像的特征点进行匹配，再对误匹配点进行剔除，根据匹配的结果完成待检测芯片图像的位置调整和校正；

对芯片模版图像和配准后的待检测芯片图像分别进行二值化，实现芯片缺陷信息的提取。

2.如权利要求1所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的采集晶圆样品图像，将晶圆样品图像与芯片模版图像进行匹配，寻找晶圆样品图像中单个待检测芯片区域的方法如下：

首先按像素计算模板图像与待搜索图像的相似度量，然后找到最大或最小的相似度量区域作为匹配位置。

3.如权利要求2所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的首先按像素计算模板图像与待搜索图像的相似度量，然后找到最大或最小的相似度量区域作为匹配位置的方法如下：

采用基于灰度值的模板匹配方法，基于灰度值的模板匹配方法将整幅图像的灰度值作为相似度量，利用定义好的搜索策略按照从上到下、从左到右的顺序在待搜索图像中搜索符合条件的区域，通过设定一个指定大小的搜索窗口，在搜索窗口中进行搜索比较；

待搜索图像中目标物的位姿通过平移来描述，模板由图像t(r,c)来表示，其中的感兴趣区域指定为T，模板匹配就是在待匹配图像中按照一定顺序平移模板感兴趣区域T，然后计算待匹配图像中该区域与模板感兴趣区域的相似度量值s，相似度量由下式描述:

s(r,c)＝s{t(u,v),f(r+u,c+v)；(u,v)∈T}

其中s(r,c)表示基于灰度值计算的相似度量，t(u,v)表示模板中各点的灰度值，f(r+u,c+v)表示模板感兴趣区域移到图像当前位置的灰度值；

求取相似度量的方法是计算两图像之间灰度值差值的绝对值之和SAD或所有差值的平方和SSD，SAD和SSD分别用以下两式表示:

$SAD(r,c)=\frac{1}{n}\underset{(u,v)\∈T}{\Σ}|t(u,v)-f(r+u,c+v)|$

$SSD(r,c)=\frac{1}{n}\underset{(u,v)\∈T}{\Σ}{\[t(u,v)-f(r+u,c+v)\]}^2$

其中，n表示模板该兴趣区域内像素点的数量，即n＝|T|；对于SAD和SSD来说，相似度量的值越大，待搜索图像与模板之间的差别也就越大。

4.如权利要求1所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的芯片模版图像和待检测芯片图像的特征点的特征向量进行描述的方法如下：

采用Harris算子提取特征点取代SIFT算法中的极值点，并精确定位极值点，然后为每个特征点定义主方向，最后采用主成分分析法来生成特征点描述子。

5.如权利要求4所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的采用Harris算子提取特征点取代SIFT算法中的极值点的方法如下：

Harris算子的值为：

R＝det(C)-ktr²(C)

式中，det为矩阵的行列式；tr为矩阵的迹；C为相关矩阵，且：

$C\left(x\right)=\left[\begin{array}{cc}{I}_u^2\left(x\right)& I_{uv}\left(x\right)\\ I_{uv}\left(x\right)& I_v^2\left(x\right)\end{array}\right]$

式中，I_u(x)、I_v(x)、I_uv(x)分别为图像点x的灰度在u和v方向的偏导以及二阶混合偏导；k为经验值；当某点的Harris算子R大于设定阈值T时，该点为角点。

6.如权利要求4所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的精确定位极值点的方法如下：

利用DOG函数的二阶Taylor展开式D(X)插值得到特征点位置和尺度坐标的精确值：

$D\left(x\right)=D+\frac{\∂D^T}{\∂X}X+\frac{1}{2}{X}^T\frac{\∂D^T}{\∂X^2}X$

式中向量X＝(x,y,σ)，表示采样点和特征点之间的位置、尺度偏移；令上式的一阶导数为0，可得特征点精确位置的偏移向量为：

$\hat{X}=-\frac{\∂D^{-1}}{\∂X^2}\frac{\∂D}{\∂X}$

将加到原粗特征点的坐标X，即得到特征点的亚像素精确插值估计，经过数学代入以后可得：

$D\left(\hat{X}\right)=D+\frac{1}{2}\frac{\∂D}{\∂X}\hat{X}$

当|D(X)|值小于某阈值时，该特征点舍去；

此外还应舍去具有不稳定的边缘响应点，DOG函数的此类极值点通常在边缘切向有较大的主曲率，而在边缘的垂直方向有较小的主曲率；为了检测主曲率是否在某域值r下，只需检测是否满足：

$\frac{Tr{\left(H\right)}^2}{Det\left(H\right)}<\frac{{(r+1)}^2}{r}$

式中H为DOG函数的Hessian矩阵:

7.如权利要求4所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的采用主成分分析法来生成特征点描述子的方法如下：

对特征点确定一个大小为41×41的邻域，旋转这个邻域到主方向；

计算邻域内像素点的水平梯度与垂直梯度，每个特征点确定一个大小为39×39×2＝3042维的特征描述子；

针对图像特征采集m个特征点，够成一个原始特征矩阵M，矩阵大小3042×m，计算矩阵的协方差矩阵N；

计算协方差矩阵N的特征向量，根据特征根的大小排序，选择对应的前n个特征向量，构成投影矩阵T；

对新的特征描述子向量，乘以投影矩阵T，得到3042维降到n维的特征向量。

8.如权利要求1所述的基于特征匹配的晶圆缺陷检测方法，其特征在于采用k-d树进行特征点匹配，匹配方法如下：

构建k-d树：

在图像特征描述子匹配过程中，k-d树的每个节点至少要包含多项信息，并有各自的特定含义；k-d树的构建过程是一个逐级展开的过程，对所有数据逐步进行划分，一层层确定空间分割域与分割数值；在特征配准过程中，对于每一级的分割域选择是通过比较各个维数上的数据方差大小来确定的，选择最分散的那一维作为分割域，同时分割域位于中间的值作为分割值；

k-d树的最近邻查找：

k-d树最近邻查找过程是通过不断将待查询点与k-d树上的节点在其partition维与节点的keyValue进行比较，比keyValue值小则向左子树继续查找，反之向右子树查找，一直到叶节点。

9.如权利要求1所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的对误匹配点进行剔除的方法如下：

从模板图像中计算匹配点坐标的最大值和最小值，并据此把模板图像中包含匹配点的部分平均分成b×b块；

其中，有的块中有匹配点，有的块中没有，把没有匹配点的块去掉；

然后从模板图像中选取8个互不相同的块，从这8块的每块中随机选取一个点，得到8对分布比较均匀的匹配点；

在选择随机样本集数量的时候要比求取模型参数所需匹配对的数量多一个，先利用这n+1样本中的n个数据确定模型的参数，找到临时模型，然后检测第n+1个样本是不是在临时模型上，如果不是，重新选择一个随机样本集；如果是，则此临时模型为候选模型，算法继续寻找此候选模型的支撑集；如果支撑数量足够大，候选模型即为所寻找的目标模型；否则，重选随机样本集。

10.如权利要求1所述的基于特征匹配的晶圆缺陷检测方法，其特征在于所述的对芯片模版图像和配准后的待检测芯片图像分别进行二值化，实现芯片缺陷信息的提取的方法如下：

假设标准图像处于坐标(x，y)处的灰度像素值为f(x,y)，缺陷图像处于坐标(x，y)处的灰度像素值g(x,y)，则其绝对差值图在坐标(x，y)处的值可以表示为|f(x,y)-g(x,y)|；

随后采用基于固定阈值的分割方法，将结果差影图中每一个像素灰度值与这个预设门限值相比较，规定将像素灰度值大于此阈值的像素点赋值为255，反之赋值为0，把缺陷信息单独提取出来。