工件轮廓的配准是机器人视觉引导系统中对工件位姿感知的重要组成部分,通过工件轮廓与模板轮廓的配准可以获得工件的位姿信息,从而引导机器人进行抓取和安装。文中针对图像配准算法中特征提取的SIFT算法计算复杂、特征提取效率慢的缺点,在工件轮廓特征提取过程中,直接在原图像上计算高斯尺度空间图像,不进行上下采样,最后在高斯差分图像上寻找极值点作为轮廓特征点,最后通过与模板提取的特征点进行逐个匹配,按照重合度进行排序,选择重合度最高的特征点计算仿射变换的参数。实验表明,改进的SIFT算法能够完成工件轮廓图像与模板轮廓图像的配准,并将特征提取速度提高了近10倍。

SIFT算法是目前特征匹配研究领域的热点，因为它具有良好的尺度、旋转、光照等不变特性而应用于图像匹配中，但其算法复杂、计算时间长。在分析SIFT特征向量生成过程的基础上，提出一种降低SIFT匹配过程中相似性度量计算代价的方法以提高SIFT特征匹配效率。该方法以街区距离和棋盘距离的线性组合距离代替欧氏距离作为特征描述符之间的相似性度量，同时根据部分特征的计算结果逐步减少参与计算的特征点。实验结果表明：该方法在保持鲁棒性的同时，可以降低时间复杂度，提高图像匹配的效率。

研究了鞋印图像定位及匹配问题,首次在鞋印匹配中引入了基于尺度不变特征变换SIFT（Scale-invariant feature transform）算法,并提出一种基于改进的SIFT算法的鞋印图像匹配方法。由于算法具有良好的尺度、光照等不变特性而适用于鞋印图像匹配中。在图像生成特征点之前采用一种二次定位算法,使经过定位的鞋印图像处于同一竖直位置。在分析SIFT特征向量生成过程的基础上,以最小欧式距离作为判断特征点是否匹配的标准,并用最小欧式距离与次小欧氏距离之比来剔除匹配无效点,提高SIFT特征匹配效率。大量实验数据证明,该改进的SIFT算法在保证图像匹配率和算法鲁棒性的情况下,不仅可有效缩短匹配时间,同时还提高了图像匹配精度。