3. 2D定位基础概念

在机器视觉与自动化对位系统中，2D定位是一切高精度动作的“眼睛”。无论是PCB板钻孔、手机屏幕贴合，还是半导体封装、锂电极片切割，视觉系统都需要先回答一个核心问题：“目标在哪里？角度偏了多少？”。Halcon作为工业视觉领域的专业工具库，提供了多种定位方法，但每种方法在原理、计算开销、鲁棒性和适用场景上差异巨大。本章将系统拆解模板匹配、特征点定位、边缘定位与Blob分析四大类方法的底层逻辑，并结合实际工程经验，帮助你在面对具体项目时做出正确的技术选型。

上图展示了四种定位方法在视觉系统中的位置关系与选型逻辑。在实际项目中，它们并非互斥，而是经常以“粗定位+精定位”或“多方法融合”的方式协同工作。下面逐一深入剖析每种方法的原理与工程要点。

3.1 模板匹配：最经典的全局限位方法

核心原理

模板匹配的核心思想是：预先制作一个已知目标的图像块（模板），然后在搜索图像中滑动该模板，通过计算相似度函数来找到最佳匹配位置。Halcon中主要提供两种模板匹配方式：基于灰度值的模板匹配（Gray-based）和基于形状的模板匹配（Shape-based）。

• 灰度模板匹配：直接比较像素灰度值的差异，使用归一化互相关（NCC）或平方差（SAD/SSD）作为相似度度量。计算速度快，但对光照变化、遮挡和旋转非常敏感。
• 形状模板匹配：提取模板图像的边缘轮廓或梯度方向信息，在搜索图中寻找相似的轮廓分布。Halcon的create_shape_model系列算子即为此类，支持旋转、缩放和部分遮挡，鲁棒性远优于灰度匹配。

判断方法或操作流程

1. 模板制作：从参考图像中截取ROI区域，调用create_shape_model或create_gray_model生成模板，需设置金字塔层数（NumLevels）、起始角度（AngleStart）、角度范围（AngleExtent）等参数。
2. 参数调优：金字塔层数越多，搜索越快，但可能丢失细节；角度步长（AngleStep）影响旋转精度，通常设为0.1°~1°。
3. 搜索策略：使用find_shape_model在图像中执行多尺度搜索，返回匹配分数（Score）、行/列坐标和角度。分数阈值一般设为0.5~0.8，过低会引入误匹配。
4. 亚像素细化：Halcon自动在匹配位置附近进行亚像素插值，输出浮点坐标，满足高精度对位需求。

案例拆解：手机摄像头模组组装中的Mark点定位

在摄像头模组组装产线上，需要将FPC软板精确贴合到PCB板上。PCB板上的Mark点（圆形或十字形）是定位基准。初始现象是：产线换型后，模板匹配频繁失败，定位偏差达到±0.15mm，超出工艺要求（±0.05mm）。

分析过程：检查发现，新PCB板的Mark点表面镀层反光更强，且周围增加了两个过孔，导致灰度模板匹配时干扰增大。我们改用形状模板匹配，只提取Mark点的圆形轮廓特征，并设置AngleStart:=-30°、AngleExtent:=60°以容忍贴装时的微小旋转。同时将金字塔层数设为4，搜索时间从原来的35ms降至12ms。最终定位精度稳定在±0.03mm，换型后无需重新制作模板。

常见误区与总结

• 误区一：认为模板匹配只能做刚性目标。实际上，Halcon的形状模板支持局部变形（create_local_deformable_model），可处理柔性电路板的弯曲。
• 误区二：忽略金字塔层数与搜索精度的平衡。层数过高时，小目标可能被跳过，导致找不到匹配。
• 总结：模板匹配是“全局搜索+局部精化”的典型代表，适合目标纹理清晰、刚性较好、需要全图搜索的场景。在2D定位中，它常作为第一级定位，为后续精定位提供初始位置。

3.2 特征点定位：应对弱纹理与形变目标的利器

核心原理

特征点定位不依赖整体灰度或轮廓，而是提取图像中具有独特性的局部关键点（如角点、斑点、交叉点），并计算描述子（如SIFT、SURF、ORB）。Halcon中主要通过points_foerstner、points_harris等算子提取角点，或使用find_surface_model进行3D特征匹配。其核心优势在于：对光照变化、部分遮挡、目标形变具有更强的鲁棒性。

判断方法或操作流程

1. 特征提取：在ROI内检测关键点，设置最小响应阈值（如MinThreshold）和邻域大小（NeighborMaskSize）。
2. 描述子生成：为每个关键点生成特征向量，描述其邻域的梯度分布或灰度模式。
3. 特征匹配：使用match_points或projective_trans_point_homography等算子，在参考图像与搜索图像之间建立点对应关系。
4. 几何校验：通过RANSAC算法剔除误匹配点，计算单应性矩阵（Homography），从而获得目标的精确位置与姿态。

案例拆解：柔性电路板（FPC）连接器引脚定位

FPC连接器引脚间距仅0.3mm，且FPC本身柔软，在传送带上会产生轻微弯曲。使用模板匹配时，由于引脚轮廓变形，匹配分数始终低于0.6，无法稳定输出。改用特征点定位后，我们在每个引脚尖端提取Harris角点，共获得40~50个特征点。通过RANSAC拟合出引脚阵列的直线方程，计算出整体偏移和旋转角。即使FPC弯曲导致部分引脚偏移超过0.1mm，特征点匹配依然能正确识别，最终定位精度达到±0.02mm。

常见误区与总结

• 误区：认为特征点定位一定比模板匹配更准。实际上，特征点的精度取决于关键点检测的重复性和描述子的区分度，在纹理稀疏场景下可能找不到足够特征点。
• 总结：特征点定位适合目标有局部纹理、可能发生形变、或需要多目标匹配的场景。在2D对位中，它常用于“先粗匹配、再精调整”的流程中。

3.3 边缘定位：高精度直线与圆弧测量的基石

核心原理

边缘定位基于图像灰度梯度变化，通过检测灰度突变的位置来确定目标边界。Halcon中edges_sub_pix算子使用Canny或Lanser算法提取亚像素级边缘点，再通过fit_line_contour_xld或fit_circle_contour_xld拟合直线或圆弧。其精度可达1/10像素甚至更高，是精密测量中最常用的方法。

判断方法或操作流程

1. ROI设置：在目标边缘附近划定矩形或环形ROI，减少计算量。
2. 边缘提取：调用edges_sub_pix，设置滞后阈值（High/Low）和边缘极性（亮到暗或暗到亮）。
3. 轮廓拟合：使用fit_line_contour_xld拟合直线，或fit_circle_contour_xld拟合圆，输出几何参数（起点、终点、圆心、半径）。
4. 定位计算：根据拟合的几何元素，计算目标中心或基准边位置。

案例拆解：锂电池极片切割对位

在锂电池极片模切工序中，需要根据极片边缘位置调整切割刀具。极片边缘存在毛刺和反光，直接使用灰度阈值分割效果不佳。我们采用边缘定位方案：在极片两侧各设置一个矩形ROI，提取亚像素边缘点，拟合两条直线，计算中线位置。通过设置High:=30、Low:=10的滞后阈值，有效滤除了毛刺产生的伪边缘。最终定位精度达到±0.01mm，且单次处理时间仅8ms。

常见误区与总结

• 误区：边缘定位只能测直线和圆。实际上，Halcon支持任意形状的XLD轮廓拟合，可测量复杂曲线。
• 总结：边缘定位是“局部精化”的典型代表，适合目标边缘清晰、需要高精度测量的场景。在2D对位中，它常作为模板匹配或Blob分析后的精定位步骤。

3.4 Blob分析：快速区域分割与目标检测

核心原理

Blob分析（连通域分析）通过阈值分割将图像分为前景和背景，然后对前景像素进行连通域标记，提取每个区域的面积、重心、外接矩形、圆度等特征。Halcon中threshold算子进行分割，connection算子标记连通域，select_shape算子按特征筛选目标。Blob分析速度快，适合目标与背景灰度差异明显的场景。

判断方法或操作流程

1. 图像二值化：使用threshold或dyn_threshold（动态阈值）分割目标。
2. 连通域标记：connection将二值图像中的独立区域分离。
3. 特征筛选：通过select_shape按面积、宽度、高度、圆度等特征过滤干扰区域。
4. 特征计算：使用area_center计算重心坐标，orientation_region计算区域方向角。

案例拆解：电子元器件引脚计数与定位

在芯片引脚检测中，需要快速统计引脚数量并定位第一个引脚的位置。引脚在背光照射下呈现暗色，与亮色基板对比明显。使用Blob分析：先进行阈值分割（Threshold:=120），再通过connection分离每个引脚区域，最后用select_shape筛选面积在50~200像素之间的区域。整个过程仅需3ms，准确率100%。

常见误区与总结

• 误区：Blob分析只能处理二值图。实际上，Halcon支持灰度图直接进行连通域分析，但二值化是标准流程。
• 总结：Blob分析是“全局分割+特征筛选”的快速方法，适合目标与背景对比明显、需要快速定位的场景。在2D对位中，它常用于粗定位或目标计数。

3.5 方法对比与选型决策

在实际项目中，建议遵循“先粗后精、多级融合”的策略。例如：先用Blob分析快速锁定目标区域，再用边缘定位精测边界，最后用模板匹配验证整体姿态。这种组合方式既能保证速度，又能达到高精度。