4. ROI与模板对齐稳定性优化

在工业视觉检测中，产品在视野内的位置、角度和尺度几乎不可能每次都完全一致。传送带上的轻微抖动、机械手放料偏差、镜头畸变、料盘间隙，都会让同一型号的产品在图像中呈现不同的位姿。如果检测区域（ROI）固定不动，而产品发生位移或旋转，原本落在ROI内的特征就可能移出边界，导致漏检；反过来，ROI内混入背景或相邻产品，又会造成误检。因此，ROI与模板对齐的稳定性，直接决定了检测系统的鲁棒性。

HALCON提供了从模板匹配到形状匹配、再到仿射变换与动态ROI跟随的完整工具链。本节的核心思路是：先用匹配算法在图像中定位产品，得到一个位姿（Pose），再把这个位姿传递给ROI和检测算子，让ROI“跟着产品走”。这样，无论产品怎么动，检测区域始终锁定在产品上的同一物理位置。

4.1 匹配方式的选择：模板匹配 vs 形状匹配

HALCON中常用的定位算子有两类。第一类是基于灰度的模板匹配，代表算子为create_template和best_match。它直接使用模板图像的灰度信息进行相关计算，适合纹理丰富、光照稳定的场景，但对光照变化和遮挡比较敏感。第二类是基于形状的匹配，代表算子为create_shape_model和find_shape_model。它提取模板的边缘轮廓，用梯度方向作为特征，对光照变化、部分遮挡和噪声有更强的容忍度，是工业检测中最常用的定位手段。

选择哪种方式，取决于产品特征。如果产品表面有稳定的字符、纹理或标记，灰度匹配可以做到亚像素精度；如果产品主要靠外形轮廓区分，或者光照条件波动较大，形状匹配更合适。对于本节讨论的位移、旋转、缩放问题，形状匹配天然支持角度和尺度的搜索范围设置，是更优先的选择。

4.2 形状模型的创建与参数设置

创建形状模型时，需要从一张“标准姿态”的图像中提取模板区域。假设我们检测一个金属冲压件，标准图像中产品中心位于图像坐标(320, 240)，产品上有一个直径为8像素的圆孔需要检测。我们先用gen_rectangle1或gen_circle圈出包含产品轮廓的ROI，然后调用：

create_shape_model (ImageReduced, 'auto', -0.39, 0.39, 'auto', \
                    'auto', 'use_polarity', 'auto', 'auto', ModelID)

其中，-0.39到0.39弧度表示允许±22.5°的旋转搜索范围，'auto'让HALCON自动选择金字塔层数和对比度。如果产品可能缩放，还需要在find_shape_model中设置MinScale和MaxScale，例如0.9到1.1，表示允许±10%的尺度变化。

这里有一个关键点：搜索范围不是越大越好。角度范围每扩大一倍，匹配耗时大约增加一倍，同时误匹配的风险也会上升。合理的做法是先统计产线实际的最大偏移量，再留出20%～30%的余量。例如实测最大旋转为±15°，则设置±20°即可。

4.3 从匹配结果到仿射变换

find_shape_model返回的是一组匹配结果，每个结果包含行坐标、列坐标、角度和缩放因子。HALCON通常用Row、Column、Angle、Scale四个参数描述，也可以直接得到齐次变换矩阵。利用这个位姿，我们可以做两件事：

• 把标准ROI变换到当前图像位置：用vector_angle_to_rigid或hom_mat2d_*系列算子构造仿射矩阵，再用affine_trans_region把预先定义好的检测ROI映射过去。
• 把图像反向变换到标准姿态：用affine_trans_image把当前图像对齐到模板坐标系，之后所有检测都在标准坐标系下进行，ROI完全不用改。

两种方式各有优劣。前者保持原图不变，ROI动态跟随，适合需要保留原始图像信息的场景；后者把图像“摆正”，后续测量和检测逻辑最简单，但会引入插值误差，且图像尺寸可能变化。实际项目中，如果检测项是尺寸测量，建议用反向变换对齐图像；如果只是有无判断或缺陷检测，动态ROI跟随更轻量。

4.4 动态ROI跟随的实现

下面给出一个典型的动态ROI跟随流程。假设标准姿态下，我们已经在模板图像上定义了一个矩形检测区域ROI_Standard，它覆盖产品上的关键特征。每帧图像的处理逻辑如下：

find_shape_model (Image, ModelID, -0.35, 0.35, 0.9, 1.1, \
                  0.7, 1, 0.5, 'least_squares', 0, 0.9, \
                  Row, Column, Angle, Scale, Score)

if (|Score| > 0)
    hom_mat2d_identity (HomMat2D)
    hom_mat2d_scale (HomMat2D, Scale[0], Scale[0], 0, 0, HomMat2D)
    hom_mat2d_rotate (HomMat2D, Angle[0], 0, 0, HomMat2D)
    hom_mat2d_translate (HomMat2D, Row[0], Column[0], HomMat2D)
    affine_trans_region (ROI_Standard, ROI_Current, HomMat2D, 'nearest_neighbor')
    reduce_domain (Image, ROI_Current, ImageReduced)
    * 后续检测算子作用于 ImageReduced
endif

这段代码中，Score是匹配得分，通常要求大于0.7才认为定位可信。如果得分过低，说明产品可能缺失、严重遮挡或姿态超出搜索范围，此时应触发报警而不是继续检测，否则后续测量结果不可信。

4.5 稳定性优化的关键细节

仅仅实现跟随还不够，实际产线上还需要注意以下几点：

• 模板质量：模板应包含产品上最稳定、最具区分度的轮廓，避免包含易变的光斑、反光或可拆卸部件。可以用inspect_shape_model查看金字塔各层的轮廓质量。
• 搜索范围与耗时平衡：角度步长AngleStep不宜过小，否则匹配时间急剧增加。一般先用'auto'，再根据实际节拍微调。
• 多模板策略：如果同一工位混流生产多种型号，应为每种型号建立独立模型，或用find_shape_models一次搜索多个模型，按得分最高者定位。
• ROI边界余量：动态ROI变换后，边缘可能因插值产生锯齿，建议在标准ROI基础上向外扩2～3像素，避免特征被裁掉。
• 坐标系一致性：HALCON图像坐标以左上角为原点，行向下、列向右。旋转正方向为逆时针。全文和代码中必须统一这个约定，否则角度符号容易出错。

4.6 效果验证与判断依据

优化是否有效，不能只看单帧图像。建议采集连续200～500帧产线图像，记录每帧的匹配得分、定位偏差和最终检测结果。判断标准可以设为：匹配得分均值大于0.85，得分低于0.7的帧占比小于1%，动态ROI内特征完整率大于99%。如果得分波动大，优先检查光照稳定性和模板对比度；如果ROI跟随正确但检测仍误判，则问题可能出在后续检测算子的阈值上，而不是对齐环节。

上图展示了从标准模板到动态ROI跟随的完整数据流。左侧是标准姿态下定义的模板和ROI，中间通过形状模型建立匹配依据，右侧当前帧图像经过匹配得到位姿，再通过仿射变换把标准ROI映射到当前产品位置，最终在动态ROI内执行检测。底部的Score判断是安全闸门，确保只有定位可信时才继续检测。

总结来说，ROI与模板对齐的稳定性优化，本质上是把“检测区域”从图像坐标系解耦到产品坐标系。通过形状匹配获取位姿，通过仿射变换传递位姿，通过动态ROI锁定特征，再配合合理的搜索范围、模板质量和得分阈值，就能显著降低因产品位移、旋转、缩放造成的误检和漏检。实际落地时，建议先用小批量图像验证匹配重复性，再逐步放开角度和尺度范围，最后用产线连续数据统计漏检率和误检率，形成可量化的优化闭环。