Halcon 工业机器视觉全景解析

一、什么是 Halcon

HALCON 是德国 MVTec Software GmbH 公司开发的商业机器视觉算法库，1996 年发布首版，是工业机器视觉领域公认的"商业王者"。与 OpenCV 不同，Halcon 不开源、按授权收费，但它用2000+ 个高度优化的算子（Operator）和一套独特的数据体系，把工业视觉中最难、最痛的问题（鲁棒定位、亚像素测量、3D 重建）做到了开箱即用。

Halcon 的典型工作方式是：在 HDevelop 可视化 IDE 中交互式调参验证算法，验证通过后一键导出为 C++ / C# / Python / VB 代码，集成到产线软件中部署。

1.1 Halcon 的核心特征

• 算子式 API：2000+ 算子命名统一为"动词_名词"（read_image、find_shape_model），输入参数在前、输出在后，极易记忆
• Region 行程编码：区域不以像素位图存储，而用行程压缩，连通域分析比 OpenCV 快一个数量级
• XLD 亚像素精度：轮廓提取精度可达 1/10 ~ 1/50 像素，满足精密测量需求
• 形状匹配：抗遮挡、抗杂波、支持旋转缩放的模板匹配，是 Halcon 最知名的王牌能力
• 自动并行：算子内部自动多线程，无需手写并行代码
• 硬件无关：基于 GenICam 标准，几百种工业相机免驱接入

二、Halcon 能力矩阵

Halcon 的能力围绕"工业检测"设计，可归纳为六大能力域：

三、核心原理：四大数据类型

理解 Halcon 的钥匙，是理解它的数据体系。Halcon 变量只有两大类：图像数据（Iconic）和控制数据（Control）。图像数据又分三种，它们是 Halcon 区别于所有其他视觉库的精髓：

四、Region 原理：行程编码

OpenCV 里的"区域"是一张与原图同大的二值图（每个像素 0 或 255）。Halcon 的 Region 完全不同：它不存储像素位图，而存储每一行中前景段的起止列号，这就是行程编码（Run-Length Encoding, RLE）。

行程编码带来三个直接优势：

• 省内存：一个圆形区域不存位图，只存每一行的一段坐标
• 算得快：连通域分析（connection）、区域交并差（intersection/union2）直接在行程表上做集合运算，速度远超像素扫描
• 天然支持"不连通"：一个 Region 变量可以同时包含多个不相连的区域，count_obj 数个数，select_obj 取第几个

五、XLD：亚像素轮廓

XLD（eXtended Line Description，扩展线描述）是 Halcon 的另一大利器。普通边缘检测输出的是"像素级"的点，而 XLD 通过亚像素插值，把边缘定位到浮点数坐标——精度可达 1/10 到 1/50 个像素。

XLD 上可以做几何拟合：把轮廓点拟合为直线、圆、椭圆、矩形，直接得到尺寸和位置，这是精密测量的标准做法：

* 提取亚像素边缘 → 拟合圆 → 直接得到圆心和半径（亚像素精度）
edges_sub_pix (Image, Edges, 'canny', 1.5, 20, 40)
segment_contours_xld (Edges, Segments, 'lines_circles', 5, 4, 2)
fit_circle_contour_xld (Segments, 'ahuber', -1, 2, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder)

六、Blob 分析：视觉三板斧之首

Blob 分析（连通域分析）是工业视觉最常用的手段：把"目标"从背景中分割出来，统计它的数量、面积、位置、形状。Halcon 的经典三连是：

常用的筛选特征（select_shape 的 Features 参数）：

七、形状匹配：Halcon 的王牌

Blob 分析依赖"目标和背景灰度差异明显"。但产线上常有光照不均、遮挡、杂乱背景、目标旋转缩放的情况——这正是 Halcon 形状匹配（Shape-Based Matching）的统治区。它的思想是：用目标的边缘形状（而非灰度）做模板，在图像金字塔上逐层搜索。

八、图像采集与相机标定

8.1 图像采集：一套接口接所有相机

Halcon 通过 GenICam 标准接入工业相机：GigE Vision、USB3 Vision、CoaXPress、CameraLink 等接口的相机，都用同一套算子操作，无需厂商 SDK。

8.2 相机标定

Halcon 标定使用专用的标定板（圆点阵列 caltab，而非棋盘格），通过 find_calib_object 自动找标定板，calibrate_cameras 一次性求解内参、外参、畸变。标定后像素坐标可直接换算为世界坐标（毫米），测量结果与物理尺寸挂钩。

* 标定核心三步（多拍几张标定板图像）
find_calib_object (Image, CalibDataID, 0, 0, 0, [], [])   * 自动找标定板圆点
calibrate_cameras (CalibDataID, Error)                    * 求解内外参
image_points_to_world_plane (CameraParam, Pose, Row, Col, 'mm', X, Y)  * 像素→毫米

九、3D 视觉与深度学习

十、HDevelop：原型到交付的工作流

HDevelop 是 Halcon 自带的交互式开发环境，是它"高效"的秘密：

• 逐行执行：每行算子可随时运行，图像窗口即时看到效果，变量窗口实时查看 Region/XLD 内容
• 算子向导：输入算子名，图形界面引导填每个参数，还能拉 ROI 生成代码
• 一键导出：验证通过的程序导出为 C++ / C# / Python / VB 代码；也可用 HDevEngine 直接加载 HDevelop 脚本运行
• 内置示例：HDevelop 自带数千个示例程序（Examples Browser），覆盖几乎所有算子的典型用法

十一、核心特性

十二、应用场景全景

十三、最简示例

13.1 HDevelop：Blob 分析八行（检测并计数）

* 读入图像 → 阈值 → 连通域 → 按面积筛选 → 输出个数和中心
read_image (Image, 'particles.png')
threshold (Image, Dark, 0, 120)                        * 深色部分成为 Region
connection (Dark, Connected)                        * 拆成独立连通域
select_shape (Connected, Targets, 'area', 'and', 100, 99999)  * 面积≥100 保留
count_obj (Targets, Number)                         * 数目标个数
area_center (Targets, Area, Row, Column)            * 取面积和中心坐标
dev_display (Image)
dev_display (Targets)                               * 可视化结果

13.2 HDevelop：形状匹配（产线定位标准模板）

* ===== 离线：创建模板（对标准件图像做一次） =====
read_image (ModelImage, 'model.png')
gen_rectangle1 (ROI, 100, 150, 400, 500)               * 框出目标区域
reduce_domain (ModelImage, ROI, ImageReduced)
create_shape_model (ImageReduced, 'auto', 0, rad(360), 'auto',
                    'auto', 'use_polarity', 'auto', 'auto', ModelID)

* ===== 在线：每张图搜索，输出位置/角度/得分 =====
grab_image (Image, AcqHandle)
find_shape_model (Image, ModelID, 0, rad(360), 0.5, 0,
                   0.5, 'least_squares', 0, 0.9,
                   Row, Column, Angle, Score)
* Score > 0.7 即认为找到目标 → Row/Column/Angle 用于引导机械手

13.3 C++ 导出：部署到产线软件

// main.cpp — HDevelop 代码一键导出的 C++ 版本（节选）
#include <HalconCpp.h>
using namespace HalconCpp;

int main() {
    HObject  ho_Image, ho_Dark, ho_Connected, ho_Targets;
    HTuple   hv_Number, hv_Area, hv_Row, hv_Column;

    ReadImage(&ho_Image, "particles.png");
    Threshold(ho_Image, &ho_Dark, 0, 120);
    Connection(ho_Dark, &ho_Connected);
    SelectShape(ho_Connected, &ho_Targets,
                "area", "and", 100, 99999);
    CountObj(ho_Targets, &hv_Number);
    AreaCenter(ho_Targets, &hv_Area, &hv_Row, &hv_Column);

    std::cout << "检测到目标数: " << hv_Number.I() << std::endl;
    return 0;
}

十四、总结

— 全文完 —