1.一种基于机器视觉的软包装表面质量检测方法，其特征在于：具体包括以下步骤：S1：采用高速摄像机采集印品图像；

S2：高速摄像机对采集的印品图像使用SURF算法进行处理，SURF算法的具体执行处理步骤如下：S21、通过SURF算法中的核心Hessian矩阵获得Hessian矩阵行列式的局部最大值，利用Hessian矩阵行列式的局部最大值确定特征点的位置和尺度；

S22、通过Hessian矩阵求极值点并获取稳定点，用矩阵行列式的局部最大值来标记块状特征结构的位置；

令函数f(x,y)，Hessian矩阵H是由函数偏导数组成，可表示为式(1)：Hessian矩阵判别式为：

式(2)中，d(H)是H矩阵的特征值，利用判别结果的符号将所有点进行分类，根据判别式取正负，判别该点是否为极值点；

在SURF算法中，用图像像素X(x,y)代替函数值f(x,y)，选用二阶标准高斯函数作为滤波器，通过特定核间的卷积计算二阶偏导数，计算出在尺度σ下的H矩阵的3个矩阵元素Lxx(X,σ)，Lyy(X,σ),Lxy(X,σ)从而计算出H矩阵；

得到式(3)和式(4)：

式(3)和式(4)中，g(t)为高斯函数，t为高斯方差，Lxx(X,σ)是高斯二阶导数 与图像I在x点处的卷积，Lxy(X,σ)，Lyy(X,σ)分别是高斯滤波后图像在y和xy方向上的二阶偏导数和二维图像的卷积；

S23、通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：2

d(Happrox)＝DxxDyy‑(wDxy) (5)；

其中,w为权重系数；

S24、图像的解析处理：图像的尺度空间是一幅图像在不同解析度下的表示，通过高斯核的卷积来实现，图像的尺度大小用高斯标准差来表示，假设Hessian的行列式函数记为H(x,y,s),并且x＝(x，y,s)T，根据泰勒展开式可以得到式(6)和式(7)：通过H(x,y,σ)的导数获取插值区域的极值， 当H(x,y,σ)＝0时，得到：其函数导数利用相邻像素间的差异来近似得到，若 在x,y,σ三个方向中的值大于0.5，则需要调整特征点的位置并再次使用插值算法，直到在所有方向上 小于0.5；

S25、图像的比对：使用欧式距离找到实例点的邻距，FLANN算法模型的特征空间可表示n为n维实数向量空间R ,特征点p和q的特征分向量可记为Dp和Dq,则d(p,q)的欧式距离可以表示为式(8)：d(p,q)＝ (8)；

n

通过KD‑TREE将数据点在n维空间R 划分为特定的几个部分，检索在KD‑TREE中与查询点n距离最近的欧式距离，将向量空间R 中所有欧式距离d(p,q)通过KD‑TREE结构存储，通过KD‑TREE由上往下递归搜索，首先以某一特定维数为基准将目标点和分割点的值进行比较，判别目标点是在左区域还是在右区域，然后循环和对应点进行比较，直到目标搜索成功为止。

2.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：SURF算法采用不同尺寸的框式滤波器进行处理，SURF算法利用插值技术在亚像素精度寻找空间和尺度的位置以获得特征。

3.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述S23中，通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：2

d(Happrox)＝DxxDyy‑(wDxy) (5)；

其中,w为权重系数，取0.9。

4.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述S22中二阶偏导数的计算方法为：d2L(x)/dx2＝(L(x+1)‑L(x))‑(L(x)‑L(x‑1))＝‑2*L(x)+L(x+1)+L(x‑1)，其中L(x)＝g(h(x))，其中h(x)为原始图像的灰度值，L(x)是将h(x)高斯滤波处理后的图像。

5.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述S25中当以某一特定维数为基准将目标点和分割点的值进行比较时，目标点循环和对应点进行比较，如目标点循环和对应点一一对应说明软包装印刷正确，当目标点循环和对应点存在不对应之处说明软包装印刷出错。

6.根据权利要求5所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：当所述S25中目标点循环和对应点存在不对应之处，即软包装印刷出错时，警报器发出警报并将印刷出错的软包装定位。

7.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述高速摄像机的成像系统与工业计算机的图像信号输入端相连，所述高速摄像机为两台并设置有专用光源，所述专用光源为其中一台高速摄像机拍照时提供照明；另外一台高速摄像机的镜头通过所述专用光源的中间取景，拍照后将获得的图像输送到工业计算机内存。