一種基于SVM的數(shù)字儀表顯示值識(shí)別方法

數(shù)字儀表結(jié)構(gòu)簡(jiǎn)單，使用方便，已廣泛應(yīng)用于科學(xué)實(shí)驗(yàn)和生產(chǎn)中。為了提高檢定效率、檢定精度，實(shí)現(xiàn)自動(dòng)化檢定是十分必要的。由于數(shù)字儀表的檢定是一項(xiàng)大批量、重復(fù)性的檢測(cè)過(guò)程，其操作過(guò)程簡(jiǎn)單、規(guī)范，外界環(huán)境要求不高，這為其實(shí)現(xiàn)檢定自動(dòng)化提供了有利條件。近年來(lái)計(jì)算機(jī)視覺(jué)技術(shù)和數(shù)字圖像處理技術(shù)的不斷發(fā)展，為滿(mǎn)足上述要求提供了可能。利用攝像機(jī)完成表盤(pán)及背景圖像的采集，并將其轉(zhuǎn)換成數(shù)字信號(hào)，然后利用數(shù)字圖像處理技術(shù)實(shí)現(xiàn)關(guān)鍵操作，實(shí)現(xiàn)數(shù)字儀表的自動(dòng)檢定，提高了檢定精度、生產(chǎn)效率、降低了生產(chǎn)成本。本文開(kāi)發(fā)的儀表顯示值自動(dòng)實(shí)時(shí)識(shí)別系統(tǒng)主要包括：圖像預(yù)處理、特征提取和數(shù)字識(shí)別3部分。其中數(shù)字識(shí)別是關(guān)鍵一環(huán)，主要采用了學(xué)習(xí)理論中的支持向量機(jī)方法。學(xué)習(xí)理論是一種研究有限樣本情況下機(jī)器學(xué)習(xí)性質(zhì)和規(guī)律的理論。在這一理論下發(fā)展出的一種通用的模式分類(lèi)器——支持向量機(jī)，由于與傳統(tǒng)的模式識(shí)別方法相比，具有推廣能力強(qiáng)，能保證全局最優(yōu)等優(yōu)點(diǎn)，這使得支持向量機(jī)技術(shù)在數(shù)字識(shí)別系統(tǒng)中有很好的應(yīng)用前景，因而引起了國(guó)內(nèi)外學(xué)者的極大興趣。支持向量機(jī)通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則和核函數(shù)方法，較好地解決了模式分類(lèi)器復(fù)雜性與推廣性之間的矛盾，因而也引起了模式識(shí)別領(lǐng)域?qū)W者的極大關(guān)注。

1 儀表示值自動(dòng)識(shí)別原理
    儀表顯示值自動(dòng)實(shí)時(shí)識(shí)別系統(tǒng)的流程：首先，由攝像頭獲取儀表顯示的視頻幀；然后，將視頻幀進(jìn)行灰度變換，二值化得到二值圖像；再通過(guò)邊緣檢測(cè)，操作微分直方圖，計(jì)算表盤(pán)水平和垂直投影，進(jìn)行峰谷分析定位出數(shù)字區(qū)域，并切分出單個(gè)數(shù)字的二值圖像；對(duì)單個(gè)數(shù)字的圖像進(jìn)行特征提取，得到一組特征；最后，將特征送入識(shí)別器進(jìn)行識(shí)別。
1．1 預(yù)處理
    數(shù)字儀表在檢定過(guò)程中，首先要定位表盤(pán)區(qū)域，然后確定數(shù)字位置。攝像頭提取圖像后，經(jīng)過(guò)灰度變換(見(jiàn)圖1)和二值化(見(jiàn)圖2)，其效果將對(duì)后續(xù)的數(shù)字切分和特征提取產(chǎn)生直接的影響，其中二值化是圖像預(yù)處理的關(guān)鍵環(huán)節(jié)，在實(shí)際應(yīng)用中受室內(nèi)燈光及儀表屏幕自身亮度等因素影響，圖像中往往存在灰度分布不均和灰度突變的情況。本文采用了OTSU算法，根據(jù)最大方差二值化獲得良好的二值圖像，這里主要為了提取表盤(pán)區(qū)域。通過(guò)標(biāo)識(shí)連通區(qū)域，連通區(qū)域的外接矩形，然后根據(jù)外接矩形的長(zhǎng)與寬定位數(shù)字儀表的顯示區(qū)域。本文采用了一個(gè)8連通區(qū)域提取算法。首先按照一定的標(biāo)號(hào)規(guī)則掃描圖像，得到一定數(shù)量的連通區(qū)域；然后針對(duì)同一區(qū)域內(nèi)標(biāo)號(hào)不一致的情況進(jìn)行處理，即得到最終處理結(jié)果。

1．2 數(shù)字分割
    表盤(pán)區(qū)域分割之后，繼續(xù)分割數(shù)字區(qū)域。在實(shí)際應(yīng)用中，攝像頭是固定的，數(shù)字的顯示區(qū)域在圖像中的位置、大小等是基本相似的。本文根據(jù)數(shù)字儀表顯示屏幕的特點(diǎn)，采用投影法找到顯示屏的邊框。圖像中數(shù)字區(qū)域的準(zhǔn)確定位分割是實(shí)現(xiàn)儀表顯示值識(shí)別的重要前提。在表盤(pán)的二值圖內(nèi)，先通過(guò)邊緣檢測(cè)，利用微分直方圖進(jìn)行數(shù)字分割，圖3為水平投影后的直方圖。

    經(jīng)過(guò)水平投影將圖像分割成上、中、下3部分。對(duì)中部數(shù)字區(qū)域的二值圖像從上到下逐行掃描；獲取到圖像的水平投影圖。利用行間間隔形成的水平投影間隙，即可將各數(shù)字行分割開(kāi)來(lái)，如圖4所示，然后提取中部截圖，再對(duì)中部數(shù)字區(qū)域做垂直投影，如圖5所示，計(jì)算峰谷可以將單個(gè)數(shù)字分割出來(lái)。字切割是從行切分后，得到的圖像中將每一個(gè)數(shù)字分割出來(lái)，利用每行字符的垂直投影中字符之間的間隙即可將各個(gè)數(shù)字分割出來(lái)。

1．3 特征提取
    由于數(shù)字具有明顯的局部結(jié)構(gòu)特征，因此本文采用一種非對(duì)稱(chēng)分塊統(tǒng)計(jì)特征，作為表征數(shù)字的特征向量。方法如下：
    (1)應(yīng)用otsu方法將分割出的數(shù)字圖像二值化，然后將圖像歸一化為70×50大小；
    (2)將圖片等分為35塊，每塊子圖為10×10大小，按式(1)計(jì)算每一塊中背景點(diǎn)的分布特征；
   
    式中：p(m，n)為10×10子圖中m行n列像素灰度值，前景點(diǎn)為255，背景點(diǎn)為0。
    (3)將每一塊子圖的背景點(diǎn)統(tǒng)計(jì)特征作為一維特征向量，構(gòu)造35維向量[a1 a2 … a34 a35]作為支持向量機(jī)的輸入特征向量。
1．4 數(shù)字識(shí)別
    基于支持向量機(jī)的數(shù)字識(shí)別支持向量機(jī)(Support Vector Machines，SVM)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則工作，能在訓(xùn)練誤差和分類(lèi)器容量間達(dá)到較好平衡，因而具有更好的性能，在模式識(shí)別領(lǐng)域有著廣泛的應(yīng)用。對(duì)于兩類(lèi)模式識(shí)別問(wèn)題，假設(shè)給定n個(gè)樣本作為訓(xùn)練集：
   
    這里yi=+1或-1，要找到一個(gè)最優(yōu)超平面，使訓(xùn)練集中的點(diǎn)距離分類(lèi)面盡可能的遠(yuǎn)，也就是使M=2／‖ω‖最大的分類(lèi)面就是最優(yōu)分類(lèi)面。對(duì)于線(xiàn)性可分的情況，要找到最優(yōu)超平面：
 
    即求解下面的二次規(guī)劃問(wèn)題：
  
    此二次規(guī)劃問(wèn)題，可用Lagrange乘子法把式(5)化成其對(duì)偶形式：
  
    設(shè)[a1 a2 … a3]為二次優(yōu)化問(wèn)題的解，可以證明解中只有小部分ai不為0，稱(chēng)對(duì)應(yīng)的xi為支持向量，ai是對(duì)應(yīng)的Lagrange系數(shù)，b是常數(shù)(閾值)。于是最優(yōu)超平面方程為：
   
    最優(yōu)超平面的分類(lèi)規(guī)則為：
   
    對(duì)于線(xiàn)性不可分情，在條件式(5)中引入非負(fù)松弛變量ξi，原約束條件改為：
   
    相應(yīng)的目標(biāo)函數(shù)改為：
   
    最優(yōu)分類(lèi)面的對(duì)偶問(wèn)題改為：
   
    若ai>0，稱(chēng)相應(yīng)的xi為支持向量(Support Vector)。更進(jìn)一步，若O<ai<C，稱(chēng)xi為邊緣(Margin)支持向量；若ai=C，稱(chēng)xi為偏差(Bias)支持向量。非線(xiàn)性支持向量機(jī)的工作原理是通過(guò)非線(xiàn)性變換φ(x)，將輸入空間變換到一個(gè)高維空間，在這個(gè)新空間中求取最優(yōu)線(xiàn)性分類(lèi)面，并引入核函數(shù)(如RBF核函數(shù))計(jì)算內(nèi)積。在可分的情況下求解：
   
    找出的支持向量充分描述了整個(gè)訓(xùn)練數(shù)據(jù)集的特征，使得對(duì)SV集的線(xiàn)性分類(lèi)等價(jià)于對(duì)整個(gè)數(shù)據(jù)集的分類(lèi)，檢測(cè)流程圖如圖6。所示。

1．5 實(shí)驗(yàn)結(jié)果與分析
    實(shí)驗(yàn)中選取了3組典型的樣本，每組樣本數(shù)200個(gè)，在PC機(jī)上進(jìn)行了試驗(yàn)，結(jié)果如表1所示。每個(gè)樣本有6或5個(gè)數(shù)字，其中3或4個(gè)是表示小時(shí)和分鐘，2個(gè)表示秒鐘。

    從表1可以看出，在二值化較好，數(shù)字清晰的情況下，識(shí)別率達(dá)到了100％，對(duì)有輕微點(diǎn)狀噪聲和輕微斷痕的樣本，識(shí)別率也很高，但對(duì)存在數(shù)字殘缺的樣本，識(shí)別率有所下降。就識(shí)別時(shí)間而言，整屏數(shù)字(6或5個(gè)數(shù)字)的識(shí)跗時(shí)間小于200 ms，明顯低于儀表數(shù)字的最快變化時(shí)間1 000 ms。

2 結(jié)語(yǔ)
    主要研究了數(shù)字式儀表的自動(dòng)判讀方法，為儀表盤(pán)上的儀表實(shí)現(xiàn)自動(dòng)識(shí)別打下基礎(chǔ)。首先對(duì)采集到的數(shù)字式儀表進(jìn)行預(yù)處理，主要包括圖像灰度化、二值化、噪聲消除等。參考現(xiàn)有的數(shù)字識(shí)別算法，本文主要采用垂直投影法來(lái)分割各個(gè)字符，然后對(duì)分割后的每個(gè)字符提取分塊統(tǒng)計(jì)特征。最后用SVM訓(xùn)練樣本實(shí)現(xiàn)相應(yīng)數(shù)字字符識(shí)別，最終判讀出數(shù)字儀表的讀數(shù)。該方法算法簡(jiǎn)單，實(shí)時(shí)性高，可靠性好，是一種比較理想且具有一定應(yīng)用價(jià)值的識(shí)別算法。