數(shù)字化功能信息紙張的產(chǎn)品建模與圖像識別研究

張開生 韋逸野

(陜西科技大學(xué)電氣與信息工程學(xué)院，陜西西安，710021)

數(shù)字化紙張是指采用數(shù)字化的形式來表征紙張的功能信息，將特定字符信息鑲嵌在非織物成形過程中，形成具有特定功能的專用紙張[1]。目前的研究主要為基于點(diǎn)陣圖形的纖維成紙方法[2]，其對紙張本身進(jìn)行了內(nèi)嵌式的加密，信息鑲嵌于紙張纖維之中。但在對數(shù)字化紙張進(jìn)行抄造時，需要對抄紙設(shè)備進(jìn)行改造，耗費(fèi)人力物力，如果方案不完善，勢必還會造成更大的經(jīng)濟(jì)損失。為了完善數(shù)字化紙張的理念，為數(shù)字化紙張的實際抄造及信息識別提供理論指導(dǎo)，本文從數(shù)字化的角度出發(fā)，根據(jù)紙張?zhí)匦允褂肬nigraphics NX軟件進(jìn)行紙張數(shù)字化信息圖像建模，運(yùn)用軟件的仿真性能，獲取紙張圖像，并在此基礎(chǔ)上研究紙張功能數(shù)字化信息的識別方法。

目前，對圖像進(jìn)行識別處理的主流方法有基于圖像灰度值[3]和特征提取兩種?；趫D像灰度值的模板匹配方法雖然對圖像尺寸敏感、不具備旋轉(zhuǎn)不變性，但其簡單易行、定位精度較高、匹配速度快?；谔卣魈崛〉钠ヅ浞椒╗4]主要有尺度不變特征變換(Scale-Invariant Feature Transform，SIFT)、加速穩(wěn)健特征(Speeded Up Robust Features，SURF)和基于FAST特征提取和BRIEF特征描述的算法(Oriented FAST and Rotated BRIEF，ORB)等，這幾種算法應(yīng)對圖像旋轉(zhuǎn)、亮度變化和尺度變化等有不同的效果。文獻(xiàn)[5]在SURF特征匹配階段利用Hessian矩陣跡的正負(fù)性來提高特征點(diǎn)匹配的速度，采用隨機(jī)采樣一致算法(Random Sample Consensus，RANSAC)提高匹配精確度。文獻(xiàn)[6]通過快速最近鄰搜索算法得到初匹配點(diǎn)，再進(jìn)行雙向匹配，最后采用漸進(jìn)抽樣一致性算法(Progressive Sample Consensus，PROSAC)進(jìn)一步剔除誤匹配點(diǎn)對。文獻(xiàn)[7]針對ORB算法，在FAST特征檢測時，建立多尺度空間金字塔，在計算描述符時，采用精簡的快速視網(wǎng)膜特征描述。文獻(xiàn)[8]則通過雙直方圖哈希算法進(jìn)行模板匹配，縮小ORB特征提取范圍，節(jié)省了特征提取的時間，從而提高算法速度。

在圖像識別方面，本文針對實際識別中對實時性需求較強(qiáng)的特點(diǎn)，提出一種改進(jìn)的ORB算法。采用速度較快的ORB特征提取來獲得特征點(diǎn)和特征描述符，并結(jié)合隨機(jī)采樣一致性算法篩選特征點(diǎn)來保證圖像識別的精確度，通過快速最近鄰逼近搜索函數(shù)(Fast Library for Approximate Nearest Neighbors，F(xiàn)LANN)加快描述子匹配的匹配速度。最后使用透視變換來尋找已知物體，實現(xiàn)模擬紙張的信息識別。

1 數(shù)字化紙張建模

Unigraphics NX是一個交互式計算機(jī)輔助設(shè)計與計算機(jī)輔助制造系統(tǒng)(Computer Aided Design/Computer Aided Manufacturing，CAD/CAM)，功能強(qiáng)大，可以輕松實現(xiàn)各種復(fù)雜實體及造型的建構(gòu)。通過虛擬產(chǎn)品設(shè)計軟件Unigraphics NX首先形成3D的數(shù)字化紙張模型，在紙張模型上生成文字或者圖形，通過拉伸求差的方法使得文字與圖形產(chǎn)生嵌入紙張模型內(nèi)的效果，再通過真實渲染完善紙張建模。

首先進(jìn)行基礎(chǔ)紙張建模，在Unigraphics NX中選擇紙張形狀為長方體，進(jìn)行紙張原點(diǎn)定位來確定模擬紙張的位置。然后進(jìn)行模擬紙張的尺寸設(shè)計，假設(shè)其為普通登記單及發(fā)票大小，即190 mm×265 mm。為了展示方便，模擬紙張的厚度設(shè)置為1 mm。由于單純的紙張模型不需要進(jìn)行布爾運(yùn)算，所以布爾運(yùn)算選項為無。

在模擬的基礎(chǔ)紙張構(gòu)建后，則進(jìn)行文字信息“陜西科技大學(xué)”的創(chuàng)建。文字信息需要放置在虛擬紙張正面上的位置，放置方法選擇面上的曲線，錨點(diǎn)位置與參數(shù)百分比默認(rèn)選擇與模擬紙張一致。接下來為了實現(xiàn)信息內(nèi)嵌的效果，需要對文字信息進(jìn)行立體的拉伸以及嵌入。選定文字“陜西科技大學(xué)”后使用軟件的“拉伸”功能來產(chǎn)生文字立體感，即方向矢量選擇紙張模型向內(nèi)，結(jié)束值設(shè)置為1 mm使之契合紙張參數(shù)。此時就需要用到布爾運(yùn)算中的求差使得立體文字與模擬紙張結(jié)合，至此數(shù)字化信息植入的模擬紙張構(gòu)建完成。

磁性點(diǎn)陣編碼控制器形成的紙張?zhí)攸c(diǎn)是點(diǎn)陣圖形的顏色由磁性纖維所決定，磁性纖維具有無色和有色兩種。所以在模擬紙張圖像時，有色磁性纖維形成的點(diǎn)陣圖形應(yīng)該具有不同顏色，且具有顏色的點(diǎn)陣圖形存在于紙張的正反面。無色磁性纖維形成的點(diǎn)陣圖形可以通過特制的裝置采集得到圖像，其圖像中信息的顏色應(yīng)為顯像磁粉的顏色。

為了產(chǎn)生由磁性點(diǎn)陣編碼控制器作用于磁性纖維形成的紙張模型，需要復(fù)制基礎(chǔ)紙張模型進(jìn)行填充。同時在進(jìn)行真實渲染時，選定符合真實紙張效果的白色亮澤對紙張模型進(jìn)行著色處理。假設(shè)該模擬紙張嵌入的文字信息使用了紅色磁性纖維，所以將嵌入的文字信息“陜西科技大學(xué)”選擇為紅色紋理，同時編輯復(fù)制后的紙張模型的顏色為淡粉色。這是因為紅色磁性纖維存在紙張中，所以編碼控制器形成的文字信息處紅色磁性纖維密集，顏色較深顯示為紅色。其他紅色磁性纖維稀疏的紙張部分顯示為淡粉色，產(chǎn)生了紅色磁性纖維加密紙張正面模型(見圖1)。藍(lán)色磁性纖維創(chuàng)建同上，創(chuàng)建完成后選定模型后進(jìn)行模型旋轉(zhuǎn)，則產(chǎn)生藍(lán)色磁性纖維加密紙張反面模型(見圖2)。

圖1 紅色磁性纖維加密紙張正面

圖2 藍(lán)色磁性纖維加密紙張反面

2 模板匹配及其方法分析

2.1 模板匹配

模板匹配是一項在一副圖像中尋找與另一幅模板圖像最相似部分的技術(shù)。模板匹配并不是基于直方圖的，而是通過在輸入圖像上滑動圖像塊，對實際的圖像塊和輸入圖像進(jìn)行匹配的一種匹配方法?；舅悸窞椋河靡阎膱D像模板和原圖像中同樣大小的一塊區(qū)域去對比。最開始的時候，模板左上角與原圖像左上角重合，然后拿模板和原圖像中同樣大小的一塊區(qū)域?qū)Ρ炔⑵揭频较乱粋€像素，仍然進(jìn)行同樣的操作，如此循環(huán)至所有位置都對比完成后，原圖像中差別最小的那塊位置區(qū)域就是要找的目標(biāo)。

2.2 模板匹配方法

2.2.1平方差匹配法(TM_ SQDIFF)

這類方法利用平方差來進(jìn)行匹配，最好匹配為0。若匹配越差，匹配值則越大。

2.2.2歸一化平方差匹配法(TM_ SQDIFF_ NORMED)

2.2.3相關(guān)匹配法(TM_ CCORR)

這類方法采用模板和圖像間的乘法操作，較大的數(shù)表示匹配程度較高，0表示最壞的匹配效果。

2.2.4歸一化相關(guān)匹配法(TM_ CCORR_ NORMED)

這類方法將模板對其均值的相對值與圖像對其均值的相關(guān)值進(jìn)行匹配，1表示完美匹配，-1表示糟糕匹配，而0表示沒有任何相關(guān)性(隨機(jī)序列)。

其中：

T′(x′，y′)=T(x′，y′)-1/(w·h)·∑x″，y″T(x″，y″)

I′(x+x′，y+y′)=I(x+x′，y+y′)-1/(w·h)·∑x″， y″I(x+x″，y+y″)

2.2.6化相關(guān)系數(shù)匹配法(TM_ CCOEFF_ NORMED)

通常，隨著從簡單的平方差到更復(fù)雜的相關(guān)系數(shù)，匹配結(jié)果也會越來越準(zhǔn)確。但同時也會使得計算量越來越大。在實際應(yīng)用時，應(yīng)進(jìn)行不同的實驗測試，以便方案同時兼顧速度和精度。

3 ORB算法及其原理分析

3.1 ORB算法

ORB為ORiented Brief的簡稱，是基于FAST特征檢測和BRIEF描述子改良的算法。BRIEF是Binary Robust Independent Elementary Features的縮寫，主要思路就是在特征點(diǎn)附近選取若干點(diǎn)對，將這些點(diǎn)對的灰度值大小組合成一個二進(jìn)制串，并將這個二進(jìn)制串作為該特征點(diǎn)的特征描述子。BRIEF的優(yōu)點(diǎn)在于速度快，而缺點(diǎn)也相當(dāng)明顯：不具備旋轉(zhuǎn)不變性、對噪聲敏感、不具備尺度不變性。

ORB算法則是試圖解決上述缺點(diǎn)提出的一種新概念，但并沒有試圖解決尺度不變性。由于ORB算法執(zhí)行速度較快，所以O(shè)RB算法一般應(yīng)用在實時的視頻處理中。

3.2 ORB算法原理

3.2.1特征點(diǎn)提取

首先用FAST特征檢測方法，設(shè)置像素中心和圓環(huán)中心的強(qiáng)度閾值。以待測特征點(diǎn)為圓心，比較待測點(diǎn)和圓周上所有點(diǎn)的灰度值的大小，若差值足夠大并超過強(qiáng)度閾值，該待測點(diǎn)則為特征點(diǎn)。結(jié)合圖像尺度金字塔，一共N層，與SIFT不同，每層僅有一幅圖像，在每一層圖像計算需要提取的特征點(diǎn)數(shù)N，根據(jù)Harris角點(diǎn)響應(yīng)值排序。接著根據(jù)灰度質(zhì)心法，計算角點(diǎn)的灰度和質(zhì)心之間的偏移向量的方向作為特征點(diǎn)方向。

3.2.2特征點(diǎn)描述子

圖像在進(jìn)行高斯平滑后，對于檢測到的每個特征點(diǎn)，考慮其31×31鄰域內(nèi)的某個點(diǎn)的5×5灰度平均值來代替某個點(diǎn)對的值，進(jìn)一步來比較點(diǎn)對的大小，這樣更加具備抗噪性。相關(guān)5×5的像素圖像塊描述子分段函數(shù)τ定義為：

根據(jù)均值與0.5的距離對測試排序，形成矢量T；進(jìn)行貪婪搜索，將第一個測試值τ加入結(jié)果矢量R中，同時將其從T移除；再從T中取出下一個測試值τ將其與R中的所有測試值比較，相關(guān)系數(shù)大于設(shè)定的某一個閾值，則將其刪除，反之加入矢量R中。重復(fù)以上步驟直到R中有256個測試值τ，形成描述子，若少于256個，則提高設(shè)定的閾值，繼續(xù)測試。

3.2.3特征匹配

提取出ORB的特征點(diǎn)和特征點(diǎn)描述子后，求出兩個關(guān)鍵點(diǎn)之間的最短和次最短的漢明距離。(在信息論中，兩個等長字符串之間的漢明距離是兩個字符串對應(yīng)位置的不同字符的個數(shù)。換句話說，它就是將一個字符串變換成另外一個字符串所需要替換的字符個數(shù))，當(dāng)兩個漢明距離的比例小于0.8且漢明距離小于50時，認(rèn)為兩個關(guān)鍵點(diǎn)是匹配的。

4 ORB算法改進(jìn)

4.1 特征點(diǎn)精確匹配

在獲得ORB特征點(diǎn)后，需要保證特征點(diǎn)匹配的精確性，使用隨機(jī)采樣一致性算法來減少誤配，得到魯棒性較強(qiáng)的圖像變換模型。

它是一種從數(shù)據(jù)集合中估計模型參數(shù)擬合的迭代方法。其篩選特征點(diǎn)的核心思想是將所有數(shù)據(jù)分為“局內(nèi)點(diǎn)”和“局外點(diǎn)”，通過構(gòu)造一個能夠解釋局內(nèi)點(diǎn)的目標(biāo)函數(shù)模型，反復(fù)提取與迭代來得到符合該函數(shù)模型中的初始值，這樣的值也認(rèn)為是局內(nèi)點(diǎn)。經(jīng)過多次隨機(jī)采樣評估局內(nèi)點(diǎn)與模型的錯誤率，直至找到所需的函數(shù)模型，符合最后函數(shù)模型的局內(nèi)點(diǎn)即為匹配點(diǎn)。

4.2 描述子快速匹配

對ORB描述子進(jìn)行匹配時，使用快速最近鄰逼近搜索函數(shù)從大規(guī)模的數(shù)據(jù)集中尋找匹配的向量對，在隨機(jī)一致性算法保證魯棒性的前提下，加快匹配速度。該方法基于K均值樹所實現(xiàn)的，可以根據(jù)數(shù)據(jù)集的分布特點(diǎn)來推薦索引類型和檢索參數(shù)，在高維空間內(nèi)最近鄰查找不受局部敏感影響。核心思想在于使用歐式距離來找到描述子的近鄰。具體匹配流程為：先找到模板圖像中描述子x1在原圖像中具有最小距離D的匹配點(diǎn)對(x1，x2)，之后根據(jù)所有匹配點(diǎn)對的最小距離來設(shè)置一個閾值。若單個最小距離小于閾值則該匹配點(diǎn)對(x1，x2)成立，否則繼續(xù)尋找并剔除原描述子x1。

歐式距離按下式計算：

式中，xn和xn′分別為每對匹配描述子的特征向量。

4.3 尋找已知物體

最后，使用透視變換直接通過得到特征點(diǎn)與描述子最佳匹配求出變換矩陣，對模板圖的邊緣點(diǎn)進(jìn)行變換，在原圖中框出模板對應(yīng)的部分，達(dá)到準(zhǔn)確識別的效果。

透視變換(Perspective Transformation)是將圖片投影到一個新的視平面，也稱作投影映射。設(shè)兩幅需尋找透視變換關(guān)系的圖像I1、I2中的相似性最好的特征點(diǎn)為p(a，b)和q(m，n)，透視變換過程中的關(guān)系為：

其中Y=(m，n，1)T，X=(a，b，1)T，A為兩幅圖像間的變換矩陣。

5 實驗結(jié)果分析

實驗選用的計算機(jī)配置為Intel(R)Core(TM)i5- 3230M CPU@2.60GHz 2.60GHz，內(nèi)存為 4.00GB，操作系統(tǒng)為WIN7 64位，實驗使用的工具為Visual Studio 2013配置OpenCV_2.4.10。選取的圖像為磁性編碼器形成的模擬紙張圖像。由于該種紙張在實際中使用光照條件恒定的特制裝置進(jìn)行圖像采集，所以只比較了模板匹配、ORB以及改進(jìn)ORB在面對尺度變化和旋轉(zhuǎn)變化的效果。

5.1 模板匹配

平方差匹配法、歸一化平方差匹配法、歸一化相關(guān)匹配法、系數(shù)匹配法和化相關(guān)系數(shù)匹配法的匹配結(jié)果一致，其正確匹配效果如圖5所示。圖6為相關(guān)匹配法的錯誤匹配效果圖。從實驗結(jié)果表1中可以發(fā)現(xiàn)，雖然相關(guān)匹配法的運(yùn)行速度最快，但是匹配結(jié)果是錯誤的。其余方法中同時考慮精度和速度，歸一化相關(guān)匹配法的效果最好。當(dāng)模板發(fā)生尺度變化或旋轉(zhuǎn)變化時，效果如圖7、圖8所示，模板匹配的結(jié)果出現(xiàn)極大誤差。

原圖像大小為822×435，模板圖像大小為490×109，尺度變化模板大小為251×58。

圖3 磁性纖維的模擬紙張圖像

圖4 模板圖像

圖5 正確匹配效果圖

圖6 錯誤匹配效果圖

圖7 尺度變化匹配效果圖

圖8 旋轉(zhuǎn)變化匹配效果圖

匹配方案匹配坐標(biāo)匹配耗時/s平方差匹配法(168,203)0.161618歸一化平方差匹配法(168,203)0.104564相關(guān)匹配法(332,324)0.067831歸一化相關(guān)匹配法(168,203)0.080988系數(shù)匹配法(168,203)0.083077化相關(guān)系數(shù)匹配法(168,203)0.106765

5.2 ORB與改進(jìn)ORB特征點(diǎn)匹配

使用隨機(jī)采樣篩選特征點(diǎn)，快速最近鄰逼近搜索函數(shù)庫實現(xiàn)快速高效匹配，用細(xì)線條連接匹配對應(yīng)點(diǎn)，用粗線條框出檢測到的物體，并可以輸出檢測到匹配角點(diǎn)的精確坐標(biāo)值。由圖中可以看出，兩種算法在進(jìn)行紙張信息的匹配時，得出的結(jié)果都是準(zhǔn)確的。

通過表1、表2中數(shù)據(jù)分析可以得出：在速度方面，模板匹配最快，改進(jìn)后的ORB算法與原算法相比快了1倍左右。從圖7與圖8中可以看出，在圖像發(fā)生尺度變化和旋轉(zhuǎn)變化時，模板匹配的結(jié)果是錯誤的，明顯不能識別。從圖10和圖11中可以看出，改進(jìn)后的ORB算法與原算法相比較，匹配點(diǎn)數(shù)量減少導(dǎo)致穩(wěn)定性略有減弱但其實時性大大加強(qiáng)。說明改進(jìn)后的ORB算法在保留識別精度的前提下，提高了識別效率，符合數(shù)字化功能信息紙張的圖像識別需求。

圖9 ORB及改進(jìn)ORB算法原圖匹配效果圖

圖10 ORB及改進(jìn)ORB算法尺度變化匹配效果圖

圖11 ORB及改進(jìn)ORB算法旋轉(zhuǎn)變化匹配效果圖

匹配方法匹配特征點(diǎn)匹配耗時/sORB改進(jìn)ORBORB改進(jìn)ORB原圖匹配 186671.675810.96904尺度變化匹配134211.167520.53281旋轉(zhuǎn)變化匹配159261.326890.71398

6 結(jié) 論

本研究針對纖維成紙過程中，基于點(diǎn)陣圖形的數(shù)字化紙張信息的產(chǎn)品進(jìn)行了建模，在信息植入的早期，運(yùn)用軟件的仿真功能，為數(shù)字化紙張的實際抄造提供理論指導(dǎo)。然后選取目前圖像識別領(lǐng)域中的主流方法并改進(jìn)，將ORB特征提取與隨機(jī)采樣一致性、快速最近鄰逼近搜索函數(shù)結(jié)合，得到一種新的算法。從實驗結(jié)果中發(fā)現(xiàn)，改進(jìn)后的ORB算法與模板匹配以及原算法相比，提高了運(yùn)行速度，面對尺度變化和旋轉(zhuǎn)變化也具有較好的魯棒性。

參 考 文 獻(xiàn)

[1] Zhang Kaisheng, Hou Xingang. The Discussion on Digital Encryption Method for Papermaking[J].Transactions of China Pulp and Paper 2016, 31(3): 42.

張開生, 侯新剛. 纖維成紙過程中數(shù)字化加密方法探討[J].中國造紙學(xué)報, 2016, 31(3): 42.

[2] Zhang Kaisheng, Li Zhijian, Zhang Xin. A Digital Encryption Method Based on Dot Pattern for Fiber Forming Process， China： CN201210224813. X[P].2012- 11- 07.

張開生, 李志健, 張 馨. 一種基于點(diǎn)陣圖形的纖維成紙過程的數(shù)字化加密方法， 中國： CN201210224813. X[P].2012- 11- 07.

[3] Li Qiang, Zhang Bo. A Fast Matching Algorithm Based on Image Gray Value[J].Journal of Software, 2006, 17(2): 216.

李 強(qiáng), 張 鈸. 一種基于圖像灰度的快速匹配算法[J].軟件學(xué)報, 2006, 17(2): 216.

[4] Suo Chunbao, Yang Dongqing, Liu Yunpeng, et al. Comparing SIFT, SURF, BRISK, ORB and FREAK in Some Different Perspectives[J].Beijing Surveying and Mapping, 2014(4): 23.

索春寶, 楊東清, 劉云鵬, 等. 多種角度比較SIFT、SURF、BRISK、ORB、FREAK算法[J].北京測繪, 2014(4): 23.

[5] Gao Suqing, Tan Xunjun, Huang Chengxia, et al. Improved algorithm of image registration based on SURF[J].Journal of PLA University of Science and Technology: Natural Science, 2013, 14(4): 372.

高素青, 譚勛軍, 黃承夏, 等. 一種基于SURF的圖像配準(zhǔn)改進(jìn)算法[J].解放軍理工大學(xué)學(xué)報： 自然科學(xué)版, 2013, 14(4): 372.

[6] Zhao Lulu, Geng Guohua, Li Kang, et al. Images matching algorithm based on SURF and fastapproximate nearest neighbor search[J].Application Research of Computers, 2013, 30(3): 921.

趙璐璐, 耿國華, 李康, 等. 基于SURF和快速近似最近鄰搜索的圖像匹配算法[J].計算機(jī)應(yīng)用研究, 2013, 30(3): 921.

[7] Zhang yang, Lv Qiang, Lin Huican, et al. An Improved Image Matching Algorithm Based on ORB for Visual SLAM[J].Journal of Academy of Armored Force Engineering, 2016, 30(6): 82.

張 洋, 呂 強(qiáng), 林輝燦, 等. 一種基于改進(jìn)ORB的視覺SLAM圖像匹配算法[J].裝甲兵工程學(xué)院學(xué)報, 2016, 30(6): 82.

[8] Qiu Lijun, Tang Jiashan. A New Fast Two-step Image Matching Algorithm[J].Computer Technology and Development, 2015(8): 67.

邱麗君, 唐加山. 一種快速的兩步驟圖像匹配新算法[J].計算機(jī)技術(shù)與發(fā)展, 2015(8): 67.