基于連通域分析和筆畫寬度變換的船名檢測(cè)方法

錢江 張桂榮 姚江 季建中 何平 顧宋華

摘 要：為實(shí)現(xiàn)晝夜間船名精準(zhǔn)檢測(cè)，本文提出一種基于計(jì)算機(jī)視覺(jué)的船名檢測(cè)方法。該方法使用Retinex算法對(duì)船舶圖像預(yù)處理，隨后基于MSER獲取文字候選區(qū)域，根據(jù)先驗(yàn)知識(shí)和筆畫寬度變換特征得到最終候選區(qū)域，最后使用級(jí)聯(lián)分類器確定單字符區(qū)域，進(jìn)而得到船名位置完成船名檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該方法在晝間和夜間均能實(shí)現(xiàn)船名精準(zhǔn)檢測(cè)，晝間船名檢測(cè)準(zhǔn)確率高達(dá)90.4%。

關(guān)鍵詞：計(jì)算機(jī)視覺(jué) 船名檢測(cè) 最穩(wěn)定極值區(qū)域 筆畫寬度 級(jí)聯(lián)分類器

1.引言

近年來(lái)內(nèi)河航運(yùn)發(fā)展迅速，運(yùn)輸船舶數(shù)量顯著增加，人工審核船名信息工作逐漸繁重，一種有效的船名檢測(cè)方法亟待提出。

崔晶等人基于無(wú)線局域網(wǎng)，結(jié)合AIS系統(tǒng)實(shí)現(xiàn)了船舶識(shí)別；何春燕[]利用雷達(dá)進(jìn)行船舶目標(biāo)檢測(cè)，通過(guò)抗干擾算法提高船舶檢測(cè)率；鄭艷[]基于RFID技術(shù)提出有效的防碰撞算法實(shí)現(xiàn)船舶識(shí)別；潘美蓮在AIS系統(tǒng)中基于計(jì)算機(jī)視覺(jué)實(shí)現(xiàn)船舶銘牌識(shí)別和船舶跟蹤。上述四種方法存在著人為干擾大、部署成本高等問(wèn)題，本文提出的方法基于現(xiàn)有視頻監(jiān)控設(shè)備改造，可自動(dòng)識(shí)別船舶信息，滿足監(jiān)管監(jiān)控要求。

在水運(yùn)領(lǐng)域，計(jì)算機(jī)視覺(jué)技術(shù)多應(yīng)用于船舶監(jiān)控、船舶跟蹤和船舶流量統(tǒng)計(jì)。基于視覺(jué)的船名檢測(cè)技術(shù)尚處于起步階段，較少研究學(xué)者對(duì)其進(jìn)行研究。因此本文對(duì)于船名字符檢測(cè)的研究在一定程度上彌補(bǔ)了船名檢測(cè)在計(jì)算機(jī)視覺(jué)方面的空白。

2.船名檢測(cè)方法

基于計(jì)算機(jī)視覺(jué)的船名字符檢測(cè)流程如圖1所示。第一步，將船舶圖像轉(zhuǎn)化為灰度圖像并使用 Ret i nex算法進(jìn)行預(yù)處理；第二步，搜索圖像的最穩(wěn)定極值區(qū)域（MSER），將MSER區(qū)域作為船名字符候選區(qū)域；第三步，利用幾何形狀、尺寸等先驗(yàn)知識(shí)對(duì)候選區(qū)域進(jìn)行篩選過(guò)濾，得到符合先驗(yàn)知識(shí)的字符候選區(qū)；第四步，對(duì)符合先驗(yàn)知識(shí)的文字候選區(qū)域做筆畫寬度變換，設(shè)定筆畫寬度均值方差閾值，得到符合筆畫寬度特征的字符候選區(qū)域；第五步，訓(xùn)練一個(gè)文字非文字分類器，用二分類器對(duì)字符候選區(qū)域進(jìn)行分類得到最終文字區(qū)域。

2.1船舶圖像預(yù)處理

由于室外拍攝船舶圖像易受光照、天氣等環(huán)境因素影響，應(yīng)對(duì)所得船舶圖像預(yù)處理以提高字符檢測(cè)精度。隨后對(duì)彩色船舶圖像灰度化，減少后續(xù)處理計(jì)算量，之后采用 Retinex算法進(jìn)行對(duì)船舶圖像進(jìn)行對(duì)比度增強(qiáng)處理。

R e t i n e x理論由L a n d和McCann提出，該理論認(rèn)為原始圖像S（x，y）可以看成是光照?qǐng)D像L（x，y）和反射率圖像R （x，y）的乘積，即S（x，y）=R（x，y）* L（x，y）?；赗etinex的圖像增強(qiáng)的核心即從原始圖像S（x，y）中估計(jì)出光照L（x，y），從而分解出R（x，y），消除光照不均的影響。

Retinex理論假設(shè)圖像的噪聲來(lái)源于圖像各個(gè)位置反射率不同，因此去除反射圖像的噪聲便可還原圖像。首先將圖像變換到對(duì)數(shù)域，圖像變換過(guò)程如式；反射分量噪聲通過(guò)歸一化去除，歸一化過(guò)程如式；對(duì)去噪后的反射分量求指數(shù)，反變換到實(shí)數(shù)域得增強(qiáng)后圖像。

圖2左圖為灰度化圖像，右圖為使用Retinex算法預(yù)處理后的圖像。從圖中可以看出，預(yù)處理后圖像對(duì)比度得到提高，船名特征得到增強(qiáng)。

2.2連通域分析

本文采用基于連通域的方法進(jìn)行文字檢測(cè)，提取最穩(wěn)定極值區(qū)域作為文字候選區(qū)域，該算法對(duì)圖像具有較強(qiáng)的仿射變換不變性。

2.3筆畫寬度變換與級(jí)聯(lián)分類

筆畫寬度變換（Stroke Width Transform， SWT）由微軟提出，用于自然場(chǎng)景文字檢測(cè)。筆畫寬度特征屬于文字的獨(dú)有特征，一般而言統(tǒng)一的文本都具有統(tǒng)一的筆畫寬度，如圖4所示。

最終的文字區(qū)域由一個(gè)級(jí)聯(lián)分類器確定，因此需要訓(xùn)練一個(gè)級(jí)聯(lián)文字非文字二分類器對(duì)字符候選區(qū)域進(jìn)行分類得到最終文字區(qū)域。本文采用的文字非文字二分類器基于局部二值特征和Adaboost算法進(jìn)行級(jí)聯(lián)，級(jí)聯(lián)分類器如圖5所示。

弱分類器的訓(xùn)練過(guò)程如下：計(jì)算所有訓(xùn)練樣本的特征值并排序；對(duì)順序排列的每個(gè)元素計(jì)算四個(gè)指標(biāo)，全部文字樣本的權(quán)重和T0、全部非文字樣本的權(quán)重和最小T0、在此元素前文字樣本的權(quán)重和S0、在此元素前非文字樣本的權(quán)重和S1；選取當(dāng)前元素特征值和前一個(gè)特征值的均值作為閾值，閾值的分類誤差為e =min （S1+（T0-S0），S0+（T1-S1））；將誤差最小的閾值作為最優(yōu)閾值，得到弱分類器。

將若干個(gè)弱分類器級(jí)聯(lián)成強(qiáng)分類器過(guò)程如下：訓(xùn)練庫(kù)樣本數(shù)為N，其中文字樣本為N0，非文字樣本數(shù)為N1，最大迭代次數(shù)為T，初始化樣本權(quán)重為1/N；第一次迭代訓(xùn)練所有樣本得第一個(gè)弱分類器；提高上一步中被誤識(shí)別的樣本權(quán)重，將錯(cuò)分類樣本和新樣本作為下一個(gè)弱分類器的訓(xùn)練樣本；重復(fù)訓(xùn)練新的弱分類器，T輪迭代后得到T個(gè)最優(yōu)弱分類器；最后將弱分類器組合成強(qiáng)分類器，組合方式如式（3）

使用級(jí)聯(lián)分類器對(duì)字符候選區(qū)域分類，得到每個(gè)區(qū)域的類別和得分，對(duì)得分設(shè)定一定閾值，大于閾值則視為合格文字區(qū)域，組合文字區(qū)域得到船名區(qū)域。圖6左圖為分類器對(duì)字符候選區(qū)域的分類結(jié)果，右圖紅框?yàn)樽罱K船名檢測(cè)區(qū)域。

3.實(shí)驗(yàn)及分析

在級(jí)聯(lián)分類器的訓(xùn)練過(guò)程中，船名字符為正樣本，正樣本包括數(shù)字字符和漢字字符，圖像中除船名以外的圖像作為負(fù)樣本。其中正樣本5000張，負(fù)樣本8000張。船名檢測(cè)測(cè)試實(shí)驗(yàn)中，測(cè)試圖像共計(jì)500張，其中晝間圖像300張，夜間圖像200張，共計(jì)4000個(gè)船名字符，其中漢字字符1525個(gè)，數(shù)字2457個(gè)。

經(jīng)測(cè)試得出，本方法正確檢測(cè)的晝間圖片282張，準(zhǔn)確率高達(dá)93.6%；正確檢測(cè)的夜間圖片170張，準(zhǔn)確率達(dá)85.5%，總準(zhǔn)確率為90.4%。經(jīng)分析發(fā)現(xiàn)，被測(cè)船舶中數(shù)字字符識(shí)別率較高，漢字字符檢測(cè)準(zhǔn)確率較低，這導(dǎo)致了船名中很多漢字漏檢測(cè)，因此出現(xiàn)10%左右的船名僅能正確檢測(cè)部分字符。

4.結(jié)論

本研究提出一種基于計(jì)算機(jī)視覺(jué)的船名檢測(cè)方法，結(jié)合連通域分析和筆畫寬度變換，通過(guò)級(jí)聯(lián)分類器確定最終文字區(qū)域。通過(guò)實(shí)驗(yàn)和分析，驗(yàn)證了該方法的可行性。實(shí)驗(yàn)結(jié)果表明，該方法在晝間和夜間均能實(shí)現(xiàn)船名精準(zhǔn)檢測(cè)。本文對(duì)于船名字符檢測(cè)的研究在一定程度上彌補(bǔ)了船名檢測(cè)在計(jì)算機(jī)視覺(jué)方面的空白，同時(shí)本研究也節(jié)省了人工查看視頻獲取船名所花費(fèi)的大量人力成本。

參考文獻(xiàn)：

[1]崔晶，賈冬青，陳玉芳.基于無(wú)線局域網(wǎng)中船舶自動(dòng)識(shí)別通信平臺(tái)設(shè)計(jì)[J].艦船科學(xué)技術(shù)，2016（10）：100-102.

[2]何春燕，余曉玫，高飛.面向識(shí)別的船舶目標(biāo)雷達(dá)回波技術(shù)研究[J].艦船科學(xué)技術(shù)，2017（22）：103-105.

[3]鄭艷.基于有源RFID技術(shù)的船舶識(shí)別與控制終端系統(tǒng)研究[J].艦船科學(xué)技術(shù)，2017（16）： 142-144.

[4]潘美蓮.船舶自動(dòng)識(shí)別系統(tǒng)中的計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用[J].艦船科學(xué)技術(shù)，2017（6）：99-101.

[5]周勇.基于計(jì)算機(jī)視覺(jué)技術(shù)的內(nèi)河船舶智能監(jiān)控系統(tǒng)研究與實(shí)現(xiàn)[D].上海交通大學(xué)，2016.

[6]楊高星.基于計(jì)算機(jī)視覺(jué)的船舶跟蹤及類型識(shí)別研究[D].大連海事大學(xué)，2017.

[7]李蕓.視頻監(jiān)測(cè)在船舶流量檢測(cè)中的應(yīng)用[J].中國(guó)航海，2012，35（3）：35-39.

[8]Aldenize Xavier，Carlos Eduardo Guerra，André Andrade .Fracture analysis in borehole acoustic images using mathematical morphology[J].Journal of Geophysics and Engineering，2015（3）.