基于結(jié)構(gòu)特征與LLE算法的數(shù)字儀表校驗(yàn)系統(tǒng)

包玉樹(shù) 黃亞龍 孫軍 胡永建 吳劍

關(guān)鍵詞： 數(shù)字儀表; 校驗(yàn)系統(tǒng); 結(jié)構(gòu)特征; LLE算法; 圖像處理; 降維

中圖分類(lèi)號(hào)： TN873+.5?34; TP391 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2018）24?0010?04

A digital meter calibration system based on structural features and LLE algorithm

BAO Yushu1，2， HUANG Yalong2， SUN Jun3， HU Yongjian2， WU Jian2

（1. School of Electrical Engineering， Southeast University， Nanjing 211189， China; 2. Jiangsu Frontier Electric Technology Co.， Ltd.， Nanjing 211102， China;

3. Wuhan Pandian Science & Technology Incorporated Company， Wuhan 430100， China）

Abstract： Since there exist errors in manual reading data during digital meter calibration， a digital meter calibration method based on the combination of multi?features and local linear embedding （LLE） algorithm is proposed. The character images are converted from RGB to HSI color space. Image segmentation is conducted in the I space. The single character is segmented by using the projection method. The structural features of character images are extracted. As the simple structural features cannot sufficiently describe the characters， the recognition accuracy is low. Therefore， the LLE algorithm is used in this paper to reduce the dimensionality of character binary images. The pixel features after dimensionality reduction and structural features are combined. The support vector machine （SVM） is used to recognize the character features. The experimental results show that the proposed method can improve the character recognition rate of the calibration system.

Keywords： digital meter; calibration system; structural feature; LLE algorithm; image processing; dimensionality reduction

0 ?引 ?言

儀表是進(jìn)行測(cè)量和監(jiān)視的計(jì)量設(shè)備，在使用過(guò)程中，由于各種因素的影響，導(dǎo)致測(cè)量誤差增大，因此在使用過(guò)程中需要定期校驗(yàn)[1]。在校驗(yàn)過(guò)程中，由于儀表字符刷新頻率高、人眼辨別能力和易疲勞等因素的影響，不能實(shí)時(shí)同步準(zhǔn)確地讀取并記錄標(biāo)準(zhǔn)儀表與待測(cè)儀表讀數(shù)?；跈C(jī)器視覺(jué)的自動(dòng)校驗(yàn)方法能夠?qū)x表快速刷新的數(shù)字進(jìn)行自動(dòng)識(shí)別，記錄并對(duì)比待測(cè)儀表與標(biāo)準(zhǔn)儀表的讀數(shù)，從而達(dá)到儀表校驗(yàn)的目的[2]。儀表字符識(shí)別可以分為圖像采集、字符圖像分割和字符識(shí)別等過(guò)程[3]。在字符分割的研究中，研究者大多對(duì)字符圖像進(jìn)行形態(tài)學(xué)變換后，利用閾值分割直接對(duì)字符圖像完成二值化處理[4?6]。劉丹等對(duì)二值化圖像利用投影的方法進(jìn)行字符區(qū)域的定位和單個(gè)字符的分割[4];該方法只是分割7位數(shù)碼管，背景相對(duì)簡(jiǎn)單。洪濤等將圖像經(jīng)過(guò)中值濾波降噪后，采用閾值分割對(duì)字符圖像進(jìn)行二值化處理，并在二值化前對(duì)圖像進(jìn)行圖像增強(qiáng)，弱化背景的同時(shí)突出字符信息[5]。在字符識(shí)別的研究中，劉自立等采用模板匹配法對(duì)分割后的儀表字符進(jìn)行識(shí)別，達(dá)到了良好的識(shí)別效果[7];Gunasekaran M等利用BP神經(jīng)網(wǎng)絡(luò)對(duì)文字與字符進(jìn)行識(shí)別，識(shí)別效果良好，但BP神經(jīng)網(wǎng)絡(luò)需要大量字符樣本訓(xùn)練網(wǎng)絡(luò)，不適合小樣本的儀表字符訓(xùn)練[8];李智成等對(duì)字符提取改進(jìn)的結(jié)構(gòu)特征，然后利用K近鄰分類(lèi)器識(shí)別字符，K近鄰算法在識(shí)別時(shí)需要反復(fù)計(jì)算測(cè)試字符與訓(xùn)練字符特征的距離，大量重復(fù)的計(jì)算降低了識(shí)別速度[9];KO D G等人利用深度學(xué)習(xí)算法識(shí)別字符，得到了較高的識(shí)別率，但同樣需要大量樣本進(jìn)行訓(xùn)練學(xué)習(xí)[10]。本文提出在亮度空間對(duì)字符圖像進(jìn)行閾值分割，提高了字符圖像的質(zhì)量。在特征提取部分，文中利用LLE算法對(duì)字符二值圖像降維，將降維后的像素特征與結(jié)構(gòu)特征結(jié)合起來(lái)，并使用SVM對(duì)字符樣本分類(lèi)。實(shí)驗(yàn)結(jié)果表明，本文方法有助于提高字符樣本的識(shí)別率。

1 ?字符圖像分割

正確有效的字符圖像分割是字符識(shí)別的重要基礎(chǔ)。本文首先將原始字符圖像二值化，然后從二值化的字符圖像中提取出單個(gè)的字符。

1.1 ?字符圖像二值化

儀表字符由屏幕發(fā)光顯示，在對(duì)字符進(jìn)行閾值分割時(shí)，目標(biāo)區(qū)域即為亮度較高的區(qū)域。色彩模型HSI中的I向量為亮度空間，因此，在進(jìn)行閾值分割之前將采集到的彩色字符圖像從RGB色彩空間轉(zhuǎn)換到HSI。在亮度空間向量I進(jìn)行OTSU閾值分割得到字符的二值圖像。分割結(jié)果如圖1所示。由于復(fù)雜背景的影響，對(duì)灰度圖像直接進(jìn)行閾值分割時(shí)，字符圖像模糊不清。對(duì)亮度空間I進(jìn)行閾值分割時(shí)，能夠分割出字符，經(jīng)過(guò)形態(tài)學(xué)膨脹操作后字符清晰可見(jiàn)。因此，在I向量對(duì)儀表圖像進(jìn)行閾值分割時(shí)，能夠有效提高分割效果，減少?gòu)?fù)雜背景的影響，從而提高字符識(shí)別率。

1.2 ?字符圖像分割

二值化有效避免了字符粘連的情況，故在二值化圖像的基礎(chǔ)上，可以直接利用投影分割法對(duì)字符圖像進(jìn)行分割。字符圖像的水平投影直方圖如圖2所示，利用水平投影分割后的字符圖如圖3a）所示;求圖3a）的垂直投影直方圖，如圖4所示，利用垂直投影可以從字符圖像中分割出單個(gè)字符，分割結(jié)果如圖3b）所示。

2 ?字符特征提取

目前常用的字符特征有結(jié)構(gòu)特征、粗網(wǎng)格特征以及筆劃密度等特征[11]，這些特征用來(lái)對(duì)字符做粗分類(lèi)效果較好，當(dāng)樣本增加時(shí)，識(shí)別率會(huì)降低。為了有效提高儀表校驗(yàn)中字符識(shí)別率，本文提出一種結(jié)構(gòu)特征與LLE算法結(jié)合的字符識(shí)別算法，具體流程如圖5所示。

2.1 ?字符結(jié)構(gòu)特征提取

本文將分割后的字符圖像尺寸歸一化到64×64，然后提取出字符圖像的外圍特征與穿透特征[12]。

2.1.1 ?外圍特征

外圍特征描述的是字符圖像的外輪廓特征，其表示從圖像邊緣到第一個(gè)白像素點(diǎn)以及第二個(gè)白像素點(diǎn)的距離，即為像素?cái)?shù)，具體步驟為：

1） 利用n條均分掃描線從二值化后的圖像左邊緣開(kāi)始掃描;

2） 計(jì)算每一條掃描線從圖像左邊緣黑色像素點(diǎn)到第一次由黑變白的長(zhǎng)度，得到一組一次外圍特征F1i（i=1，2，…，n）;

3） 再計(jì)算每一條掃描線從圖像左邊緣至第二次由黑變白的長(zhǎng)度，得到一組二次外圍特征F2i（i=1，2，…，n）;

4） 重復(fù)上述步驟，可以得到右、上、下另外三個(gè)方向的外圍特征。

以5條掃描線為例，即當(dāng)n=5時(shí)，如圖6和圖7所示。一次外圍特征維數(shù)為4×5=20維，二次外圍特征維數(shù)為4×5=20維。

2.1.2 ?穿透特征

穿透特征描述的是字符筆劃特征，其表示的是從圖像的邊緣開(kāi)始，計(jì)算像素點(diǎn)由黑變白跳變的次數(shù)，具體步驟為：

1） 利用n條均分掃描線從二值化后的圖像左邊緣開(kāi)始掃描;

2） 記錄每一條掃描線上從圖像左邊緣出發(fā)，像素點(diǎn)由黑變白的跳變次數(shù)，即可得到一個(gè)n維的特征向量Ci（i=1，2，…，n）;

3） 重復(fù)上述步驟，得到右、上、下另外三個(gè)方向的穿透特征。

同樣以5條掃描線為例，如圖8所示。此時(shí)，穿透特征為4×5=20維。

2.2 ?降維像素特征

針對(duì)結(jié)構(gòu)特征對(duì)字符描述不夠充分的問(wèn)題，本文引入LLE降維算法。算法原理是將高維數(shù)據(jù)通過(guò)核函數(shù)映射低緯度空間，利用重構(gòu)的局部對(duì)稱(chēng)性保持原始數(shù)據(jù)整體結(jié)構(gòu)[13]。算法計(jì)算過(guò)程如下：

1） 將二維字符圖像轉(zhuǎn)換成一列向量xi，N個(gè)字符組成的D維數(shù)據(jù)X，計(jì)算每個(gè)點(diǎn)與其他點(diǎn)的歐氏距離：

[dij=m=1D（xim-xjm）2]

從距離矩陣中為每個(gè)點(diǎn)xi選擇離其距離最近的K個(gè)點(diǎn)組成近鄰集合[Xki={xi1，xi2，…，xiK}]。

2） 每個(gè)點(diǎn)xi由K個(gè)近鄰點(diǎn)對(duì)其進(jìn)行線性表示：

[xi=j=1nwijxj]

式中：權(quán)重[wij]表示第j個(gè)樣本點(diǎn)對(duì)第i個(gè)在重構(gòu)的貢獻(xiàn)值;且若xj不屬于xi鄰域時(shí)wij=0;若xj屬于xi鄰域時(shí)wij≠0。

3） 通過(guò)其近鄰點(diǎn)重構(gòu)每個(gè)樣本局部幾何形狀。重構(gòu)誤差函數(shù)為所有數(shù)據(jù)點(diǎn)的距離和其重構(gòu)之間距離的平方：

[εW=i=1nxi-j=1Kwijxj2]

式中：K表示鄰近點(diǎn)個(gè)數(shù);xj表示xi的第j個(gè)鄰近點(diǎn);權(quán)值矩陣W由wij構(gòu)成，且其約束為[j=1kwij=1]。

4） 權(quán)重矩陣Wn×n是一個(gè)n×n的稀疏矩陣，定義對(duì)稱(chēng)矩陣M，M=（I-W）T（I-W）。

5） 求稀疏對(duì)稱(chēng)矩陣M的d+1個(gè)特征值。按升序排列，舍去第1個(gè)特征值，其余特征值對(duì)應(yīng)的特征向量即為低維輸出Y，d為降維后特征維度，將Y作為字符的低維特征進(jìn)行識(shí)別。

利用LLE算法將64×64維的字符像素特征降低到50維。經(jīng)過(guò)測(cè)試，得出當(dāng)近鄰點(diǎn)個(gè)數(shù)K=40時(shí)，特征識(shí)別率最高。

3 ?儀表校驗(yàn)系統(tǒng)設(shè)計(jì)

本系統(tǒng)針對(duì)各種類(lèi)型的數(shù)字儀表進(jìn)行校對(duì)，主要分為三部分：字符圖像采集、字符識(shí)別和識(shí)別結(jié)果對(duì)比與誤差分析。

系統(tǒng)包括兩個(gè)工業(yè)CCD相機(jī)、電腦和校驗(yàn)軟件，硬件系統(tǒng)如圖9所示。相機(jī)用于標(biāo)準(zhǔn)表與被測(cè)表的圖像采集，傳輸?shù)接?jì)算機(jī)并對(duì)圖像進(jìn)行濾波等預(yù)處理，再通過(guò)圖像分割與字符分割將圖像分割成單個(gè)字符。然后輸入到訓(xùn)練好的字符分類(lèi)器模型，對(duì)字符進(jìn)行識(shí)別。最后，將識(shí)別結(jié)果保存到數(shù)據(jù)報(bào)表中。軟件界面見(jiàn)圖10。

4 ?結(jié)果與分析

本文使用8條掃描線分別提取字符的一次、二次外圍特征共64維，穿透特征32維以及經(jīng)過(guò)LLE降維的字符像素特征50維，并將這些特征進(jìn)行融合組成綜合特征共146維。最后，采用LibSVM對(duì)字符進(jìn)行識(shí)別。SVM類(lèi)型選擇C?SVC，核函數(shù)為徑向基（RBF）。其主要參數(shù)懲罰因子C=8，核參數(shù)γ=0.015 6。

分別計(jì)算幾種特征的識(shí)別率、特征提取時(shí)間和識(shí)別時(shí)間，實(shí)驗(yàn)結(jié)果如表1所示。結(jié)構(gòu)特征的識(shí)別率為93.61%。而經(jīng)LLE降維后的像素特征，識(shí)別率為89.37%，均不能滿(mǎn)足儀表校驗(yàn)對(duì)精度的要求。將兩者融合得到的綜合特征對(duì)字符進(jìn)行識(shí)別時(shí)，識(shí)別率得到有效提升，達(dá)到了98.56%，有效提高了儀表校驗(yàn)精度。同時(shí)，融合特征的提取與識(shí)別時(shí)間無(wú)明顯增加，不影響儀表識(shí)別系統(tǒng)的準(zhǔn)確性。

5 ?結(jié) ?語(yǔ)

為了改善字符分割效果，本文在HSI中的亮度空間I進(jìn)行OSTU閾值分割，最后使用投影法對(duì)二值圖像進(jìn)行字符分割;在字符識(shí)別的研究中，提取字符結(jié)構(gòu)特征，并使用LLE算法對(duì)字符像素特征降維，將字符結(jié)構(gòu)特征與降維紋理特征結(jié)合，以減少字符誤識(shí)率;最后，使用LibSVM分類(lèi)器訓(xùn)練得到的模型對(duì)特征進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文提出的字符識(shí)別算法有效地降低了字符的誤識(shí)率。同時(shí)，特征融合后的識(shí)別時(shí)間無(wú)明顯增加，在數(shù)字儀表校驗(yàn)系統(tǒng)中具有良好的實(shí)用性。

參考文獻(xiàn)

[1] 臧景茹，楊曉琰，劉晶.數(shù)字儀表自動(dòng)校驗(yàn)系統(tǒng)開(kāi)發(fā)[J].華北電力技術(shù)，2006（2）：34?37.

ZANG Jingru， YANG Xiaoyan， LIU Jing. Development of automatic calibration system for digital meter [J]. North China electric power， 2006（2）： 34?37.

[2] 郭爽.數(shù)碼管數(shù)字儀表自動(dòng)識(shí)別方法的研究[J].通信技術(shù)，2012，45（8）：91?93.

GUO Shuang. Study on automatic identification method of digital tube [J]. Communications technology， 2012， 45（8）： 91?93.

[3] 張海波，段會(huì)川，張曙光，等.一種數(shù)字儀表顯示值快速識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用，2005，41（4）：223?226.

ZHANG Haibo， DUAN Huichuan， ZHANG Shuguang， et al. A rapid recognition approach for the display value of digital meters [J]. Computer engineering and applications， 2005， 41（4）： 223?226.

[4] 劉丹，穆林麗，余曉鍔.一種七段數(shù)碼管式醫(yī)用儀表的自動(dòng)識(shí)別方法[J].科學(xué)技術(shù)與工程，2010，10（16）：4037?4039.

LIU Dan， MU Linli， YU Xiaoe. A new method of medical digital meter′s computer automatic reading [J]. Science technology and engineering， 2010， 10（16）： 4037?4039.

[5] 洪濤，梁偉建，盧玉鳳.標(biāo)牌粘連字符自適應(yīng)定位分割重建與識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，2014，19（6）：886?895.

HONG Tao， LIANG Weijian， LU Yufeng. Merged characters segmentation reconstruction and recognition of labels based on adaptive location [J]. Journal of image and graphics， 2014， 19（6）： 886?895.

[6] 申小陽(yáng)，唐軼峻，姜柏軍，等.儀表的數(shù)字字符識(shí)別系統(tǒng)[J].儀表技術(shù)與傳感器，2005（6）：55?57.

SHEN Xiaoyang， TANG Yijun， JIANG Bojun， et al. Numeral characters recognition system of instrument [J]. Instrument technique and sensor， 2005（6）： 55?57.

[7] 劉自立，周洪，余力，等.基于投影矩陣法的儀表字符實(shí)時(shí)識(shí)別系統(tǒng)[J].儀表技術(shù)與傳感器，2008（8）：98?100.

LIU Zili， ZHOU Hong， YU Li， et al. Real?time instrument character recognition system based on projective matrix method [J]. Instrument technique and sensor， 2008（8）： 98?100.

[8] GUNASEKARAN M， GANESHMOORTHY S. OCR recognition system using feed forward and back propagation neural network [J]. SSRN electronic journal， 2013（10）： 52?60.

[9] 李智成，李文婷，梅術(shù)正，等.基于機(jī)器視覺(jué)的高壓計(jì)量數(shù)顯表自動(dòng)校對(duì)系統(tǒng)[J].電測(cè)與儀表，2017，54（20）：105?109.

LI Zhicheng， LI Wenting， MEI Shuzheng， et al. Automatic calibration system of high voltage measuring digital display instrument based on machine vision [J]. Electrical measurement & instrumentation， 2017， 54（20）： 105?109.

[10] KO D G， SONG S H， KANG K M， et al. Convolutional neural networks for character?level classification [J]. IEEE transactions on smart processing & computing， 2017， 6（1）： 53?59.

[11] 楊芳，李紅睿，田學(xué)東.基于RBF神經(jīng)網(wǎng)絡(luò)的漢字粗分類(lèi)方法[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（6）：170?172.

YANG Fang， LI Hongrui， TIAN Xuedong. Coarse classification scheme for Chinese character based on RBF neural network [J]. Computer engineering and applications， 2009， 45（6）： 170?172.

[12] 張好好，吳游，于睿，等.一種基于壓縮感知的數(shù)字圖像水印算法[J].現(xiàn)代電子技術(shù)，2014，37（22）：10?13.

ZHANG Haohao， WU You， YU Rui， et al. A digital image watermark algorithm based on compressive perception [J]. Modern electronics technique， 2014， 37（22）： 10?13.

[13] 丁嬌，梁棟，閻慶.基于D?LLE算法的多特征植物葉片圖像識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（9）：158?163.

DING Jiao， LIANG Dong， YAN Qing. Recognition method of multi?feature plant leaves based on D?LLE algorithm [J]. Computer engineering and applications， 2015， 51（9）： 158?163.