基于機器視覺的首飾識別

鄭李強　趙飛　郭江濤

摘? ?要：為了實現(xiàn)首飾的自動識別，設(shè)計了一套基于機器視覺的首飾識別系統(tǒng)，并提出相應(yīng)的算法。采用8種首飾作為試驗樣本，利用G+R分量和的顏色閾值分割法，并用27×27的模板對二值化圖像進行濾波，采用2×2窗口內(nèi)像素灰度值之和并結(jié)合閾值的邊緣提取方法。提取面積特征和圖像形心到邊緣的距離特征。對面積判斷其大小在設(shè)定數(shù)值范圍內(nèi)，對距離特征采用互相關(guān)算法處理。實驗結(jié)果表明，該方法的識別準(zhǔn)確率達100%，識別一個首飾所用時間約3秒，滿足在實際中應(yīng)用的要求。

關(guān)鍵詞：機器視覺;首飾;特征提取;識別;互相關(guān)算法

中圖分類號：TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼：A

Abstract：In order to realize automatic recognition of the jewelry，a set of jewelry recognition system based on machine vision is designed，and the corresponding algorithm is proposed. In this study，8 different kinds of jewels are used as experimental samples.The color threshold segmentation method is used by the componentsofG+R. Binary image is filtered with a template of 27×27 pixel. A method of edge extraction is proposedbased on values of pixels combined with the threshold by the 2×2pixel window.The features of areaand the distancefrom image centroid to edgeare extracted.The values of area are judgedwithin the limits of given values，and the cross-correlation algorithm is applied to the values of distance feature. The experimental results show that the precision rate of the method is 100% and average recognition time for each is about 3 seconds，which meets the requirements of practical application.

Key words：machine vision;jewelry;feature extraction;recognition;cross-correlation algorithm

首飾品在現(xiàn)代生活中的消費量越來越多，首飾生產(chǎn)后集中裝在一起，銷售時需要分類。目前，首飾的分類由人工完成，工作量大，生產(chǎn)效率低且準(zhǔn)確率低。機器視覺技術(shù)在首飾識別方面的應(yīng)用鮮有報道。本文嘗試?yán)脵C器視覺技術(shù)進行首飾的識別。

機器視覺技術(shù)已經(jīng)應(yīng)用在表面損傷檢測、物體識別和目標(biāo)跟蹤等領(lǐng)域。慕軍營等[1]通過選用Lab空間的a通道分量提取獼猴桃的特征，然后基于正橢圓Hough變換提取獼猴桃的質(zhì)心、面積、周長和圓形度。楊眉等[2]為實現(xiàn)對扇貝的識別和分類，用canny算子提取出扇貝圖像的邊界，計算邊界到中心點的平均距離及其絕對平均誤差，運用特征信息訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)快速的識別效果。張志強等[3]提取4種淡水魚的長短軸之比和各個顏色分量等特征值，建立識別模型。高雄等[4]提取甘藍3種常見害蟲的面積、周長、偏心率、圓形度、矩形度等5個形狀特征，通過模糊識別方法來識別害蟲的種類。Nazlibilek等[5]通過提取細胞的最小外接矩形、面積、長軸和短軸的特征信息，在神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，對細胞的正確識別率達到95%。隨著機器視覺技術(shù)的發(fā)展，在實際領(lǐng)域的應(yīng)用更加廣泛。

1? ?首飾識別系統(tǒng)的構(gòu)建

實驗裝置由硬件和軟件組成，示意圖如圖1所示。軟件編程平臺是Visual C++ 2010，硬件主要包括計算機（AMD A6-3400M，1.4GHz，4GB內(nèi)存，操作系統(tǒng)為Windows764位）、攝像機、光照箱和環(huán)形光源。相機采用大恒公司生產(chǎn)的彩色DH-HV3151UC型，鏡頭采用Kowa的LM12JCM型。光照箱是定制的800 mm×800 mm×1000 mm鋁合金實驗箱，內(nèi)壁涂成白色，保證圖像采集和識別時處于同樣的環(huán)境。環(huán)形光源采用可調(diào)節(jié)亮度的LED燈?？烧{(diào)節(jié)支架用于調(diào)節(jié)攝像機、光源和待測首飾之間的距離。

2? ?圖像預(yù)處理

2.1? ?彩色圖像的二值化

2.1.1? ?彩色圖像顏色分量的選擇

顏色閾值分割方法在圖像分割中使用廣泛[6]，如文獻[7-9]采用RGB彩色模型中的分量實現(xiàn)目標(biāo)與背景的分離。實驗裝置處于光照箱內(nèi)，光照強度恒定，因此適合采用RGB模型[10]。首飾呈現(xiàn)金黃色，因此采用G+R分量和將彩色圖像轉(zhuǎn)化為灰度圖像，能夠減少運算量，效果最好，得到的灰度圖像如圖2左圖所示。

2.1.2? ?閾值的選擇

選擇不同的閾值，處理后的圖像效果不同，選擇合適的分割閾值對后面特征的提取具有重要影響[11]。由于目標(biāo)和背景對比明顯，采用Otsu算法計算8種首飾灰度圖像的閾值，求出的閾值平均值為86，對所有首飾圖像采用同一個該閾值。灰度圖像及其二值化圖像如圖2右圖所示。

2.2? ?基于中值濾波方法的模板濾波

根據(jù)圖像中最大噪聲的大小，基于中值濾波思想采用27×27大小的模板，根據(jù)模板覆蓋下黑點和白點數(shù)目并結(jié)合閾值判斷該點像素取值的濾波方法。該算法統(tǒng)計在模板覆蓋下的像素黑點數(shù)目，如果黑點數(shù)目大于設(shè)定閾值，則該點取值為黑點;否則該點取為白點。該方法能夠一次性去除圖像中的所有噪聲點。濾波后圖像如圖3左圖所示。

2.3? ?改進Roberts算子的邊緣提取

由二值化圖像的特征可知，圖像的邊緣位置必然是黑點和白點交界處。本文提出的算法是：用2×2的模板遍歷原圖像，計算模板覆蓋的4個像素的灰度值之和。預(yù)先設(shè)定的最大值是 和最小值是255×nBottom，其中nBottom可以取值為0、1或2。如果計算出的4個點的灰度值之和在設(shè)定的閾值范圍內(nèi)，則對應(yīng)新生成圖像的灰度值為255，否則該點的灰度值設(shè)為0。當(dāng)nBottom取值為1時，所得到的邊緣為單像素寬度且連續(xù)，效果最好，邊緣檢測結(jié)果如圖3右圖所示。

3? ?特征提取

3.1? ?距離特征提取

3.1.1? ?確定首飾圖像的形心

采用濾波后的二值化圖像計算形心，得到的形心位置精確。計算物體形心的方法：遍歷二值化圖像的每個像素點，將灰度值為255的像素點的橫坐標(biāo)和縱坐標(biāo)分別累加求和，灰度值為255的像素點的總個數(shù)也是首飾區(qū)域的面積。將上述得到的橫、縱坐標(biāo)的值分別除以灰度值為255的像素總數(shù)，分別得到首飾圖像形心的橫坐標(biāo)和縱坐標(biāo)。

3.1.2? ?交點數(shù)和射線數(shù)的優(yōu)化選擇

如圖4所示，坐標(biāo)軸上數(shù)字表示像素的數(shù)量，即是首飾的面積;折線尖頂處數(shù)字表示射線數(shù);兩條虛線的交點表示同一種首飾在樣本和新采集時取該交點處的射線數(shù)。首先根據(jù)二值化后首飾圖像的面積確定11個面積閾值，根據(jù)11個閾值分成12個區(qū)間。對于同一種首飾，在樣本采集時得到的圖像面積與實際進行分類時采集的圖像面積很可能存在不同。因此對于同一種首飾，設(shè)計其面積對應(yīng)兩組取值情況。特別地，在第一個面積區(qū)間和最后一個面積區(qū)間，分別只對應(yīng)一組射線數(shù)和交點數(shù)，而在其他區(qū)間同一個面積對應(yīng)兩組取值情況。

3.1.3? ?提取距離特征

將圖像按照圓周分成4個區(qū)間：第一條分界線的起始位置是nE0;第二條分界線的起始位置是nE1;第三條分界線的起始位置是nE2;第四條分界線的起始位置是nE;分界線的結(jié)束位置（與第一條分界線的起始位置nE0重合）是nE4。

將整個圓周平均分成k份，k是由面積確定的射線數(shù)。由形心向外作k條射線，如下圖5所示區(qū)間nE0 ～ nE1內(nèi)。求射線與邊緣灰度值為255的像素交點位置，并設(shè)定每條射線與邊緣的交點只有一個。求射線與邊緣的交點位置到形心的歐氏距離，這些距離值作為形心到物體邊緣的距離特征信息，共得到k個距離值。

在4個角度區(qū)間求解距離特征算法如下：

第一個角度區(qū)間對應(yīng)的角度范圍為nE0～nE1。角度起始位置為nE0，每次射線所在的角度位置為dTheta。在同一條射線上，橫坐標(biāo)x的初始最大值均為xMax（xMax表示圖像邊緣點在x軸上的最大值坐標(biāo)），x每次移動間隔的像素點數(shù)為cst_nStep，每條射線上求出1個距離值。根據(jù)x的值，利用程序語言公式y(tǒng) = （int）（x*tan（dTheta））求出y的值，利用x和y的值求出坐標(biāo)點的位置，并判斷該點的灰度值。如果該像素點的灰度值、該點垂直方向上面一個像素的灰度值以及該點垂直方向下面一個像素的灰度值均不是255，結(jié)束本次循環(huán)。否則，即是尋找到一個灰度值為255的邊緣點。計算該點到形心的歐式距離，作為一個距離特征值。依次循環(huán)，求出第一個角度區(qū)間的所有距離值。同理，求出其余3個角度區(qū)間的距離特征值。將上述距離值輸入到MATLAB中，得到8種首飾邊緣到形心的距離曲線，其中一種首飾的距離曲線如圖6所示。

3.2? ?面積特征提取

首飾面積的大小根據(jù)濾波后的二值化圖像獲得，即是濾波后二值化圖像中的白點個數(shù)。求得8種首飾的面積如表1所示。

4? ?識別算法

4.1? ?對面積特征數(shù)據(jù)的處理

假設(shè)新采集首飾的面積用s表示，將s與樣本中保存在每個圖像尾部的面積比較，根據(jù)樣本面積確定的區(qū)間為[s1，s2]，確定s1和s2的取值系數(shù)分別為0.95和1.05。首先判斷是否滿足該種首飾的面積條件，如果滿足繼續(xù)計算距離特征。

4.2? ?對距離特征數(shù)據(jù)的處理

利用樣本和新采集圖像的距離特征數(shù)據(jù)作互相關(guān)處理，本文所用離散自相關(guān)和互相關(guān)函數(shù)表達式分別如公式（1）和（2）所示。

式中，S表示樣本圖像數(shù)據(jù)，N表示新采集圖像數(shù)據(jù)，m表示k個距離數(shù)組中從起始位置開始的第m個數(shù);n表示樣本和新采樣數(shù)據(jù)起始位置的間隔個數(shù)，n取值區(qū)間是[0，k-1]。S（m+n）表示樣本數(shù)組中從起始位置開始的第m+n個數(shù);N（m）表示新采集圖像距離數(shù)組中從起始位置開始的第m個數(shù)。

具體算法如下：由離散自相關(guān)函數(shù)的性質(zhì)可知，當(dāng)n = 0時，函數(shù)取得最大值。令n = 0，對于樣本圖像的k個距離數(shù)據(jù)采用離散自相關(guān)函數(shù)處理，并將該最大值作為樣本圖像的特征值。將新采集首飾的k個距離值與樣本首飾的k個距離值作離散互相關(guān)處理，求出離散互相關(guān)的最大值。由樣本求出的離散自相關(guān)最大值分別乘以一個小于1和大于1的系數(shù)，從而確定一個數(shù)值區(qū)間。如果離散互相關(guān)最大值在該區(qū)間內(nèi)，則說明待檢測首飾和樣本首飾屬于同一種。分別對8種首飾進行實際識別試驗，其中一種首飾的識別結(jié)果如下圖7所示。

5? ?結(jié)束語

設(shè)計了一套基于機器視覺的首飾識別系統(tǒng)。首先對彩色圖像利用顏色閾值分割法進行二值化;對二值化圖像采用基于中值濾波方法的模板濾波法，能夠一次性去除所有噪聲;提出一種基于Roberts算子的新的邊緣檢測方法獲得單像素細化且連續(xù)的邊緣。提取首飾面積和邊緣到形心的距離特征，對距離值采用離散互相關(guān)算法處理，實現(xiàn)了較好的識別效果。

參考文獻

[1]? ? 慕軍營，陳軍，孫高杰，等. 基于機器視覺的獼猴桃特征參數(shù)提取[J].農(nóng)機化研究，2014（6）： 138—142.

[2]? ? 楊眉，魏鴻磊，華順剛. 一種基于神經(jīng)網(wǎng)絡(luò)的扇貝圖像識別方法[J]. 大連海洋大學(xué)學(xué)報，2014，29（1）： 70—74.

[3]? ? 張志強，牛智有，趙思明. 基于機器視覺技術(shù)的淡水魚品種識別[J]. 農(nóng)業(yè)工程學(xué)報，2010，27（11）： 388—392.

[4]? ? 高雄，湯巖，陳鐵英，等. 基于圖像處理的甘藍蟲害識別研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（23）： 235—238。

[5]? ? NAZLIBILEK S，KARACOR D，ERCAN T，et al. Automatic segmentation，counting，size determination and classification of white blood cells[J]. Measurement，2014，55（2）： 58—65.

[6]? ? 耿茵茵，蔡安妮，孫景鰲. 自動圖像閾值分割算法[J]. 計算機工程與應(yīng)用，2002，38（17）： 119—122.

[7]? ? 李昕，李立君，高自成，等. 改進類圓隨機Hough變換及其在油茶果實遮擋識別中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（1）： 164—170.

[8]? ? GONG Ai-ping，YU Jun-lin，He Yong，et al. Citrus yield estimation based on images processed by an Android mobile phone[J]. Biosystems Engineering，2013，115（2）： 162—170.

[9]? ? 李宏利，何東健. 圖像中被遮擋蘋果的還原及定位技術(shù)研究[J]. 農(nóng)機化研究，2013，35（9）： 20—23.

[10]? 于超超，侯進，侯長征. 基于顯著圖與傅里葉描述子的交通標(biāo)志檢測[J]. 計算機工程，2017，43（5）： 28—34.

[11]? DAVIES E R. Computer and machine vision： theory，algorithms，practicalities[M]. Waltham： Academic Press，2012.