林劍萍1,，廖一鵬2

　　(1. 陽光學院,，福建 福州 350015；2. 福州大學 物理與信息工程學院,，福建 福州 350000)

       摘要：為了提高儀表讀數(shù)及記錄的工作效率，減少人工干預并降低出錯概率,，提出了一種基于OpenCV和LSSVM的數(shù)字儀表自動識別方法,。首先選取免驅的USB攝像頭采集儀表圖像，然后采用Canny檢測與Hough變換相結合的算法對儀表圖像的傾斜角度進行校正,；利用數(shù)學形態(tài)學,、Otsu算法以及連通域提取對圖像進行預處理和字符定位分割；最后,，進行字符特征提取并利用最小二乘支持向量機算法對儀表讀數(shù)進行識別,。經(jīng)過大量的實驗驗證，與現(xiàn)有的儀表讀數(shù)識別方法相比，該方法具有更好的準確性,，實現(xiàn)了數(shù)字儀表的自動識別功能,。

　　關鍵詞：機器視覺；圖像處理,；OpenCV,；最小二乘支持向量機

　　中圖分類號：TP394.1文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.02.013

　　引用格式：林劍萍，廖一鵬.基于OpenCV和LSSVM的數(shù)字儀表讀數(shù)自動識別［J］.微型機與應用,，2017,36（2）：37-40.

0引言

　　目前,，在很多領域受工作條件限制及經(jīng)濟性、便捷性的要求,，很多用于計量的儀器儀表都沒有專門的數(shù)據(jù)通信接口,，導致無法自動識別讀數(shù)，對儀表數(shù)字的讀取還是要靠人工來實現(xiàn),，但是在一些特定場合,，例如高溫高壓、化工冶金,、高山峭壁,、有核輻射等人體不能適應的地方，人工抄表存在很大的危險性及不可行性,，而機器視覺卻可以無視這些不利因素,，廣泛地用于長時間惡劣的工作環(huán)境，這就為儀表讀數(shù)的讀取提供了便利,，同時可以提高工作效率,，更好地保障人身安全。儀表讀數(shù)識別也可以說是自動抄表,，自動抄表的試點和運用始于20世紀80年代,，在20世紀90年代得到較快的發(fā)展［1］。目前,，國內(nèi)外許多科技人員在基于機器視覺的數(shù)字識別上做了很多深入研究,。從圖像預處理、傾斜校正,、字符分割及數(shù)字識別等方面各有側重點地做了不同方法的研究比較,。在儀表數(shù)字識別方面，工業(yè)和信息化部電子第五研究所的申中鴻,、蔣春旭等人利用機器視覺技術,，結合計算幾何軌跡識別方法與D-S證據(jù)理論實現(xiàn)數(shù)字顯示儀表的自動讀數(shù)；中國計量科學研究院的劉科等人采用投影變換的方法對數(shù)字圖像進行分割,、編碼,，進而實現(xiàn)了對該類儀表示值的自動讀?。簧綎|管理學院的常曉瑋利用光學字符識別技術實現(xiàn)了遠程識別儀表上顯示的數(shù)字信息［25］,。綜合各方研究,，實現(xiàn)基于機器視覺的數(shù)字儀表讀數(shù)自動識別的方式多樣，不僅在圖像預處理上可根據(jù)不同環(huán)境不同儀表選擇合適的算法,，在數(shù)字的定位識別上也有多種方法可供選擇,。本文采用Canny檢測與Hough變換相結合的算法對攝像頭采集到的儀表圖像的傾斜角度進行校正，利用數(shù)學形態(tài)學方法,、Otsu（大津法或最大類間方差法）算法等技術對校正后的圖像進行預處理［67］,，之后對字符進行分割，采用最小二乘支持向量機（LSSVM）算法對儀表讀數(shù)進行識別,。經(jīng)過大量的實驗驗證,，該方法具有良好的準確性，實現(xiàn)了數(shù)字儀表的自動識別功能,。

1數(shù)字儀表圖像的預處理

　　1.1圖像的采集

　　圖像采集是基于機器視覺進行圖像處理的第一步,，也是很重要的一步。采集到質量較高的圖像可以在很大程度上降低處理的難度,。本文采用分辨率為480×680的CCD免驅USB攝像頭對儀表數(shù)據(jù)進行采集,，該攝像機可以直接捕捉影像傳輸處理，運用更加便捷,。

　　1.2儀表圖像的傾斜校正

　　進行數(shù)字儀表圖像采集時,，采集到的數(shù)字儀表圖像經(jīng)常會發(fā)生傾斜。為使儀表端正以方便后期處理,，需要對傾斜的儀表圖像進行校正,。本文采用的是Canny邊緣檢測與Hough變換相結合的傾斜校正方法。用Canny算子對儀表圖像進行邊緣檢測,，然后利用Hough變換檢測數(shù)字儀表邊框平行線的傾斜角度,，再利用旋轉函數(shù)進行校正，得到端正水平的數(shù)字儀表圖像,。

　　攝像頭采集到的圖像如圖1所示,，Canny邊緣檢測及Hough變換檢測得到最長直線圖如圖2所示，傾斜校正后的圖像如圖3所示,。

　　1.3圖像的形態(tài)學處理

　　為簡化圖像數(shù)據(jù),，并除去不相干的結構，本系統(tǒng)對圖像進行腐蝕(Erosion)膨脹(Dilation)等數(shù)學形態(tài)學運算,，對圖像進行濾波處理，平滑邊界,。提高數(shù)字儀表圖像的質量,，并填充儀表讀數(shù)中的細小空洞，避免單個數(shù)字各段碼之間的中斷。

　　膨脹的定義:

　　D=X⊕B={(x,y)|Bxy∩X≠φ}（1）

　　腐蝕的定義：

　　E=XB={(x,y)|BxyX}（2）

　　式（1）和（2）中,，B為結構元素,，X為原始圖像。

　　1.4圖像的二值化

　　為了字符的準確識別,，在字符識別之前對圖像做二值化處理,，將圖像分割成背景和目標兩部分。本文采用最經(jīng)典的全局閾值的Otsu算法（最大類間方差法）,。為了減少對比度和光照不均勻對二值化的影響,，在二值化處理之前先對圖像進行頂帽處理，讓二值化達到更好的效果,。Otsu算法是在最小二乘法原理基礎上推導出來的,，它的基本原理是：令連通區(qū)域S，其中像素灰度范圍為［0,255］,，點(x,y)的灰度表示為I(x,y),，灰度級x的點的概率為P(x)，則Otsu就是求下式達到最大值的灰度級m：

　　灰度級m即為最佳分割閾值,。利用此方法二值化處理后的圖像如圖4所示,。

2數(shù)字儀表圖像的特征提取

　　經(jīng)過預處理之后，可以得到質量較高的二值化圖像,，接下來就需要對數(shù)字儀表的讀數(shù)進行定位與分割,，為數(shù)字識別做好準備。定位分割的準確性,，直接影響數(shù)字識別的難易程序及識別率,。

　　2.1儀表數(shù)字區(qū)域的特征分析

　　在數(shù)字儀表讀數(shù)的定位分割過程中，必須根據(jù)數(shù)字區(qū)域與背景儀表的不同特征進行提取,，才能達到定位分割的目的,。而數(shù)字儀表的特征總體是有跡可循的，可以將數(shù)字區(qū)域與背景分別出來,。從視覺角度出發(fā),，儀表數(shù)字區(qū)域的特征可以從其形狀、顏色和亮度三個方面進行分析,。

　　2.2儀表數(shù)字定位分割方法

　　儀表數(shù)字定位分割一般有基于連通域和基于投影法的儀表數(shù)字定位與分割,。但是不同的光照條件，儀表的影子對水平投影的影響過大,，在有影子存在的情況下,，僅根據(jù)水平投影不足以將兩行讀數(shù)分割開來，而水平投影結果不理想導致分割不準確,，也就使得垂直投影不能理想地分割出每行中的每一個字符,。因此本文采用的是基于連通域的方法來進行數(shù)字的定位與分割,。

　　在圖像當中用f(x,y)表示位于圖像陣列中第x行、第y列的像素的值,，一幅m×n的圖像具有m行n列,，f(0,0)表示圖像左上角的像素值，f(m-1,n-1)表示圖像右下角的像素值,。遍歷圖像,，通過4鄰域連通標準查找出所有符合的連通域，這樣就可以把圖像中每一個分離的區(qū)域檢測出來,。

　　在查找出所有連通域之后,，按照連通域的面積、讀數(shù)的形狀,、長寬比來進行篩選,，排除不符合條件的區(qū)域，這樣就可以直接定位并分割出數(shù)字儀表的每個讀數(shù),。算法實現(xiàn)步驟如下,。

　　（1）計算連通域面積：連通域A的面積就是像素值為255的點的數(shù)目,，即區(qū)域的邊界內(nèi)包含的像素點數(shù),。面積的計算公式為：

　　（2）計算連通域的長寬比：連通域的寬/連通域的長,。

　?。?）遍歷所有連通域，如果連通域面積大于500小于5 000且連通域的長寬比大于1.5小于2.5則提取,，如果不滿足以上條件則舍棄,。這樣便可篩選出滿足要求的連通域，即數(shù)字儀表每個讀數(shù),。圖5儀表讀數(shù)分割定位結果

　　數(shù)字儀表讀數(shù)的定位分割結果如圖5所示,。

　　2.3儀表數(shù)字特征提取

　　數(shù)字的特征主要可以從形狀、顏色,、紋理,、結構等方面入手來提取，而大部分的數(shù)字儀表的讀數(shù)區(qū)域是基于七段數(shù)碼管來實現(xiàn)顯示,，因此也可以根據(jù)數(shù)碼管的特征來提取,。本文用的提取特征的方法就是基于七段數(shù)碼管，根據(jù)每段碼的像素值來判斷識別,。將定位好的數(shù)碼管每位進行4×4分割,，統(tǒng)計黑點和白點的個數(shù)，每塊的像素用x0~x15表示,，提取結果如圖6所示,。

　3儀表讀數(shù)的模式識別

　　數(shù)字儀表的讀數(shù)識別是基于機器視覺的數(shù)字儀表讀數(shù)自動識別的重點,，只有這一步做好了才能正確識別讀數(shù)并且保證一定的識別率。最常用的數(shù)字字符識別算法主要有模板匹配法,、基于人工神經(jīng)網(wǎng)絡法、穿線法等［810］,。本文采用的是最小二乘支持向量機（LSSVM）算法［1113］,。

　　設訓練集為(xi,yi)(i=1,2,…,N)，N表示訓練樣本數(shù),，xi∈Rm為樣本輸入,，yi為輸出，LSSVM在高維特征空間的線性函數(shù)為：

　　f(x)=wTφ(x)+b（5）

　　式（5）中,，w為權值向量,，b為偏置量，φ(x)為非線性映射函數(shù),。根據(jù)結構風險最小化原則,，綜合考慮擬合誤差和算法復雜度，轉換為一個等式約束的優(yōu)化問題：

　　式（6）中,，e2i為誤差變量,，d為調整參數(shù)因子。

　　為求解上述優(yōu)化問題,，引入拉格朗日等式,，ai是拉格朗日乘子，把約束優(yōu)化問題變?yōu)闊o約束優(yōu)化問題,，如式（7）所示：

　　根據(jù)非線性最優(yōu)規(guī)劃(KarushKuhnTucker,，KKT)條件求得參數(shù)ai,b代入公式(5)，得到支持向量機的輸出：

　　最后,，選擇RBF（Radial Basis Function）作為LSSVM的核函數(shù),，得到LSSVM的預測函數(shù)：

　　式中，σ為核寬度,，反映數(shù)據(jù)集的特性,。

4系統(tǒng)軟件實現(xiàn)與測試

　　4.1系統(tǒng)軟件實現(xiàn)

　　本系統(tǒng)利用OpenCV開源庫［1415］在VS2010環(huán)境中編寫MFC程序，實現(xiàn)數(shù)字儀表讀數(shù)的實時采集,、處理及識別輸出,。通過點擊界面內(nèi)按鈕即可完成相應的處理，最終將數(shù)字儀表原圖及讀數(shù)識別結果都直觀地顯示在窗口界面上,。

　　根據(jù)本文系統(tǒng)采取的方法對實時采集到的數(shù)字儀表圖像進行處理,、分割及識別，以采集到的其中一張測試圖為例,，系統(tǒng)從實時采集,、傾斜校正,、預處理（濾波、二值化）,、定位分割到識別的每一步效果圖如圖7所示,。

　　4.2LSSVM與其他算法的比較

　　本文采用最小二乘支持向量機算法對數(shù)字儀表的讀數(shù)進行識別，為了驗證該算法的識別率,，總共實時采集了200幅儀表圖像近800個數(shù)字字符,，用模板匹配法、基于人工神經(jīng)網(wǎng)絡法,、穿線法,、最小二乘支持向量機分別進行了測試，對這800個數(shù)字字符進行分類統(tǒng)計,，測試結果如表1所示,。

　　統(tǒng)計分析發(fā)現(xiàn)，這幾種算法對每個數(shù)字的識別率都高于90.0%,，LSSVM對每個數(shù)字的識別率都高于95.0%,，對10個字符的平均識別率達到98.2%，比其他幾種識別模式的平均識別率有明顯提高,，識別效果良好,，達到了預期的目標與要求。

5結論

　　根據(jù)數(shù)字儀表顯示的特征,，本文首先采用攝像頭實時采集并顯示數(shù)字儀表圖像,；然后將Canny邊緣檢測算子與Hough變換相結合，對儀表圖像進行傾斜校正,；利用數(shù)學形態(tài)學方法對圖像光照不均勻等進行處理,，通過濾波增強有效信息；根據(jù)數(shù)字儀表讀數(shù)特征,，采取查找最小連通域后篩選的方法對儀表讀數(shù)進行定位分割,；采用和聲搜索法和最小二乘支持向量機的算法對儀表的數(shù)字讀數(shù)進行模式識別；利用OpenCV開源庫在VS2010環(huán)境中編寫MFC程序,，實現(xiàn)數(shù)字儀表讀數(shù)的實時采集,、處理及識別輸出。本設計在實驗室環(huán)境下具有良好的效果,，下一步的研究方向是進一步改進完善,，并將其推廣應用到實際環(huán)境中?！　?/p>

參考文獻

　?。?］ 譚志強,黃懿.自動抄表技術的發(fā)展［J］.電測與儀表, 2009，46(1):1-5.

　　［2］ 申中鴻,蔣春旭,徐華偉,等.基于機器視覺的數(shù)字顯示儀表自動讀數(shù)［J］.電子產(chǎn)品可靠性與環(huán)境試驗,2013,，31(A01):110-115.

　?。?］ 申中鴻,劉群興,蔣春旭,等.基于機器視覺技術和D—S證據(jù)理論的數(shù)字顯示儀表自動讀數(shù)［J］.信息工程期刊(中英文版),2013，3(6):122-129.

　?。?］ 劉科,侯立新,卞昕.基于機器視覺的儀表示值識別算法研究［J］.計量學報,2013,，34(5):425429.

　　［5］ 常曉瑋.基于機器視覺的數(shù)字化儀表字符識別［J］.計算機測量與控制,2014,，22(9):30713073.［6］ 丁文,李勃,陳啟美.Canny色彩邊緣檢測及分類新方法［J］.北京郵電大學學報,2012,，35(1)：115119.［7］ 黃登山,王曉楠.基于Canny和HillbertHuang變換的改進的SIFT算法研究［J］.西北工業(yè)大學學報,2015(6)：962-965.

　　［8］ 朱顥東,李紅嬋.基于特征加權模糊模板匹配的字符識別［J］.蘭州理工大學學報,，2013，39(1) :68-71.

　?。?］ 劉宗林,田瑩,李雪瀅.一種數(shù)顯儀表字符快速自動識別方

　　法［J］.現(xiàn)代計算機(專業(yè)版),2015(18):37-40.

　?。?0］ 王明勛.基于神經(jīng)網(wǎng)絡的液晶數(shù)字識別在船用設備管理中的應用［J］.艦船電子工程,2012，32(7):95-97.

　?。?1］ 劉永平,郭小波.基于最小二乘支持向量機車牌字符特征識別［J］.數(shù)字技術與應用,2015(7):119-120.

　?。?2］ 劉靜.基于最小二乘支持向量機的車牌字符特征分類研究［J］.計算機與數(shù)字工程,2015(7):1315-1319.

　　［13］ 喬宗良,張蕾,周建新,等.一種改進的CPSOLSSVM軟測量模型及其應用［J］.儀器儀表學報,2014,35(1):234-240.

　?。?4］ 王舒憬,，杜皎潔.基于OPENCV的數(shù)字萬用表數(shù)字識別方法［J］.自動化與儀器儀表, 2014(1):62-63.

　　［15］  徐歡,李振璧,姜媛媛,等.基于OpenCV和改進Canny算子的路面裂縫檢測［J］.計算機工程與設計,2014,，35(12):4254-4258.