同态增晰耦合改进的区域生长的键盘字符目标识别算法.docx
- 文档编号:10852511
- 上传时间:2023-02-23
- 格式:DOCX
- 页数:8
- 大小:21.57KB
同态增晰耦合改进的区域生长的键盘字符目标识别算法.docx
《同态增晰耦合改进的区域生长的键盘字符目标识别算法.docx》由会员分享,可在线阅读,更多相关《同态增晰耦合改进的区域生长的键盘字符目标识别算法.docx(8页珍藏版)》请在冰豆网上搜索。
同态增晰耦合改进的区域生长的键盘字符目标识别算法
同态增晰耦合改进的区域生长的键盘字符目标识别算法
摘要:
键盘作为诸多智能设备指令输入端口,其表面字符完整程度直接影响到设备使用。
为了提高键盘在制造过程中的生产质量,需要对其生产流水线完成视觉检测。
而在当前键盘表面字符目标检测过程中存在成像模糊、分割不准确以及识别率低等问题。
对此,设计基于同态增晰与区域生长的键盘按键识别检测算法。
首先,引入同态增晰算法,对模糊图像清晰化处理。
然后嵌入全局特征,改进了区域生长算法,准确分割并提取出图像中数字按键目标区域。
最后基于最近邻算法对数字按键图像样本库进行机器学习,完成按键数字识别,从而建立起键盘数字按键质量检查系统。
实验数据显示,与当前数字识别算法相比,面对成像模糊的按键数字图像时,该数字按键检查算法具备更高的准确性与稳定性。
关键词:
键盘识别;同态增晰;区域生长;最近邻算法;图像样本库;质量检查
中图分类号:
TN911?
34;TP391文献标识码:
A文章编号:
1004?
373X(2016)12?
0143?
06
Abstract:
Thekeyboardistheinstructionsinputportofvariousintelligentdevices,anditssurfacecharacterscompletedegreecandirectlyaffectondeviceuse.Inordertoimprovetheproductionqualityofthekeyboardinmanufacturingprocess,itisnecessarytocompletethevisualinspectionoftheproductionline.Thereareproblemsofblurredimaging,inaccuratesegmentationandlowrecognitionrateinthecurrenttargetdetectionofkeyboardsurfacecharacters.Tosolvetheaboveproblems,thekeyboard’skeyidentificationanddetectionalgorithmbasedonhomomorphicclarificationandregiongrowingwasdesigned.Firstlythehomomorphicclarificationalgorithmisintroducedtodoclearprocessingoffuzzyimage.Andthentheglobalfeatureisembeddedtoimprovetheregiongrowingalgorithm,andaccuratelysegmentandextractthetargetregionofnumberkeysintheimage.Finally,themachinelearningfortheimagesamplelibraryofnumberkeyisconductedbasedonnearestneighboralgorithm(NNA)toidentifythekeynumberandestablishthequalityinspectionsystemforthenumberkeysonkeyboard.Theexperimentaldatashowsthat,incomparisonwiththecurrentnumberrecognitionalgorithm,theproposednumberkeyinspectionalgorithmhashigheraccuracyandstabilitywhileidentifyingthekey’snumberimagewithblurredimaging.
Keywords:
keyboardidentification;homomorphicclarification;regiongrowing;nearestneighboralgorithm;imagesamplelibrary;qualityinspection
0引言
随着电子行业与制造业的快速发展,智能设备也在不断进驻生产车间,在降低企业人力成本与提高制造质量的同时,也为推进物联网、大数据建设做好了基础准备[1?
3]。
当前,推进设备具有人眼、人脑功能,已成为当今电子工业发展趋势。
由于智能化设备的需求增大,其计算机外设键盘作为程序指令的主要输入端,其社会需求增大,产量一直居高不下[4]。
而键盘表面数字字符的完整性,直接影响到智能设备的高效使用。
因此,为了确保键盘制造的质量,保证键盘上的数字字符完整,需要对键盘的制造过程进行实时识别与检查。
而以往主要是依靠人工识别,存在成本高、主观性强、效率低等不足。
而将图像处理与模式识别等技术嵌入智能设备,则可以有效解决上述问题。
对此,诸多研究人员开发了一系列的数字识别技术,如耿庆田针对现有车牌识别方法中车牌二值化和车牌字符识别效率不高的问题[5],提出一种基于分形维数和隐马尔科夫特征的车牌识别算法,基于分形维数进行车牌的二值化处理,利用隐马尔科夫特征办法进行字符特征提取,然后利用多重分类器进行字符识别,实验结果显示算法具有很高的识别精度。
戴静等人提出了基于交点特征和径向基函数神经网络的数字识别方法[6],利用交点特征对数字进行特征提取,获取水平特征分量与垂直特征分量,再将水平特征向量与垂直特征向量组合成数字的交点特征向量,然后利用径向基函数神经网络学习不同模式类别中的学习样本,学习过程完成后,利用此网络对样本进行识别。
虽然上述技术能够完成字符识别,但也存在不足:
二值化处理数字图像,当采集到的原始图像较为模糊时,无法准确分割出数字;而BP神经网络训练学习数据,结构复杂,计算量大,没有很好的实时性,不适用于现场设备。
对此,本文以改善图像清晰度、提高分割精度、减少算法计算量为目的,提出了一种基于同态增晰与区域生长的键盘数字按键识别与检查技术。
最后测试了本文算法的准确度。
1本文键盘目标识别算法
在实际环境中,键盘由运动平台传送到工业相机下取像,再提交到由工控上位机数字按键视觉检查软件处理。
但是,由于平台不平或车间光照不均影响,导致采集到的图像通常是模糊的,严重影响后续数字分割与识别。
对此,本文引入同态增晰算法处理模糊图像,获取清晰图像。
与此同时,为了精确分割键盘图像,考虑到背景颜色单一,本文嵌入全局特征,并耦合局部细节,定义了新的生长停止条件,继而改进了区域生长算法;提取出键盘图像字符后,采用NNA机器学习算法,将字符区域平均分成16份,提取区域周长、面积、形状度特征,构成特征矩阵,建立样本学习库,完成数字识别。
具体算法流程如图1所示。
1.1基于同态增晰的图像复原
在实际工程作业环境中,往往不可避免的存在光照条件不均匀、载物平台不稳定的问题,导致采集的图像画质模糊、细节不清楚,从而无法分辨目标与背景,如图2所示,键盘图像模糊,尤其是按键上数字细节难以辨认。
故需要对其完成复原。
在外界条件不佳时,图像灰度动态范围大,而按键目标的灰度范围小,若采用普通灰度线性变换扩展灰度级,虽提高目标反差,但扩大了动态范围,而如果压缩灰度级,虽减少动态范围,但损失了图像细节,所以采用普通灰度线性变换无法解决照度不均与图像细节的矛盾。
本文引入同态系统解决上述问题,它是服从广义叠加原理的各类非线性系统,既可使图像灰度动态范围压缩,又可使感兴趣的目标区域灰度级扩展,从而使图像清晰[7?
8]。
用f(x,y)代表图像,i(x,y)代表照明函数,r(x,y)代表反射函数,则有:
[f(x,y)=i(x,y)?
r(x,y)]
(1)
即灰度由照射量与反射量组成,反射量体现图像细节、纹理与边缘,当其在空间域快速变化时,其频谱落在高频区域;而照射量在空间域变化缓慢,其频谱落在低频区域。
故本文利用傅里叶变换[9]将两者分开,然后再进一步同态处理。
首先利用对数运算在空间域对照明函数与反射函数完成分离:
1.2基于区域生长的图像分割识别
完成同态增晰处理后,获取清晰的图像,接着需要把按键数字区域分割出来。
区域生长法是一种串行区域分割算法,其基本思想是将具有相似性质如灰度、纹理、颜色的像素集合成区域,即感兴趣目标区域,由于图像背景灰度分布较为均衡,此情况下选用区域生长法分割,其效果较理想[10]。
但是区域生长法的缺点是计算量大,而计算量由生长停止条件决定,使其分割效果不佳,存在杂质,如图4所示。
对比,本文引入全局特征信息,并兼顾局部细节,改进区域生成的停止条件。
具体步骤如下:
(1)由于按键数字白色与背景黑色分明,故选用图像中局部极大值作为种子像素,并采用生长准则对每个区域中的每个像素进行计算。
(2)反复执行步骤
(1)时,需要指定停止条件。
普通情况下采用灰度、纹理、彩色这些局部特征,但这些特征并没有考虑生长的历史,为了增加区域生长的能力,本文加入全局特征(尺寸与形状),以此改进生长停止条件,从而兼顾了全局与局部信息特征。
这样不但减少了不必要的计算量,又提高了分割的准确性,不会出现过生长的现象,如图5所示。
式中:
A为生长区域内所有像素数之和,即该区域面积,f(x,y)为该区域内某像素;Z为生长区域边缘所有像素数之和,即该区域周长,l(x,y)为该区域边缘上某像素;X为生长区域形状度,即区域面积A与区域最小外接矩形面积之商。
在生长过程中,实时计算以上特征向量(面积、周长、形状因子),并与标准向量比较,在保证每个元素都小于等于标准元素的前提下,继续生长;否则,停止生长,此过程即生长停止条件判定过程:
[grow=1,(A,Z,X)≤std0,(A,Z,X)>std](14)
其中,(A,Z,X)为实时计算的特征向量(面积、周长、形状因子);std为标准向量;grow为生长停止与否判断符,若该值为1时,继续生长;为0时,停止生长。
可见本文综合考虑了局部与全局特征,很好地定义了停止条件,分割效果较理想。
部分关键代码如下:
1.3基于NNA算法的数字识别
完成数字字符分割,得到了字符区域,并将字符区域平均分成16个区域,每个区域按照式(11)~式(13)提取周长、面积、形状度构成一个4×4的三维特征矩阵。
基于这样的特征数据基础,本文引入NNA学习算法[11],取一定数量典型数字字符图像,建立样本特征库,即每个数字字符对应一个三维特征矩阵标准,在后续待识别字符,同样提取出三维特征矩阵,与库中标准对比,取矩阵距离最近的标准为识别结果。
NNA是平均最近邻分析,优势是构造简单,运算量小,特别是相比于神经网络[12]。
其步骤为:
(1)测量每个要素的质心与其最近邻要素的质心位置之间的距离;
(2)计算所有这些最近邻距离的平均值;最近邻比率通过观测的平均距离除以期望的平均距离计算得出[10]。
(3)完成建立样本库标准,依照最近邻原则,对待识别数字与样本库对比,以最接近的字符为评判结果,相似计算准则为:
[Sim(di,dj)=i,j=1MWdi*Wdj(i=1MW2di)(j=1MW2dj)](15)
式中:
di代表测试特征;dj为标准特征;[Wdi],[Wdj]分别代表测试特征向量值,标准特征向量值;Sim为最近邻距离;i为待评判对象序号,j为评判标准序号;M为样本范围。
部分关键代码如下:
2实验与讨论
为了直观体现本文算法的数字按键增晰、分割、识别效果,在VS2008平台上基于C++语言编程实现。
部分关键实验参数如下:
周长标准值为150,面积标准为450,形状度标准为0.85。
同时,为了体现所提技术的先进性,将当前字符识别性能较好的算法视为对照组:
文献[5]与文献[6]。
取一张成像模糊的键盘数字按键图像,如图6所示。
利用所提算法与对照组技术对其处理识别,结果如图7~图13所示。
[图6待处理、识别图像图7本文同态增晰图像]
由图可知,本文算法利用同态增晰先消除了模糊度影响,见图7,然后利用改进停止条件的区域生长分割,精确分割出数字目标,并且不带杂质干扰,见图8;最后基于样本库标准与最近邻判断准则,对分割出的数字图像进行特征提取与识别,得到对数字目标的识别结果,完成按键不良检查,检查出了漏安装的不良,如图10所示,按钮9、1位置漏安置。
而对照组分割不准确、识别失败,见图11与图13,对照组未检查出1位置,并且由于分割不准,把非数字按钮判为数字按钮,最终再误判为数字按钮漏安装不良。
原因是对照组算法没有考虑成像模糊对数字分割与识别的影响,使其分割不准确,进而识别失误。
为了比较三种算法(本文算法与对照组文献[5]、文献[6])的识别准确性,先挑选了600张图像,根据模糊程度由低到高分为6个等级,各取100张,分别用本文算法与对照组算法进行处理,然后统计识别率,结果如图14所示。
由图14可知,由于本文先进行了同态增晰处理,并联合了区域生成算法与NNA识别,使得本文技术的识别准确率始终高于对照组;而对照组单纯采用阈值分割二值化或者神经网络分类识别,忽略了外界条件影响,受模糊程度影响较大,故识别率低于本文算法。
然后再验证三种算法的稳定性。
随机挑选600张图像,分别由本文算法和对照组算法处理,并实时统计识别率。
如图15所示,本文算法具有较强稳定性,在识别率始终高于对照组的前提下,识别率波动程度远远小于对照组。
3结论
为了解决当前键盘表面字符目标检测过程中存在成像模糊、分割不准确以及识别率低等问题,本文算法使用同态增晰缩小整体灰度范围、扩大感兴趣区域灰度级,达到图像清晰化目的。
基于局部耦合全局特征停止生长,改进了区域生长算法,实现字符准确分割。
最后引入NNA机器学习,以低计算量为成本建立数字字符识别模式。
实验结果表明:
在图像模糊的情况下,本文算法仍具有较高的识别准确率。
参考文献
[1]孙成.基于智能设备的嵌入式数据库安全性研究[D].长春:
吉林大学,2015:
7?
23.
[2]韩威,陈渝,刘迎莉,等.一种适用于智能设备的多重操作系统架构[J].计算机工程与科学,2014,36(5):
804?
808.
[3]刘要华,朱珍民,叶剑.协同人机交互机制的研究与设计[J].计算机工程与设计,2014,35
(2):
726?
730.
[4]YOUSAFMH,HABIBHA.Virtualkeyboard:
real?
timefingerjointstrackingforkeystrokedetectionandrecognition[J].Arabianjournalforscienceandengineering,2013,39
(2):
923?
934.
[5]耿庆田,赵宏伟.基于分形维数和隐马尔科夫特征的车牌识别[J].光学精密工程,2013,21(12):
3198?
3204.
[6]戴静,胡钊政,白建川.一种基于交点特征的印刷体数字识别方法[J].电视技术,2014,38(13):
28?
30.
[7]MADHAVBTP,PARDHASARADHIP,MANEPALLIRKNR,etal.Homomorphicfilteringtexturalanalysistechniquetoreducemultiplicativenoiseinthe11Obanano?
dopedliquidcrystallinecompounds[J].Phasetransitions,2015,88(7):
735?
744.
[8]G?
RGELP,SERTBASA,UCANON.Mammographicalmassdetectionandclassificationusinglocalseedregiongrowing?
sphericalwavelettransform(LSRG?
SWT)hybridscheme[J].Computersinbiologyandmedicine,2013,43(6):
765?
774.
[9]WANGXiangyang,WANGChunpeng,YANGHongying,etal.ArobustblindcolorimagewatermarkinginquaternionFouriertransformdomain[J].Journalofsystems&software,2013,86
(2):
255?
277.
[10]BAICuixia,JIANGGangyi,YUMei,etal.Amicro?
imagefusionalgorithmbasedonregiongrowing[J].Journalofelectronics(China),2013,30
(1):
91?
96.
[11]赵璐璐,耿国华,李康,等.基于SURF和快速近似最近邻搜索的图像匹配算法[J].计算机应用研究,2013,30(3):
921?
923.
[12]苏毅娟,成德波,宗鸣,等.稀疏编码的最近邻填充算法[J].计算机应用研究,2015,32(7):
1942?
1945.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 同态 耦合 改进 区域 生长 键盘 字符 目标 识别 算法