數(shù)字儀表結(jié)構(gòu)簡單，使用方便，已廣泛應(yīng)用于科學(xué)實驗和生產(chǎn)中。為了提高檢定效率、檢定精度，實現(xiàn)自動化檢定是十分必要的。由于數(shù)字儀表的檢定是一項大批量、重復(fù)性的檢測過程，其操作過程簡單、規(guī)范，外界環(huán)境要求不高，這為其實現(xiàn)檢定自動化提供了有利條件。近年來計算機視覺技術(shù)和數(shù)字圖像處理技術(shù)的不斷發(fā)展，為滿足上述要求提供了可能。利用攝像機完成表盤及背景圖像的采集，并將其轉(zhuǎn)換成數(shù)字信號，然后利用數(shù)字圖像處理技術(shù)實現(xiàn)關(guān)鍵操作，實現(xiàn)數(shù)字儀表的自動檢定，提高了檢定精度、生產(chǎn)效率、降低了生產(chǎn)成本。本文開發(fā)的儀表顯示值自動實時識別系統(tǒng)主要包括：圖像預(yù)處理、特征提取和數(shù)字識別3部分。其中數(shù)字識別是關(guān)鍵一環(huán)，主要采用了學(xué)習(xí)理論中的支持向量機方法。學(xué)習(xí)理論是一種研究有限樣本情況下機器學(xué)習(xí)性質(zhì)和規(guī)律的理論。在這一理論下發(fā)展出的一種通用的模式分類器——支持向量機，由于與傳統(tǒng)的模式識別方法相比，具有推廣能力強，能保證全局最優(yōu)等優(yōu)點，這使得支持向量機技術(shù)在數(shù)字識別系統(tǒng)中有很好的應(yīng)用前景，因而引起了國內(nèi)外學(xué)者的極大興趣。支持向量機通過結(jié)構(gòu)風(fēng)險最小化準則和核函數(shù)方法，較好地解決了模式分類器復(fù)雜性與推廣性之間的矛盾，因而也引起了模式識別領(lǐng)域?qū)W者的極大關(guān)注。
1 儀表示值自動識別原理
儀表顯示值自動實時識別系統(tǒng)的流程：首先，由攝像頭獲取儀表顯示的視頻幀；然后，將視頻幀進行灰度變換，二值化得到二值圖像；再通過邊緣檢測，操作微分直方圖，計算表盤水平和垂直投影，進行峰谷分析定位出數(shù)字區(qū)域，并切分出單個數(shù)字的二值圖像；對單個數(shù)字的圖像進行特征提取，得到一組特征；最后，將特征送入識別器進行識別。
1．1 預(yù)處理
數(shù)字儀表在檢定過程中，首先要定位表盤區(qū)域，然后確定數(shù)字位置。攝像頭提取圖像后，經(jīng)過灰度變換(見圖1)和二值化(見圖2)，其效果將對后續(xù)的數(shù)字切分和特征提取產(chǎn)生直接的影響，其中二值化是圖像預(yù)處理的關(guān)鍵環(huán)節(jié)，在實際應(yīng)用中受室內(nèi)燈光及儀表屏幕自身亮度等因素影響，圖像中往往存在灰度分布不均和灰度突變的情況。本文采用了OTSU算法，根據(jù)最大方差二值化獲得良好的二值圖像，這里主要為了提取表盤區(qū)域。通過標識連通區(qū)域，連通區(qū)域的外接矩形，然后根據(jù)外接矩形的長與寬定位數(shù)字儀表的顯示區(qū)域。本文采用了一個8連通區(qū)域提取算法。首先按照一定的標號規(guī)則掃描圖像，得到一定數(shù)量的連通區(qū)域；然后針對同一區(qū)域內(nèi)標號不一致的情況進行處理，即得到最終處理結(jié)果。
1．2 數(shù)字分割
表盤區(qū)域分割之后，繼續(xù)分割數(shù)字區(qū)域。在實際應(yīng)用中，攝像頭是固定的，數(shù)字的顯示區(qū)域在圖像中的位置、大小等是基本相似的。本文根據(jù)數(shù)字儀表顯示屏幕的特點，采用投影法找到顯示屏的邊框。圖像中數(shù)字區(qū)域的準確定位分割是實現(xiàn)儀表顯示值識別的重要前提。在表盤的二值圖內(nèi)，先通過邊緣檢測，利用微分直方圖進行數(shù)字分割，圖3為水平投影后的直方圖。
經(jīng)過水平投影將圖像分割成上、中、下3部分。對中部數(shù)字區(qū)域的二值圖像從上到下逐行掃描；獲取到圖像的水平投影圖。利用行間間隔形成的水平投影間隙，即可將各數(shù)字行分割開來，如圖4所示，然后提取中部截圖，再對中部數(shù)字區(qū)域做垂直投影，如圖5所示，計算峰谷可以將單個數(shù)字分割出來。字切割是從行切分后，得到的圖像中將每一個數(shù)字分割出來，利用每行字符的垂直投影中字符之間的間隙即可將各個數(shù)字分割出來。
1．3 特征提取
由于數(shù)字具有明顯的局部結(jié)構(gòu)特征，因此本文采用一種非對稱分塊統(tǒng)計特征，作為表征數(shù)字的特征向量。方法如下：
(1)應(yīng)用otsu方法將分割出的數(shù)字圖像二值化，然后將圖像歸一化為70×50大?。?br />
(2)將圖片等分為35塊，每塊子圖為10×10大小，按式(1)計算每一塊中背景點的分布特征；
式中：p(m，n)為10×10子圖中m行n列像素灰度值，前景點為255，背景點為0。
(3)將每一塊子圖的背景點統(tǒng)計特征作為一維特征向量，構(gòu)造35維向量[a1 a2 … a34 a35]作為支持向量機的輸入特征向量。
1．4 數(shù)字識別
基于支持向量機的數(shù)字識別支持向量機(Support Vector Machines，SVM)基于結(jié)構(gòu)風(fēng)險最小化準則工作，能在訓(xùn)練誤差和分類器容量間達到較好平衡，因而具有更好的性能，在模式識別領(lǐng)域有著廣泛的應(yīng)用。對于兩類模式識別問題，假設(shè)給定n個樣本作為訓(xùn)練集：
這里yi=+1或-1，要找到一個最優(yōu)超平面，使訓(xùn)練集中的點距離分類面盡可能的遠，也就是使M=2／‖ω‖最大的分類面就是最優(yōu)分類面。對于線性可分的情況，要找到最優(yōu)超平面：
即求解下面的二次規(guī)劃問題：
此二次規(guī)劃問題，可用Lagrange乘子法把式(5)化成其對偶形式：
設(shè)[a1 a2 … a3]為二次優(yōu)化問題的解，可以證明解中只有小部分ai不為0，稱對應(yīng)的xi為支持向量，ai是對應(yīng)的Lagrange系數(shù)，b是常數(shù)(閾值)。于是最優(yōu)超平面方程為：
最優(yōu)超平面的分類規(guī)則為：
對于線性不可分情，在條件式(5)中引入非負松弛變量ξi，原約束條件改為：
相應(yīng)的目標函數(shù)改為：
最優(yōu)分類面的對偶問題改為：
若ai>0，稱相應(yīng)的xi為支持向量(Support Vector)。更進一步，若O
找出的支持向量充分描述了整個訓(xùn)練數(shù)據(jù)集的特征，使得對SV集的線性分類等價于對整個數(shù)據(jù)集的分類，檢測流程圖如圖6。所示。
1．5 實驗結(jié)果與分析
實驗中選取了3組典型的樣本，每組樣本數(shù)200個，在PC機上進行了試驗，結(jié)果如表1所示。每個樣本有6或5個數(shù)字，其中3或4個是表示小時和分鐘，2個表示秒鐘。
從表1可以看出，在二值化較好，數(shù)字清晰的情況下，識別率達到了100％，對有輕微點狀噪聲和輕微斷痕的樣本，識別率也很高，但對存在數(shù)字殘缺的樣本，識別率有所下降。就識別時間而言，整屏數(shù)字(6或5個數(shù)字)的識跗時間小于200 ms，明顯低于儀表數(shù)字的最快變化時間1 000 ms。
2 結(jié)語
主要研究了數(shù)字式儀表的自動判讀方法，為儀表盤上的儀表實現(xiàn)自動識別打下基礎(chǔ)。首先對采集到的數(shù)字式儀表進行預(yù)處理，主要包括圖像灰度化、二值化、噪聲消除等。參考現(xiàn)有的數(shù)字識別算法，本文主要采用垂直投影法來分割各個字符，然后對分割后的每個字符提取分塊統(tǒng)計特征。最后用SVM訓(xùn)練樣本實現(xiàn)相應(yīng)數(shù)字字符識別，最終判讀出數(shù)字儀表的讀數(shù)。該方法算法簡單，實時性高，可靠性好，是一種比較理想且具有一定應(yīng)用價值的識別算法。