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；利用數學形態學、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進行識別。經過大量的實驗驗證，與現有的儀表讀數識別方法相比，該方法具有更好的準確性，實現了數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的數字儀表讀數自動識別［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據通信接口，導致無法自動識別讀數，對儀表數字的讀取還是要靠人工來實現，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境，這就為儀表讀數的讀取提供了便利，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年代得到較快的發展［1］。目前，國內外許多科技人員在基于機器視覺的數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。在儀表數字識別方面，工業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證據理論實現數字顯示儀表的自動讀數；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字圖像進行分割、編碼，進而實現了對該類儀表示值的自動讀取；山東管理學院的常曉瑋利用光學字符識別技術實現了遠程識別儀表上顯示的數字信息［25］。綜合各方研究，實現基于機器視覺的數字儀表讀數自動識別的方式多樣，不僅在圖像預處理上可根據不同環境不同儀表選擇合適的算法，在數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，利用數學形態學方法、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）算法對儀表讀數進行識別。經過大量的實驗驗證，該方法具有良好的準確性，實現了數字儀表的自動識別功能。

1數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攝像頭對儀表數據進行采集，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

　　進行數字儀表圖像采集時，采集到的數字儀表圖像經常會發生傾斜。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變換檢測數字儀表邊框平行線的傾斜角度，再利用旋轉函數進行校正，得到端正水平的數字儀表圖像。

　　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圖像的形態學處理

　　為簡化圖像數據，并除去不相干的結構，本系統對圖像進行腐蝕(Erosion)膨脹(Dilation)等數學形態學運算，對圖像進行濾波處理，平滑邊界。提高數字儀表圖像的質量，并填充儀表讀數中的細小空洞，避免單個數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數字儀表圖像的特征提取

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

　　2.1儀表數字區域的特征分析

　　在數字儀表讀數的定位分割過程中，必須根據數字區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。而數字儀表的特征總體是有跡可循的，可以將數字區域與背景分別出來。從視覺角度出發，儀表數字區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儀表數字定位分割方法

　　儀表數字定位分割一般有基于連通域和基于投影法的儀表數字定位與分割。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，僅根據水平投影不足以將兩行讀數分割開來，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、讀數的形狀、長寬比來進行篩選，排除不符合條件的區域，這樣就可以直接定位并分割出數字儀表的每個讀數。算法實現步驟如下。

　　（1）計算連通域面積：連通域A的面積就是像素值為255的點的數目，即區域的邊界內包含的像素點數。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。

　　（3）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，即數字儀表每個讀數。圖5儀表讀數分割定位結果

　　數字儀表讀數的定位分割結果如圖5所示。

　　2.3儀表數字特征提取

　　數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，而大部分的數字儀表的讀數區域是基于七段數碼管來實現顯示，因此也可以根據數碼管的特征來提取。本文用的提取特征的方法就是基于七段數碼管，根據每段碼的像素值來判斷識別。將定位好的數碼管每位進行4×4分割，統計黑點和白點的個數，每塊的像素用x0~x15表示，提取結果如圖6所示。

　3儀表讀數的模式識別

　　數字儀表的讀數識別是基于機器視覺的數字儀表讀數自動識別的重點，只有這一步做好了才能正確識別讀數并且保證一定的識別率。最常用的數字字符識別算法主要有模板匹配法、基于人工神經網絡法、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，xi∈Rm為樣本輸入，yi為輸出，LSSVM在高維特征空間的線性函數為：

　　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。根據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化問題：

　　式（6）中，e2i為誤差變量，d為調整參數因子。

　　為求解上述優化問題，引入拉格朗日等式，ai是拉格朗日乘子，把約束優化問題變為無約束優化問題，如式（7）所示：

　　根據非線性最優規劃(KarushKuhnTucker，KKT)條件求得參數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，得到LSSVM的預測函數：

　　式中，σ為核寬度，反映數據集的特性。

4系統軟件實現與測試

　　4.1系統軟件實現

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

　　根據本文系統采取的方法對實時采集到的數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字儀表的讀數進行識別，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個數字字符，用模板匹配法、基于人工神經網絡法、穿線法、最小二乘支持向量機分別進行了測試，對這800個數字字符進行分類統計，測試結果如表1所示。

　　統計分析發現，這幾種算法對每個數字的識別率都高于90.0%，LSSVM對每個數字的識別率都高于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

　　根據數字儀表顯示的特征，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；利用數學形態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；根據數字儀表讀數特征，采取查找最小連通域后篩選的方法對儀表讀數進行定位分割；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字讀數進行模式識別；利用OpenCV開源庫在VS2010環境中編寫MFC程序，實現數字儀表讀數的實時采集、處理及識別輸出。本設計在實驗室環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境中。　　

參考文獻

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

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

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

　　［4］ 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.

　　［9］ 劉宗林,田瑩,李雪瀅.一種數顯儀表字符快速自動識別方

　　法［J］.現代計算機(專業版),2015(18):37-40.

　　［10］ 王明勛.基于神經網絡的液晶數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.

　　［11］ 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］.數字技術與應用,2015(7):119-120.

　　［12］ 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.

　　［14］ 王舒憬，杜皎潔.基于OPENCV的數字萬用表數字識別方法［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.