CN104112132A - 一种枪械编号自动识别方法 - Google Patents
一种枪械编号自动识别方法 Download PDFInfo
- Publication number
- CN104112132A CN104112132A CN201410315490.4A CN201410315490A CN104112132A CN 104112132 A CN104112132 A CN 104112132A CN 201410315490 A CN201410315490 A CN 201410315490A CN 104112132 A CN104112132 A CN 104112132A
- Authority
- CN
- China
- Prior art keywords
- firearms
- character
- numbering area
- numbering
- area image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Character Discrimination (AREA)
Abstract
本发明公开了一种枪械编号自动识别方法,包括以下步骤:第一步,对采集的枪械编号区域图像预处理;第二步,对预处理后的枪械编号区域图像进行目标区域定位;第三步,对枪械编号区域定位后的枪械编号区域图像进行字符分割;第四步,对字符分割后的枪械编号区域图像进行字符识别,通过以上步骤,即可以实现枪械编号的自动识别。本发明针对采集的枪械编号区域图像,提出了一种枪械编号自动识别方法,该方法便于操作,不需要人工干预,自动聚焦并检测,对磨损较严重的枪械编号仍然可以正确识别;本发明具有检测速度快、可靠性高等优点,并已成功应用在手持式枪械编号检测设备上。
Description
【技术领域】
本发明属于计算机视觉领域的特殊字符识别领域,具体涉及一种枪械编号自动识别方法。
【背景技术】
枪械管理是部队日常安全保卫工作的重要任务。目前,枪械管理技术上主要采取手工录入、条形码识别和射频等三种主要方式。其中手工录入由管理人员完成全部操作,不仅操作过程繁琐、耗时费力、效率低下,而且非常容易出错,自动化程度最低;条形码识别技术在所有枪械上粘贴条形码,出入库扫描录入,简单实用,但条形码保护较难,枪械使用环境复杂,常常导致识别错误或条形码丢失问题。近年来射频技术在信息化管理方面应用广泛,非接触读取,无源射频芯片超薄超小,安装维护方便,但无线信号易受干扰,易发生信息泄露问题。
有鉴于,计算机视觉的基本任务是从摄像机获取的图像信息出发来计算三维空间中的物体信息,并由此重建或识别物体。本发明即通过对包含枪号的图像进行分析计算,实现枪械编号的自动、实时、批量扫描识别。
枪械编号由于其特殊性,有其独立的特点,主要表现在以下方面:一、在形状上,枪号字符属于压印字符,压印字符与作为字符载体的枪械背景相比,是上凸或者下凹的,具有一定的高度或者深度,属于三维立体字符,而其他字符大都和背景处于同一平面上,属于二维平面字符;二、在颜色上,字符呈白色的枪号字符与呈灰黑色的枪身在颜色上有较大差别,便于字符识别,但是枪械编号字符属于压印字符很容易磨损,磨损后由于字符和背景的材质相同,与 背景没有颜色的差别,属于无色差字符,给识别造成了一定难度。三、枪械编号字符都是压印到枪身的椭圆形凹槽内的,虽然凹槽对枪号磨损有一定的减缓作用,但枪械使用环境非常恶劣,沙尘和雨水冲刷等依然会造成枪号的磨损,似的枪械编号字符识别困难;四、在结构上,同一字模所形成字符的结构和大小相对统一,只是在压制成形时,由于字模松动或标牌材质等现场加工因素的影响,使形成的同一字符高度、形状亦有所差别;五、字符通常均是***数字,同一批次出厂的前四位字符相同,表示枪械生产的时间和批次,后四位字符,表示枪械的编码。
由于枪号字符存在上述特点,因此,尽管枪号字符识别也属于光学字符识别的范畴,但是不能将字符识别领域现有的研究成果直接用于枪号字符识别,必须针对其图像特点,研究与之相适应的图像处理和识别算法,方能达到较好的效果。
【发明内容】
本发明的目的在于针对枪械编号的自身特点及枪械日常管理的自动化、信息化需求,提供了一种枪械编号自动识别方法。
为实现上述目的,本发明采用如下的技术方案:
一种枪械编号自动识别方法,包括以下步骤:
第一步:对采集的枪械编号区域图像预处理,具体包括如下步骤:
1)对采集的枪械编号区域图像进行灰度化,得到灰度化的枪械编号区域图像;
2)利用Canny算子进行边缘检测,检测出灰度化的枪械编号区域图像的边缘轮廓;
3)利用霍夫变换对灰度化的枪械编号区域图像检测直线,然后对图像进行 倾斜矫正,得到倾斜矫正后的枪械编号区域图像,其中,在霍夫变换中,直线用如下方程表示:
ρ=xcosθ+ysinθ (1)
式中:ρ表示直线到图像原点的距离,θ表示图像原点到直线的垂线与x轴的夹角,通过θ对图像进行倾斜矫正,x和y分别表示图像上像素点到y轴和x轴的距离;
4)利用高斯高通滤波器对倾斜矫正后的枪械编号区域图像进行增强,滤去图像中不低于70%的低频信息,以增强图像的边缘细节信息,得到增强后的枪械编号区域图像;
5)对增强后的枪械编号区域图像进行顶帽变换,得到顶帽变换后的枪械编号区域图像;
6)对顶帽变换后的枪械编号区域图像进行中值滤波,得到中值滤波后的枪械编号区域图像;
第二步:对预处理后的枪械编号区域图像进行目标区域定位,具体包括如下步骤:
1)对预处理后的枪械编号区域图像进行差分处理,得到其灰度跳变图;
2)对灰度跳变图进行处理,在水平方向上对每一行的灰度跳变值进行累加,如果灰度跳变图的某一行的灰度跳变数大于22,并且该行的上面和下面存在连续的25-55行都满足这个条件,同时这几行的高度大于或等于枪号的高度,则认为找到了枪械编号区域可能的位置,则保存这一区域,即枪械编号区域可能区域的水平位置基本确定;
3)枪械编号区域可能区域的水平位置找到后,进行垂直方向定位,即确定枪械编号区域的左右边界;先对中值滤波后的枪械编号区域图像进行膨胀,然 后对膨胀后的枪械编号区域图像进行联通域分析,得到枪械编号区域可能区域的外接矩形;结合先验知识得到外接矩形的长宽比K,用枪械编号区域可能区域的外接矩形的长宽比与K相比,当外接矩形的长宽比与K相差25%以上,则排除外接矩形的长宽比与K相差25%以上对应的外接矩形区域,得到最接近的一个外接矩形,即找到了字符区域的左右边界,实现了对枪械编号区域的精确定位;
第三步:对枪械编号区域定位后的枪械编号区域图像进行字符分割,具体包括如下步骤:
1)对枪械编号区域定位后的枪械编号区域图像进行滤波,去除噪点干扰,然后进行分层二值化处理;
2)对分层二值化处理后的枪械编号区域图像进行字符分割,其中,枪号是由一串字符组成的,对枪号图像进行字符分割,将每个字符单独提取出来,再对单个字符的图像进行字符识别,将最终合成的字符串作为识别***的输出结果;
第四步:对字符分割后的枪械编号区域图像进行字符识别,具体包括如下步骤:
1)对字符分割后的枪械编号区域图像进行字符归一化操作;
2)对字符归一化操作后的枪械编号区域图像进行ZS细化算法,ZS细化算法的具体步骤如下:判断字符归一化操作后的枪械编号区域图像中所有点是否符合下列标记条件,满足标记条件的进行标记并删除,令字符归一化操作后的枪械编号区域图像中像素点P的8邻域为:
标记条件如下:.
其中:N(P)是像素点P的邻域点中非零的个数,S(P)是以像素点P1、P2、P3、P4、P5、P6、P7、P8为序时这些点的值从0到1变化的次数;
在一次迭代完成后,进行下一次迭代,直到再也没有像素点可以删除时,ZS细化算法结束;
3)对ZS细化算法后的枪械编号区域图像采用基于Gabor变换的方法对字符笔画特征进行提取;
4)采用改进后的学习速率自适应调整的BP算法进行字符识别,具体学习过程按如下步骤进行:
a)设定最大学习次数、初始学习速率、允许的最大学习速率和最小学习速率,初始化隐含层与输入层、输出层与隐含层的连接权值和阈值;
b)将训练样本输入网络,根据连接权值和阈值计算输出层各单元的响应;
c)计算输出响应与目标向量的误差并存储;
d)判断误差是否小于预先设定的精度,如果是则结束训练,否则转入下一步;
e)判断误差较上一次是否减小,如果没有减小,取消本次学习,不对阈值和权值进行调整,如果误差减小,根据误差和学习速率调整权值和阈值;
f)利用误差和学习速率,根据如下公式修正学习速率:
ηn+1=ηn+(En-1-En)/En-1 (4)
其中:n为迭代次数;
ηn+1为第n+1次的学习速率;
ηn为第n次的学习速率;
En-1为第n-1次的误差;
En为第n次的误差;
判断修正后的学习速率是否超出允许的学习速率范围,如果超出,强令其回到设定的范围内,而后返回步骤b),继续学习;
通过上述步骤训练生成相应字符的分类器;再将各个字符均进行分类识别后;通过将分割后的枪号字符送入分类器识别,识别出相应字符,即识别出枪械编号;至此,通过以上步骤,即可以实现枪械编号的自动识别。
本发明进一步改进在于,通过如下公式对采集的枪械编号区域图像进行灰度化;
gray=red*0.114+green*0.587+blue*0.299 (5)。
本发明进一步改进在于,第二步的步骤1)中,将预处理后的枪械编号区域图像水平方向上的灰度出现跳变的像素和灰度保持基本恒定的像素分别赋值,考察前一列的灰度值和后一列是否相等,如果不相等灰度值置为1,相等则置为0,得到预处理后的枪械编号区域图像灰度跳变图,计算公式如下:
式中:I(x,y)为表示灰度化的枪械编号区域图像上位置(x,y)处的灰度值,(x,y)为该像素点的像素坐标;x,y分别表示该像素点到图像两坐标轴的像素距离,x为像素的行值,y为像素的列值,I(x,y+1)表示度化的枪械编号区域图像上位置(x,y+1)处的灰度值。
本发明进一步改进在于,第三步的步骤1)中,对枪械编号区域定位后的枪械编号区域图像分为三类:字符完好、一般磨损及重度磨损,通过实验对三种 图像分别进行灰度统计,得到各自的二值化阈值,对其进行分层二值化。
本发明进一步改进在于,第三步的步骤2)中,对分层二值化处理后的枪械编号区域图像进行字符分割,具体实现方式如下:
利用枪号图像在竖直方向的投影图影射的区间,将图像分割为多个子区间;
计算出投影区间整体宽度及各个子区间的投影宽度;若子区间的投影宽度小于整体宽度的3.1%,则认为是伪子区间,直接舍去;若子区间的投影宽度大于投影整体宽的8.8%,则认为其是待识别字符区域;若子区间投影宽度在3.1%与8.8%之间,则可能为字符“1”亦或干扰子区间,进入下一环节进一步筛选;
由于字符“1”的子区间主要特征表现为区域较窄但峰值较高,针对这一特点,即在待筛选子区间中,舍去像素值小于22的子区间,即实现了对枪械编号区域的字符分割。
与现有技术相比,本发明具有如下的技术效果:
本发明针对采集的枪械编号区域图像,提出了一种枪械编号自动识别方法,该方法便于操作,不需要人工干预,自动聚焦并检测,对磨损较严重的枪械编号仍然可以正确识别;本发明具有检测速度快、可靠性高等优点,并已成功应用在手持式枪械编号检测设备上。
【附图说明】
图1为本发明枪械编号自动识别方法的流程图;
图2为标准的枪械编号区域图像,其中,图2(a)为良好状态下的枪械编号区域图像,图2(b)为磨损状态下的枪械编号区域图像。
【具体实施方式】
下面结合附图和实施例对本发明做进一步地详细说明。
本发明是专门针对于枪械编号特点的自动识别方法,并已成功应用到手持 式枪械编号检测设备上。本发明枪械编号自动识别方法的流程图如图1所示。
本发明分为两大环节:编号区域检测和编号字符识别。编号区域检测包含图像预处理和目标区域定位,即找到编号区域在整个视频图像中的具***置并校正。编号字符识别部分包含字符分割和字符识别,即最终读出枪械的具体编号,达到识别目的。
本发明立足于对各式型号的枪型,均可以实现较好效果,故对不同枪型均进行了采样、实验。由于不同型号不同功能的枪型,其尺寸、形状差别较大。下面,以配备最为广泛的95式自动步枪为例,进行说明。出于保密考虑,对编号区域比例及具体数值以字母代替。标准的枪械编号区域如图2(a)和(b)所示。
令枪号总区域长度值为X毫米,宽度值为Y毫米,长宽比例为K,单个压印字符长度为x毫米,宽度为y毫米,长宽比例为k,其中X>Y,x>y,K>1,k>1。各单个相邻字符间距为m毫米,水平方向首尾字符距离编号区边缘距离为h毫米,竖直方向字符区距离编号区域边缘距离v毫米。
本发明采用的具体技术方案如下:
1、对采集的枪械编号区域图像预处理
对采集的枪械编号区域图像预处理的目的是增强图像质量,消除拍摄倾斜、光照不均等外界影响为后续图像定位识别等做准备。
1)图像灰度化。对采集的枪械编号区域图像进行灰度化,得到灰度化的枪械编号区域图像。由于枪号字符颜色与背景颜色在磨损的情况下,色差不明显,即颜色对本方法不起作用,故进行灰度化,以提高处理速度。通过下面的转换公式完成颜色空间转换。
gray=red*0.114+green*0.587+blue*0.299 (5)。
2)轮廓检测。此处检测的目的是为了后续识别图像中的直线区域。利用Canny算子进行边缘检测,检测出灰度化的枪械编号区域图像的边缘轮廓。
3)直线检测。此处检测的目的是为了后续对图像进行倾斜矫正,故需要利用直线确定拍照时的倾斜程度。利用霍夫变换对灰度化的枪械编号区域图像检测直线,然后对图像进行倾斜矫正,得到倾斜矫正后的枪械编号区域图像,其中,在霍夫变换中,直线用如下方程表示:
ρ=xcosθ+ysinθ (1)
式中:ρ表示直线到图像原点的距离,θ表示图像原点到直线的垂线与x轴的夹角,通过θ对图像进行倾斜矫正,x和y分别表示图像上像素点到y轴和x轴的距离。
4)图像增强。图像和信号很相似,图像的边缘和噪声对应于灰度变化剧烈的地方,属于高频分量,背景属于低频分量。高通滤波可以有效地使图像的低频分量得到抑制,从而达到增强高频分量使图像边缘变得更加清晰的目的。利用高斯高通滤波器,对倾斜矫正后的枪械编号区域图像进行增强,滤去图像中不低于70%的低频信息,以增强图像的边缘等细节信息,得到增强后的枪械编号区域图像。
5)top-hat(顶帽变换)变换。由于军械库或兵器室光线一般较暗,在录入图像时,普遍存在光照强度不均匀的情况,给识别带来了困难,由于top-hat技术是灰度形态学的重要方法、适合于处理光照不均衡问题,故进行top-hat变换。即对增强后的枪械编号区域图像进行顶帽变换,得到顶帽变换后的枪械编号区域图像。
6)中值滤波。因为图像在录入的过程中,难免会产生随机噪声,影响检测精度和效果,且要保护图像的边缘信息。中值滤波恰好有此效果,故对顶帽变 换后的枪械编号区域图像进行中值滤波。中值滤波的基本原理是把数字图像或数学序列中一点的值用该点的一个邻域中各点的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。
2、对预处理后的枪械编号区域图像进行目标区域定位
枪械编号图像的颜色信息不够明显,因此不适合利用基于颜色的聚类方法来处理,但由于枪械编号的边缘特性较强,故考虑利用基于边缘的方法来定位枪号的目标区域。
1)对图像进行差分处理。枪械编号区域的突出特征是编号字符较紧凑,灰度跳变十分剧烈,因此考虑对图像进行差分处理,得到其灰度跳变图。首先对字符区域进行水平定位,故进行水平差分处理,原理是:在水平方向上对每一行的灰度跳变值进行累加,如果灰度跳变图的某一行的灰度跳变数大于22,并且该行的上面和下面连续的25-55行都满足这个条件,同时这几行的高度大于或枪号的高度,则认为找到了枪械编号区域可能的位置,则保存这一区域,即枪械编号区域可能区域的水平位置基本确定。具体方法是:将预处理后的枪械编号区域图像水平方向上的灰度出现跳变的像素和灰度保持基本恒定的像素分别赋值,考察前一列的灰度值和后一列是否相等,如果不相等灰度值置为1,相等则置为0,得到预处理后的枪械编号区域图像灰度跳变图,计算公式如下:
式中:I(x,y)为表示灰度化的枪械编号区域图像上位置(x,y)处的灰度值,(x,y)为该像素点的像素坐标。x,y分别表示该像素点到图像两坐标轴的像素距离。x为像素的行值,y为像素的列值,I(x,y+1)表示度化的枪械编号区域图像上位置(x,y+1)处的灰度值。
2)连通域分析与先验知识精确定位。枪械编号区域可能区域的水平位置找 到后,需要进行垂直方向定位,即确定枪械编号区域的左右边界;先对中值滤波后的枪械编号区域图像进行膨胀,然后对膨胀后的枪械编号区域图像进行联通域分析,得到枪械编号区域可能区域的外接矩形;结合先验知识得到外接矩形的长宽比K,用枪械编号区域可能区域的外接矩形的长宽比与K相比,当外接矩形的长宽比与K相差25%以上,则排除外接矩形的长宽比与K相差25%以上对应的外接矩形区域,得到最接近的一个外接矩形,即找到了字符区域的左右边界,实现了对枪械编号区域的精确定位。
3、对枪械编号区域定位后的枪械编号区域图像进行字符分割
在对枪械编号区域实现目标定位后,后续则需要对枪械编号区域进行字符分割,并为后续字符识别做相应准备。枪械区域字符分割的目的是为了把枪械编号区域的8个字符相互分割开来,以利于后续字符识别。
1)对枪械编号进行分层二值化处理。对枪械编号区域定位后的枪械编号区域图像进行滤波,去除噪点干扰,然后进行分层二值化处理。
对枪械编号进行分层二值化处理的原因是:枪械编号图像中,字符对应高频分量,枪身对应低频分量。对其进行二值化,是为了突出显示枪号字符,以利于后续工作。车牌一般进行全局阈值化,实现简单,实时性好,这里基于枪械的使用特点,采用分层二值化,由于在步骤2中的灰度图像进行过统计,预处理的图像一般分为三类:字符完好,一般磨损,重度磨损;高频量值有明显差别,且由于枪械使用特点,绝大多数是均匀磨损。通过实验对三种图像分别进行灰度统计,得到各自二值化阈值,对其进行分层二值化。
2)字符分割。枪号是由一串字符组成的,直接对它进行识别难度较大,因此需要对枪号图像进行字符分割,将每个字符单独提取出来,再对单个字符的图像进行字符识别,将最终合成的字符串作为识别***的输出结果。
投影法原理简单、实现方便,运算速度较快,适合噪声较少质量较好的图像。且由于枪号图像经过定位和二值化后,字符清晰、间隔平均。故针对枪号的这个特点,设计了针对枪号图像特点的竖直投影字符分割算法,运算量小,实时性有保证。竖直投影的原理是:把图像像素值向竖直方向投影,利用噪声的宽度要远远小于正常字符的宽度这一先验知识作为字符分割的主要依据,分割出各个字符所在区域,去除噪声和伪字符区域。
具体实现方式如下:
利用枪号图像在竖直方向的投影图影射的区间,将图像分割为多个子区间;
计算出投影区间整体宽度及各个子区间的投影宽度。若子区间的投影宽度小于整体宽度的3.1%,则认为是伪子区间,直接舍去。若子区间的投影宽度大于投影整体宽的8.8%,则认为其是待识别字符区域。若子区间投影宽度在3.1%与8.8%之间,则可能为字符“1”亦或干扰子区间,进入下一环节进一步筛选。
由于字符“1”的子区间主要特征表现为区域较窄且峰值较高,针对这一特点,即在待筛选子区间中,舍去像素值小于22的子区间,即实现了对枪械编号区域的字符分割。
4、对字符分割后的枪械编号区域图像进行字符识别
该步骤是识别的最终环节,也是极其重要环节,主要分为四步。
1)字符归一化。由于拍摄角度和距离的不同,采集到的枪号字符大小也不一致,这会给后续的字符识别造成一定的困难。因此,需要对字符分割后的枪械编号区域图像进行字符进行归一化操作,根据实际情况,本专利把字符图像大小归一化为20×20。一般情况下,对图像进行大小归一化时主要有两种方法:一种是将字符的外边框按一定比例线性放大或缩小到标准尺寸;另一种是通过插值变化来进行大小归一化。外框归一化方法虽然运算速度快,但是很容易造 成图像失真,给后续的字符细化、字符特征量提取和字符识别带来很多困难。而插值归一化方法考虑到了像素邻域之间的关系,效果较好,运算速度也较快,满足***实时性的要求。考虑到这一特点,结合实时性的要求,选择邻近插值变换法来实现图像归一化。
2)特征细化。细化算法能从字符图像中提取出字符的特征信息。细化的好坏直接影响着后续字符的识别,一方面要求它去掉多余的像素,提高运算速度;另一方面要求它保存字符的基本结构和特征。
其中ZS细化算法是目前最典型,应用最广泛的算法。ZS算法运算速度快、易于实现,能够在提取字符骨架特征的基础上很好的保持了字符的连接性,特别适用于已经归一化后的字符图像。因此这一步对字符归一化操作后的枪械编号区域图像进行ZS细化算法。ZS细化算法的具体步骤如下:判断字符归一化操作后的枪械编号区域图像中所有点是否符合下列标记条件,满足标记条件的进行标记并删除,令字符归一化操作后的枪械编号区域图像中像素点P的8邻域为:
标记条件如下:
其中:N(P)是P的邻域点中非零的个数,S(P)是以P1、P2、P3、P4、P5、P6、P7、P8为序时这些点的值从0到1变化的次数。
在一次迭代完成后,进行下一次迭代,直到再也没有像素点可以删除时, ZS细化算法结束。ZS细化算法既满足了***的实时性要求,又较好地提取出了字符的骨架特征信息。
3)字符特征提取。字符特征提取的核心思想是从图像中提取出最能代表自身特点,又区别于其他字符的特征,从而便于分类器进行分类识别。随着模式识别技术的不断进步,常用的提取方法也多种多样。
其中基于Gabor变换的字符特征提取是采用Gabor变换对字符的笔画特征进行提取,该方法提取特征稳定可靠,信息有很强的重构能力,抗噪声干扰能力较强,算法简单有效,运算速度快。且由于在特征细化环节,字符经过ZS细化以后,背景简单,字符特征比较明显,综合以上因素考虑,这一步采用对ZS细化算法后的枪械编号区域图像基于Gabor变换的方法对字符笔画特征进行提取。
4)改进后的BP神经网络字符识别。
BP神经网络用于字符识别已经取得了卓有成效的成绩,很多文献都对这方面有过研究,在字符识别中得到了广泛的应用,但本身也存在一些不足,且由于枪号识别有其独特特点,故针对于此,对其进行了改进后,以应用于枪号字符识别,进一步提高识别效果。
学***稳,但收敛速度又太慢,因此固定的学习速率难以满足要求。
考虑到学习速率调整的目的是让误差以最快的速度降至要求的精度内,本发明提出一种根据误差的相对变化率来自适应改变学习速率的改进BP算法。算法的设计思路是,设定允许的最大、最小学习速率max_η、max_η后,比较本次与上次误差的变化情况,当本次的误差En小于上一次的误差En-1时,说明本次学 习速率较小,按照误差的相对变小量增加下一次的学习速率。当调整后的学习速率超出允许的最大学习速率时,强令学习速率回到允许的范围内,即当ηn+1>max_η时,令ηn+1=max_η。当本次的误差En大于上一次的误差En-1时,说明学习速率过大,取消本次学习,同时按照误差的相对变化量减小下次的学习速率。当减小后的学习速率超出允许的最小学习速率时,强令学习速率等于允许的最小学习速率,即当ηn+1<min_η时,令ηn+1=min_η。
改进算法的学习速率修正公式为:
ηn+1=ηn+(En-1-En)/En-1 (4)
其中:n为迭代次数;ηn+1为第n+1次的学习速率;ηn为第n次的学习速率;En-1为第n-1次的误差;En为第n次的误差。
按照修正公式,当误差减小时,学习速率在下次迭代时增加,增加量的大小等于误差的相对变化量。当误差增加时,学习速率在下次迭代时减小,减小量也等于误差的相对变化量。由此可以看出,本方法与自适应变化学习速率的思想相同,在实现学习速率连续变化的同时,还减少了两个参数,学习速率的变化范围也可以由预先设定最大、最小速率进行控制。学习速率的变化量由误差函数的相对变化量决定,误差的相对变化量越大,学习速率的调整量也越大,这与逻辑相符。同时从公式可以看出,计算学习速率的变化量所需要的参数η、E在每次训练的过程中都已经算出,不需要增加额外的计算量,仅仅需要占用少量的内存对每次训练的η、E进行存储。
学习速率自适应调整的BP算法的具体学习过程按如下步骤进行:
a)设定最大学习次数、初始学习速率、允许的最大学习速率和最小学习速率,初始化隐含层与输入层、输出层与隐含层的连接权值和阈值。
b)将训练样本输入网络,根据连接权值和阈值计算输出层各单元的响应。
c)计算输出响应与目标向量的误差并存储。
d)判断误差是否小于预先设定的精度,如果是,则识别并输出字符A(A代表0~9中的任一个)结束训练,否则转入下一步。
e)判断误差较上一次是否减小,如果没有减小,取消本次学习,不对阈值和权值进行调整。如果误差减小,根据误差和学习速率调整权值和阈值。
f)利用误差和学习速率,根据改进后公式修正学习速率。判断修正后的学习速率是否超出允许的学习速率范围,如果超出,强令其回到设定的范围内。而后返回步骤b),继续学习。
通过上述步骤训练生成相应字符的分类器;再将各个字符均进行分类识别后;通过将分割后的枪号字符送入分类器识别,识别出相应字符,即识别出枪械编号;至此,通过以上步骤,即可以实现枪械编号的自动识别。
Claims (5)
1.一种枪械编号自动识别方法,其特征在于,包括以下步骤:
第一步:对采集的枪械编号区域图像预处理,具体包括如下步骤:
1)对采集的枪械编号区域图像进行灰度化,得到灰度化的枪械编号区域图像;
2)利用Canny算子进行边缘检测,检测出灰度化的枪械编号区域图像的边缘轮廓;
3)利用霍夫变换对灰度化的枪械编号区域图像检测直线,然后对图像进行倾斜矫正,得到倾斜矫正后的枪械编号区域图像,其中,在霍夫变换中,直线用如下方程表示:
ρ=xcosθ+ysinθ (1)
式中:ρ表示直线到图像原点的距离,θ表示图像原点到直线的垂线与x轴的夹角,通过θ对图像进行倾斜矫正,x和y分别表示图像上像素点到y轴和x轴的距离;
4)利用高斯高通滤波器对倾斜矫正后的枪械编号区域图像进行增强,滤去图像中不低于70%的低频信息,以增强图像的边缘细节信息,得到增强后的枪械编号区域图像;
5)对增强后的枪械编号区域图像进行顶帽变换,得到顶帽变换后的枪械编号区域图像;
6)对顶帽变换后的枪械编号区域图像进行中值滤波,得到中值滤波后的枪械编号区域图像;
第二步:对预处理后的枪械编号区域图像进行目标区域定位,具体包括如下步骤:
1)对预处理后的枪械编号区域图像进行差分处理,得到其灰度跳变图;
2)对灰度跳变图进行处理,在水平方向上对每一行的灰度跳变值进行累加,如果灰度跳变图的某一行的灰度跳变数大于22,并且该行的上面和下面存在连续的25-55行都满足这个条件,同时这几行的高度大于或等于枪号的高度,则认为找到了枪械编号区域可能的位置,则保存这一区域,即枪械编号区域可能区域的水平位置基本确定;
3)枪械编号区域可能区域的水平位置找到后,进行垂直方向定位,即确定枪械编号区域的左右边界;先对中值滤波后的枪械编号区域图像进行膨胀,然后对膨胀后的枪械编号区域图像进行联通域分析,得到枪械编号区域可能区域的外接矩形;结合先验知识得到外接矩形的长宽比K,用枪械编号区域可能区域的外接矩形的长宽比与K相比,当外接矩形的长宽比与K相差25%以上,则排除外接矩形的长宽比与K相差25%以上对应的外接矩形区域,得到最接近的一个外接矩形,即找到了字符区域的左右边界,实现了对枪械编号区域的精确定位;
第三步:对枪械编号区域定位后的枪械编号区域图像进行字符分割,具体包括如下步骤:
1)对枪械编号区域定位后的枪械编号区域图像进行滤波,去除噪点干扰,然后进行分层二值化处理;
2)对分层二值化处理后的枪械编号区域图像进行字符分割,其中,枪号是由一串字符组成的,对枪号图像进行字符分割,将每个字符单独提取出来,再对单个字符的图像进行字符识别,将最终合成的字符串作为识别***的输出结果;
第四步:对字符分割后的枪械编号区域图像进行字符识别,具体包括如下步骤:
1)对字符分割后的枪械编号区域图像进行字符归一化操作;
2)对字符归一化操作后的枪械编号区域图像进行ZS细化,ZS细化算法的具体步骤如下:判断字符归一化操作后的枪械编号区域图像中所有点是否符合下列标记条件,满足标记条件的进行标记并删除,令字符归一化操作后的枪械编号区域图像中像素点P的8邻域为:
标记条件如下:.
其中:N(P)是像素点P的邻域点中非零的个数,S(P)是以像素点P1、P2、P3、P4、P5、P6、P7、P8为序时这些点的值从0到1变化的次数;
在一次迭代完成后,进行下一次迭代,直到再也没有像素点可以删除时,ZS细化算法结束;
3)对ZS细化算法后的枪械编号区域图像采用基于Gabor变换的方法对字符笔画特征进行提取;
4)采用改进后的学习速率自适应调整的BP算法进行字符识别,具体学习过程按如下步骤进行:
a)设定最大学习次数、初始学习速率、允许的最大学习速率和最小学习速率,初始化隐含层与输入层、输出层与隐含层的连接权值和阈值;
b)将训练样本输入网络,根据连接权值和阈值计算输出层各单元的响应;
c)计算输出响应与目标向量的误差并存储;
d)判断误差是否小于预先设定的精度,如果是则结束训练,否则转入下一步;
e)判断误差较上一次是否减小,如果没有减小,取消本次学习,不对阈值和权值进行调整,如果误差减小,根据误差和学习速率调整权值和阈值;
f)利用误差和学习速率,根据如下公式修正学习速率:
ηn+1=ηn+(En-1-En)/En-1 (4)
其中:n为迭代次数;
ηn+1为第n+1次的学习速率;
ηn为第n次的学习速率;
En-1为第n-1次的误差;
En为第n次的误差;
判断修正后的学习速率是否超出允许的学习速率范围,如果超出,强令其回到设定的范围内,而后返回步骤b),继续学习;
通过上述步骤训练生成相应字符的分类器;再将各个字符均进行分类识别后;通过将分割后的枪号字符送入分类器识别,识别出相应字符,即识别出枪械编号;至此,通过以上步骤,即可以实现枪械编号的自动识别。
2.根据权利要求1所述的一种枪械编号自动识别方法,其特征在于,第一步的步骤1)中,通过如下公式对采集的枪械编号区域图像进行灰度化;
gray=red*0.114+green*0.587+blue*0.299 (5)。
3.根据权利要求1所述的一种枪械编号自动识别方法,其特征在于,第二步的步骤1)中,将预处理后的枪械编号区域图像水平方向上的灰度出现跳变的像素和灰度保持基本恒定的像素分别赋值,考察前一列的灰度值和后一列是否相等,如果不相等灰度值置为1,相等则置为0,得到预处理后的枪械编号区域图像灰度跳变图,计算公式如下:
式中:I(x,y)为表示灰度化的枪械编号区域图像上位置(x,y)处的灰度值,(x,y)为该像素点的像素坐标;x,y分别表示该像素点到图像两坐标轴的像素距离,x为像素的行值,y为像素的列值,I(x,y+1)表示度化的枪械编号区域图像上位置(x,y+1)处的灰度值。
4.根据权利要求1所述的一种枪械编号自动识别方法,其特征在于,第三步的步骤1)中,对枪械编号区域定位后的枪械编号区域图像分为三类:字符完好、一般磨损及重度磨损,通过实验对三种图像分别进行灰度统计,得到各自的二值化阈值,对其进行分层二值化。
5.根据权利要求1所述的一种枪械编号自动识别方法,其特征在于,第三步的步骤2)中,对分层二值化处理后的枪械编号区域图像进行字符分割,具体实现方式如下:
利用枪号图像在竖直方向的投影图影射的区间,将图像分割为多个子区间;
计算出投影区间整体宽度及各个子区间的投影宽度;若子区间的投影宽度小于整体宽度的3.1%,则认为是伪子区间,直接舍去;若子区间的投影宽度大于投影整体宽的8.8%,则认为其是待识别字符区域;若子区间投影宽度在3.1%与8.8%之间,则可能为字符“1”亦或干扰子区间,进入下一环节进一步筛选;
由于字符“1”的子区间主要特征表现为区域较窄但峰值较高,针对这一特点,即在待筛选子区间中,舍去像素值小于22的子区间,即实现了对枪械编号区域的字符分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410315490.4A CN104112132B (zh) | 2014-07-03 | 2014-07-03 | 一种枪械编号自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410315490.4A CN104112132B (zh) | 2014-07-03 | 2014-07-03 | 一种枪械编号自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104112132A true CN104112132A (zh) | 2014-10-22 |
CN104112132B CN104112132B (zh) | 2017-12-19 |
Family
ID=51708916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410315490.4A Active CN104112132B (zh) | 2014-07-03 | 2014-07-03 | 一种枪械编号自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104112132B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657726A (zh) * | 2015-03-18 | 2015-05-27 | 哈尔滨工程大学 | 一种铁路油罐车车辆编号的识别方法 |
CN104820827A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种电线电缆表面的点状字符识别方法 |
CN104866849A (zh) * | 2015-04-30 | 2015-08-26 | 天津大学 | 一种基于移动终端的食品营养成分标签识别方法 |
CN105447469A (zh) * | 2015-12-01 | 2016-03-30 | 天津普达软件技术有限公司 | 一种矿泉水瓶瓶盖字符喷印检测方法 |
CN106156712A (zh) * | 2015-04-23 | 2016-11-23 | 信帧电子技术(北京)有限公司 | 一种基于自然场景下的身份证号码识别方法与装置 |
CN106446750A (zh) * | 2016-07-07 | 2017-02-22 | 深圳市华汉伟业科技有限公司 | 一种条形码读取方法及装置 |
CN107451588A (zh) * | 2017-08-28 | 2017-12-08 | 广东工业大学 | 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法 |
CN109409272A (zh) * | 2018-10-17 | 2019-03-01 | 北京空间技术研制试验中心 | 基于机器视觉的电缆验收***和方法 |
CN109447036A (zh) * | 2018-11-16 | 2019-03-08 | 齐鲁工业大学 | 一种图像数字分割与识别方法及*** |
WO2019056346A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳传音通讯有限公司 | 一种利用膨胀法校正文本图像倾斜的方法及装置 |
CN109583451A (zh) * | 2018-11-28 | 2019-04-05 | 上海鹰觉科技有限公司 | 基于舰船舷号的自动识别方法和*** |
CN109752393A (zh) * | 2018-12-26 | 2019-05-14 | 五邑大学 | 一种基于图像特征的贴片电阻型号检测方法及其装置 |
CN111768376A (zh) * | 2020-06-24 | 2020-10-13 | 山东科技大学 | 一种涡流热成像边缘检测方法、***、存储介质及应用 |
CN113240682A (zh) * | 2021-05-31 | 2021-08-10 | 华中科技大学 | 用于履带式起重机的防倾覆施工驾驶地图生成方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090285505A1 (en) * | 2008-05-14 | 2009-11-19 | Koichi Mihara | Image processing method, image processing apparatus, and image forming apparatus |
CN102184399A (zh) * | 2011-03-31 | 2011-09-14 | 上海名图信息技术有限公司 | 基于水平投影和连通域分析的字符分割方法 |
-
2014
- 2014-07-03 CN CN201410315490.4A patent/CN104112132B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090285505A1 (en) * | 2008-05-14 | 2009-11-19 | Koichi Mihara | Image processing method, image processing apparatus, and image forming apparatus |
CN102184399A (zh) * | 2011-03-31 | 2011-09-14 | 上海名图信息技术有限公司 | 基于水平投影和连通域分析的字符分割方法 |
Non-Patent Citations (4)
Title |
---|
常永鑫: ""机刻字符自动识别技术的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张善东: ""机加工件点阵字符识别研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李丙涛 等: ""印刷体数字识别算法在枪械编号识别中的应用"", 《计算机科学》 * |
郭亚: ""汽车牌照识别***中的牌照定位方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657726A (zh) * | 2015-03-18 | 2015-05-27 | 哈尔滨工程大学 | 一种铁路油罐车车辆编号的识别方法 |
CN106156712A (zh) * | 2015-04-23 | 2016-11-23 | 信帧电子技术(北京)有限公司 | 一种基于自然场景下的身份证号码识别方法与装置 |
CN104820827A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种电线电缆表面的点状字符识别方法 |
CN104866849A (zh) * | 2015-04-30 | 2015-08-26 | 天津大学 | 一种基于移动终端的食品营养成分标签识别方法 |
CN105447469A (zh) * | 2015-12-01 | 2016-03-30 | 天津普达软件技术有限公司 | 一种矿泉水瓶瓶盖字符喷印检测方法 |
CN106446750A (zh) * | 2016-07-07 | 2017-02-22 | 深圳市华汉伟业科技有限公司 | 一种条形码读取方法及装置 |
CN106446750B (zh) * | 2016-07-07 | 2018-09-14 | 深圳市华汉伟业科技有限公司 | 一种条形码读取方法及装置 |
CN107451588A (zh) * | 2017-08-28 | 2017-12-08 | 广东工业大学 | 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法 |
WO2019056346A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳传音通讯有限公司 | 一种利用膨胀法校正文本图像倾斜的方法及装置 |
CN109409272A (zh) * | 2018-10-17 | 2019-03-01 | 北京空间技术研制试验中心 | 基于机器视觉的电缆验收***和方法 |
CN109409272B (zh) * | 2018-10-17 | 2021-06-18 | 北京空间技术研制试验中心 | 基于机器视觉的电缆验收***和方法 |
CN109447036A (zh) * | 2018-11-16 | 2019-03-08 | 齐鲁工业大学 | 一种图像数字分割与识别方法及*** |
CN109583451A (zh) * | 2018-11-28 | 2019-04-05 | 上海鹰觉科技有限公司 | 基于舰船舷号的自动识别方法和*** |
CN109752393A (zh) * | 2018-12-26 | 2019-05-14 | 五邑大学 | 一种基于图像特征的贴片电阻型号检测方法及其装置 |
CN109752393B (zh) * | 2018-12-26 | 2021-08-17 | 五邑大学 | 一种基于图像特征的贴片电阻型号检测方法及其装置 |
CN111768376A (zh) * | 2020-06-24 | 2020-10-13 | 山东科技大学 | 一种涡流热成像边缘检测方法、***、存储介质及应用 |
CN113240682A (zh) * | 2021-05-31 | 2021-08-10 | 华中科技大学 | 用于履带式起重机的防倾覆施工驾驶地图生成方法及*** |
CN113240682B (zh) * | 2021-05-31 | 2022-06-21 | 华中科技大学 | 用于履带式起重机的防倾覆施工驾驶地图生成方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104112132B (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104112132A (zh) | 一种枪械编号自动识别方法 | |
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN107122777A (zh) | 一种基于视频文件的车辆分析***及分析方法 | |
CN102024144A (zh) | 集装箱箱号自动识别方法 | |
CN101398894A (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN105469046B (zh) | 基于pca和surf特征级联的车辆车型识别方法 | |
CN104680130A (zh) | 一种身份证汉字识别方法 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN110674812B (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
CN107195069A (zh) | 一种人民币冠字号自动识别方法 | |
CN114627116B (zh) | 一种基于人工智能的织物疵点识别方法及*** | |
CN114387591A (zh) | 车牌识别方法、***、设备及存储介质 | |
CN110689003A (zh) | 低照度成像车牌识别方法、***、计算机设备及存储介质 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN116052152A (zh) | 一种基于轮廓检测和深度神经网络的车牌识别*** | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
Choudhury et al. | A new zone based algorithm for detection of license plate from Indian vehicle | |
CN105447457A (zh) | 一种基于自适应特征的车牌字符识别方法 | |
CN116883446B (zh) | 一种车载摄像头镜片碾磨程度实时监测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |