曹炯清

（貴州電子信息職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)科學(xué)系，貴州 凱里 556000）

1 引言

隨著物流需求的快速增長，物流企業(yè)的信息管理技術(shù)也需要不斷的提高。信息化管理需要記錄貨物各個(gè)時(shí)期的信息，還要對(duì)貨物進(jìn)行跟蹤。傳統(tǒng)的物流信息管理是以手工錄入為主，速度慢、效率低，不利于物流管理。如何快速實(shí)現(xiàn)自動(dòng)識(shí)別和信息獲取是目前物流企業(yè)所關(guān)注的重點(diǎn)之一。

目前，條形碼識(shí)別和射頻識(shí)別相繼出現(xiàn)，成為提高物流管理效率的主要方法。條形碼技術(shù)是通過快遞員對(duì)貨物標(biāo)簽上的條形碼進(jìn)行掃描，以獲取相應(yīng)的貨物信息，這是目前最主要的物流編號(hào)識(shí)別方法[1]。該方式成本低，方便易行，但是也存在著諸多缺陷，如條形碼的信息容量小，信息單一，需要人工干預(yù)，識(shí)別的距離短等。而射頻識(shí)別技術(shù)利用一個(gè)相當(dāng)于內(nèi)存卡和發(fā)射器的芯片，該芯片記錄了產(chǎn)品的信息，能夠通過非接觸進(jìn)行識(shí)別[2]。該方法具有快速掃描、數(shù)據(jù)記憶容量大和安全等特點(diǎn)，但是投入成本高。

在物流運(yùn)輸過程中，許多物流企業(yè)主要通過識(shí)別貨物的物流編號(hào)來實(shí)現(xiàn)對(duì)貨物的提取、分析和配送工作[3]，同時(shí)該編號(hào)還能記錄貨物的運(yùn)輸狀態(tài)，便于企業(yè)和客戶對(duì)貨物進(jìn)行跟蹤和查詢，所以有越來越多的物流企業(yè)開始重視物流編號(hào)在物流管理和運(yùn)作中的作用。若能夠自動(dòng)識(shí)別物流編號(hào)，同樣可以高效地獲取到貨物的運(yùn)輸信息。

2 基于圖像處理的物流編號(hào)識(shí)別過程

基于圖像處理的物流編號(hào)識(shí)別算法首先需要進(jìn)行圖像采集，以獲取物流訂單的編號(hào)。當(dāng)傳感器檢測到有貨物進(jìn)入拍攝區(qū)域時(shí)，則給采集設(shè)備發(fā)信號(hào)，設(shè)備接受到信號(hào)后，對(duì)貨物進(jìn)行拍照，獲取到物流編號(hào)圖像，如圖1所示。接著以采集得到的圖像為基礎(chǔ)，對(duì)其進(jìn)行圖像預(yù)處理，如圖像去噪和二值化，之后對(duì)處理過的圖像上的數(shù)字字符進(jìn)行分割，將連續(xù)的字符圖像切分成為單個(gè)字符圖像。然后，對(duì)分割后的各個(gè)數(shù)字字符圖像進(jìn)行特征提取，將提取出的特征向量作為輸入，用來訓(xùn)練SVM分類器，訓(xùn)練好分類器之后，可以使用該分類器對(duì)新輸入的數(shù)字字符進(jìn)行分類識(shí)別，得到物流編號(hào)信息。整個(gè)過程可以自動(dòng)進(jìn)行，減少人工的干預(yù)。

圖1 物流編號(hào)示意圖

該算法過程主要包括圖像采集，圖像預(yù)處理，數(shù)字字符分割，字符特征提取，分類器訓(xùn)練與識(shí)別，其流程圖如圖2所示。

2.1 物流編號(hào)圖像預(yù)處理

在圖像的采集和傳輸過程中，由于受到采集設(shè)備的影響或者環(huán)境的變化，圖像會(huì)出現(xiàn)噪聲干擾的情況，圖像預(yù)處理階段能夠有效地消除噪聲的影響，恢復(fù)出有效的信息，增強(qiáng)信息識(shí)別的可靠性。預(yù)處理過程包括圖像去噪和圖像二值化。

圖2 基于圖像處理的物流編號(hào)識(shí)別算法流程圖

圖像去噪就是要將圖像包含的各種噪聲濾除掉，中值濾波是一種常用的非線性濾波方法，該方法用某像素的相鄰像素區(qū)域的灰度中值替代該像素的灰度值，主要作用就是將一些與周圍領(lǐng)域像素值相差較大的像素灰度值改為與鄰域像素值接近的灰度值，從而去除一些過亮或過暗的像素。中值濾波簡單易行，能夠有效保留圖像的邊緣信息，同時(shí)起到去除噪聲的作用，該算法的步驟如下：

（1）使用一個(gè)3×3的模板，沿著行或列的方向移動(dòng)；（2）每次移動(dòng)后，對(duì)模板內(nèi)的像素區(qū)域進(jìn)行排序；（3）用排序后得到的中值作為模板中心像素的灰度值。

為了使后續(xù)的數(shù)字字符分割和單個(gè)字符識(shí)別有效進(jìn)行，在對(duì)圖像進(jìn)行去噪之后需要進(jìn)行二值化處理。圖像二值化的實(shí)質(zhì)就是閾值分割，首先要選定一個(gè)合適的閾值，將圖像中的每一個(gè)像素點(diǎn)與設(shè)定的閾值進(jìn)行對(duì)比，如果小于該閾值，則用0（黑色）來代替原始的像素灰度值；反之，如果大于該閾值，則用255（白色）進(jìn)行替代。該方法的公式表述如下：

其中，T為預(yù)先設(shè)定的閾值，f（x,y）為去噪后的物流編號(hào)圖像，g（x,y）為二值化后的物流編號(hào)圖像。二值化后的圖像只有黑白兩種顏色，能夠有效地區(qū)分出背景和圖像的目標(biāo)，本文中使用白色背景，黑色數(shù)字。

2.2 數(shù)字字符分割

數(shù)字字符分割就是將如圖1中的整個(gè)字符圖像中的每一個(gè)字符分割出來，形成單一的數(shù)字圖像，如果字符分割得不夠準(zhǔn)確，對(duì)后續(xù)的特征提取和識(shí)別會(huì)有很大的影響?？爝f單上的物流編號(hào)中的數(shù)字大小一致，在一定程度上降低了分割的難度。

字符分割的算法有很多種，最常用的辦法就是通過連通域進(jìn)行分割。通常情況下，每一個(gè)數(shù)字都能夠構(gòu)成一個(gè)連通域，只要能夠找到這個(gè)連通域的行與列的起點(diǎn)和終點(diǎn)位置，就可以確定數(shù)字的最小矩形，從而實(shí)現(xiàn)數(shù)字字符的分割。

由于圖像采集時(shí)照相距離的不同導(dǎo)致拍攝到的數(shù)字圖片大小不同，因此對(duì)分割后的圖像進(jìn)行大小歸一化，使這些數(shù)字圖像成為大小一致的尺寸，利于特征提取時(shí)的標(biāo)準(zhǔn)一致。在進(jìn)行大小歸一化的過程中，不能改變數(shù)字的拓?fù)浣Y(jié)構(gòu)，最大程度的減小數(shù)字字符的失真，確保識(shí)別的正確率。

令v(x,y)為原始圖像，v′(x′,y′)為歸一化后的圖像，兩者坐標(biāo)的映射關(guān)系為；

其中，width、width'分別為歸一化前后的圖像寬度，height、height′分別為歸一化前后的圖像高度，同時(shí)，歸一化后(x′,y′)處的灰度值v′(x′,y′)與v(x,y)相等?？梢钥闯?，歸一化后的點(diǎn)可能為原圖像的浮點(diǎn)數(shù)處，需要通過插值算法計(jì)算其像素值，此處通過雙線性插值法將圖像歸一化為同一尺寸。

2.3 編號(hào)特征提取

所謂的識(shí)別過程，重要就是依據(jù)特征進(jìn)行判斷，故在此之前，需要對(duì)數(shù)字符號(hào)特征進(jìn)行提取，得到特征向量，然后在特征空間中采取相應(yīng)的算法對(duì)待識(shí)別目標(biāo)的特征進(jìn)行判別，實(shí)現(xiàn)識(shí)別的目的。良好的特征應(yīng)該具備以下幾點(diǎn)要求：

（1）可區(qū)分性：同類目標(biāo)的特征向量相似，不同類別的特征向量差異顯著；（2）可靠性：所用的特征易于提取，并且具有一定的抗干擾能力和魯棒性；（3）獨(dú)立性：各個(gè)特征之間彼此不相關(guān)，具有獨(dú)立性；（4）數(shù)量少：特征向量的維度往往對(duì)分類器的計(jì)算復(fù)雜度有很大的影響，所以需要提取能夠保證分類最少的特征數(shù)。

本文使用的是粗網(wǎng)格特征，該特征屬于局部特征，又稱為局部灰度特征。首先將數(shù)字字符圖像劃分為n×n個(gè)網(wǎng)格（如8×8），統(tǒng)計(jì)每個(gè)網(wǎng)格內(nèi)目標(biāo)像素（黑色像素）的數(shù)量，得到一個(gè)n2維的組網(wǎng)格特征向量，該特征向量表示目標(biāo)像素在網(wǎng)格中的多少，能夠很好的反映出數(shù)字的整體結(jié)構(gòu)分布情況，提取出的特征用于后面的識(shí)別分類過程。

3 基于LapSVM的物流編號(hào)識(shí)別算法

3.1 SVM原理簡介

支持向量機(jī)（Support Vector Machines，SVM）是于1995 年由Vapnik 等人提出的一種機(jī)器學(xué)習(xí)方法，該方法是由統(tǒng)計(jì)學(xué)習(xí)方法發(fā)展而來，目的是在訓(xùn)練樣本集中找到一個(gè)最優(yōu)超平面，能夠?qū)深悩颖菊_地分開并且使得分類間隔最大。SVM能夠解決非線性、小樣本和高維數(shù)據(jù)等問題，并能夠推廣到函數(shù)擬合等機(jī)器學(xué)習(xí)的問題當(dāng)中，近年來得到廣泛的關(guān)注與應(yīng)用，如車牌字符識(shí)別[4-5]。

（1）線性可分的情況。如果兩類樣本可以通過一個(gè)線性函數(shù)完全分開，則將這些樣本稱為線性可分的，反之，不能夠由一個(gè)線性函數(shù)分開的樣本成為線性不可分的。圖3給出線性可分與線性不可分的簡單實(shí)例。

假設(shè)有一個(gè)線性可分的樣本數(shù)據(jù)集{ }( )xi,yi，i=1,…,n，樣本向量x∈Rd，類標(biāo)簽y∈{ }+1,-1 ，通常+1 為正例，-1 為反例。對(duì)樣本進(jìn)行分類就是要確定能使得分類間隔最大化的超平面，設(shè)其方程為：

由點(diǎn)到面的距離公式可以得到樣本x與超平面間的距離，對(duì)f（x）進(jìn)行歸一化使得兩類樣本中距離超平面最近的樣本滿足|f（x）|=1，此時(shí)最近樣本到分類邊界的距離為：

圖3 線性可分與線性不可分

分類間隔就等于2 ‖w‖，則使得間隔最大與使‖w‖（或‖w‖2）最小等價(jià)，對(duì)于所有樣本分類正確時(shí)還需要滿足一定的約束條件，則有：

所求的分類面就是最優(yōu)超平面，那些使式（6）等號(hào)成立的樣本成為支持向量。圖4給出最優(yōu)分類面的示意圖。

圖4 最優(yōu)分類面的示意圖

根據(jù)拉格朗日乘數(shù)法可以得到以下的函數(shù)

其中，αi＞0 為拉格朗日系數(shù)。函數(shù)L(w,b,α)分別對(duì)w和b求偏導(dǎo)數(shù)，令其為零，可以得到下面的形式：

則可以得到最終的優(yōu)化問題：

通過求解（9）可以得到最優(yōu)解α*，再根據(jù)α*求得w*和b*，并可以得到最優(yōu)分類判別函數(shù)

將測試樣本x代入判別函數(shù)中就可以得到分類的結(jié)果。

（2）線性不可分的情況。在樣本集為線性不可分時(shí)，引入松弛變量ξi≥0，允許某些樣本點(diǎn)的函數(shù)間隔小于1，即在最大分隔區(qū)域內(nèi)，此時(shí)得到新的目標(biāo)函數(shù)以及相應(yīng)的約束條件

其中，C為懲罰參數(shù)，相應(yīng)的最終優(yōu)化問題為

同樣在求得α*、w*和b*后可以得到與式（10）形式相同的判別函數(shù)。

（3）核函數(shù)。核函數(shù)的引入能夠解決低維空間的線性不可分問題，且在變換到高維空間后，并不需要知道變換的具體形式，因?yàn)榕袆e函數(shù)中只包括內(nèi)積運(yùn)算，所以只需要定義變換后的內(nèi)積運(yùn)算。統(tǒng)計(jì)學(xué)習(xí)理論中指出，只要核函數(shù)K(x,y)滿足Mercer 條件就可以作為某變換空間中的內(nèi)積進(jìn)行使用，也就是最優(yōu)判別函數(shù)表示為：

常用的核函數(shù)有以下幾種：

（1）線性核函數(shù)：

（2）多項(xiàng)式核函數(shù)：

（3）高斯核函數(shù)：

（4）Sigmoid核函數(shù)：

支持向量機(jī)先通過非線性變換將輸入數(shù)據(jù)集投影到高維空間中，再在這個(gè)高維空間內(nèi)對(duì)最優(yōu)線性分類面進(jìn)行求解，此過程中不需要知道非線性變換的具體形式，只需知道核函數(shù)即可。

3.2 基于LapSVM的多分類算法

SVM 模型能夠獲得較高的識(shí)別，但是需要較多的訓(xùn)練樣本。半監(jiān)督學(xué)習(xí)是最近機(jī)器學(xué)習(xí)中的一個(gè)熱點(diǎn)，它能同時(shí)利用標(biāo)記樣本與未標(biāo)記樣本的信息，在極少標(biāo)記樣本的情況下，獲得準(zhǔn)確的識(shí)別結(jié)果。其原理如下：首先用未標(biāo)記樣本構(gòu)造一個(gè)Laplacian正則項(xiàng)：

其中cij代表樣本xi,xj的相似程度。將公式（18）加入（9），得到：

這就構(gòu)成了LapSVM分類器。

SVM 的提出是用于解決二分類問題，而物流編號(hào)識(shí)別屬于多分類問題。目前，使用SVM進(jìn)行多分類的方法主要有：一對(duì)一（One against one）、一對(duì)多（One against the others）和SVM決策樹法（SVM decision tree）。由于一對(duì)多算法簡單且易實(shí)現(xiàn)，所以本文選用一對(duì)多方法進(jìn)行物流編號(hào)的識(shí)別。

一對(duì)多方法就是將某一類的樣本與其它剩余類別的樣本劃為兩個(gè)類別，在這兩類中構(gòu)建超平面，在這種分類算法中，需要構(gòu)建多個(gè)SVM 分類器，每一個(gè)分類器用于將某一類與其他類進(jìn)行分類，將多分類問題轉(zhuǎn)換為多個(gè)二分類問題。

物流編號(hào)識(shí)別當(dāng)中的數(shù)字為0-9，共有10個(gè)類別，故需要構(gòu)造10個(gè)SVM分類器。訓(xùn)練之前，需先提取數(shù)字字符的粗網(wǎng)格特征，用于訓(xùn)練分類器。在訓(xùn)練第i 個(gè)分類器時(shí)，將屬于該類的樣本標(biāo)記為+1，不屬于該類的樣本標(biāo)記為-1。訓(xùn)練時(shí)需先選定核函數(shù)K(x,y)和懲罰參數(shù)C，將訓(xùn)練樣本代入SVM 算法中，得到相應(yīng)的判別函數(shù)f(x)。進(jìn)行數(shù)字字符識(shí)別時(shí)，將提取得到的特征向量輸入到每一個(gè)分類器當(dāng)中，循環(huán)檢查每個(gè)分類器的輸出。當(dāng)某個(gè)分類器的輸出為1時(shí)，則輸入的數(shù)字字符屬于該類別；若所有輸出均為-1，則拒絕識(shí)別該數(shù)字。在識(shí)別過程中遇到多個(gè)分類器輸出為1時(shí)，則該數(shù)字屬于第一個(gè)輸出為1的分類器的類別。

在每類標(biāo)記樣本取成不同數(shù)目的情況下，測試SVM 和LapSVM 對(duì)1 000 個(gè)物流編號(hào)圖像的識(shí)別結(jié)果，得到結(jié)果見表1。

從結(jié)果可以看出：在極少標(biāo)記樣本的情況下，LapSVM 能夠取得準(zhǔn)確的識(shí)別，識(shí)別正確率遠(yuǎn)高于SVM。

表1 物流編號(hào)圖像識(shí)別正確率(%)

4 結(jié)論

物流編號(hào)中包含了貨物的運(yùn)輸信息，便于客戶和企業(yè)對(duì)貨物進(jìn)行跟蹤，本文提出的基于圖像處理的物流編號(hào)識(shí)別算法，對(duì)采集到的物流編號(hào)圖像進(jìn)行預(yù)處理和數(shù)字字符分割，對(duì)分割后的各個(gè)圖像提取特征，獲得特征向量，用于訓(xùn)練LapSVM分類器，使用訓(xùn)練好的分類器進(jìn)行編號(hào)的分類與識(shí)別。該算法簡潔高效，能夠降低人工干預(yù)，提高自動(dòng)識(shí)別效率。

[1]楊長勇.條形碼技術(shù)在物流生產(chǎn)過程中應(yīng)用探索[J].信息通信,2011,(3):68-69.

[2]謝勇,王紅衛(wèi),李再進(jìn).基于電子標(biāo)簽的物流路徑跟蹤系統(tǒng)研究[J].物流技術(shù),2005,(12):27-30.

[3]黃孝平,林雯.基于計(jì)算機(jī)視覺圖像的物流編號(hào)智能識(shí)別技術(shù)[J].網(wǎng)絡(luò)與信息化,2013,32(3):449-451.

[4]高珊,劉萬春,朱玉文.基于SVM的車牌字符分割和識(shí)別方法[J].微電子學(xué)與計(jì)算機(jī),2005,22(6):34-36.

[5]王曉光,王曉華.一種基于SVM的車牌漢字的有效識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用,2004,(24):208-209.