國(guó)家電網(wǎng)陜西省電力公司檢修公司　李小剛山東魯能智能技術(shù)有限公司　周　昊國(guó)家電網(wǎng)陜西省電力公司檢修公司　譚敏戈　任　海國(guó)家電網(wǎng)寧夏省電力公司檢修公司　李君宏國(guó)家電網(wǎng)陜西省電力公司檢修公司　張　輝山東魯能智能技術(shù)有限公司　房　樺

?

基于協(xié)同稀疏表示的儀器儀表識(shí)別方法

國(guó)家電網(wǎng)陜西省電力公司檢修公司李小剛
山東魯能智能技術(shù)有限公司周昊
國(guó)家電網(wǎng)陜西省電力公司檢修公司譚敏戈任海
國(guó)家電網(wǎng)寧夏省電力公司檢修公司李君宏
國(guó)家電網(wǎng)陜西省電力公司檢修公司張輝
山東魯能智能技術(shù)有限公司房樺

【摘要】工業(yè)儀器儀表識(shí)別工作是工業(yè)自動(dòng)化領(lǐng)域的一個(gè)重要項(xiàng)目?jī)?nèi)容，目前常見(jiàn)的識(shí)別方法主要有特征點(diǎn)匹配和模板逐像素比對(duì)(模板匹配)，在實(shí)際應(yīng)用中因儀表的種類(lèi)繁多、場(chǎng)景復(fù)雜多變?cè)斐勺R(shí)別錯(cuò)誤，誤差較大；因此引入人臉識(shí)別領(lǐng)域中識(shí)別率較好的協(xié)同稀疏表示分類(lèi)方法，而協(xié)同稀疏表示分類(lèi)方法相比傳統(tǒng)稀疏表示分類(lèi)方式，其速度得到大大提高并繼承了稀疏表示分類(lèi)效果好的特點(diǎn)，經(jīng)實(shí)驗(yàn)證明該方法能夠有效提高儀表的識(shí)別正確率。

【關(guān)鍵詞】?jī)x表識(shí)別；稀疏表示；協(xié)同稀疏表示；模板匹配；特征點(diǎn)匹配

0　引言

機(jī)械儀表相比電子儀表具有準(zhǔn)確性高、耐用性好、適用條件廣的特點(diǎn)，被廣泛應(yīng)用于室外的檢測(cè)場(chǎng)景。這導(dǎo)致相關(guān)工作人員需要利用人眼去現(xiàn)場(chǎng)進(jìn)行儀表的巡查記錄，耗時(shí)耗力，并且在一些特殊天氣會(huì)導(dǎo)致巡檢困難，隨著工業(yè)自動(dòng)化的發(fā)展，更多的計(jì)算機(jī)技術(shù)被利用到更多行業(yè)，其中數(shù)字圖像處理對(duì)于儀器儀表的自動(dòng)巡檢工作有著重大的推動(dòng)作用。由此原先機(jī)器視覺(jué)領(lǐng)域中的算法被應(yīng)用到工業(yè)巡檢的方案中。

在儀器儀表的識(shí)別問(wèn)題上，應(yīng)用最廣泛的是逐像素模板匹配方法，該方法采用模板與現(xiàn)場(chǎng)圖像進(jìn)行逐像素的比對(duì)后得到一個(gè)最相似的區(qū)域，從而識(shí)別并定位出儀表[1]；另一個(gè)方式是采用特征點(diǎn)匹配的方式，首先對(duì)現(xiàn)場(chǎng)圖像和模板圖像的特征點(diǎn)進(jìn)行計(jì)算并統(tǒng)計(jì)，分別對(duì)兩組特征點(diǎn)進(jìn)行匹配計(jì)算，最終得出最匹配的特征點(diǎn)集，繼而識(shí)別出途中的儀表。兩種方式在實(shí)際應(yīng)用中的正確率不高，對(duì)于此引入了人臉識(shí)別領(lǐng)域中的協(xié)同稀疏表示方法[2][3][4][5]對(duì)儀表進(jìn)行識(shí)別，經(jīng)實(shí)驗(yàn)證明該方法相比前兩種方法正確率更高。

1　稀疏表示

稀疏表示理論是基于壓縮感知理論演變而來(lái)，核心思想是假設(shè)信號(hào)具有一定的稀疏性，然后利用L1范數(shù)求解該信號(hào)的稀疏表示系數(shù)。根據(jù)研究發(fā)現(xiàn)對(duì)于高維空間中信號(hào)的分布特點(diǎn)，其信號(hào)的稀疏性假設(shè)仍然成立，因此該理論非常適合對(duì)高維數(shù)據(jù)進(jìn)行分類(lèi)，有效地優(yōu)化改進(jìn)傳統(tǒng)統(tǒng)計(jì)學(xué)理論。同時(shí)稀疏表示表現(xiàn)出來(lái)的良好的可擴(kuò)展性使研究者將其引入人臉識(shí)別領(lǐng)域，并取得了不錯(cuò)的效果。Jhon Wright和Yi Ma在2009年將稀疏表示的思路應(yīng)用于人臉識(shí)別領(lǐng)域，并提出了基于該思路的一種分類(lèi)器框架，即SRC(sparse representation-based classifier)[6]。稀疏表示分類(lèi)主要內(nèi)容是：將一個(gè)信號(hào)用多個(gè)基礎(chǔ)信號(hào)對(duì)其進(jìn)行線性的表示，該線性組合包含了信號(hào)的絕大部分信息，即從一個(gè)“字典”中選擇某些基礎(chǔ)信號(hào)來(lái)對(duì)輸入信號(hào)進(jìn)行線性表示。其擴(kuò)展到人臉識(shí)別領(lǐng)域，“字典”就是所有訓(xùn)練樣本的集合，在每一類(lèi)的訓(xùn)練樣本充足的情況下，那么某個(gè)待測(cè)樣本就可以用存于“字典”內(nèi)的與待測(cè)樣本同類(lèi)的訓(xùn)練樣本進(jìn)行線性表示。

將算法推廣到儀表識(shí)別領(lǐng)域可改寫(xiě)為：假設(shè)共有K類(lèi)儀表參與了訓(xùn)練，讀取每一個(gè)樣本圖像的二維信息并進(jìn)行處理后，將二維圖像轉(zhuǎn)化為一維的列向量形式。將第i類(lèi)所有訓(xùn)練樣本圖像經(jīng)拉伸處理組成矩陣的形式，就得到了下式：

由于測(cè)試樣本y所屬類(lèi)別應(yīng)該是未知的，因此在對(duì)其進(jìn)行稀疏表示時(shí)，需要將所有訓(xùn)練樣本集合到一起，構(gòu)成整體訓(xùn)練樣本的訓(xùn)練字典：

2　協(xié)同稀疏表示

以上認(rèn)為字典A是過(guò)完備的。而實(shí)際研究中經(jīng)常會(huì)碰到的情況是樣本不多，人臉識(shí)別是一種典型的小樣本尺寸問(wèn)題，更多的時(shí)候，構(gòu)造的字典A是欠過(guò)完備的。如果用A來(lái)表示樣本y，可能會(huì)出現(xiàn)誤差。一個(gè)最簡(jiǎn)單的解決方式是增加訓(xùn)練樣本數(shù)量，利用更多的相關(guān)類(lèi)別的樣本來(lái)表示y。但是很多時(shí)候樣本無(wú)法再次采集獲得，對(duì)于屬于i類(lèi)的測(cè)試樣本能夠收到j(luò)類(lèi)的一些樣本在識(shí)別上的協(xié)助表示。這樣就能夠在稀疏表示的基礎(chǔ)上利用其他類(lèi)的訓(xùn)練樣本來(lái)協(xié)助相關(guān)類(lèi)的訓(xùn)練樣本來(lái)稀疏表示測(cè)試樣本[7]。換而言之，所有樣本構(gòu)成的字典能夠在L1范數(shù)和稀疏約束條件下協(xié)同地線性表示測(cè)試樣本y。CRC(基于協(xié)同稀疏表示分類(lèi))方法過(guò)程如下：

(1)輸入數(shù)據(jù)：訓(xùn)練樣本矩陣A，待測(cè)試樣本y。

(2)使用主成分分析(PCA)方法將A和y降低到低維特征區(qū)間，得到和。

(3)利用單位L2范數(shù)約束標(biāo)準(zhǔn)化以及的列。

(5)計(jì)算正則化殘差：

分別對(duì)正負(fù)測(cè)試樣本進(jìn)行以上兩種方法的分類(lèi)結(jié)果如圖1所示。

圖1　稀疏表示分類(lèi)和協(xié)同稀疏表示分類(lèi)結(jié)果對(duì)比

從圖1可以看出協(xié)同稀疏表示分類(lèi)方法相比稀疏表示分類(lèi)方法，速度上提升了4倍左右，并且保留了稀疏表示分類(lèi)的高正確率特點(diǎn)。

3　實(shí)驗(yàn)和結(jié)論

利用上述方法訓(xùn)練得到的分類(lèi)器，結(jié)合逐像素匹配的算法思想，便能夠在圖像中找到最接近模板圖像的區(qū)域并進(jìn)行分類(lèi)。文章共采集了如圖1、圖2所示包含正負(fù)訓(xùn)練樣本和測(cè)試樣本在內(nèi)的共280張圖片進(jìn)行了測(cè)試。

圖2　部分訓(xùn)練正樣本

圖3　部分訓(xùn)練負(fù)樣本

測(cè)試過(guò)程是將所有樣本按照儀表類(lèi)型進(jìn)行分為11類(lèi)，從每一類(lèi)中選取5張作為正測(cè)試樣本，5張作為負(fù)測(cè)試樣本，其余作為訓(xùn)練樣本，分別對(duì)每一類(lèi)測(cè)試樣本進(jìn)行特征點(diǎn)匹配、傳統(tǒng)逐像素模板匹配、稀疏表示匹配和協(xié)同稀疏表示匹配，將得到的結(jié)果進(jìn)行統(tǒng)計(jì)計(jì)算得到正確率如下表所示：

表1　實(shí)驗(yàn)結(jié)果

從表1結(jié)果可以看到，結(jié)合了逐像素匹配的思路對(duì)模板圖像和測(cè)試圖片進(jìn)行匹配能夠準(zhǔn)備地定位儀表，正確率優(yōu)于傳統(tǒng)的模板匹配和特征點(diǎn)匹配方法，并且在匹配的同時(shí)利用稀疏表示的分類(lèi)功能可以正確地對(duì)圖像進(jìn)行分類(lèi)。

參考文獻(xiàn)

[1]戴亞文,王三武,王曉良.基于灰度信息的多特征模板匹配法[J].電測(cè)與儀表,2004,41(4):56-58.

[2]金一.人臉識(shí)別中的若干算法研究[D].北京交通大學(xué),2009.

[3]李志星.基于圖像特征的稀疏表示人臉識(shí)別算法研究[D].燕山大學(xué),2012.

[4]謝麗欣,牟會(huì),王歡,劉明霞.基于計(jì)算機(jī)視覺(jué)的人臉檢測(cè)與識(shí)別綜述[J].計(jì)算機(jī)安全,2010,01:65-69.

[5]房樺,明志強(qiáng),周云峰,等.一種適用于變電站巡檢機(jī)器人的儀表識(shí)別算法[J].自動(dòng)化與儀表,2013,28(5):10-14.

[6]J.Wright,A.Y.Yang,A.Ganesh,et al.Robust face recognition via sparse representation[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2009,31(2):210-227.

[7]Zhang Lei,Yang Meng,Feng Xiangchu.Sparse Representation or Collaborative Representation:Which Helps Face Recognition?. ICCV,Barcelona Spain,2011.

李小剛（1972—），男，大學(xué)本科，工程師，主要研究方向?yàn)樽冸娫O(shè)備運(yùn)維檢修技術(shù)及智能在線監(jiān)測(cè)系統(tǒng)應(yīng)用。

周昊（1989—），男，通訊作者，碩士研究生，初級(jí)工程師，主要研究方向?yàn)閿?shù)字圖像處理。

譚敏戈（1978—），男，大學(xué)本科，工程師，主要研究方向?yàn)檩旊娋€路工程。

作者簡(jiǎn)介：