錢俞好，周 軍，田 勝，李少輝

(河海大學(xué) 機電工程學(xué)院,江蘇 常州 213022)

0 引 言

視覺檢測是機器視覺中的一個重要領(lǐng)域，涉及到計算機、圖像處理、模式識別等多個領(lǐng)域。近幾年隨著印刷產(chǎn)業(yè)的快速發(fā)展，機器視覺檢測技術(shù)逐漸在印刷檢測中得到廣泛應(yīng)用，檢測識別結(jié)果的準確性以及識別效率已成為關(guān)鍵性的衡量標準[1]。

國外開始對字符識別的技術(shù)的研究相對較早，在理論和產(chǎn)品上都比較成熟。俄羅斯的ABBYY Finereader以及美國的Nuance Omnipage Professional都是當今世界上比較出色的OCR識別檢測系統(tǒng)軟件，支持多國語言，且識別率都能達到99%以上。我國于上世紀70年代末開始對OCR技術(shù)方面的研究，經(jīng)過近30年的努力已取得了重大進展?，F(xiàn)已出現(xiàn)一些性能比較出眾的產(chǎn)品成果，如清華TH-OCR97綜合集成漢字識別系統(tǒng)，對中等質(zhì)量的樣本識別對象，識別率能夠達到98%或者更高。字符識別常用的算法有模板匹配、KNN、SVM、神經(jīng)網(wǎng)絡(luò)等。

本研究將基于模板匹配算法，提出一種改進的模板匹配算法。

1 傳統(tǒng)模板匹配算法

模板匹配是模式識別中的一個基本方法，屬于一種統(tǒng)計思想的識別算法[2]。該方法原理簡單、識別過程直觀、計算方便，因此得到較為普遍的應(yīng)用。字符模板匹配目前采用簡單的二值圖像模板，0表示黑(背景)，1表示白(目標)[3]。原匹配圖像S、模板T、覆蓋的目標區(qū)域Sij，如圖1所示。

圖1 原匹配圖S及模板T

模板T(m,n)和所覆蓋目標區(qū)域Sij(i,j)之間的相似性D(i,j)的數(shù)學(xué)表達式為：

(1)

(2)

本研究計算目標圖像與所有的模板庫中的相關(guān)系數(shù)，選取系數(shù)中最大的對應(yīng)的模板圖像即為識別內(nèi)容。

1.1 圖像的采集及閾值分割

按經(jīng)過多次實驗發(fā)現(xiàn)，在一般條件下，選取自然光源的陰面采集圖像所呈現(xiàn)的效果最為理想，采集瓶蓋原始圖像如圖2所示。

圖2 采集瓶蓋原始圖像

閾值分割法是運用最為廣泛的圖像分割技術(shù)。常用的閾值分割算法有以下幾種：迭代法、最大類間誤差法、最大熵法等[4]，該實驗著重研究基于最大類間誤差的閾值分割法。

根據(jù)圖像的灰度特性，將圖像分為背景和目標兩個部分，運用最大類間誤差閾值算法的步驟：

(1)計算圖像中每個灰度值的概率Pi；

(2)通過計算目標和背景的分布概率ω1、ω0以及各自的平均灰度值μ1、μ0來計算方差σ02、σ12;

σ02、σ03的計算公式如下：

(3)

式中：K—背景像素集合的最大容量。

(4)

式中：L—目標像素集合的最大容量。

(3)計算每個灰度值的類間差；

(5)

式中：μT=(μ0+μ1)/2，k=0,1。

(4)則所有類間差中最大的所對應(yīng)的灰度值即為閾值。

本研究利用Matlab中提供的閾值分割法的函數(shù)im2bw()進行分割，效果如圖3所示。

圖3 閾值分割圖

1.2 圖像增強

圖像增強技術(shù)是進行正確檢測識別字符的必要保證[5]。目標字符主要位于圖像中的圓形區(qū)域內(nèi)，在圖像處理中常用Hough變換的圓檢測的方法[6]。

圓檢測區(qū)域效果如圖4所示。

圖4 圓檢測目標圖像

由圖4可以看出：通過圓檢測出來的圖像包含了字符和部分的噪聲點。常用的去噪濾波方法有高斯濾波法、均值濾波發(fā)、中值濾波發(fā)、雙邊濾波法等[7]。在Matlab軟件環(huán)境中分別用這幾種濾波方法對圖像進行處理，效果如圖5所示。

圖5 幾種濾波方法效果圖

從以上4種濾波方式可以看出：相對于其他3種方法，中值濾波在該實驗中有更好的圖像增強效果。

1.3 字符分割

常用的字符分割方法有CFS分割、投影分割、基于最小外接矩形框分割等[8]，本文中采用的基于最小外接矩形及連通區(qū)域相結(jié)合的分割法。

(1)通過最小外接法選定出包含全部字符的最小矩陣區(qū)域；

最小外界矩形框如圖6所示。

圖6 最小外界矩形框

(2)遍歷圖中的最小矩形區(qū)域，去除像素值之和為0的行，得到所有的有效字符區(qū)域條；有效字符條區(qū)域如圖7所示。

圖7 有效字符條區(qū)域

(3)通過Matlab中提供的bwlabel()函數(shù)遍歷圖7中的每一個有效字符區(qū)域，確定出每一個連通字符區(qū)域，即為每一個需要待分割的字符。

由于該實驗中的字符之間的區(qū)分度較好，沒有粘連現(xiàn)象，字符之間的分割結(jié)果較滿意。

分割結(jié)果圖如圖8所示。

圖8 字符分割圖

2 改進模板匹配算法

積分圖像是一種快速計算圖像目標矩形區(qū)域內(nèi)像素之和的數(shù)據(jù)處理方法，在圖像濾波二值化圖像處理較為常見[9]。

積分圖像的數(shù)學(xué)公式為：

(6)

式中：I—原始圖像；II—積分圖象。

某一圖像區(qū)域的積分圖像示意圖如圖9所示。

圖9 積分圖像用法示意圖

則區(qū)域Ⅳ的像素值之和為：

IⅣ=I(i,j)+I(i-1,j-1)-I(i,j-1)-I(i-1,j)

(7)

要計算任意區(qū)域的像素和，通過3次加減法對一次內(nèi)存讀取4個區(qū)域的像素和進行運算，從而避免了傳統(tǒng)方法中逐點累加的繁瑣求和過程。一幅大小為N×M的二值圖中去統(tǒng)計K個區(qū)域內(nèi)的像素和，時間復(fù)雜度為K×(N×M-1)，內(nèi)存讀取開銷為K×N×M。在二值圖的基礎(chǔ)上利用積分圖像的思想進行后續(xù)計算，時間復(fù)雜度和內(nèi)存讀取開銷僅為3×K和4×K，理論上大大縮短了圖像處理的時間[10]。

2.1 積分圖像與模板的快速匹配

模板匹配中一般以原圖像與模板之間的相關(guān)系數(shù)來衡量，相關(guān)系數(shù)表示原圖像向量與模板圖像向量之間的夾角。設(shè)Amn和Bmn為積分圖像和模板圖像在標準處理后的二值矩陣，μ0、μ1和σ02、σ12分別為積分圖像和模板圖像在標準處理后的均值和方差，則相關(guān)系數(shù)r(A,B)可用下式來表示：

(8)

對上式進行近似處理：

(9)

比較上述兩式，改進后的式(9)在實現(xiàn)過程中只需遍歷一次目標圖像和模板圖像，計算得出均差、方差，計算開銷明顯減小。

3 實驗結(jié)果

3.1 兩種方式結(jié)果比較

原分割后字符圖像經(jīng)過歸一化后的大小均為24×42，模板庫由0～9這10個數(shù)字的模板組成，每一個數(shù)字搜集了50個模板，大小均為24×42。對0～9這10個數(shù)字分別在傳統(tǒng)模板匹配算法與改進的圖像積分模板匹配算法下進行60組識別實驗，傳統(tǒng)模板匹配算法的識別結(jié)果如表1所示。

表1 傳統(tǒng)模板匹配識別結(jié)果

改進之后的模板匹配算法的識別結(jié)果如表2所示。

表2 改進模板匹配識別結(jié)果

兩種方式的比較結(jié)果，如表3所示。

表3 兩種方式的比較結(jié)果

從表1和表2的結(jié)果可以看出：總體上在兩種匹配方式下除了個別字符，如“0”和“7”的識別率與平均識別率相差較大，大部分的字符識別率能在90%以上；從表3可以得出：改進模板匹配算法的識別率略低于傳統(tǒng)模匹算法，但是在識別速度比傳統(tǒng)方法提高了20%多。從張宏濤、龍翀，湯茂斌，謝渝平等人做的字符識別的結(jié)果來看，在滿足當今普遍研究結(jié)果的識別率在83%到94%的范圍條件下，本文提出的改進模板匹配算法能夠在滿足識別率在平均范圍內(nèi)的前提下，提高了識別檢測的速度。

3.2 瓶蓋印刷碼識別結(jié)果

筆者利用本文提出的基于圖像積分的改進模板匹配算法，從結(jié)果來看能夠正確地識別檢測出瓶蓋印刷碼中的所有字符，驗證該算法用來檢測瓶蓋印刷碼字符的可行性。

4 結(jié)束語

本研究介紹了一種基于圖像積分的改進模板匹配的算法，并與傳統(tǒng)模板匹配算法進行了比較，結(jié)果表明：改進之后的匹配算法在識別速率上能夠提高20%以上，為以后的研究提供了重要參考依據(jù)。

但該算法存在著個別字符識別結(jié)果不理想的情況，在下一階段，需要從識別算法上加以完善，在保證識別速度的同時，提高識別的準確率，減小實驗誤差。

參考文獻(References):

[1] 張宏濤,龍 翀,朱小燕,等.印刷體漢字識別后處理方法的研究[J].中文信息學(xué)報,2009,23(6):67-71.

[2] 劉云峰，楊小岡，齊乃新，等.基于模板匹配的前視自動目標識別模型[J].兵工自動化，2016，35(7)：4-6.

[3] 李新良.模式識別理論的研究與應(yīng)用[J].北京電子科技學(xué)院學(xué)報,2011,19(4):75-79.

[4] 劉 佳,傅衛(wèi)平,王 雯,李 娜.基于改進SIFT算法的圖像匹配[J].儀器儀表學(xué)報,2013,34(5):47-51.

[5] 湯茂斌,謝渝平,李就好.基于神經(jīng)網(wǎng)絡(luò)算法的字符識別研究[J].微電子學(xué)與計算機,2009,26(8):91-93.

[6] 張勇紅.基于霍夫變換的銘牌OCR圖像旋轉(zhuǎn)矯正方法[J].電測與儀表,2015,52(8):125-128.

[7] 戴憲策,劉昌錦.模板匹配的一種快速算法[J].信息科學(xué)與控制工程,2016,36(1):23-25.

[8] TAVAKOL A, SOLTANIAN M. Fast feature-based template matching, based on efficient keypoint extraction[J].AdvancedMaterialsResearchr,2012,17(21):798-802.

[9] WANG Y W, LIANG H,LI J,et al. An improved difference template matching algorithm[J].AdvancedMaterialsResearch,2012,22(13):117-121.

[10] JING J, DAUWELS J, RAKTHANMANON T, et al. Rapid annotation of interictal epileptiform discharges via template matching under dynamic time warping[J].Elsevier,2016,33(4):114-119.