基于Halcon的剎車片字符檢測(cè)算法研究

馬艷寧，陳曉榮，張運(yùn)濤

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

?

基于Halcon的剎車片字符檢測(cè)算法研究

馬艷寧，陳曉榮，張運(yùn)濤

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

針對(duì)人工檢測(cè)剎車片字符時(shí)低效率的現(xiàn)狀，提出一種基于機(jī)器視覺軟件Halcon的字符檢測(cè)算法。該算法在光照不均勻的條件下,充分利用了剎車片的外形特征，通過(guò)數(shù)幅圖像測(cè)試后確定合適的分割方法和最佳閾值，定位出感興趣區(qū)域(字符區(qū)域)，通過(guò)適度膨脹解決字符斷裂的難題，并特別處理了易發(fā)生混淆的I和1，測(cè)試圖像達(dá)到了96%的識(shí)別率。結(jié)果表明，該算法可高效準(zhǔn)確地識(shí)別出剎車片字符，且具有較高的實(shí)用價(jià)值。

字符識(shí)別；Halcon；閾值分割；字符斷裂；OCR

MA Yanning, CHEN Xiaorong, ZHANG Yuntao

(School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology,Shanghai 200093, China)

在工業(yè)生產(chǎn)中，金屬零件表面的字符信息用來(lái)標(biāo)記識(shí)別，為了實(shí)現(xiàn)生產(chǎn)的高度自動(dòng)化，提高生產(chǎn)效率和減少次品率，其自動(dòng)化生產(chǎn)線上需要應(yīng)用產(chǎn)品字符自動(dòng)識(shí)別系統(tǒng)[1]，用攝像機(jī)來(lái)代替人的眼睛辨識(shí)產(chǎn)品上的字符內(nèi)容，避免費(fèi)時(shí)費(fèi)力的人工檢測(cè)。

1 圖像預(yù)處理

眾多因素會(huì)影響圖像的質(zhì)量，給字符分割和字符識(shí)別等帶來(lái)干擾。所以要先進(jìn)行圖像預(yù)處理，提高圖像質(zhì)量，突出字符特征。圖像預(yù)處理包括3部分：圖像修正、圖像濾波和形態(tài)學(xué)分析[2]。

1.1 圖像修正

雖理論上檢測(cè)系統(tǒng)是固定在生產(chǎn)線上的，但由于誤差和外界環(huán)境的干擾，實(shí)際中獲得圖片中的工件可能會(huì)有傾斜，故要修正成字符垂直的效果。且為了便于識(shí)別，字符要設(shè)置成橫向的，所以要進(jìn)行圖像修正。

首先對(duì)圖像進(jìn)行閾值分割。閾值分割是一種簡(jiǎn)單有效的圖像分割算法，選取最佳閾值才能分割出理想的區(qū)域，所以閾值的選擇是關(guān)鍵。此處采用基于直方圖的峰谷算法，如圖1(a)所示，圖像的灰度直方圖為雙峰分布。圖像的像素點(diǎn)分布大致分為兩部分，分別為灰度直方圖的兩個(gè)山峰。直方圖左側(cè)峰亮度較低，這部分恰好對(duì)應(yīng)于圖像中較暗的工件部分；直方圖的右側(cè)峰亮度較高，對(duì)應(yīng)工件的背景部分，選擇閾值下限為10，上限為兩峰谷底點(diǎn)，即可將工件從背景中分割出來(lái)，如圖1(b)所示[3]。

再生成工件的最小外接矩。因工件是對(duì)稱的，所以其最小外接矩的偏移角度就是圖像的偏移角度，圖像旋轉(zhuǎn)這一角度后再順時(shí)針旋轉(zhuǎn)270°，此時(shí)字符是橫向的。

圖1 峰谷法的圖像分割效果

1.2 中值濾波

由于場(chǎng)景條件等因素的影響，拍攝得到的圖像會(huì)伴隨有噪聲干擾，使圖像質(zhì)量變差，此時(shí)需要平滑噪聲。中值濾波是經(jīng)典平滑噪聲的方法，其基本原理是取某種結(jié)構(gòu)的二維滑動(dòng)模板，將模板內(nèi)像素按像素的大小進(jìn)行排序，生成單調(diào)上升(或下降)的數(shù)據(jù)序列，并將窗口中心點(diǎn)的灰度值用排好序后中間的值代替，這樣可使周圍的像素接近真實(shí)值，從而將孤立的噪聲點(diǎn)去掉[4]。其能有效地抑制圖像中隨機(jī)噪聲，同時(shí)較好地保持圖像的邊緣。

1.3 形態(tài)學(xué)分析

形態(tài)分學(xué)析的基本思想是，用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀以達(dá)到圖像分析和識(shí)別的目的。在實(shí)際應(yīng)用中，膨脹與腐蝕運(yùn)算常均是級(jí)連復(fù)合使用，對(duì)圖像先做膨脹運(yùn)算，再做腐蝕運(yùn)算，稱為開運(yùn)算；或先對(duì)圖像做腐蝕運(yùn)算，再做膨脹運(yùn)算，稱為閉運(yùn)算。這樣圖像中小于結(jié)構(gòu)元素的一些細(xì)節(jié)將被濾除，同時(shí)使保留的圖像特征集合不失真，相當(dāng)于對(duì)圖像進(jìn)行了平滑濾波。開運(yùn)算對(duì)圖像的平滑濾波作用表現(xiàn)在可清除圖像中的邊緣毛刺及孤立斑點(diǎn)，閉運(yùn)算可填補(bǔ)圖像中的邊緣間隙及消除小孔[5]。

2 字符定位分割

圖2 字符區(qū)域分割過(guò)程

2.1 字符定位

先取一幅圖片作為模板，測(cè)得模板工件的尺寸為：半寬為hwidth，半高為hheight，中心坐標(biāo)為(row，column)，而字符區(qū)域的位置相對(duì)于工件是固定的，能以中心坐標(biāo)為中心，測(cè)出字符區(qū)域相對(duì)于中心坐標(biāo)的偏差，定位出字符區(qū)域坐標(biāo)。所以，只需得到圖像中工件的寬或高，就能對(duì)比模板尺寸得到伸縮倍數(shù)k，算得圖像中的實(shí)際偏差；再獲得工件的中心坐標(biāo)，就能根據(jù)偏差定位出字符區(qū)域[6]。

經(jīng)過(guò)所有圖片的試驗(yàn)，工件左側(cè)的陰影始終處于閾值范圍內(nèi)，內(nèi)接于外接矩，可看做是工件的一部分，所以模板的寬也要包括左側(cè)陰影。但上側(cè)邊緣的陰影在不同圖片中分割的效果不同，不總是在外接矩內(nèi)，造成工件的高和中心縱坐標(biāo)不易被測(cè)得，故做兩次分割。

第一次閾值分割并生成最小外接矩：所有圖片中工件左側(cè)、右側(cè)、下側(cè)內(nèi)接于外接矩；上側(cè)浮動(dòng)?？芍饨泳氐膶捑褪枪ぜ膶挘饨泳氐闹行臋M坐標(biāo)就是工件的中心橫坐標(biāo)。此次分割可得到工件半寬hwidth1、中心橫坐標(biāo)column1及外接矩的下邊緣縱坐標(biāo)row1，工件半寬hwidth1對(duì)比模板半寬hwidth得到伸縮倍數(shù)k1[7]。

第二次閾值分割并生成最小外接矩：所有圖片中的工件只有上側(cè)內(nèi)接于外接矩，得到外接矩的上邊緣縱坐標(biāo)row2。因第一次分割中工件下側(cè)內(nèi)接于外接矩，第二次分割中工件上側(cè)內(nèi)接于外接矩，所以工件的高為row1-row2，中心縱坐標(biāo)為(row1+row2)/2。

最后根據(jù)工件中心坐標(biāo)(column1，(row1+row2)/2)、伸縮系數(shù)k1以及模板中字符區(qū)域相對(duì)于中心坐標(biāo)的偏差進(jìn)行字符區(qū)域定位。

2.2 字符分割

圖3 字符分割結(jié)果

確定上下兩處字符的整體位置后，將其確定為新的感興趣區(qū)域Regionree1和Regionree2，后面依次處理兩處字符區(qū)域。

根據(jù)灰度直方圖找到峰值PeakGray，經(jīng)過(guò)多次調(diào)試，當(dāng)閾值設(shè)置為PeakGray-14，字符分割效果最佳。但此時(shí)的字符存在斷裂的問題，尤其是字母“R”，左右部分易斷裂，分割時(shí)就會(huì)分割成兩個(gè)字符，如圖4(a)所示，字母“R”被識(shí)別成了兩個(gè)目標(biāo)。該問題可通過(guò)形態(tài)學(xué)中的膨脹來(lái)解決。生成每個(gè)目標(biāo)的覆蓋矩形，考慮到每個(gè)字符之間間隔的大小，不能無(wú)限膨脹，否則會(huì)發(fā)生字符粘連，所以要經(jīng)過(guò)多次測(cè)試，確定最佳膨脹值[8]。

圖4 膨脹前后字符的覆蓋矩

3 字符識(shí)別

Halcon中自帶多種字體模板，在大多數(shù)情況下可直接使用。因剎車上的字符只包括大寫字母和數(shù)字，所以決定采用OCR。將分割出的單個(gè)字符與系統(tǒng)中的模板相比對(duì)，并將置信度最大的值返回，以此達(dá)到識(shí)別的目的。

圖5 識(shí)別結(jié)果

使用Halcon自帶的字符庫(kù)進(jìn)行識(shí)別，但I(xiàn)易被識(shí)別成1，所以要單獨(dú)識(shí)別I。生成每個(gè)字符的外接矩后，判斷外接矩的高寬比。因字符“I”上下兩頭沒有勾，但數(shù)字“1”上下均有勾，在字符大寫字母和數(shù)字字符系統(tǒng)中，“I”的高寬比一定是最大的。設(shè)定若比值>5，則默認(rèn)輸出I，若不是則繼續(xù)與字符庫(kù)進(jìn)行匹配[9]。

4 結(jié)果分析

表1 樣本測(cè)試結(jié)果

為檢測(cè)算法的準(zhǔn)確率和速度，采集了150張樣本圖片，并且其拍攝環(huán)境、光線、角度均是有差別的。所以，字符的定位并不容易，經(jīng)過(guò)兩次閾值分割后才換算出字符的準(zhǔn)確位置。因該金屬工件的表面并不光滑，且字符是刻印，而不是印刷，所以圖像處理時(shí)噪聲較大，經(jīng)中值濾波以及開運(yùn)算，多次濾除噪聲。解決了字母“R”的斷裂問題和字符“I”的誤識(shí)問題后，最終用于測(cè)試的150張樣本圖片的識(shí)別率達(dá)到了96%，平均每張檢測(cè)時(shí)間為67.3 ms。定位字符理論上復(fù)雜，但設(shè)計(jì)的算法卻較為簡(jiǎn)單，且剎車片表面刻印的字符只包括大寫字母和數(shù)字，使用Halcon自帶的字體模板即可識(shí)別，無(wú)需訓(xùn)練字體，簡(jiǎn)化了算法，所以系統(tǒng)識(shí)別速度較快。

5 結(jié)束語(yǔ)

本文提出的基于Halcon的剎車片字符自動(dòng)檢測(cè)系統(tǒng)，配合攝像機(jī)在線采集剎車片圖像，使用機(jī)器視覺算法[10]，對(duì)字符進(jìn)行定位、分割、識(shí)別。根據(jù)剎車片尺寸與字符區(qū)的數(shù)學(xué)關(guān)系雖復(fù)雜，但Halcon的算子功能強(qiáng)大、集成度高，兩次閾值分割即可定位出字符區(qū)域。本文解決了字符斷裂和字符混淆的問題，彌補(bǔ)了OCR的不足，提高了字符識(shí)別的準(zhǔn)確性。該算法邏輯簡(jiǎn)單，功能齊全，測(cè)試結(jié)果也證明了其可行性較高，能代替工作人員實(shí)現(xiàn)在線自動(dòng)檢測(cè)，節(jié)省人力，且提高了效率。

[1] 項(xiàng)輝宇,劉倩倩,黃佳軍,等.基于Halcon的字符識(shí)別及缺陷檢測(cè)[J].機(jī)電產(chǎn)品開發(fā)與創(chuàng)新,2014,27(2):77-79.

[2] 蔡晉輝,張光新,周澤魁.在線鋼坯噴號(hào)自動(dòng)視覺檢測(cè)系統(tǒng)設(shè)計(jì)[J].傳感技術(shù)學(xué)報(bào),2006,19(3):686-689.

[3] Rafael C Gonzalez,Richard E Woods.數(shù)字圖像處理[M].3版.阮秋琦,阮宇智,譯.北京:電子工業(yè)出版社,2011.

[4] 趙喆,侯俊.基于膚色模型和改進(jìn)Adaboost算法的人臉檢測(cè)[J].電子科技,2015,28(12):80-83.

[5] 王增春.基于視覺的標(biāo)簽動(dòng)態(tài)檢測(cè)識(shí)別系統(tǒng)研究及應(yīng)用[D].天津.河北工業(yè)大學(xué),2006.

[6] Steger C, Ulrich M, Wiedemann C.機(jī)器視覺算法與運(yùn)用[M].楊少榮,吳迪靖,段德山,譯.北京:清華大學(xué)出版社,2008.

[7] 李洋,李岳陽(yáng).一種快速提取植物葉片最小外接矩形的算法[J].江南大學(xué)學(xué)報(bào):自然科學(xué)版,2015,14(3):273-277.

[8] 王文寧,王匯源,牟文英.一種新的灰度直方圖分割閾值的自動(dòng)檢測(cè)算法[J].計(jì)算機(jī)工程與應(yīng)用,2005,41(26):89-90.

[9] 王冠,敖志剛,劉永躍,等.基于快速連通域標(biāo)記的車牌字符分割[J].計(jì)算機(jī)與現(xiàn)代化,2007(6):55-57.

[10] 鄭云雷,黃影平.基于HIL和機(jī)器視覺的汽車儀表測(cè)試平臺(tái)[J].電子科技,2015,28(12):88-91.

Research on the Brake Character Detection Algorithm Based on Halcon

A character detection system based on the machine vision software Halcon is proposed in view of the low efficiency of manual detection of the brake characters. Under the condition of uneven illumination, the algorithm makes full use of the shape characteristics of the brake, determines the appropriate segmentation method and the best threshold value through 30 images testing, and locates the ROI (character region). It solves the problem of character breaking through appropriate expansion and especially distinguishes I and 1. The recognition rate of the testing images is 96% .The results show that the algorithm can identify the characters of the brake efficiently and accurately.

character recognition; Halcon; thresholding; character fracture; OCR

2015- 12- 20

馬艷寧(1991-)，女，碩士研究生。研究方向：圖像處理。陳曉榮(1974-)，女，博士，副教授，碩士生導(dǎo)師。研究方向：圖像處理等。

10.16180/j.cnki.issn1007-7820.2016.10.029

TP391.41

A

1007-7820(2016)10-101-04