基于中心化Jaccard匹配的SD卡光學(xué)字符驗(yàn)證

李天賀，吳靜靜，安 偉

(1.江南大學(xué) 機(jī)械工程學(xué)院，江蘇 無錫 214122；2.江南大學(xué) 江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫 214122)

0 引言

SD卡是一種基于半導(dǎo)體快閃記憶器的新一代記憶設(shè)備，體積小、傳輸速度快，被廣泛地應(yīng)用于數(shù)碼相機(jī)、多媒體播放器等各種便攜裝置。不同型號(hào)的SD卡表面具有不同的字符，方便消費(fèi)者根據(jù)需求選擇。在實(shí)際生產(chǎn)中，由于操作錯(cuò)誤或設(shè)備故障導(dǎo)致打印的SD卡表面字符和真實(shí)型號(hào)不符，給制造商增加了高額成本，同時(shí)影響了消費(fèi)者的使用體驗(yàn)。當(dāng)前工序中普遍采用人工驗(yàn)證的方法，效率低、準(zhǔn)確性易受主觀因素影響。因此，研究一種基于機(jī)器視覺的圖像質(zhì)量自動(dòng)檢驗(yàn)方法代替人工目檢是一種必然趨勢(shì)。

光學(xué)字符驗(yàn)證(OCV，optical character verification)是圖像質(zhì)量自動(dòng)檢驗(yàn)的核心環(huán)節(jié)，其本質(zhì)是驗(yàn)證待測(cè)圖像與模板圖像表面字符是否相同，在目標(biāo)檢測(cè)和計(jì)算機(jī)視覺等領(lǐng)域具有廣泛的應(yīng)用。OCV算法主要可以分為兩大類：基于深度學(xué)習(xí)的驗(yàn)證算法和基于匹配的驗(yàn)證算法。在深度學(xué)習(xí)驗(yàn)證算法的研究方面，Chun-Hui Lin[1]等人通過輪廓邊界檢測(cè)方法確定感興趣區(qū)域，利用CNN中的結(jié)構(gòu)和細(xì)化機(jī)制能夠檢測(cè)出印刷電路板中錯(cuò)位、缺失和反極性零件的字符。Ribeiro[2]等人提出了一種OCV自適應(yīng)深度學(xué)習(xí)框架，使用k均值聚類算法對(duì)CNN提取的特征進(jìn)行聚類，使用k近鄰方法結(jié)合CNN計(jì)算的質(zhì)心，可以識(shí)別食品飲料等零售包裝品上錯(cuò)誤或缺失的信息。雖然兩種深度學(xué)習(xí)算法檢測(cè)準(zhǔn)確率較高，但是需要有大量的數(shù)據(jù)來進(jìn)行擬合，而實(shí)際工業(yè)場(chǎng)景存在難以收集缺陷樣本的問題，在小樣本條件下模型的精度會(huì)受到影響，并且當(dāng)圖像特征變化較多時(shí)會(huì)導(dǎo)致訓(xùn)練復(fù)雜、模型過大。

另一類是基于匹配的OCV方法，原理是提取圖像的某種特征，計(jì)算待測(cè)圖像與給定模板圖像特征之間的相似度。如劉毅飛[3]等人利用歸一化互相關(guān)算法中模板圖像在待檢測(cè)圖像中逐像素搜索并計(jì)算相關(guān)性的特點(diǎn)，將檢測(cè)區(qū)域分成六部分并行搜索，在不同圖像位置采用不同模板大小，實(shí)現(xiàn)了多核歸一化互相關(guān)圖像匹配算法，但是對(duì)圖像的灰度值變化比較敏感，魯棒性較低。李勝輝[4]等人提出了一種C-ORB匹配驗(yàn)證算法，將圖像的顏色不變量與ORB特征描述子相結(jié)合，獲取到不同光照強(qiáng)度、不同光照方向圖像的更多細(xì)節(jié)，但是該算法要求圖像具有較多的特征點(diǎn)，局限性明顯。左川[5]等人利用加速分割檢測(cè)算法提取ORB特征，使用改進(jìn)的二進(jìn)制魯棒獨(dú)立基本特征算法進(jìn)行特征點(diǎn)描述，同時(shí)結(jié)合透視變換模型進(jìn)行圖像采樣和漢明距離作為相似度量準(zhǔn)則進(jìn)行圖像匹配，該算法具有較強(qiáng)的抗視角變換能力，但是對(duì)于相似度較高的圖像中驗(yàn)證準(zhǔn)確率不高。劉歡[6]等提出了一種三組合Hu不變矩方法用于圖像匹配，能夠解決模糊噪聲引起的檢測(cè)準(zhǔn)確率下降問題，但是算法依賴于提取角點(diǎn)信息的正確性，難以解決亮度的非線性變換問題。綜上，以上基于匹配的驗(yàn)證算法在光照變化、目標(biāo)旋轉(zhuǎn)以及相似度高的OCV問題中，精度將會(huì)下降。

因此，當(dāng)同時(shí)存在以上幾種問題時(shí)，為了提高SD卡字符驗(yàn)證精度，本文提出了一種基于中心化Jaccard匹配的字符驗(yàn)證方法。該方法首先利用HSV三通道直方圖實(shí)現(xiàn)特征顯著SD卡圖像的快速驗(yàn)證。對(duì)于特征相似的SD卡，在快速驗(yàn)證的基礎(chǔ)上提出了一種精密驗(yàn)證方法。針對(duì)SD卡圖像在驗(yàn)證過程中容易受到光照和旋轉(zhuǎn)變化等因素干擾導(dǎo)致驗(yàn)證誤差的問題，通過提取V通道圖像降低灰度值對(duì)光照的敏感程度，通過提取像素的四方向梯度信息，使得HOG特征向量具有抗旋轉(zhuǎn)變化特性。針對(duì)傳統(tǒng)相似度指標(biāo)難以對(duì)高度相似字符進(jìn)行準(zhǔn)確驗(yàn)證的問題，提出了一種中心化廣義Jaccard系數(shù)精確量化特征向量的相似度，提高了相似字符的驗(yàn)證精度，以實(shí)現(xiàn)復(fù)雜場(chǎng)景下SD卡的高精度光學(xué)字符驗(yàn)證。

1 SD卡OCV原理與存在的問題

OCV工位實(shí)際采集的SD卡圖像如圖1(a)所示，SD卡結(jié)構(gòu)可分為logo、內(nèi)存、速度等級(jí)、系列號(hào)4個(gè)功能區(qū)域，如圖1(b)所示。SD卡OCV的主要目標(biāo)是檢測(cè)待測(cè)圖像4個(gè)功能區(qū)域的字符是否與模板圖像一致，從而判斷打印程序是否出錯(cuò)。傳統(tǒng)基于匹配的方法通常提取模板圖像與待測(cè)圖像的特征向量，然后利用相似度指標(biāo)計(jì)算向量之間的相似度值，通過比較相似度值與設(shè)定閾值的大小判斷二者是否相同。但是本文SD卡OCV場(chǎng)景較為復(fù)雜，傳統(tǒng)的簡(jiǎn)單特征匹配方法往往會(huì)引入較大誤差。例如圖2(a)由于采集設(shè)備變化導(dǎo)致表面特征出現(xiàn)明暗動(dòng)態(tài)變化的圖像、圖2(b)由于機(jī)械定位誤差導(dǎo)致出現(xiàn)微小旋轉(zhuǎn)的圖像，傳統(tǒng)特征提取方法會(huì)產(chǎn)生驗(yàn)證誤差；SD卡圖像種類繁多，對(duì)于圖2(c)特征高度相似的圖像，傳統(tǒng)的相似度指標(biāo)模型會(huì)產(chǎn)生計(jì)算誤差。

圖1 SD卡示意圖

圖2 生產(chǎn)過程中復(fù)雜多樣的SD卡圖像

基于以上分析，本文設(shè)計(jì)了一種高精度的SD卡OCV算法，算法主要包括快速檢測(cè)模塊和精密檢測(cè)模塊兩部分，具體流程如圖3所示。首先對(duì)采集到的原始圖像進(jìn)行感興趣區(qū)域(ROI，region of interest，如圖1(a)方框內(nèi)區(qū)域所示)粗劃分，保證ROI內(nèi)只有一顆SD卡，去除圖像中其余的干擾目標(biāo)，在ROI內(nèi)通過模板圖像利用模板匹配算法定位到待測(cè)圖像；然后將模板圖像和待測(cè)圖像輸入快速檢測(cè)模塊，充分利用HSV三通道直方圖特性，以巴氏距離為測(cè)度，分別計(jì)算二者的H、S、V3個(gè)通道的直方圖相似度，若3個(gè)相似度值均小于設(shè)定的閾值，則輸出驗(yàn)證結(jié)果為“相異”；若3個(gè)相似度值至少有一個(gè)大于設(shè)定的閾值，則將模板圖像和待測(cè)圖像輸入精密檢測(cè)模塊進(jìn)行精密驗(yàn)證，首先將圖像劃分為4個(gè)子檢測(cè)區(qū)域(如圖1(b)方框內(nèi)區(qū)域所示)，提取灰度穩(wěn)定性高的V通道圖像，然后利用改進(jìn)的HOG特征提取四組特征向量，最后基于本文提出的中心化廣義Jaccard系數(shù)計(jì)算四組特征向量的相似度值，選擇最大的相似度值與設(shè)定的閾值進(jìn)行比較，若大于閾值則輸出驗(yàn)證結(jié)果為“相同”，否則輸出“相異”。通過所述新算法快速檢測(cè)和精密檢測(cè)模塊互補(bǔ)，提升復(fù)雜場(chǎng)景下SD卡OCV的精度與魯棒性。

圖3 算法流程圖

2 基于HSV顏色直方圖的快速檢測(cè)

SD卡的種類多種多樣，會(huì)出現(xiàn)模板圖像和待測(cè)圖像顏色、字符等特征相差較大的情況(如圖2(a1)和圖2(b1)所示)，可以對(duì)此類SD卡進(jìn)行快速驗(yàn)證。本文提出了一種基于HSV顏色直方圖的快速檢測(cè)方法，提高算法的整體運(yùn)行效率。HSV顏色空間[7-9]是由RGB顏色空間衍生出來的一種面向?qū)ο蟮纳誓Ｐ?，其中H(Hue)表示色調(diào)，S(Saturation)表示飽和度，V(Value)表示亮度，這3個(gè)分量互相不會(huì)產(chǎn)生影響，對(duì)其中任何一個(gè)分量進(jìn)行處理不會(huì)對(duì)其它兩個(gè)分量造成任何的影響。HSV顏色空間中的圖像具有失真小、顏色逼真的特點(diǎn)，其構(gòu)建是基于人類的視覺感知，色彩表現(xiàn)更符合人眼的視覺特性，能夠準(zhǔn)確地反應(yīng)圖像的顏色和灰度信息[10]，在機(jī)器視覺領(lǐng)域具有很高的應(yīng)用價(jià)值。因此，在利用模板匹配算法定位到待測(cè)圖像I后，將I和模板圖像T由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換公式如下：

max=Max[R/255，G/255，B/255]

(1)

min=Min[R/255，G/255，B/255]

(2)

(3)

(4)

V=max

(5)

式中，R、G、B分別表示圖像中某一像素點(diǎn)的紅、綠、藍(lán)3個(gè)通道的像素值，max表示R、G、B像素值歸一化之后的最大值，min表示R、G、B像素值歸一化之后的最小值，H、S、V表示轉(zhuǎn)換后像素點(diǎn)的色調(diào)值、飽和度值和亮度值。

轉(zhuǎn)換后利用巴氏系數(shù)計(jì)算I和T的H、S、V3個(gè)通道的直方圖相似度B1、B2、B3，分別與設(shè)定的閾值T0進(jìn)行比較，若B1、B2、B3均小于閾值，則輸出最終驗(yàn)證結(jié)果“相異”。巴氏系數(shù)[11]的計(jì)算方法如下：

(6)

式中，p(i)、q(i)分別表示I和T直方圖第i個(gè)灰度等級(jí)的概率分布，N表示灰度等級(jí)的總個(gè)數(shù)。

為了驗(yàn)證HSV三通道直方圖在快速檢測(cè)方法上的有效性，選擇圖2(a1)、圖2(b1)兩張表觀特征相差較大的SD卡圖像以及圖2(c1)、圖2(c2)兩張表觀特征相似的SD卡圖像作為對(duì)照樣本進(jìn)行相關(guān)試驗(yàn)，圖4為三通道直方圖對(duì)比效果。計(jì)算得到圖2(a1)、圖2(b1)兩個(gè)樣本的H、S、V直方圖巴氏系數(shù)分別為0.231、0.215、0.244；圖2(c1)、圖2(c2)兩個(gè)樣本的H、S、V直方圖巴氏系數(shù)分別為0.841、0.826、0.831。可見，這兩類樣本的直方圖巴氏系數(shù)相差很大，閾值T0可選取的范圍為0.3至0.8之間，本文選擇的閾值為0.55。

圖4 三通道直方圖對(duì)比效果

3 基于改進(jìn)HOG相似度的精密檢測(cè)

當(dāng)模板圖像和待測(cè)圖像表觀特征相差較大時(shí)，通過快速檢測(cè)可以直接輸出最終結(jié)果；但是當(dāng)二者特征相似時(shí)，H、S、V三通道直方圖分布非常接近，因此快速檢測(cè)將無法完成準(zhǔn)確判斷，會(huì)產(chǎn)生驗(yàn)證錯(cuò)誤，需要精密檢測(cè)進(jìn)一步進(jìn)行驗(yàn)證。精密檢測(cè)中特征提取和相似度指標(biāo)是決定驗(yàn)證精度的兩個(gè)關(guān)鍵環(huán)節(jié)。當(dāng)模板圖像和待測(cè)圖像高度相似時(shí)，微小旋轉(zhuǎn)和光照變化引起的特征提取誤差、相似度計(jì)算誤差都會(huì)使得OCV驗(yàn)證精度下降。因此，本文從特征提取和相似度指標(biāo)兩方面進(jìn)行優(yōu)化，提出了一種改進(jìn)HOG特征相似度的精密檢測(cè)方法。

3.1 改進(jìn)的HOG特征提取算法

HOG特征[12-15]是一種常用的形狀特征，它能夠捕獲圖像的輪廓，描述圖像的邊緣信息，具有抗陰影和幾何變換的優(yōu)點(diǎn)。HOG特征描述子是通過統(tǒng)計(jì)圖像中局部區(qū)域像素的梯度幅值和梯度方向來獲取圖像的特征，其計(jì)算過程是一個(gè)區(qū)域特征組合的過程。根據(jù)預(yù)先設(shè)置的參數(shù)將待測(cè)圖像劃分為多個(gè)小塊(block)，每一個(gè)小塊又可以劃分為多個(gè)細(xì)胞單元(cell)，每一個(gè)細(xì)胞單元可以根據(jù)像素的梯度信息計(jì)算得到一組特征向量。將小塊內(nèi)所有細(xì)胞單元的特征向量串聯(lián)組合起來可以得到每一個(gè)小塊的特征向量，最后將所有小塊的特征向量串聯(lián)組合起來即可得到最終的HOG特征向量。

然而，傳統(tǒng)的HOG特征提取方法對(duì)于旋轉(zhuǎn)和光照變化缺乏魯棒性。傳統(tǒng)HOG特征只考慮了單個(gè)像素水平和垂直方向上的梯度信息[16]，不具備旋轉(zhuǎn)不變性。此外，當(dāng)圖像采集條件改變時(shí)，HOG特征將包含光照變化的偽邊緣。旋轉(zhuǎn)和光照變化場(chǎng)景下的干擾特征將導(dǎo)致較大的OCV特征匹配計(jì)算誤差。本文根據(jù)V通道圖像灰度穩(wěn)定性較高的特點(diǎn)，以V通道圖像作為原始輸入圖像，提高HOG特征的光照魯棒性。針對(duì)微小旋轉(zhuǎn)圖像引起的驗(yàn)證誤差問題，在傳統(tǒng)HOG水平和垂直方向的基礎(chǔ)上，引入兩條對(duì)角線方向的梯度信息，對(duì)HOG特征向量進(jìn)行增廣，使得HOG特征具備旋轉(zhuǎn)魯棒性。本文提出的改進(jìn)HOG特征具體方法如下。改進(jìn)后的HOG特征算法流程如圖5所示。

圖5 改進(jìn)的HOG特征算法流程圖

1)將圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，提取V通道圖像Vi，然后利用式(7)對(duì)Vi進(jìn)行Gamma校正，目的是減少由于光照不均勻引起的圖像局部陰影的影響。

Ib(x，y)=Ia(x，y)Gamma

(7)

式中，Ib(x，y)代表Gamma校正后的圖像，Ia(x，y)代表原始輸入的V通道圖像，本文中Gamma取1/2；

2)以3×3個(gè)像素為梯度提取單元，中心點(diǎn)p(x，y)為旋轉(zhuǎn)中心，將p(x，y)周圍的8個(gè)像素點(diǎn)依次順時(shí)針旋轉(zhuǎn)1、2、3個(gè)像素，梯度提取單元旋轉(zhuǎn)示意圖如圖6所示。計(jì)算梯度提取單元無旋轉(zhuǎn)以及旋轉(zhuǎn)3次的梯度幅值和梯度方向。以梯度提取單元無旋轉(zhuǎn)為例，計(jì)算公式如式(8)；

圖6 梯度提取單元旋轉(zhuǎn)示意圖

(8)

式中，Gx(x，y)、Gy(x，y)、H(x，y)分別表示圖像像素點(diǎn)(x，y)處的水平方向梯度、垂直方向梯度和像素值。G(x，y)、θ(x，y)分別表示圖像像素點(diǎn)(x，y)處的梯度幅值和梯度方向。

3)把圖像分為尺寸相同的cell，將cell的梯度方向180度分為9個(gè)被稱為bin的方向塊，即每20度劃分為一個(gè)bin，統(tǒng)計(jì)各個(gè)cell內(nèi)所有梯度提取單元無旋轉(zhuǎn)以及旋轉(zhuǎn)3次的梯度方向直方圖，對(duì)應(yīng)的就是4個(gè)9維的特征向量；

4)將2×2個(gè)cell組合成一個(gè)block，block內(nèi)所有cell的特征向量串聯(lián)在一起得到此block的特征向量，若一個(gè)cell的特征向量為9維，那么一個(gè)block的特征向量為2×2×9=36維，最終可以得到4個(gè)36維的block特征向量。對(duì)block的特征向量做歸一化操作，目的是進(jìn)一步地降低光照和陰影對(duì)圖像的影響，公式如下：

(9)

式中，ε是一個(gè)常量，是為了防止分母等于0，本文中取0.001；

5)按照一定的步長(zhǎng)沿著行列方向?qū)D像進(jìn)行滑窗操作得到多個(gè)block，再計(jì)算每一個(gè)block的特征向量，并將他們串聯(lián)在一起即可得到最終的4個(gè)HOG特征向量Hi1、Hi2、Hi3、Hi4。傳統(tǒng)HOG特征與改進(jìn)的四方向HOG特征效果對(duì)比如圖7所示?？梢?，與傳統(tǒng)HOG特征相比，改進(jìn)的四方向HOG特征保留了微小旋轉(zhuǎn)圖像更多的邊緣細(xì)節(jié)，對(duì)比度也有明顯的提升。

圖7 傳統(tǒng)HOG特征與四方向HOG特征效果對(duì)比

3.2 基于中心化Jaccard系數(shù)的相似度計(jì)算方法

相似度指標(biāo)能夠量化特征向量相似程度，決定了驗(yàn)證精度，常見的相似度指標(biāo)有夾角余弦[17]、相關(guān)系數(shù)[18]、廣義Jaccard系數(shù)[19-22]等，表達(dá)式如式(10)～(12)：

(10)

(11)

(12)

本文對(duì)這幾種常見的相似度指標(biāo)設(shè)計(jì)了對(duì)比試驗(yàn)。試驗(yàn)選擇的模板圖像為圖2(c1)紅框區(qū)域的字符；選擇相同字符的100幅圖像作為驗(yàn)證樣本集S，相似字符(圖2(c2)紅框字符所示)的100幅圖像作為對(duì)照樣本集D。對(duì)比試驗(yàn)曲線如圖8所示。其中，夾角余弦和相關(guān)系數(shù)曲線在多個(gè)樣本上出現(xiàn)了交叉，類間方差很小，將引入驗(yàn)證誤差；與之相比，廣義Jaccard系數(shù)曲線性能最佳，類間方差增大，但在個(gè)別樣本(如第83和84幅)上仍然有交叉，存在誤分類的風(fēng)險(xiǎn)?？梢娤啾扔谄渌嗨贫戎笜?biāo)，廣義Jaccard系數(shù)對(duì)相似字符具有更大的區(qū)分度。

圖8 3種相似度指標(biāo)計(jì)算的相似度曲線圖

廣義Jaccard系數(shù)可以表示為兩個(gè)向量的交集特征占并集特征的比例，值越大表明二者越相似。由于本文提取出來的特征向量維數(shù)較大，而字符相似部分的維數(shù)占總維數(shù)的比例較小，廣義Jaccard系數(shù)不能很好地放大此部分?？紤]到廣義Jaccard系數(shù)相比較其他相似度指標(biāo)的優(yōu)越性以及在相似字符區(qū)分度上的潛力，本文設(shè)計(jì)了一種中心化Jaccard系數(shù)，表達(dá)式如下：

(13)

改進(jìn)后對(duì)特征向量進(jìn)行了中心化處理，用每一個(gè)元素減去所有元素的平均值。相比中心化前，平方或相乘后的特征向量元素曲線分布更加均勻，數(shù)據(jù)基本分布在原點(diǎn)上下，從而能夠更好地凸顯兩個(gè)特征向量的差異部分。改進(jìn)的廣義Jaccard系數(shù)曲線如圖9所示，數(shù)據(jù)無交叉且可以用一條閾值曲線0.82分開，增大了類間方差，提高了字符驗(yàn)證的準(zhǔn)確性。

圖9 改進(jìn)的廣義Jaccard系數(shù)相似度曲線圖

4 試驗(yàn)設(shè)計(jì)與分析

為了驗(yàn)證本文所設(shè)計(jì)OCV算法的有效性，采用現(xiàn)場(chǎng)采集到的SD卡圖像進(jìn)行了相關(guān)試驗(yàn)。試驗(yàn)環(huán)境為：AMD Ryzen 7 5800H，16 GB內(nèi)存的PC機(jī)，Windows10 64 bit操作系統(tǒng)。開發(fā)環(huán)境為：Visual Studio 2015，opencv3.4.6庫(kù)函數(shù)。

4.1 相似字符驗(yàn)證性能對(duì)比試驗(yàn)

為了驗(yàn)證本文所提出的高度相似字符驗(yàn)證算法的有效性和穩(wěn)定性，設(shè)計(jì)了如下對(duì)比試驗(yàn)。試驗(yàn)圖像集選用4個(gè)功能區(qū)域各5幅模板圖像；對(duì)于每幅模板圖像，選擇相同字符的100幅圖像作為驗(yàn)證樣本集，相似字符的100幅圖像作為對(duì)照樣本集。使用夾角余弦、相關(guān)系數(shù)、歸一化歐氏距離、夾角余弦和相關(guān)系數(shù)組合[23]、廣義Jaccard系數(shù)以及改進(jìn)的廣義Jaccard系數(shù)6種相似度指標(biāo)分別計(jì)算模板圖像與驗(yàn)證樣本集、對(duì)照樣本集的相似度值，共100組。為了直觀觀察相似度指標(biāo)在OCV問題中的準(zhǔn)確性，計(jì)算100組相似度值的歐式距離，距離越大，表明類間方差越大，相似度指標(biāo)的分辨能力越強(qiáng)。歐氏距離計(jì)算公式如下：

(14)

式中，xi和yi分別為驗(yàn)證樣本集和對(duì)照樣本集圖像的第i個(gè)相似度值。試驗(yàn)結(jié)果如圖10所示。

圖10 相似度指標(biāo)檢測(cè)性能對(duì)比圖

試驗(yàn)結(jié)果表明，對(duì)于4個(gè)功能區(qū)域的20幅模板圖像，改進(jìn)的廣義Jaccard系數(shù)相比于其他幾種相似度指標(biāo)計(jì)算得到的歐式距離都是最大的，其中l(wèi)ogo區(qū)域的平均歐式距離為2.331，內(nèi)存區(qū)域的平均歐式距離為5.240，系列號(hào)區(qū)域的平均歐式距離為3.471，速度等級(jí)區(qū)域的平均歐式距離為4.649，且每一個(gè)檢測(cè)區(qū)域的歐氏距離數(shù)據(jù)起伏較小，可見其穩(wěn)定性較高，對(duì)相似圖像具有較強(qiáng)的分辨能力。

4.2 微小旋轉(zhuǎn)字符驗(yàn)證性能對(duì)比試驗(yàn)

為驗(yàn)證本文所提出的微小旋轉(zhuǎn)字符驗(yàn)證算法的有效性，設(shè)計(jì)了如下試驗(yàn)。試驗(yàn)圖像集選用4個(gè)子檢測(cè)區(qū)域各1幅模板圖像；對(duì)于每幅模板圖像，選擇同型號(hào)具有微小旋轉(zhuǎn)的100幅驗(yàn)證樣本集?；趥鹘y(tǒng)HOG特征和改進(jìn)的HOG特征分別提取模板圖像和待測(cè)圖像的特征向量，對(duì)比特征向量相似度值的大小。試驗(yàn)結(jié)果如圖11所示。

圖11 特征向量相似度對(duì)比結(jié)果圖

試驗(yàn)結(jié)果表明，當(dāng)圖像出現(xiàn)微小旋轉(zhuǎn)時(shí)，4個(gè)功能區(qū)域的相似度值均有明顯的提升，分別平均提高了0.163、0.132、0.188、0.159，驗(yàn)證了改進(jìn)HOG特征抗旋轉(zhuǎn)變化的有效性。

4.3 字符驗(yàn)證準(zhǔn)確率消融試驗(yàn)

為驗(yàn)證本文提出的檢測(cè)算法的準(zhǔn)確率與魯棒性，設(shè)計(jì)了如下消融試驗(yàn)。試驗(yàn)圖像集選用9幅不同型號(hào)的模板圖像；對(duì)于每幅模板圖像，選擇3種采集條件下各20幅圖像作為驗(yàn)證樣本集，共9×3×20=540幅。分別基于傳統(tǒng)HOG特征+廣義Jaccard系數(shù)(HOG+Generalized Jaccard，HOG+G-Jaccard)、傳統(tǒng)HOG特征+改進(jìn)廣義Jaccard系數(shù)(HOG+Revised Generalized Jaccard，HOG+RG-Jaccard)、改進(jìn)HOG特征+廣義Jaccard系數(shù)(Revised HOG+Generalized Jaccard，R-HOG+G-Jaccard)以及本文提出的算法(Revised HOG+Revised Generalized Jaccard，R-HOG+RG-Jaccard)作為驗(yàn)證算法，共9×540=4 860項(xiàng)。驗(yàn)證準(zhǔn)確率對(duì)比結(jié)果如表1所示。

表1 驗(yàn)證準(zhǔn)確率對(duì)比

試驗(yàn)結(jié)果表明，本文所提出的算法與其他幾種組合算法相比驗(yàn)證準(zhǔn)確率最高，達(dá)到99.15%，驗(yàn)證了算法的可行性與魯棒性，能夠滿足生產(chǎn)要求。

5 結(jié)束語(yǔ)

本文綜合分析SD卡OCV場(chǎng)景特點(diǎn)，設(shè)計(jì)提出了一種SD卡光學(xué)字符自動(dòng)驗(yàn)證算法。該算法首先采用HSV三通道直方圖，實(shí)現(xiàn)了特征顯著SD卡圖像的快速驗(yàn)證；其次利用V通道圖像，提取多方向HOG特征，提高了微小旋轉(zhuǎn)與光照變化場(chǎng)景下OCV的準(zhǔn)確率；最后提出一種改進(jìn)的中心化廣義Jaccard系數(shù)，提高了相似度指標(biāo)的量化精度，確保了特征相似SD卡圖像的精密驗(yàn)證。通過相似字符和微小旋轉(zhuǎn)字符驗(yàn)證性能對(duì)比試驗(yàn)，證明了本文改進(jìn)HOG特征和中心化廣義Jaccard系數(shù)的有效性；通過字符驗(yàn)證準(zhǔn)確率消融試驗(yàn)，證明了本文所提出OCV算法的魯棒性，具有良好的實(shí)用價(jià)值。

本文良好檢測(cè)結(jié)果的前提是待測(cè)圖像的精確定位，而模板匹配方法容易受到圖像采集環(huán)境變化的影響，導(dǎo)致待測(cè)圖像定位誤差。因此，下一步將研究一種更魯棒的目標(biāo)定位方法，進(jìn)一步提高算法檢測(cè)精度。