基于计算机视觉的座舱仪表识别检测方法--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于计算机视觉的座舱仪表识别检测方法

发表时间：2020/10/20 来源：《基层建设》2020年第19期作者：赵汉城

[导读] 摘要：在人类科学探索和生产实践中，仪器仪表是认识世界的重要工具和手段。

        身份证号码：13070219920920xxxx
        摘要：在人类科学探索和生产实践中，仪器仪表是认识世界的重要工具和手段。它利用一定的转换关系，通过测量机构将被测数字转换成数字显示或角位移，实现读数。该仪器具有结构简单、使用方便、价格低廉等特点。广泛应用于民用、军事等许多领域。尤其是对机载设备，从现场调试、使用，测量和报警设备，电压、电流、功率、功率因数、频率等参数的监测，应根据仪器，因此，仪器的准确性对机载设备的可靠运行起着至关重要的作用。
        关键词：计算机视觉；中值滤波；类间方差法；交叉视觉皮质模型；
        将同态滤波和自适应中值滤波相结合以提高图像效果，然后采用改进的类间方差法（Otsu）得到仪器的二值图像。利用改进的交叉皮质视觉模型提取仪器边缘，利用框架提取指针。最后通过最大梯度下降法得到指针的准确读数。实验结果表明，该方法可以快速获取表指针读数并并行处理多个表。与传统的霍夫变换和最小二乘法相比，该算法在保证精度精度的基础上大大提高了处理速度。
        一、采样
        设备启动后，仪器图像通过反射光送入棱镜，在设备内部转换为电信号（模拟信号），再通过A/D转换器转换为数字信号，存储在内存中，由相关软件进行处理和分析。为了避免引起的角，轻量指针偏差，结合具体的环境中应用此方法，选择前面的平行光照明模式，即光辐照仪器从前面，相机放在光反射的方向，在的前提下满足奈奎斯特采样定理，采样间隔，如视频序列治疗可以减少计算复杂度，并且其操作简单，易于软件实现。
        二、图像二值化
        图像二值化就是将图像上各点的灰度值设置为0或255，使整个图像呈现明显的黑白效果。它简化了需要处理的图像，减少了细节和数据量，突出了感兴趣的区域，并将识别的对象从背景中分离出来。该方法的关键是阈值的选取。在得到阈值后，将灰度图像转化为二值图像。阈值的作用范围可以分为全局方法和局部方法。全局二值化是指整幅图像只有一个阈值，局部二值化是指整幅图像有多个阈值。如果阈值过大或过小，目标与背景的分离就会不清晰。所有灰度小于或等于阈值的像素被认为是目标对象，而灰度大于阈值的像素被认为是背景。可以看出，阈值的选择决定了后续测量的准确性。目前，图像二值化处理主要采用类间方差法（OSTU）、最大熵法和最小误差法。但该方法计算时间长，对灰度变化不大的背景和目标提取效果不理想。因此，该方法采用改进的OSTU方法进行图像二值化处理。（1）将图像读取并根据图像大小自动分割成一系列可变的R×R子图像，便于对图像进行块划分；（2）在附近，根据仪器的特点，仪器分为两个类别（目标和背景），计算每个像素的灰度分布，灰色的像素范围分为一类，和数学期望和方差的计算两个特征点。根据经典OTSU准则，找到局部阈值T1（I）。（3）对该窗口进行二值化，然后进行循环流B操作，直到图像搜索完成。（4）为了避免误判的点的边缘地区，每个地区被认为是一个像素点，和阈值灰度作为T1（I）来解决整个振幅的期望和方差，找出全局阈值，和修复错误点。算法采用自顶向下的方法，将图像划分为相应的块模板根据图像的大小，以子图指出为分割对象，并考虑相关块的边缘，并使用协方差来重新诠释的边缘点，提高了算法的精度和准确性。采用该方法，不仅保证了目标图像的提取，而且大大提高了算法的处理速度，获得了较好的二值化处理效果。
        三、细化的处理
        根据测量原理，仪器指针的特征提取是该识别检测方法的重要组成部分。经过图像二值化处理后，表盘图像中只突出了针和表的轮廓。但如何突出手，则成为问题的核心步骤。细化是生成对象骨架的过程。骨架表示具有相对较少像素的对象的形状。针对驾驶舱仪器的特点主要由线性指针，帧提取可以澄清的具体位置，指针的方向和长度，并结合边缘特征的提取，进行必要的准备读指针显示的下一个步骤。传统的骨架提取方法是轴变换方法。主要步骤如下：（1）计算每个目标像素与最近边缘像素的距离；（2）计算距离图像的拉普拉斯算子，值较大的像素属于中心轴。该方法在传统方法的基础上，引入迭代形态学方法，采用3×3模板提取舱室仪表骨架。
        四、提取边缘
        边缘是目标对象和背景之间的边界。如果能够准确地识别图像的边缘，那么就可以定位所有的物体，从而可以测量物体的基本属性（面积、周长、形状）。根据座舱仪表的特点，仪表的提取，特别是指针边缘的提取，是分析仪表指针读数的关键步骤。通常有三种常用的算子用于定位目标的边缘。（1）导数算子，常用于判别强度变化较大的区域；（2）模板匹配，用小图像对边缘进行建模，并表示为近似完美的边缘属性；（3）采用了一些经典的边缘数学模型，如Marr-Hildreth、Canny边缘检测器等。传统的检测方法需要较少的先验知识，但对阴影和光的变化比较敏感，难以保证算法的实用性。该方法根据航空实际需要，采用交叉视觉皮层模型对座舱仪表进行分割和提取，既保证了精度，又大大提高了运行速度。ICM来源于对哺乳动物视觉皮层神经元同步振荡现象的研究结果。它在生物系统中具有信息传输延迟和非线性耦合调制的特点，更接近于生物视觉神经网络，非常适合于图像处理，尤其是图像分割。ICM神经元由树突、非线性连接调制和脉冲产生三部分组成。树突的功能是接收邻近神经元的输入信息。它由输入通道和反馈通道线性连接两部分组成。线性连接的输入通道接收来自局部邻近神经元突触的输入信息，而反馈输入通道不仅接收来自局部输入的输入信息，还直接接收来自外部刺激的输入信息。神经元通过突触功能相互连接，构成一个复杂的非线性动态系统。脉冲的产生取决于树突的输入是否超过其激发动态阈值，该阈值随神经元输出状态的变化而相应改变。图1所示为ICM神经元架构图。

图1 ICM神经元架构图
ICM中每个神经元都有对前一状态Fij的记忆函数，状态Fij的记忆内容会随着时间的变化而衰减，衰减率受衰减因子f（f > 1）的影响，ICM的数学表达式如下：

式中：Sij为输入图像对应的像素；I和J为每个像素点的坐标；Wij{}为神经元之间的连接函数；Tij为动态阈值；Yij是神经元的输出。F、G、H均为标量系数，G < F < 1，以确保动态阈值最终小于迭代后神经元的状态值；H是一个非常大的标量，这样可以保证在神经元触发后阈值会大大提高，这样在下一次迭代中神经元就不会被触发。ICM神经元固有点火周期为

，可以看出，ICM神经元的放电周期与输入刺激有关。ICM用于图像处理时，它是一个单层的二维局部连接网络，神经元的数量对应于图像中像素的数量。与输入图像中较大像素值相对应的神经元首先触发并输出脉冲。当阈值增大到更大的值后，它会随着时间呈指数衰减，直到再次达到Fij > Tij，然后神经元第二次放电。同时，放电神经元通过连接函数作用于邻近神经元，使符合放电条件的邻近神经元被连续捕获并点燃。每次迭代ICM的输出图像都在一定程度上包含了输入图像的区域和边缘信息。可以看出，交叉视觉皮质模型（cross visual cortex model，ICM）具有良好的图像分割能力。然而，ICM图像的分割效果不仅取决于ICM参数的合理选择，还取决于最佳分割阈值和循环迭代次数的确定。ICM神经元的循环迭代次数需要通过人机交互来确定，这削弱了ICM不需要训练过程和ICM处理速度快的优势。因此，选择合适的准则自动确定ICM神经元的最佳分割阈值和迭代周期数是ICM图像分割的关键。该方法根据实际需要，结合模糊集和熵的概念求解最小模糊度的阈值，可有效地应用于仪器图像的自动分割。
        总之，仪器识别检测的关键是提取边缘和骨架，确定指针的位置。利用改进的交叉视觉皮质模型提取指针的边缘，在保证准确性的前提下提高了指针的运行速度。在计算指针读数时，利用梯度最大下降法和先验知识计算角度，大大节省了操作时间。
        参考文献：
        [1]张萍.机器视觉仪表识别方法的研究进展.2018.
        [2]陈颖怡.浅谈基于计算机视觉的座舱仪表识别检测方法.2019.