基于協同稀疏表示的儀器儀表識別方法

國家電網陜西省電力公司檢修公司　李小剛山東魯能智能技術有限公司　周　昊國家電網陜西省電力公司檢修公司　譚敏戈　任　海國家電網寧夏省電力公司檢修公司　李君宏國家電網陜西省電力公司檢修公司　張　輝山東魯能智能技術有限公司　房　樺

?

基于協同稀疏表示的儀器儀表識別方法

國家電網陜西省電力公司檢修公司李小剛
山東魯能智能技術有限公司周昊
國家電網陜西省電力公司檢修公司譚敏戈任海
國家電網寧夏省電力公司檢修公司李君宏
國家電網陜西省電力公司檢修公司張輝
山東魯能智能技術有限公司房樺

【摘要】工業儀器儀表識別工作是工業自動化領域的一個重要項目內容，目前常見的識別方法主要有特征點匹配和模板逐像素比對(模板匹配)，在實際應用中因儀表的種類繁多、場景復雜多變造成識別錯誤，誤差較大；因此引入人臉識別領域中識別率較好的協同稀疏表示分類方法，而協同稀疏表示分類方法相比傳統稀疏表示分類方式，其速度得到大大提高并繼承了稀疏表示分類效果好的特點，經實驗證明該方法能夠有效提高儀表的識別正確率。

【關鍵詞】儀表識別；稀疏表示；協同稀疏表示；模板匹配；特征點匹配

0　引言

機械儀表相比電子儀表具有準確性高、耐用性好、適用條件廣的特點，被廣泛應用于室外的檢測場景。這導致相關工作人員需要利用人眼去現場進行儀表的巡查記錄，耗時耗力，并且在一些特殊天氣會導致巡檢困難，隨著工業自動化的發展，更多的計算機技術被利用到更多行業，其中數字圖像處理對于儀器儀表的自動巡檢工作有著重大的推動作用。由此原先機器視覺領域中的算法被應用到工業巡檢的方案中。

在儀器儀表的識別問題上，應用最廣泛的是逐像素模板匹配方法，該方法采用模板與現場圖像進行逐像素的比對后得到一個最相似的區域，從而識別并定位出儀表[1]；另一個方式是采用特征點匹配的方式，首先對現場圖像和模板圖像的特征點進行計算并統計，分別對兩組特征點進行匹配計算，最終得出最匹配的特征點集，繼而識別出途中的儀表。兩種方式在實際應用中的正確率不高，對于此引入了人臉識別領域中的協同稀疏表示方法[2][3][4][5]對儀表進行識別，經實驗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，核心思想是假設信號具有一定的稀疏性，然后利用L1范數求解該信號的稀疏表示系數。根據研究發現對于高維空間中信號的分布特點，其信號的稀疏性假設仍然成立，因此該理論非常適合對高維數據進行分類，有效地優化改進傳統統計學理論。同時稀疏表示表現出來的良好的可擴展性使研究者將其引入人臉識別領域，并取得了不錯的效果。Jhon Wright和Yi Ma在2009年將稀疏表示的思路應用于人臉識別領域，并提出了基于該思路的一種分類器框架，即SRC(sparse representation-based classifier)[6]。稀疏表示分類主要內容是：將一個信號用多個基礎信號對其進行線性的表示，該線性組合包含了信號的絕大部分信息，即從一個“字典”中選擇某些基礎信號來對輸入信號進行線性表示。其擴展到人臉識別領域，“字典”就是所有訓練樣本的集合，在每一類的訓練樣本充足的情況下，那么某個待測樣本就可以用存于“字典”內的與待測樣本同類的訓練樣本進行線性表示。

將算法推廣到儀表識別領域可改寫為：假設共有K類儀表參與了訓練，讀取每一個樣本圖像的二維信息并進行處理后，將二維圖像轉化為一維的列向量形式。將第i類所有訓練樣本圖像經拉伸處理組成矩陣的形式，就得到了下式：

由于測試樣本y所屬類別應該是未知的，因此在對其進行稀疏表示時，需要將所有訓練樣本集合到一起，構成整體訓練樣本的訓練字典：

2　協同稀疏表示

以上認為字典A是過完備的。而實際研究中經常會碰到的情況是樣本不多，人臉識別是一種典型的小樣本尺寸問題，更多的時候，構造的字典A是欠過完備的。如果用A來表示樣本y，可能會出現誤差。一個最簡單的解決方式是增加訓練樣本數量，利用更多的相關類別的樣本來表示y。但是很多時候樣本無法再次采集獲得，對于屬于i類的測試樣本能夠收到j類的一些樣本在識別上的協助表示。這樣就能夠在稀疏表示的基礎上利用其他類的訓練樣本來協助相關類的訓練樣本來稀疏表示測試樣本[7]。換而言之，所有樣本構成的字典能夠在L1范數和稀疏約束條件下協同地線性表示測試樣本y。CRC(基于協同稀疏表示分類)方法過程如下：

(1)輸入數據：訓練樣本矩陣A，待測試樣本y。

(2)使用主成分分析(PCA)方法將A和y降低到低維特征區間，得到和。

(3)利用單位L2范數約束標準化以及的列。

(5)計算正則化殘差：

分別對正負測試樣本進行以上兩種方法的分類結果如圖1所示。

圖1　稀疏表示分類和協同稀疏表示分類結果對比

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

3　實驗和結論

利用上述方法訓練得到的分類器，結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域并進行分類。文章共采集了如圖1、圖2所示包含正負訓練樣本和測試樣本在內的共280張圖片進行了測試。

圖2　部分訓練正樣本

圖3　部分訓練負樣本

測試過程是將所有樣本按照儀表類型進行分為11類，從每一類中選取5張作為正測試樣本，5張作為負測試樣本，其余作為訓練樣本，分別對每一類測試樣本進行特征點匹配、傳統逐像素模板匹配、稀疏表示匹配和協同稀疏表示匹配，將得到的結果進行統計計算得到正確率如下表所示：

表1　實驗結果

從表1結果可以看到，結合了逐像素匹配的思路對模板圖像和測試圖片進行匹配能夠準備地定位儀表，正確率優于傳統的模板匹配和特征點匹配方法，并且在匹配的同時利用稀疏表示的分類功能可以正確地對圖像進行分類。

參考文獻

[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].電測與儀表,2004,41(4):56-58.

[2]金一.人臉識別中的若干算法研究[D].北京交通大學,2009.

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

[4]謝麗欣,牟會,王歡,劉明霞.基于計算機視覺的人臉檢測與識別綜述[J].計算機安全,2010,01:65-69.

[5]房樺,明志強,周云峰,等.一種適用于變電站巡檢機器人的儀表識別算法[J].自動化與儀表,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，大學本科，工程師，主要研究方向為變電設備運維檢修技術及智能在線監測系統應用。

周昊（1989—），男，通訊作者，碩士研究生，初級工程師，主要研究方向為數字圖像處理。

譚敏戈（1978—），男，大學本科，工程師，主要研究方向為輸電線路工程。

作者簡介：