采用不變矩圖像匹配與直方圖的儀表識別算法

周戈, 曾智

(1. 重慶青年職業技術學院 信息工程系, 重慶 400712；2. 中國科學院 自動化研究所， 北京 100190)

采用不變矩圖像匹配與直方圖的儀表識別算法

周戈1, 曾智2

(1. 重慶青年職業技術學院 信息工程系, 重慶 400712；2. 中國科學院 自動化研究所， 北京 100190)

為了解決當前儀表識別算法在機床儀表狀態信號多變、實時性強的環境下狀態識別錯誤的不足，設計一種基于不變矩圖像匹配與直方圖的在線儀表識別算法.首先，基于不變矩特征，通過圖像的重心坐標獲取其中心不變矩，設計圖像匹配算子，并根據儀表燈的匹配度量值定位當前狀態信號位置.然后，根據定位到的信號中心點坐標，提取出狀態信號外接最小矩形.最后，依據信號燈顏色的直方圖特性，計算出反投影直方圖，實現對狀態信號顏色的判斷.實驗結果表明：與當前機床儀表識別技術相比，面對機床儀表狀態信號多變的環境時，文中算法具有更高的識別精度. 關鍵詞： 機床儀表； 識別算法； 不變矩； 直方圖； 圖像匹配； 反投影

隨著制造業的轉型，制造已逐步趨向無人化、智能化、物聯網化[1].機床作為產品與零部件加工的必備介質，在機械工程領域得到廣泛使用.幾乎所有的機床都帶有儀表，實時顯示機床狀態.因此， 對于機床儀表情況的實時掌握，直接決定機床的生產質量[2].以往，國內很多廠家安排人力進行機床儀表的掌控，但是人力成本高，且不可避免地存在主觀影響.為了改善這一不足，諸多廠商引入機器視覺實現儀表狀態識別，在一定程度上提高了儀表狀態識別的精度和效率.然而，當儀表實時變化速度較快時，其識別精度較低[3-4].對此，研究人員開始將圖像處理技術引入機床儀表識別中，取得了一定成果[5-6].為了提高機床儀表狀態識別算法的適應性，本文提出基于不變矩圖像匹配與直方圖的機床儀表識別算法.

圖1 機床識別算法流程 Fig.1 Process of machine identification algorithm

1 機床儀表識別算法

機床儀表識別算法流程,如圖1所示.該算法的目的是在儀表狀態信號燈位置多變且變換頻率較快的條件下，對機床信號進行精確識別.首先，對儀表狀態顯示屏幕進行實時圖像采集；然后，基于不變矩特征設計圖像匹配算子，并提取不變矩特征，克服狀態信號燈位置實時多變的干擾，完成對狀態信號燈的定位；最后，計算信號顏色的投影直方圖，完成信號燈顏色的穩定識別.

圖2 基于不變矩的圖像匹配過程Fig.2 Image matching process based on invariant moments

1.1 基于不變矩的圖像匹配

由于機床作業環境通常是在生產車間，工作環境比較惡劣，光源多變，從而影響圖像灰度的穩定性，且狀態信號燈實時多變，導致基于灰度信息的定位算法效果不佳，尤其是在車間非線性的光照變化條件下，識別難度較大.

文中采用基于不變矩特征的圖像目標匹配算子實現匹配，過程如圖2所示.由于特征點的匹配度量值對位置的變化比較敏感，因此，該技術可有效提高匹配精度[7-8].由于高階矩對噪聲和變形非常敏感，故選用低階矩實現圖像目標匹配[9]，即

式中:p,q可取所有正整數；p+q為矩的階；f為圖像函數.

以重心為原點，計算疑似信號燈的待匹配區域圖像中心不變矩，可得

(a) 原圖 (b) 輪廓圖 (c) 定位匹配圖圖3 文中算法的定位匹配效果Fig.3 Positioning matching effect of this algorithm

圖4 信號燈判斷過程Fig.4 Judgment process of signal lamp

1.2 基于投影直方圖的顏色識別

信號燈位置定位后，為了識別信號燈狀態，需先識別信號燈顏色.機床信號燈有灰色、綠色和紅色3種顏色，分別代表不工作狀態、正常工作和異常工作.在機床實際作業中，信號燈不但位置變換快，而且狀態顏色切換也實時多變.在這種情況下，普通基于像素整體信息分析的顏色識別算法,無法有效排除實時多變的不穩定干擾，會導致顏色識別的失誤.

由于圖像直方圖是圖像各灰度值統計特性與圖像灰度值之間的函數，它統計了一幅圖像中各個灰度級出現的次數或概率[10].這種以一定區域全局整體灰度概率體現的特征比局部像素極值更具有穩定性.因此，通過計算信號燈顏色的直方圖，可實現對狀態信號顏色的判斷，其過程如圖4所示.依據文獻[10]可知，圖像直方圖計算公式為

式中：N為圖像像素總數;nk為第k級灰度的像素數;rk為第k個灰度級;P為該灰度級出現的概率.

由上式可知：直方圖提供了圖像整體灰度值的分布情況和整體描述[11].待處理圖A,B，如圖5所示.灰色信號燈與綠色信號燈和紅色信號燈的直方圖計算結果，如圖6所示.由圖6可知：灰燈分布在整個灰度范圍，集中在兩端；綠燈分布在灰度50以上，集中在中間；紅燈分布在整個灰度范圍，集中在中間.由此可知：灰、綠、紅的直方圖有各自的特點，文中算法根據此特性，對儀表完成識別.

(a) 待處理圖A (b) 待處理圖B (a) 灰燈 (b) 綠燈 (b) 紅燈 圖5 待處理圖 圖6 直方圖計算結果 Fig.5 Image to be processed Fig.6 Calculation results of histogram

2 實驗與討論

(a) 對應待處理圖A (b) 對應待處理圖B圖7 文中算法的定位識別結果Fig.7 Location identification graph of this algorithm

為了體現文中算法的優勢，將文獻[5]設為對照組,機床儀表信號變化頻率為0.5 次·s-1，即每2 s儀表刷新一次信號狀態.采用VS 2015開發平臺驗證所提技術與文獻[5]算法的識別精度.通過文中算法對圖5的待識別圖像A,B進行識別處理，結果如圖7所示.部分實驗參數：信號燈不變矩歸一化值為0.8；標準匹配度為0.89；信號紅色標準為200；信號綠色標準為150.

(a) 對應待處理圖A (b) 對應待處理圖B圖8 文獻[5]技術的定位識別結果Fig.8 Location identification graph of reference [5]

由于所提技術引入不變矩特征，定義相應的匹配算子，使其具有較好的平移旋轉不變性，且信號燈的灰度變化不敏感，精確定位出信號燈位置，如圖7(a)所示.由信號燈顏色的直方圖特性，計算其反投影直方圖，對其完成精確識別，如圖7(b)所示.由圖7可知：文中算法準確定位出當前信號燈位置，并以不同顏色標注出來(紅框定位綠色信號燈，綠框定位注紅色信號燈)，有效克服了實時多變的不穩定干擾，完成儀表狀態信號燈的監控識別.

利用文獻[5]算法對圖5的待識別圖像A,B進行識別處理，結果如圖8所示.因為文獻[5]算法是通過加入移動檢測,確定是否需要在下次識別中進行重定位,實現信號燈識別的目的，但是該技術依靠預先設定的感興趣區域，缺乏動態自適應性.當機床信號燈多變時，因人工設定的感興趣區域難以實時動態依據信號燈的狀態變化定位，導致儀表識別失誤.

圖9 不同變換次數條件下的信號燈識別結果Fig.9 Signal lamp recognition results under different transformation times

為了量化文中算法的穩定性，對不同指示燈變化次數情況下的識別率進行測試.當機床儀表信號的變化頻率為0.5 次·s-1，測試結果如圖9所示.由圖9可知：隨著儀表信號變化次數(n)的增加，文中算法的穩定性較好，其識別正確率(η)穩定保持97%左右；對照組技術的識別率隨儀表信號變化次數增加，其精度逐漸下降，最終穩定在75%左右.因此，文中算法的識別精度與穩定性優于對照組.

3 結束語

為了解決儀表狀態信號燈實時多變，且光照不穩定環境下狀態信號識別不準的問題，設計基于不變矩特征圖像匹配定位與直方圖顏色識別的儀表信號識別算法，實現對機床儀表狀態信號燈的定位、顏色識別.與當前機床儀表狀態信號識別技術相比，在面對現場環境的識別失誤時，文中方法具有更好的精度和穩定性，為機床儀表狀態無人值守監控提供了技術保障.

[1] 李紅衛,楊東升,孫一蘭.智能故障診斷技術研究綜述與展望[J].計算機工程與設計,2013,34(2):632-637.

[2] 李學聰,汪仁煌,劉洪江.指針表刻度中心直線擬合方法研究 [J].計算機工程與設計，2012,33(7):2726-2729.

[3] HU Ying,LIU Guizhong.Instrument identification and pitch estimation in multi-timbre polyphonic musical signals based on probabilistic mixture model decomposition [J].Journal of Intelligent Information Systems, 2013,40(1):141-158.

[4] MEISTER H,LANDWEHR M,LANG-ROTH R.Examination of spectral timbre cues and musical instrument identification in cochlear implant recipients[J].Cochlear Implants International,2014,15(2):78-86.

[5] 于向陽.儀表監控識別系統中實時性和準確性的研究[J].光學技術，2015,17(32):427-430.

[6] 房樺,明志強,周云峰.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，2013,11(5):246-249.

[7] SHAHRUL N Y,LAKHMI J.An insect classification analysis based on shape features using quality threshold ARTMAP and moment invariant[J].Applied Intelligence,2012,37(1):12-30.

[8] ZENG Jinle,ZOU Yirong,DU Dong.Research on a visual weld detection method based on invariant moment features[J].Industrial Robot,2015,42(2)：117-128.

[9] 王亞林.嵌入式智能儀器儀表弱故障信號的有效檢測[J].計算機仿真,2014,18(15):42-47.

[10] NIKOLOVA M,WEN Youwei,CHAN R.Exact histogram specification for digital images using a variational approach[J].Journal of Mathematical Imaging and Vision,2013,46(3):309-325.

[11] 何林遠.基于計算機視覺的座艙儀表識別檢測方法[J].中南大學學報(自然科學版),2014,23(2):271-276.

(責任編輯： 錢筠 英文審校： 吳逢鐵)

Instrument Recognition Algorithm Using Invariant Moment Image Matching and Histogram

ZHOU Ge1, ZENG Zhi2

(1. Department of Information Engineering, Chongqing Youth Vocational and Technical College, Chongqing 400712, China;2. Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China)

In order to solve the problem of failure to identify the instrument status in current instrument identification algorithm under the condition of the state signal of the machine instrument changing and the strong real-time performance, an online instrument recognition algorithm based on invariant moment image matching and histogram was designed. Firstly, image matching operator was designed by obtaining its center invariant moments with the condition through the gravity coordinates of image based on invariant moment feature, and the position of the current status signal was located according to the matching measure of the instrument light. Then the minimum rectangle of the state signal was extracted according to the coordinates of the center point of the signal, and finally, the back projection of histogram was calculated according to the characteristic of the color of the signal light obtaining the color judgment of status signal. The experimental results show that: this algorithm had a higher recognition accuracy facing the changing environment of the state signal of the machine tool compared with the current machine instrument identification technology. Keywords： machine instrument; recognition algorithm; invariant moment; histogram; image matching; back projection

10.11830/ISSN.1000-5013.201702017

2016-03-18

周戈(1978-)，男，副教授，主要從事圖像處理與目標識別、數據挖掘的研究.E-mail:cqzhouge511qn@sina.com.

重慶市科技攻關計劃項目(2011CJ0782)； 重慶市信息產業發展政策研究重點項目(K2011-52)

TP 391

A

1000-5013(2017)02-0225-04