基于自適應匹配的矢量圖符號模糊識別仿真

劉 磊，張 燕

(電子科技大學成都學院，四川 成都 611731)

1 引言

隨著工程矢量圖繪制技術的迅速發(fā)展，當前矢量工程圖紙已經(jīng)逐漸普遍，在這些圖紙中人們通過豐富多樣的特征符號描述，符號識別作為模式識別的關鍵分支，已經(jīng)成為了機器理解圖紙內(nèi)容的關鍵流程，其結果能夠廣泛使用在圖形檢索、圖紙糾錯與三維重建等領域[1]。例如利用工程矢量圖符號識別技術將工程電路圖有效的讀取到數(shù)據(jù)庫中，并通過對電路圖進行數(shù)據(jù)抽取、數(shù)據(jù)變化和數(shù)據(jù)重構等操作完成電路圖的信息重構，以方便對維修人員進行維修指導和快速培訓等任務。

現(xiàn)實中的工程矢量圖紙內(nèi)符號的描述存在多樣性，代表同一種類、同一語義甚至同一符號時，具有視覺表達或圖元組成上相似但不完全一致現(xiàn)象。這會導致同一種符號在不同的排列上有著不同的語義，或不同的矢量圖符號在相同的排放順序下，存在視覺表達類似的情況，這種情況就會影響到在觀察或使用矢量圖進行繪制或比照時產(chǎn)生誤差，因此需要一種能夠精確識別矢量符號的方法，來獲取符號的位置與形狀。

針對上述問題，提出基于自適應匹配的矢量圖符號模糊識別。引入自適應匹配算法，獲取符號特征，并轉換特征空間，將符號特征與模板進行匹配，獲得符號的尺寸，優(yōu)化符號匹配精度，最后根據(jù)自適應匹配方法模糊識別矢量圖中的符號。

2 基于自適應匹配的矢量圖符號模糊識別

2.1 特征模糊提取

矢量圖內(nèi)的符號模糊性主要來源與符號的多樣性描述，現(xiàn)實使用中不同的繪制準則、繪制習慣以及統(tǒng)一繪圖者在多次繪制同一種圖形時的細節(jié)差別，都會使符號最后的視覺表示或圖元構成出現(xiàn)差異，本文把這樣的現(xiàn)象描述成符號的模糊性。在符號目標與其背景回波的矢量圖像內(nèi)，雜波的出現(xiàn)會導致符號目標距離產(chǎn)生模糊，同時最終干擾對目標符號的識別能力，必須對模糊進行有效的抑制。

擬定{X(n)|n=0，1，…，N-1}代表目標和背景回波組成的矢量圖像，在圖內(nèi)擬定一種坐標和寬度都能夠產(chǎn)生變化的滑動窗口θ，并通過以往的算法對目標的徑向長度與坐標進行計算，在窗口θ與目標符號重疊[2-4]時，使用M來表示其寬度，可以得到雜波水平和度量目標能量的三個量，即雜波平均電平δt，符號平均電平δi與觀察窗口平均電平δc，其分別通過以下方程進行計算

(1)

(2)

(3)

式中，只有符號目標和δt的回波能量[3-4]不具有關聯(lián)，目標特征在進行模糊提取時對信號的預處理需要和符號種類不存在關聯(lián)，所以能夠通過以下公式抑制雜波

(4)

以此，來剔除因符號目標距離模糊導致的異常目標，引起的相關匹配結果出現(xiàn)誤差，博里葉轉換的輸入信號與幅度在線性位移中不具有任何關聯(lián)，所以可以用在計算不變特征量上。因此，將{Y(n)n=0，1，…，N-1}轉變至頻域內(nèi)完成特征模糊提取，即

(n)=FFT{Y(n)}，n=0，1，…，N-1

(5)

2.2 基于離散度準則的特征空間轉換

特征空間轉換是符號識別中的重要步驟，即將原始描述空間映射到低維的特征空間里，實現(xiàn)對空間的維數(shù)壓縮，隨后把所有統(tǒng)計內(nèi)存在關鍵特征[5-6]的符號儲存起來，實現(xiàn)高速、高效的分類。基于離散度準則的特征空間轉換，將初始的N維空間轉換成C-1維空間，完成特征維數(shù)的大幅度壓縮。

擬定存在一組已知種類的N維空間樣本x1，x2，…，xm，共m種，其中m1種屬于第1類樣本，擬定成X(1)，mc種屬于第C類樣本，擬定成X(c)；變換矩陣是W=(wij)N·(C-1)，變換完成之后的特征矢量是

y=WT·x

(6)

其中，y代表C-1維的特征矢量，x為N維矢量，為了搜索變換矩陣W，能夠將目標函數(shù)J(W)進行最大化處理即

(7)

其中，Sw代表類內(nèi)離散度，映射了所有類符號目標樣本之間的離散度[7]，Sn代表類間離散度，映射所有類樣本間的離散度。J(W)的最大化就代表類樣本經(jīng)過一種線性變化，將類間樣本距離最大化，同時使類內(nèi)樣本距離最小化。類內(nèi)離散度Sw擬定成：

(8)

式中

(9)

其中，Mt代表所有類符號目標樣本的均值[8]矢量

(10)

類間離散度Sn擬定成：

(11)

式中

(12)

2.3 基于小樣本學習的矢量圖符號模板匹配

模板匹配算法適合于矢量圖符號這種小樣本的匹配，其把目前待分類的符號樣本和模板庫內(nèi)的模板進行匹配，獲得待分類符號樣本和模板之間的距離，為了確保分類器組合的需求，需要把匹配的距離轉變成識別可信度。

1)在線模板匹配距離與離線模板匹配距離

因為符號對應點之間的模式距離和模板之間的相似度具有較好的識別效果，本文使用這兩種距離用作在線模板匹配與離線模板匹配上，式(15)擬定了兩種符號A，B對應點之間的平均歐式距離[9]定義

(13)

式中，A，B代表存在N種采樣點xAi-xBi與yAi-yBi，其分別是A與B內(nèi)的第i種點的位置。

由于符號的距離矩陣里存在符號的隨機一像素點距離和矢量圖黑色像素點最近距離，運算一幅矢量圖中某一點至另外一幅矢量圖上黑色像素點[10]的最小距離，能夠從疊加一幅矢量圖至另一幅矢量圖的距離矩陣上直接獲得，能夠加快相似度的運算效率。

2)匹配距離到識別可信度的轉換

為了便于模板匹配算法與之后構建的分類器能夠順利融合，把模板匹配獲得的距離轉化成識別可信度，擬定d1(A，B)=ds(A，B)，d2(A，B)=H(A，B)，首先把匹配距離進行歸一化處理即

(14)

式中，dMaxi代表第i種模板匹配[11]算法相應的最大匹配距離，dMini代表第i種模板匹配算法相應的最小匹配距離。

2.4 基于自適應匹配的矢量圖符號模糊識別

基于上述的符號分類與模板匹配后，本文給出了基于自適應匹配的矢量圖符號識別算法，首先通過匹配交互學習符號樣列組建符號庫，隨后通過匹配到的符號在復雜的圖紙內(nèi)搜索與之相同或類似的符號[11-12]實例，大致流程如下所示：

步驟1：針對原型符號B與待識別圖G，對其中的所有基元結構進行提取，組成B與G的集合LSB與LSG。

LSB={lsB，i，i=1，2，…}

LSG={lsG，j，j=1，2，…}

(15)

步驟2：對隨機lsB，i∈LSB，計算LSG內(nèi)的所有局部鄰域結構lsB，i和lsG，j的距離D(lsG，j，lsB，i)。

(16)

(17)

式中，rlsB，k代表符號內(nèi)核lsi距離最近的結構的主基元，縮放因子初始化成該主基元尺寸和整體原型符號包圍盒半徑尺寸的比值。

(18)

(19)

假如，在計算完成之后，匹配的結果并沒有被合并，那么直接將其作為第i步結果內(nèi)的一類。

3)迭代2)，直至前后兩次的匹配結果不會出現(xiàn)變化。

步驟5：挑選候選結果，在步驟4內(nèi)，匹配結果是C1，C2，…的類通過圖內(nèi)的若干架構形成，通過步驟4與步驟3能夠看出，在前Ci內(nèi)的所有元素都和符號內(nèi)的某種局部結構相同，并且這些元素空間的距離是非常近的，這就能夠認為其代表另一種候選結果，這一步評測該結合在多大幾率上覆蓋了待識別符號的局部結構，本文經(jīng)過合并和Ci內(nèi)各元素相似的待識別符號內(nèi)的結構得到該類在符號結構集合內(nèi)的相似子集BCi?LSB，即

(20)

假如BCi的元素總量不超過待識別符號的結構集合元素總量的一般，那么評定類Ci只和符號的很小一部分類似，剔除該類，通過挑選后，剩下的所有類就是符號識別的結果。

3 實驗結果與分析

本次實驗以電路圖為實驗樣本，樣本來源于矢量電路圖在線編輯器(https：//fangyong2006.iteye.comblog728058)，為全面驗證所提方法的矢量圖符號識別性能，利用電路圖在線編輯器設計兩種電路圖，分別為帶有矩形外框的矢量電路圖和無矩形外框的矢量電路圖。利用本研究提出的基于自適應匹配的矢量圖符號模糊識別方法分別對兩個實驗樣本進行符號識別。

3.1 帶有矩形外框的矢量圖字符識別效果

本節(jié)實驗的目的為測試所提方法能否準確識別帶有矩形外框的矢量電力圖內(nèi)的字符。由于實驗樣本矢量電路圖內(nèi)的個別字符存在兩層矩形框，增大了識別難度，增強實驗結果的可靠性。

圖1 帶矩形外框電路圖字符識別結果

通過圖2能夠看出，本文方法能夠較為完成的識別出大量矩形塊中的字符。這是因為本文方法先通過提取特征后依靠模板與符號樣本的坐標位置進行匹配分類，不會因為符號種類多而產(chǎn)生識別缺失問題。

3.2 無矩形外框的矢量圖字符識別效果

為進一步測試所提方法的應用有效性，以無矩形外框電路圖為實驗樣本(如圖2(b))，具體實驗結果如下：

圖2 所提方法矢量圖電路符號識別結果

通過圖2可以看出，在無矩形框的矢量電路圖的符號識別中，本文方法能夠較為完整的識別出矢量圖內(nèi)的符號。這是因為本文方法在進行模糊識別之前，會對整體的矢量圖進行模板匹配，通過這種匹配后的矢量圖不會因為邊框的剔除，影響到識別結果的精確性。

4 結束語

1)為提高矢量圖的實用性與利用率，本文提出基于自適應匹配算法的矢量圖符號模糊識別方法。將已知特征待分類符號樣本與模板庫內(nèi)模板匹配，并獲取樣本與模板間的距離，完成矢量圖符號識別。且通過實驗證明了所提方法識別效果較為理想。

2)但研究方法仍存在以下弊端：在識別矢量圖符號時，矢量圖內(nèi)會存在部分冗余痕跡，例如繪圖人員無意間的筆畫，而該方法并不能識別出這種冗余痕跡，這就導致在觀看整體矢量圖時，會因為冗余痕跡的影響，導致整體的視覺效果降低。因此下一步需要研究的課題即：在該方法內(nèi)添加濾波器，對冗余痕跡進行剔除。