王 勇， 郭 慧

（華東理工大學機械與動力工程學院，上海 200237）

基于支持向量機的輪胎標識點形狀識別

王 勇， 郭 慧

（華東理工大學機械與動力工程學院，上海 200237）

輪胎標識點在輪胎分類中發(fā)揮著重要的作用，為了解決人工識別標識點工作強度大、誤差較高等問題，提出了一種基于支持向量機的輪胎標識點形狀識別算法。首先利用中值濾波對標識點圖像進行降噪處理，根據(jù)標識點圖像的灰度直方圖對圖像進行分割以去除背景，并利用 Canny邊緣檢測算子提取標識點邊緣輪廓。然后，提取標識點輪廓的傅立葉描述子系數(shù)，最后利用支持向量機對標識點的傅立葉描述子系數(shù)進行分類以識別標識點的形狀。實驗結果表明，該算法能準確地識別出輪胎標識點的形狀，提高了標識點識別效率。

支持向量機；標識點；傅立葉描述子；形狀識別

在輪胎制造過程中，輪胎的側面會打印上不同形狀標識點，這些標識點用于輪胎的入庫分類。然而，在標識點的識別過程中大多數(shù)輪胎生產(chǎn)廠家仍舊采用人工識別的方法。這種標識點識別方法不僅工作強度大而且效率低、易出現(xiàn)錯檢現(xiàn)象[1]。

隨著人工智能算法和數(shù)字圖像處理技術的不斷發(fā)展，有很多現(xiàn)代技術已應用于工業(yè)生產(chǎn)制造過程中。Franci等[2]利用機器視覺技術對焊接電路板進行自動檢測。Nashat等[3]利用支持向量機算法設計了一種在線檢測生產(chǎn)線上餅干顏色的方法。Li等[4]設計了一種自動分揀棉絨中雜質物的方法。這些應用人工智能算法設計的工業(yè)生產(chǎn)方法，不僅提高了工業(yè)生產(chǎn)效率還極大地節(jié)省了人力資源。然而，將人工智能算法應用于輪胎標識點形狀識別的應用實例較少。

為了能夠更加有效地識別輪胎標識點，本文提出了一種基于支持向量機的輪胎標識點形狀識別算法。該算法主要包括標識點圖像的去噪、基于灰度直方圖的圖像分割、利用Canny邊緣檢測算子提取標識點輪廓、提取輪廓傅立葉描述子系數(shù)以及利用支持向量機對傅立葉描述子系數(shù)進行分類以識別標識點形狀。

1 輪胎標識點形狀識別方法

1.1 圖像去噪

輪胎標識點圖像是通過CCD攝像機獲取的，而在CCD攝像機電子線路傳輸圖像的過程中會在圖像中引入噪聲[5]。噪聲會降低圖像的質量，同時對于接下來的圖像分割和邊緣檢測都會產(chǎn)生不利影響。中值濾波器是一種非線性濾波技術，該種濾波器能夠在濾去噪聲的同時保護圖像邊緣信息不受破壞。中值濾波的基本原理是把圖像像素點劃分為多個P×P的小方格（P為奇數(shù)），方格中心像素是降噪的對象，通過公式1計算出方格的像素中值并替換掉中心像素。

圖1為攝像機獲取的一幅原始輪胎標識點圖像和其灰度直方圖，圖2 為利用中值濾波降噪處理后的圖像及其灰度直方圖。通過對比不難發(fā)現(xiàn)經(jīng)降噪處理后圖像的灰度分布變得均勻，這為后續(xù)的圖像處理奠定了基礎。

圖1 原始圖像及其灰度直方圖

圖2 中值濾波后的圖像及其灰度直方圖

1.2 圖像分割

為了能夠把輪胎標識點從圖像背景中分割出來，本文采用基于灰度直方圖的閾值分割方法（圖3）。該圖像分割方法，是通過分析圖像的灰度直方圖的峰值點來選取最佳閾值，從而將目標區(qū)域從背景中分割出來[6]。如果圖像的灰度直方圖只有兩個峰值，那么分割閾值為兩個峰值之間的最小峰值處的灰度值。如果圖像的灰度直方圖中含有多個峰值，那么分割閾值設置在兩個最為凸出的峰值之間。

圖3(c)為基于灰度直方圖的圓形輪胎標識點分割結果。該標識點的灰度直方圖中只有兩個峰值，由此可知灰度值205為最佳分割閾值?；叶戎敌∮?05的為背景，灰度值大于205的為標識點。

圖3 基于灰度直方圖的圓形輪胎標識點分割結果

1.3 邊緣檢測

邊緣檢測的目的是將分割好的圖像中目標的形狀輪廓提取出來。本文采用Canny邊緣檢測算子進行輪胎標識點輪廓提取，Canny邊緣檢測算子是一類最優(yōu)秀的邊緣檢測算子。因為Canny邊緣檢測算子具有低誤判率、高定位精度以及抑制虛假邊緣的特點，其在許多圖像處理領域得到廣泛應用。圖4為利用Canny邊緣檢測算子檢測圓形輪胎標識點的結果。

圖4 圓形標識點Canny邊緣檢測結果

1.4 傅立葉描述子的形狀表示

1.4.1 傅立葉描述子

在1.3中已經(jīng)提取了標識點的輪廓信息，為了描述輪胎標識點的形狀，可采用傅立葉描述子對標識點形狀進行定量表示[7-8]。采用傅立葉描述子的優(yōu)點是可將二維問題簡化為一維問題。在1.3中提取的標識點輪廓是由K個點組成的邊界，任取一個起始點 (x0,y0)，然后沿著順時針方向繞一周，便可以得到一個點序列：( x0,y0), (x1,y1),…, (xK-1,yK-1)。用復數(shù)形式可表示為式2。

s( k)的離散傅立葉變換為：

其中，傅立葉系數(shù) S (u)可稱為邊界的傅立葉描述子，它的傅立葉逆變換為：

傅立葉變換的高頻分量對應一些細節(jié)，而低頻分量對應基本形狀，因而只利用 S (u)的前 7個系數(shù)來描述標識點的基本形狀即可。

由于傅立葉描述符與形狀的尺度、方向、曲線的起點位置有關，為了能夠識別具有旋轉、平移等變化的標識點形狀，需要對傅立葉描述符進行歸一化。用傅立葉系數(shù)描述形狀時，系數(shù)幅值具有旋轉不變性和平移不變形性（其中， S (0)不具有平移不變性），并且與曲線起點的選擇無關。相位信息arg(S (k )),k = 0,1··,K具有尺度不變性。

1.4.2 提取傅立葉描述子系數(shù)

本文采用一種快速傅立葉轉換算法來提取標識點輪廓的7個傅立葉系數(shù)[9]。圖4為圓形標識點的 Canny邊緣檢測的輪廓圖，應用文獻[9]的算法結合公式(4)提取其傅立葉描述子系數(shù)如表1所示。

表1 圓形標識點傅立葉描述子系數(shù)

1.5 標識點形狀識別

1.5.1 支持向量機

支持向量機是由 Vapnik等 提出的一類非常優(yōu)秀的學習算法，其基本原理是在給定的兩類數(shù)據(jù)之間建立最優(yōu)分類線來區(qū)分兩類數(shù)據(jù)。所謂最優(yōu)分類線，就是要求分類線不但能將兩類數(shù)據(jù)分開，還要使得分類間隔最大。對于線性可分的情況，假設有M個輪胎標識點形狀樣本，每個樣本的傅立葉描述子系數(shù)用向量 hi(i= 1,2··,M)表示。且 M 個樣本對應兩種不同的標識點形狀兩類線性可分樣本集合為：[10]其線性分類方程如公式(5)所示：

其中，ω為最優(yōu)分類線的法線，b是分類閾值，b必須滿足如式(6)的約束條件。

如果線性可分方程f(hi)＞0，則輸入的樣本屬于種類 yi=+1。反之屬于種類 yi=-1。

對于線性不可分的情況，利用適當?shù)暮撕瘮?shù)k (hi,hj)，將輸入向量 hi映射到高維特征空間H。通過在特征空間尋找最優(yōu)分類面來獲取理想的分類效果。設有非線性映射 Φ:Rd→H，將輸入空間的數(shù)據(jù)樣本映射到高維特征空間。

1.5.2 標識點形狀識別

由于標準支持向量機適用于兩類分類問題，而本文中的輪胎標識點形狀有圓形、正方形、十字形和正菱形4種類型。因此，利用標準支持向量機并不能對標識點進行有效識別。國內(nèi)外很多學者，對現(xiàn)有的二類分類支持向量機進行了優(yōu)化改進。設計出適用于多類別分類問題的支持向量機算法。其中，較為常用的有“一對多”[10]、“一對一”[11]、“有向無環(huán)圖支持向量機”[12]以及“二叉樹支持向量機”[13]等分類算法，可有效解決多類支持向量機分類問題。本文利用文獻[12]提出的多類別支持向量機分類算法，實現(xiàn)了多種形狀輪胎標識點分類問題。該算法通過在N類樣本中建立 N (N-1)/2個樣本分類器，并利用這N (N-1)/2個樣本分類器對每類樣本進行“淘汰”測試，以識別出樣本種類。對于本文中的4種標識點形狀需要建立 6個樣本分類器進行形狀識別，其分類示意圖如圖5所示。

圖5 4種輪胎標識點分類示意圖

2 應用實例

為了驗證本文提出算法的有效性，利用采集到的600幅汽車輪胎標識點圖像進行實驗。在對多類支持向量機分類器進行訓練時，隨機選取400幅標識點圖像作為訓練樣本，并保證每類標識點有100個樣本，其余的200幅圖像作為測試樣本來驗證算法的有效性。基于支持向量機的輪胎標識點形狀識別算法的基本流程圖如圖6所示。

圖6 輪胎標識點形狀識別算法流程圖

2.1 標識點形狀提取

首先將獲取的輪胎標識點圖像利用中值濾波進行降噪處理，然后基于灰度直方圖對去噪后的圖像進行分割，最后利用Canny算子提取分割后圖像邊緣輪廓。表2為經(jīng)圖像處理后4種標識點圖像的典型實例。

2.2 標識點形狀識別

在利用多類支持向量機進行形狀識別之前，先要利用文獻[9]快速傅立葉轉換算法和公式(4)提取 2.1中的標識點形狀傅立葉描述子系數(shù)。表2中的4種標識點的傅立葉描述子系數(shù)如表3所示。

表2 4種標識點形狀提取效果圖

表3 4種標識點形狀傅立葉描述子系數(shù)示例

在提取完所有樣本的傅立葉描述子系數(shù)后，把隨機抽取的包含4種形狀的400個樣本的傅立葉描述子系數(shù)作為訓練集對多類支持向量機進行訓練。為了提高輪胎標識點形狀識別的準確率，在實驗過程中分別將3種不同類型的核函數(shù)應用于多類支持向量機的形狀分類。實驗采用LIBSVM軟件包[14]在MATLAB6.5環(huán)境下進行。實驗在選擇支持向量機的正則參數(shù)時，采用了較為常用的交叉驗證(CV)方法，該方法可有效避免“過學習”和“欠學習”現(xiàn)象的發(fā)生。本文采用K- CV（一般地，K取10）方法對支持向量機形狀識別器中的多項式核函數(shù)的參數(shù)b和d，徑向基函數(shù)的方差σ以及懲罰系數(shù)C進行評估。K- CV方法將訓練集平均分成K組，每個子集數(shù)據(jù)分別作為驗證集進行測試，其余K-1個子集數(shù)據(jù)作為訓練集。對于多項式核函數(shù)的待評估參數(shù)b和d的取值范圍均設定為徑向基函數(shù)的待評估的模型參數(shù)方差σ取值范圍設定為懲罰系數(shù)C的取值范圍設定為。經(jīng)過交叉驗證最終確定多項式核函數(shù)的參數(shù) b=2.0；d=2，徑向基函數(shù)的方差σ =0.5，懲罰系數(shù)C=5。實驗結果表明，在訓練樣本數(shù)量相同且訓練精度均為100%的條件下，3種不同的核函數(shù)構造的支持向量機形狀分類器中，徑向基函數(shù)構造的形狀分類器識別準確率最高滿足工業(yè)要求。實驗結果如表4所示。

表4 3種不同形狀識別器的識別準確率

3 結 束 語

針對人工識別輪胎標識點形狀效率低的問題，本文提出了一種基于支持向量機的輪胎標識點形狀識別算法。通過對獲取的標識點圖像進行中值濾波降噪、基于灰度直方圖圖像分割、Canny邊緣檢測和提取標識點輪廓的傅立葉描述子系數(shù)處理后。把標識點輪廓的傅立葉描述子系數(shù)作為輸入，利用基于徑向基函數(shù)的多類支持向量機形狀分類器獲得較高的標識點形狀識別準確率，提高了輪胎標識點識別效率。

[1] Wu Zong. The Application automatic recognition technology into tyre industry [J]. Tyre Industry, 2002, 22: 760-763.

[2] Franci L, Rok B, Franjo P, Kovacic S. Machine vision system for inspecting electric plates [J]. Computers in Industry, 2002, 47(1): 113-122.

[3] Nashat S, Abdullah A, Aramvith S, Abdullah M Z. Support vector machine approach to real-time inspection of biscuits on moving conveyor belt [J]. Computer and Electronics in Agriculture, 2011, 75(1): 147-158.

[4] Li Daoliang, Yang Wenzhu, Wang Sile. Classification of foreign fibers in cotton lint using machine vision and multi-class support vector machine [J]. Computer and Electronics in Agriculture, 2010, 74(2): 274-279.

[5] Aboshosha A, Hassan M, Ashour M, Ei Mashade M. Image denoising based on spatial filters, an analytical study [C]//Proceedings of the International Conference on Computer Engineering and Systems, 2009: 245-250.

[6] Otsu N. A threshold selection method from gray-level histograms [J]. IEEE Transactions on Systems Man and Cybernetics, 1979, 9(1): 62-66.

[7] Persoon Z, Fu K S. Shape discriminating using Fourier descriptors [J]. IEEE Trans on PAMI, 1986, 8: 388-397.

[8] Zahn C T, Roskies R Z. Fourier descriptors for shape closed curves [J]. IEEE Trans on Computer, 1972, 21: 269-278.

[9] Han Y J, Feng Y, Weller C L. Frequency domain image analysis for detecting stress cracks in corn kernels [J]. Transactions of the ASAE, 1996, 12(4): 487-492.

[10] Vapnik V. Statistical learning theory [M]. New York: John Wiley and Sons, 1998.

[11] Krebel U H G. Pairwise classification and support vector machines [M]. Cambridge: MIT Press, 1999.

[12] Platt J C, Christrani N, Shawe T J. Large margin DAGs for multiclass classification [C]//Proceedings of Neural Information Processing Systems, 2000: 547-553.

[13] Wang Anna, Liu Junfang, Wang Hao, Tao Ran. A novel fault diagnosis of analog circuit algorithm based on incomplete wavelet packet transform and improved balanced binary-tree SVMs [C]// Proceeding of Bio-inspired Computational Intelligence and Applications LNCS 4688, New York, USA: 2007: 482-493.

[14] Chang C C, Lin C J. LIBSVM: a library for support vector machines [J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3):1-27.

The Shape Recognition of Tyre Marking Points Based on Support Vector Machine

Wang Yong, Guo Hui
(School of Mechanical and Power Engineering, East China University of Science and Technology, Shanghai 200237, China)

The tyre marking points play an important role in the tyre classification. However, manual recognition is laborious and is easily influenced by physiological factors. A method of shape recognition of tyre marking points based on Support Vector Machine(SVM) is proposed in this paper. Firstly, the image of tyre marking points will be denoised by median filter and segmented based on the gray level histogram. Then the edge of tyre marking points will be detected by Canny algorithm, and the detected edge will be represented by Fourier transform. Lastly, those Fourier coefficients will be used as input to SVM classifier for distinguishing shapes of tyre marking points. The experimental results show that the proposed method can achieve high correct shape recognition rate and improve the efficiency of recognition of tyre marking points.

support vector machine; tyre marking points; Fourier descriptors; shape recognition

TP 391

A

2095-302X (2014)02-0274-06

2013-09-16；定稿日期：2014-01-08

王 勇（1988-），男，山東臨沂人，碩士研究生。主要研究方向為機械設計及理論、機器視覺。E-mail：wangecust@163.com

郭 慧（1964-），女，江西贛州人，副教授。主要研究方向為計算機圖形學、逆向工程。E-mail：ghcad@163.com