趙世峰

摘 要：針對(duì)Android系統(tǒng)下機(jī)械式電表數(shù)字識(shí)別應(yīng)用，提出一種電表讀數(shù)圖像ROI提取方法。為消除光照不均及反光的影響，結(jié)合Canny邊緣檢測(cè)、局部自適應(yīng)閾值二值化與全局閾值二值化實(shí)現(xiàn)電表讀數(shù)圖像二值化。使用Opencv的人工神經(jīng)網(wǎng)絡(luò)多層感知器模型完成電表數(shù)字識(shí)別，測(cè)試結(jié)果顯示，該技術(shù)對(duì)機(jī)械式電表讀數(shù)具有較高的識(shí)別率。

關(guān)鍵詞：Android系統(tǒng)；Opencv；ROI提?。粓D像二值化；神經(jīng)網(wǎng)絡(luò)

DOIDOI：10.11907/rjdk.162503

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：16727800（2016）011019603

0 引言

隨著社會(huì)的進(jìn)步和電子技術(shù)的發(fā)展，傳統(tǒng)的機(jī)械式電表正逐步被電子式電表和智能電表取代。盡管如此，在一些舊城區(qū)，尤其是廣大邊遠(yuǎn)農(nóng)村地區(qū)，機(jī)械式電表用戶仍然大量存在。機(jī)械式電表用戶用電數(shù)據(jù)主要依靠電力抄表員人工讀取記錄，受人為因素影響較大。近年來，隨著Android智能手機(jī)的普及和機(jī)器視覺技術(shù)的發(fā)展，利用具有攝像頭的Android智能手機(jī)APP采集和識(shí)別機(jī)械式電表讀數(shù)成為代替人工讀數(shù)的有效途徑。

OpenCV（Open Source Computer Vision Library） 是一個(gè)由一系列C函數(shù)和少量C++類構(gòu)成的開源跨平臺(tái)計(jì)算機(jī)視覺庫，Qt是芬蘭Digia公司所有的一個(gè)跨平臺(tái)的C++圖形用戶界面應(yīng)用程序框架。Android平臺(tái)最初僅支持使用Java開發(fā)應(yīng)用，Qt on Android和Qt Quick框架的推出為開發(fā)者使用C/C++開發(fā)Android應(yīng)用提供了有力工具，也為Android中使用OpenCV快速開發(fā)圖像處理應(yīng)用提供了強(qiáng)大支持[1]。本文在PC機(jī)上建立了Qt for Android+Opencv的開發(fā)環(huán)境，可完成PC機(jī)應(yīng)用程序及Android 手機(jī)應(yīng)用的開發(fā)。Qt的版本為qt-opensource-windows-x86-android-5.3.0，Qt Creator的版本為3.1.1，NDK的版本為android-ndk-r9d，Opencv選擇2.4.9版本，用于Android應(yīng)用的是OpenCV-2.4.9-android。

1 圖像獲取與ROI提取

電表圖像通過手機(jī)攝像頭拍攝獲取，為rgb模式的彩色圖像?？紤]到手持拍攝的可操作性，圖像獲取視窗應(yīng)盡量寬大，表盤讀數(shù)位于其中即可。這里設(shè)定圖像獲取視窗為長寬比2：1的區(qū)域，獲取的較具有代表性的電表圖像如圖1所示。

圖1（a）所示的電表圖像背景較為單一，圖1（b）所示的電表圖像背景較為雜亂。電表讀數(shù)區(qū)域?yàn)榱缓诘装鬃值恼麛?shù)（紅底白字的小數(shù)位一般無需讀?。?，需進(jìn)行提取。首先對(duì)圖像進(jìn)行均值低通濾波以降低噪聲，接著消除彩色像素對(duì)ROI提取可能產(chǎn)生的影響（本文規(guī)定r、g、b值中最大與最小值之比大于1.5即為彩色像素），即以灰度直方圖中峰值對(duì)應(yīng)的灰度值替代彩色像素的r、g、b值；消除彩色像素后，將圖像灰度化并使用OTSU算子對(duì)圖像進(jìn)行二值化，反轉(zhuǎn)黑白后利用OpenCV中的morphologyEx函數(shù)進(jìn)行閉運(yùn)算以填充和連通表盤背景，最后定位表盤讀數(shù)區(qū)域外輪廓，旋轉(zhuǎn)校正并進(jìn)行提取。提取過程如圖2所示。

2 圖像二值化與字符提取

圖像二值化是字符識(shí)別過程的關(guān)鍵步驟，其效果直接關(guān)系到字符提取和字符識(shí)別的成敗。電表讀數(shù)極易受反光及光照不均影響，其二值化與字符提取難度遠(yuǎn)高于車牌識(shí)別系統(tǒng)。圖3（a）所示的電表讀數(shù)圖像較為明顯地受到了反光和暗角的影響，經(jīng)典的全局OTSU算子[2]對(duì)其二值化的效果如圖3（b）所示，效果較差。對(duì)于復(fù)雜條件下的圖像二值化，目前的方法主要有根據(jù)背景光照分布對(duì)圖像進(jìn)行分割處理、背景光照均勻化、經(jīng)典的局部閾值算法、結(jié)合Canny算子和局部閾值的方法等[35]，其對(duì)同時(shí)受反光和光照不均影響的電表讀數(shù)圖像二值化效果均不理想。

基于Opencv的圖像處理接口，本文提出了結(jié)合Canny邊緣檢測(cè)、局部自適應(yīng)閾值二值化與全局閾值二值化的電表讀數(shù)圖像二值化方法，具體方法為：

Step1：對(duì)如圖3（a）所示的電表讀數(shù)圖像，將其高度統(tǒng)一為100像素，灰度化并高斯平滑濾波。

Step2：對(duì)電表讀數(shù)圖像進(jìn)行雙閾值Canny檢測(cè)，得到圖4（a）所示的邊緣圖像。

Step3：采用Opencv的局部自適應(yīng)閾值二值化函數(shù)對(duì)電表圖像進(jìn)行二值化，像素閾值T（x，y）的選取采用以像素點(diǎn)為中心的局部鄰域塊的高斯加權(quán)和（與高斯窗口的互相關(guān)），鄰域塊的大小為blocksize×blocksize，blocksize為奇數(shù)，將其設(shè)置為電表讀數(shù)圖像高度的三分之一，二值化結(jié)果如圖4（b）所示。

Step4：以電表讀數(shù)灰度圖像的平均灰度值作為全局閾值對(duì)電表讀數(shù)圖像進(jìn)行二值化，結(jié)果如圖4（c）所示。

Step5：對(duì)如圖4（b）所示的每個(gè)前景點(diǎn)，分別做如下處理：①若其在圖4（c）的圖像中對(duì)應(yīng)位置不是前景點(diǎn)，則將其從前景點(diǎn)中剔除；②在如圖4（a）的邊緣圖像中，以前景點(diǎn)的對(duì)應(yīng)位置為中心的15×15鄰域（高度統(tǒng)一為100像素的電表讀數(shù)圖像中數(shù)字的筆畫寬度約為10像素）中統(tǒng)計(jì)邊緣點(diǎn)（非零像素）個(gè)數(shù)，剔除其中鄰域邊緣點(diǎn)個(gè)數(shù)小于8的前景點(diǎn)，得到如圖4（d）所示的二值化圖像。

由圖4可見，本文方法對(duì)受到光照不均及反光影像的電表讀數(shù)圖像具有較好的二值化效果，提取二值化后圖像中的所有外輪廓，并對(duì)其按尺寸、長寬比、位置（輪廓中心橫坐標(biāo)相同或接近的，選取其中尺寸最大的）進(jìn)行篩選，旋轉(zhuǎn)截取后即可得到電表讀數(shù)字符。篩選后的電表字符外輪廓定位和采用Zhang快速迭代算法[6]細(xì)化后的字符如圖5所示。

3 字符特征提取與識(shí)別

在研究過程中，使用手機(jī)攝像頭采集了3 000余幅電表圖像，利用本文方法對(duì)其進(jìn)行ROI提取、二值化及字符提取與細(xì)化，將提取的字符圖像大小統(tǒng)一為20×20像素，字符特征提取與神經(jīng)網(wǎng)絡(luò)訓(xùn)練由Qt編寫的PC機(jī)應(yīng)用程序完成，具體方法為：①對(duì)于數(shù)字0～9各選取1 000個(gè)圖像樣本，每個(gè)圖像樣本以其水平、垂直直方圖數(shù)據(jù)及15×15分辨率圖像像素信息構(gòu)成265維特征向量，構(gòu)成訓(xùn)練樣本數(shù)據(jù)；②使用Opencv的CvANN_MLP類建立人工神經(jīng)網(wǎng)絡(luò)多層感知器模型，層數(shù)設(shè)定為3層，輸入層節(jié)點(diǎn)數(shù)與字符圖像特征向量維數(shù)相同，輸出層節(jié)點(diǎn)數(shù)為10，隱含層節(jié)點(diǎn)數(shù)設(shè)定為50，激活函數(shù)選取Sigmoid函數(shù)。通過訓(xùn)練樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)參數(shù)以XML文檔方式保存。

在進(jìn)行電表讀數(shù)識(shí)別時(shí)，首先按本文方法進(jìn)行ROI提取、二值化及字符提取，對(duì)提取的字符由神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類識(shí)別，并按照字符中心位置在電表讀數(shù)圖像中的橫坐標(biāo)進(jìn)行排序，即可得到電表讀數(shù)。為驗(yàn)證技術(shù)的有效性，使用Qt for Android+Opencv開發(fā)環(huán)境開發(fā)了電表識(shí)別測(cè)試APP，APP中使用經(jīng)PC機(jī)應(yīng)用程序訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，將其部署在華為榮耀3手機(jī)上。測(cè)試結(jié)果顯示，在圖像受光照不均及反光影像較小的情況下，電表讀數(shù)識(shí)別的正確率達(dá)到90%，取得了較好效果。在圖像受光照不均及反光影像較大時(shí)，由于ROI提取及二值化效果不佳，因而識(shí)別效果較差。

4 結(jié)語

由測(cè)試結(jié)果可以看出，本文提出的Android下的機(jī)械式電表數(shù)字識(shí)別技術(shù)可有效實(shí)現(xiàn)電表讀數(shù)ROI提取，對(duì)易受光照不均及反光影響的電表讀數(shù)圖像二值化有較好效果，在Android平臺(tái)下通過Opencv人工神經(jīng)網(wǎng)絡(luò)多層感知器模型對(duì)電表讀數(shù)達(dá)到了較高的識(shí)別率，具有較高的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1] 安曉輝.Qt on Android核心編程[M].北京：電子工業(yè)出版社，2014.

[2] OTSU N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems Man and Cybernetic，1979，9（1）：6266.

[3] 陳強(qiáng)，朱立新，夏德深.結(jié)合Canny算子的圖像二值化[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2005，17（6）：13021305.

[4] 郭佳，劉曉玉，吳冰，等.一種光照不均勻圖像的二值化方法[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（3）：184186.

[5] 許海洋，馬龍龍，吳健.基于背景估計(jì)和邊緣檢測(cè)的文檔圖像二值化[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（8）：196200.

[6] ZHANG T Y，SUEN C Y.A fast parallel algorithm for thinning digital patterns[J].Comm ACM，1984（27）：236239.

（責(zé)任編輯：孫 娟）