定位处理

定位处理（精选10篇）

定位处理 篇1

1 引言

国内外学者对基于图像的车牌识别进行了很多研究, 但目前还没有一种车牌识别算法可以获得非常理想的识别效果。车牌的定位于提取是车牌识别的基础。车牌定位的常用算法有以下三种类型:

(1) 基于边缘信息的定位方法:该方法主要通过分析图像垂直边缘的信息统计值, 连接其邻近的离散化边缘信息, 同时根据颜色分布特征进行选取, 最后根据车牌固有的长宽比在剩余的待选区域中提取出真正的车牌区域。该方法比较繁琐, 容易受到外部环境的干扰[1,2]。 (2) 基于形态学的定位方法:该方法主要是利用形态学的方法, 将其腐烛、膨胀等填充处理后的点运算转化为线运算, 从而使得运算速率和抗干扰能力都得到了极大地加强[3]。 (3) 基于颜色边缘信息的定位方法:该方法主要是对车牌区域内各种颜色在颜色空间中的取值范围采用二值化的方法进行处理, 再采用空间聚类和投影的方法对形态学处理后的图像实现定位, 此种方法定位效果较好[4,5,6]。

本文研究了车牌的颜色特征, 车牌边缘检测及形态学操作, 将颜色分割、边缘检测、形态学操作结合起来进行车牌的定位。

2 车牌的颜色分割

车辆牌照具有鲜明的颜色特征, 以小型车为例, 车牌的底色为蓝色, 占车牌的大部分, 车牌字符为白色, 被蓝色的底色包围, 可见, 车牌颜色特征可以作为车牌粗分割的依据。因为环境光照、拍摄角度、拍摄距离、车牌清晰度等因素的影响, 车牌图像的底色可能发黑、发暗, 不是纯蓝色。

收集不同光照条件、不同拍摄角度、不同清晰程度的车牌图片进行统计分析, 发现车牌底色的的蓝色分量较高, 绿色分量较低, 红色分量非常低, 可以建立车牌底色的RGB空间颜色模型如公式 (1) 所示。

其中fR、fG和fB分别代表车牌图像像素中的红色、绿色和蓝色分量, 1k和k2两个参数界定了RGB的范围, 其统计值分别为2和4, 可增大统计样本选取更合理的参数值, 或设置一个宽松系数, 增强模型的适应能力。随机选取两幅图片进行车牌颜色分割的仿真, 原图和颜色分割后的图像如图1、图2、图3和图4所示。

可见, 颜色特征准确有效的分割出了车牌区域, 且颜色特征不受车体颜色的影响。如果是大型车、摩托车、警车或其他车型的拍照, 车牌底色和字符颜色均有一定规定, 因此也具有显著的颜色特征, 同样可以使用类似的方法进行颜色分割。车牌字符被识别为干扰, 但因为车牌字符位于车牌中间, 被底色包围, 所以不影响后续的车牌定位。图像中有不少干扰像素, 孤立的干扰像素可通过滤波去除, 但大片的干扰像素有必要进行进一步的处理。本文采用边缘检测和形态学操作, 以尽量减少干扰, 准确分割车牌区域, 然后再使用投影法进行车牌定位。

3 车牌定位

3.1 边缘检测

边缘检测能够勾画出目标物体的形状, 可反映目标物体的方向和灰度突变等, 是图像识别中重要的图像特征之一, 边缘是图像局部特性不连续的反映。

将颜色分割得到的图像灰度化后进行Canny边缘检测, 结果如图5所示。

可见, Canny边缘检测得到的车牌边缘比较明显, 可以显示车牌大体轮廓, 但车牌边缘是不连续的, 而且干扰的边缘信息很多, 这不利于车牌定位。本文采用形态学处理来解决这个问题。

3.2 形态学处理

形态学处理中闭运算可以使图像的轮廓线更光滑, 消除狭窄的间隙、细长的鸿沟和小的孔洞, 并弥补轮廓线中的断裂;开运算可消除细小物体。腐蚀和膨胀是形态学的最基本操作。

对Canny边缘检测后的图像进行填充、消除与边界连通的物体后, 使用闭运算、开运算和形态学滤波, 得到的图像如图6和图7所示。

经过闭运算和开运算处理后, 断续的边缘被连通, 车牌区域变得更加明显了, 但干扰区域也同时被强化了。形态学处理后, 比较小的干扰连通域被清除, 剩余的干扰部分可在后续处理中消除。

3.3 车牌提取

经过颜色分割、边缘检测和形态学处理后的图像中, 已经可以准确清晰的定位车牌区域了, 且非零像素点集中在某些行和列上, 可以根据这一特点进行车牌提取。对形态滤波后图像进行行、列方向上的像素点扫描, 统计得到像素值和, 据此确定车牌的起始位置和终止位置[7]。图8和图9为车牌在行、列方向上的像素点扫描结果, 其中横坐标为行数或列数, 纵坐标为某行或某列的像素值和。车牌行方向像素大概集中在750-950行, 车牌列方向像素大概集中在1250-2070列, 其它区域的像素为干扰。

确定车牌的行列起始位置和终止位置后就可以提取车牌图像了, 灰度化后的车牌图像如图10所示。可见提取出的车牌区域完整, 排除了绝大部分干扰, 效果良好;车牌铆钉和车牌边缘等干扰可在后续的车牌字符分割处理中进行消除。

4 结论

本文研究了车牌的颜色特征, 根据颜色特征进行了车牌区域的粗分割, 分割准确有效。然后对分割后的图像进行边缘检测和形态学处理, 减少干扰并精确定位车牌区域。最后提取得到的车牌区域准确、完整, 且干扰较少。

摘要：文章分析了车牌定位的常用算法, 研究了车牌的颜色特征, 提出了颜色分割算法来进行车牌区域的粗分割;通过边缘检测和形态学处理进行车牌精确定位和提取。Matlab仿真分析的结果表明, 该算法可准确定位并提取车牌区域。

关键词：车牌定位,颜色特征,边缘检测,形态学

参考文献

[1]张玲, 叶海炳.一种基于边缘信息的改进车辆检测方法[J].重庆大学学报 (自然科学版) , 2004, (11) :56-58.

[2]钮圣虓, 王盛.完全基于边缘信息的快速图像分割算法[J].计算机辅助设计与图形学学报, 2012, (11) :1410-1419.

[3]左奇, 史忠科.一种基于数学形态学的实时车牌图象分割方法[J].中国图象图形学报, 2003, (3) :281-285.

[4]张引, 潘云鹤.彩色汽车图像牌照定位新方法[J].中国图象图形学报, 2001, 6 (4) :374-377.

[5]沈勇, 武章.专基于特征颜色边缘检测的车牌定位方法[J].仪器仪表学报, 2008, (12) :2672-2677.

[6]王洪建.基于颜色空间的一种车牌定位和分割方法[J].仪器仪表学报, 2005, 26 (8增刊) :371-373.

[7]袁卉平.基于MATLAB的车牌识别系统的设计与研究[J].工业控制计算机, 2010, 23 (10) :73-74.

定位处理 篇2

一、概述

随着国家对煤矿安全生产工作的日益重视，以及煤矿企业管理部门对自身现代化管理的需求，实现煤矿企业井下人员定位检测和管理的一体化，提高煤矿企业的安全生产管理和自动化水平，煤矿井下人员定位管理系统的在线监测已是必然趋势。

在日常维护管理过程中，要对人员定位系统发生的故障，进行归纳分类，并对产生故障的原因及可能产生的故障进行分析。

二、人员定位常见的故障

1、识别卡不发送信号；

2、分站电源箱没有显示人员信息；

3、分站与地面监控主机不能正确通讯；

4、直流电源输出偏低；

5、备用电源不能正常投入；

6、出现通讯中断；

7、分站显示屏无法显示数据；

三、人员定位常见故障处理措施

1、识别卡不发送信号，应检查：

（1）是否电池电量不足，或则是簧片没有接触好；

（2）因识别卡进水造成电路板损坏或外力碰撞造成识别卡损坏。

2、分站显示面板没有显示人员信息，可能是以下几种原因：

（1）显示屏与分站之间线路出现问题。

（2）可能是芯片没有接触好，要重新插好。此时，应检查主板与无线收发板通信、电源是否正常等因素；如有，则考虑是后面电路问题。

3、分站与地面监控主机不能正确通讯，首先应检查分站与交换机之间通讯是否正常，电源是否正常，如没有异常，则考虑分站通讯板是否损坏。

4、直流电源输出偏低，应检查对应不同电源等级的变压器抽头是否正确。

5、当交流电源停电后，备用电源不能正常投入，应考虑电池是否失效。否则可能是电源充电板故障。

6、人员定位发射天线的维护：发射天线安装好后，需要维护人员定期检查天线有无损坏，若出现损坏或天线不成为规则形状需要重新布置。同时，不要把接收天线的感应头放在金属上。接收天线指向发射天线。

7、若出现通讯中断，可能是以下几种原因：

（1）通讯接口接触不良。

（2）通讯线路接触不良。

四、人员定位系统故障预防措施

在现场的管理中应加强维护，仔细检查，减少故障现象的发生。

1、使用前，要仔细检查各种接线是否准确，插头是否松动，特别是交流引入线，引入电压等级与接线端子电压等级是否相同，否则将把变压器烧毁。

2、必须按要求来连接电路和配接设备，分站各种未用的接口和插口不得随意占用。

3、每次使用前必须检查分站，板上所有IC芯片和继电器的安装方向要正确，接线插头无误。

4、检查分站连接插头座连接电缆是否正确及检查分站站号是否正确。对主板上的各个电位器不得随意拧动。

5、人员携带卡在不使用时必须远离具有磁场的环境。

6、分站、无线收发器应设置在便于读卡、观察、调试、检验、围岩稳定、支护良好、无淋水、无杂物的地点。分站应实行上架和牌版管理。分站应定期对其控制输出进行检查，使其控制功能始终保持正常工作状态。

7、由于电源箱中的备用电池是易耗件，有一定的使用寿命。如发现电池失效，应及时更换新电池组。

定位处理 篇3

关键词：GPS，水深测量，延迟差，水深点错位，校正系数

1 前言

长江航道部门在航道整治工程、码头修建以及城市沿江规划等工程上，为了确保施工质量，通常采取大比例尺的水深测量，比如1：500；1：1000的水下地形测量。实践中发现，在水上测量软件中GPS距离定位模式采集数据会产生延迟差，往往会对河岸、航道边坡水深产生一定的影响，造成水深点错位、等深线不平滑，严重时河岸、航道边坡等深线呈波浪形或“S”形，信标机测量不太明显，RTK测量则比较明显，而且是测图比例尺越大越明显。工程质量不能满足设计要求。

对于GPS距离定位延迟所产生的测量成果有误的问题，应用“processlag”工具软件可在GPS定位数据后处理时进行定位延迟改正，使水深测绘成果符合系统测量要求和水深测量规范要求，以满足测量单位在大比例尺水深测量方面获得理想的测绘成果。

2 “processlag”工具软件进行延迟改正

“processlag”软件的功能是通过进行延时修正，来帮助我们解决时间延迟所造成的水深点错位问题。

该工具软件无须安装，只须拷贝到桌面即可使用，使用时双击该工具软件图标 ，打开工具软件界面，如下图窗口所示，“滞后校正系数”是指需要改正的延迟差，而延迟差是通过测量时的平均航速求算出来的，也可以通过该工具软件的平均速度获得，“滞后处理”是指要修正定位延迟的原始数据文件打开路径和文件名即“打开文件”，“保存文件”是指对处理后的文件进行保存的路径和文件夹，该功能为单一数据文件处理，也就是说每次只能处理一个数据文件，而批量处理则是可以同时选定多个数据文件进行批量处理，处理后的数据将被保存在默认的“processlag”文件夹内，在批量改正时，每次所选定的原始数据文件不能超过15个，在做批量修改是应注意批量选定的顺序与编号来避免漏改，修改完后应检查“processlag”文件夹内的经修改后的数据文件是否与要修改的文件数一致，不一致时则说明有出现漏改的现象，只要仔细查对线号就能知道没修改到的文件，这时只需要补上即可。

滞后校正系数，我们可以理解为滞后校正时间，它是根据软件求解一条测线的平均速度或者结合工程中的经验值来确定的。我们这里以延迟0.8秒值来举例说明：首先在“滞后校正系数”栏内输入0.8，之后选择要进行延迟改正的原始数据文件和确定要保存文件的路径，进行滞后处理，打开的原始文件和修改后的文件格式均为*.org格式文件。

保存文件：修改后所要保存文件的路径与文件夹名可由自己确定，而保存的文件类型仍然是*.org文件。

3 “processlag”软件可进行数据的批量处理

批量处理方法同上，必须注意下面几点：

1）选择打开的文件不能过多（<15，根据单个文件数据量的大小可能存在上浮或下调），过多会出现文件打不开的情况。

2）批量处理的保存路径不能进行设置，软件会在原始数据文件夹下自动生成名为 的文件夹，修正后的数据也将自动保存在这个文件夹内，保存类型也为*.org文件。

3）批量处理时，可能存在不同线之间速度差别很大的情况，在选择时应该注意，最好是取平均速度。

4）批量处理时，原始数据格式不正确的情况下，软件是无法进行修改的，但在处理后也会生成一个空的新文件。

4 GPS定位数据延迟改正前后效果对比

（图一）是宜昌航道白洋码头没有经过延迟改正的水下测量地形图。测量仪器：GPS定位仪器为南方灵锐S82T，测深仪型号为无锡HY1601。测量参数：测图比例为1：500，定位点距4米，中央子午线111，北京-54椭球，投影方式为高斯投影。测量导航软件是南方自由行软件，测量数据经过数据后处理后所得出的DAT数据文件在南方CASS7.1成图系统下进行成图。从下图中可以发现：等深线不平滑，严重到航道等深线呈波浪形或“S”形，存在水深点错位迹象。该地形图既不美观，测图定位精度和成图质量也不高。

（图一）

（图二）是宜昌航道白洋码头GPS定位数据经过延迟改正后的1：500水下测量地形图：从图上可以看出，等深线光滑流畅，图形美观，成图质量良好，消除了水深点错位迹象。所以大比例测图时，必须经过数据延迟改正后才能进行成图。

（图二）

5 结束语

目前广大的测量用户测量平面定位均普及为GPS RTK定位，在水上RTK测量时受测量软件数据传输速度及自身缺陷制约存在距离定位延迟差。因此，建议测量单位在工程大比例尺水深测量时尽可能采用时间间隔来采集，这样就能大大减少软件推算的距离差，产生明显的错位而导致成图质量的降低。总之，在工程测量时，增强工作责任心，保持均匀的测量航速，在“processlag”软件里严格进行数据延迟改正，将大大提高定位精度和成图质量。

协同故障智能定位与处理系统浅介 篇4

当前, 移动运营商在运营能力获得长足发展的同时, 也面临着市场环境和技术架构的急剧变化。业务保障要求不断提高和重要设备容灾安全水平较低的矛盾日渐突出, 单个设备容量不断增加, 单个设备故障的影响范围也越来越大。用户对网络的安全性要求越来越高, 任何一次网络故障都有可能演变成社会事件。

从信息通信技术的发展趋势看, 对于重要的核心数据与设备, 都需要提供高等级的故障恢复能力, 使单点故障发生时可以迅速恢复正常, 缩短业务中断时间, 因此, 急需能够使各种资源协同工作的平台, 使运维工作显性化、简单化、及时化, 实现运维工作的智能化端到端管理。

2 功能介绍

建设协同工作平台, 面向管理者、技术人员提供全面系统的故障分析定位信息, 方便决策和高效处理。系统着重于协同故障处理的建设, 基于智能分析安全模型, 建设规则化、灵活化、易用化、直观化的协同故障处理系统。充分利用系统对故障发现、分析、处理的智能化方法和手段, 实现对故障的全过程管理和控制, 使故障处理显性化、简单化、及时化。

2.1 安全模型

由于网络固有的复杂性、不确定性, 通常情况下无法获得与网络故障相关的所有信息。如何尽快定位故障, 仍然是一个棘手的问题。如何通过多维立体监控、综合一切可以获得的数据信息 (可能是不确定、不完整的信息) , 以最少的操作、最低的代价, 获得确切的故障信息, 通过诊断操作, 最终准确定位故障, 无疑是重中之重。

重大故障定位安全模型实现如下:

(1) 故障症状发生

通过多维立体监控, 包括信令监测、设备告警、性能指标、仿真和自动拨测等途径, 获取网络运行实时状况信息。对网络运行进行实时监测和分析, 当出现故障表现症状集E中某个或某些表现症状时, 触发故障定位安全模型, 建立当前故障表现症状集Ec={e1, e2, …, es}。

(2) 候选故障判定

针对当前故障表现症状集Ec中的每一个表现症状ei (1≤i≤s) , 通过规则定义, 可以判定可能由一个或多个不同故障引起, 得到对应ei的候选故障集合Fi={f1, f2…, fl}, 从而可以建立针对当前故障表现症状集Ec的候选故障集Fc={f1, f2, …ft}。

表现症状ei的每个候选故障fj (1≤j≤l) 的发生概率P (fj/ei) 可能不同, 有的故障发生概率相对较高, 有的则较低。Ec中的多个表现症状也可能指向同一个可能故障fj, 则此故障fj的发生概率为该故障fj针对各个ei的发生概率之和: (1≤j≤t) , 如果f不属于ei的候选故障集Fi, 则p (f|ei) =0。通过计算可以得到Fc={f1, f2, …, ft}中所有故障fj针对表现症状集合Ec的发生概率, 按照发生概率值, 对所有故障fj进行优先级排序。

(3) 诊断操作

对于网络运行过程中发生的故障, 通过与设备交互或其它方法可以对故障做进一步定位。对于候选故障集Fc={f1, f2, …, ft}中的每个故障fj (1≤j≤t) , 可以通过其中一个或多个诊断操作进行故障定位, 对应诊断操作序列集Oj={o1, o2, …, ok}。根据FC中所有故障的发生概率优先级, 从高到低逐一对故障fj执行诊断操作, 根据操作结果进一步判定故障fj是否确实发生。如果确已发生, 则故障准确定位, 诊断结束, 不再对其它f进行诊断, 直接输出故障fj。如Fc中所有故障都诊断结束, 但是未准确定位, 则输入Fc。

2.2 故障处理

系统从性能监测、告警监测、拨测系统、性能系统实时进行数据接收, 把接收到的数据作为下一个环节的输入, 送入安全模型进行判断、监测, 根据安全模型的监测规则进行模式匹配。

通过场景化的系统故障处理平台, 系统专家、决策者、厂商、维护人员进行系统图形化的故障处理、定位、分析, 借助平台提供的即时工具进行实时沟通, 并利用平台提供的工具进行故障影响分析和故障现场管理。确定故障后, 维护人员在专家的指导下, 经决策者同意, 实施系统方案, 修复故障, 并及时通报修复结果。

故障解决后, 为避免故障再次发生, 同时总结修复经验, 填写故障总结表, 关闭故障场景, 支持故障场景的回放。

下面介绍协同故障智能定位与处理的具体过程。

2.2.1 故障智能定位

网元发生故障后, 根据安全模型的故障定位、诊断结果, 系统进行场景化故障协同处理模块。根据定位的故障网元, 系统自动找到对应场景, 首先支持的场景类型为:MSC场景、MGW场景、BSC场景、HLR场景, 场景支持回放功能。

在整个故障处理场景中, 完成以下工作:

(1) 呈现故障网元

拓扑图呈现出故障网元的网络连接拓扑, 在拓扑图上呈现出与故障网元相关的相邻、相近网元及连接方向。在拓扑中, 与故障网元直接相连的网元在拓扑中呈现真实的物理拓扑连接, 不直接相连的通过虚线画出连接示意图。图中可以呈现故障网元所在机房、承载用户数、下挂基站数量等信息。

(2) 故障信息呈现

在场景中不但要呈现出相应的拓扑连接, 还要结合拓扑图呈现相应的故障信息、定位信息、决策信息、相应的处理预案。

拨测项目中, 每一个项目对应出拓扑图上的相应的矢量连接线。根据拨打测试验证的结果或其他方式判断的结果, 形成最后的结论, 系统通过最终结论来改变连接线的颜色。

每条矢量连接线的状态被改变后, 系统要全局生效, 凡是打开此场景的登录用户都要看到此测试项目的结论和定位点, 拓扑图的矢量连接线都要发生相应的改变。具体的测试项目、测试项目和矢量连接线的关联关系要做到可以进行配置。

(3) 定位信息

每一个定位点对应出拓扑图上的相应节点。根据故障现象或其他方式判断的结果, 形成定位点信息, 系统通过定位点的状态来改变节点的颜色。非正常状态则显示红色。

每个节点状态被改变后, 系统要全局生效, 凡是打开此场景的登录用户都要看到此测试项目的结论和定位点, 拓扑图的节点都要发生相应的颜色改变, 并显示定位原因、定位人信息。

具体的测试项目、测试项目和矢量连接线的关联关系要做到可以进行配置。

(4) 人员信息

当前故障场景中相关联人员的信息及到位情况。

2.2.2 故障影响处理

故障需求和算法实现自动计算功能, 在决策视图中展现。支持故障影响提醒:

(1) 自启动重大故障处理开始计时, 到40分钟时弹出窗口, 提醒60分钟内需要上报集团。

(2) 每20分钟自动计算故障影响。如果达到10万用户小时, 就给出提醒需要上报工信部, 到达工信部上报条件后的计算是否自动待确定。

(3) 提供分公司上报功能, 可随时更新显示故障影响的网元、地域、用户数, 并能回退显示分公司在本次故障中的历次上报内容。

(4) 根据自动拨测系统测试结果, 描述本故障场景中分公司受影响的网元和现象。

2.2.3 故障现场处理

系统为现场处理提供紧急现场管理、拨测验证、故障总结功能。

(1) 现场管理

分公司成立现场领导小组、故障处理小组、预案准备小组、网络测试小组、信息接口小组。小组人员可以事先配置, 场景启动后可以由分公司人员确认哪些人员已经到达现场, 并进行标识。

1) 现场领导小组

制定统一的对外解释口径, 并填报到系统中。与本地客服、市场、综合等部门沟通, 标识是否已经沟通;与帐务中心联系, 及时处理用户数据和话单, 标识是否已经沟通。

2) 故障处理小组

小组人员应参与故障协同处理过程。

3) 预案准备小组

预案是否已经准备完毕。

4) 网络测试小组

小组人员应进行相关拨测验证工作。

5) 信息接口小组

及时上报故障影响、处理过程和拨测情况。

(2) 拨打测试验证

根据定义不同类型的故障, 对需要拨测的项目进行拨测。

故障处理中分公司进行的拨测结果能够及时呈现、上报。

拨测情况能够反映到故障场景中, 自动拨测情况也能体现其中。

(3) 故障总结

固化故障总结模板, 详细分析故障影响。

3 运行效果

(1) 提高故障影响的显性化

结合资源数据库呈现故障网元的拓扑及影响范围, 自动分析故障对用户的影响程度, 根据故障处理过程实时更新影响。

(2) 专家协同会诊, 提高故障的处理效率

充分发挥维护人员、技术支援专家和厂家的力量, 联合进行故障会诊, 提高故障处理效率。

(3) 提高故障的智能诊断水平

系统对故障设备的指标、告警、资源等数据进行智能分析, 诊断故障原因。

(4) 提高故障的决策判断

定位处理 篇5

在GPS精密单点定位数据处理中,通常采用基于非差观测值的.处理方法.然而精密单点定位也可通过观测值不同差分组合以减少某些未知参数,且在理论上与非差模型等价.文中介绍基于非差和差分模型的精密单点定位的几种数据处理方法,并对各种模型进行比较.

作 者：郝明 丁希杰 HAO Ming DING Xi-jie 作者单位：郝明,HAO Ming(中国地震局第二监测中心,陕西,西安,710054)

丁希杰,DING Xi-jie(西安科技大学测量工程系,陕西,西安,710054)

定位处理 篇6

1 传输故障定位的基本原则

传输故障定位一般应遵循“先抢通后修复、先外部后传输、先单站后单板、先线路后支路、先高级后低级”的原则。

(1) 先抢通后修复

在出现故障时, 系统维护者要首先抢通业务然后进行故障修复。如果存在影响业务情况下的传输网络告警故障, 如在2Mbit/s业务通道出现LOS (信号丢失) 告警, 因外线原因导致的收无光告警等情况下产生的故障, 必须首先抢通业务。

(2) 先外部后传输

在处理故障时应先排除外部的可能因素, 如断纤、终端设备故障、电源或机房环境配套故障等, 而后进行传输系统原因查找。当可能存在外界因素影响而产生传输网络告警故障时, 如设备温度告警、光路告警、网元失效告警, 也需照此原则处理。

(3) 先单站后单板

是指在查找传输设备故障原因时, 需要先定位到站点再定位到板件。一般设备故障时, 不会只是一个站点出现告警, 而是在很多站点同时上报告警。这时就需要通过分析和判断缩小范围, 快速、准确地定位是哪个单站的问题, 而后尽可能准确地将故障定位到单站后再具体定位到单板。如处理光路误码、光功率异常等告警处理时, 需要结合业务信号流, 对告警与性能事件一起进行分析。可采用环回法、替代法、仪表测试法来判断告警及故障产生的原因, 将其定位到单板。

(4) 先线路后支路

在处理故障时, 如果支路出现了大量AIS告警, 这时需要先排除线路板故障再查看支路板故障。由于传输系统线路板的故障常常会引起支路板的异常告警, 在处理告警时, 应按“先线路后支路”的顺序, 排除网管告警;如支路出现大量AIS则首先查看线路板是否出现LOS告警或其他异常告警, 再查看支路板告警。

(5) 先高级后低级

在进行告警分析时, 先分析高级别告警再分析低级别告警。特别是当高、低级别告警同时存在时, 应首先分析级别高的告警, 如紧急告警、主要告警, 然后再分析低级别的告警, 如次要告警、一般告警。处理告警时, 系统维护者先处理影响业务的告警。如果这些告警是由更高一级的告警引起的, 则先处理更高一级的告警, 如AIS、LOP等。如果是由LOS引发的, 要先处理LOS告警。

2 故障处理思路

在遇到故障时, 技术维护人员应该不慌不乱, 仔细查看故障现象并分析可能原因, 从而做到有的放矢, 迅速处理。故障处理一般应遵循“先看, 再问, 然后思考, 最后动手”的思路。技术维护人员到达现场后首先查看故障的现象, 包括故障出现的位置, 有哪些告警, 故障的严重程度, 造成的危害等, 这样才能够明白故障的本质。查看完现象后, 技术维护人员应询问各阶段现场人员, 该现象是由何种原因造成, 比如是否更换了电路板, 是否遭遇停电或雷击, 是否存在操作不当现象。根据以上结果, 技术维护人员再结合自己的知识思考、分析, 判断何种原因可能引起该种故障等, 做出较为正确的判断。最后根据故障定位原则找出故障点, 通过修改数据、更换单板等方法排除故障。

3 常见传输故障处理方法

常见的传输故障处理方法包括观察分析法、环回测试法、插拔法:替换法、配置数据分析法、更改配置法、仪表测试法和经验处理法。

(1) 观察分析法。系统故障时一般会伴有相应的告警信息。通过观察告警灯运行情况, 可以及时发现故障。故障发生时, 网管上也会记录非常丰富的告警事件和性能数据信息, 通过分析这些信息, 并结合SDH帧结构中的开销字节和SDH告警原理机制, 初步判断故障类型和故障点的位置。

(2) 环回测试法。有时观察分析法不能解决问题, 如组网、业务以及故障信息相当复杂的情况和无明显告警和性能信息上报的特殊故障情况。系统维护者可以利用网管提供的维护功能进行测试, 判断故障点和类型。最常见的方法是环回。

环回是定位故障点最有效和常用的方法, 它不需要对告警和性能做太深入的分析, 缺点是会影响业务, 一般适合在业务量小的时候使用。

(3) 插拔法。当发现某种电路板有故障时, 系统维护者可以通过插拔一下电路板和外部接口插头的方法, 排除因接触不良或处理机异常产生的故障。在插拔时, 系统维护者要注意遵循单板插拔的操作规范, 以免导致其它问题甚至损坏板件。

(4) 替换法。当用插拔法不能解决问题时, 可以考虑替换法。替换法就是使用一个正常的备件去替换一个被怀疑工作不正常的元件。从而实现故障的定位和排除。替换法适用于排除传输外部设备的问题, 如光纤、中继电缆、交换机、供电设备等。或故障定位到单站后, 用于排除单站内单板的问题。如某站光板有告警, 我们怀疑收发光纤接反, 则可将收、发两根光纤互换。若互换后, 光板告警消失, 就说明确实光纤接反。替换法的优点在于方法简单, 对维护人员要求不高, 比较实用, 但对备件有要求。另外替换插拔电路板时, 需要按照操作规范执行。

(5) 更改配置法。更改配置法是对时隙、板位、单板参数重新进行配置。故适用于故障定位到单个站点后, 排除由于配置错误而导致的故障。当通过更改时隙配置不能将故障确切地定位到是哪块单板的问题时, 需进一步通过替换法进行故障定位。因此该方法适用于没有备板的情况下, 初步定位故障类型, 并使用其他业务通道或板位暂时恢复业务。该方法操作起来比较复杂, 对维护人员的水平要求较高。因此, 除非在没有备板的情况下用于临时恢复业务, 一般情况不推荐使用。

(6) 仪表测试法。仪表测试法一般用于排除传输设备外部问题以及与其它设备的对接问题。传输设备常用测试仪表包括2Mbit/s误码测试仪、SDH测试仪、光谱分析仪等。通过仪表测试法分析定位故障比较准确。缺点是对仪表有需求, 同时对维护人员的要求也较高。

(7) 经验处理法。在一些特殊的情况下, 如由于瞬间供电异常, 低压或外部强烈的电磁干扰, 致使传输设备某些单板进入异常工作状态。此时的故障现象, 如业务中断、ECC通信中断等, 可能伴随相应的告警, 也可能没有任何告警, 检查各单板的配置数据可能也是完全正常的。经验证明, 在这种情况下, 系统维护者通过复位单板, 网元掉电重启, 重新下发配置或将业务倒换到备用通道等手段, 可有效地及时排除故障、恢复业务。

4 结语

定位处理 篇7

随着信息技术的发展,人们越来越愿意通过信息技术来解决日常工作中遇到的繁重和重复的问题。车辆牌照的识别技术是图像处理和图像识别在交通领域重要的应用,车辆牌照的准确定位是识别技术中的关键,也是本文重点讨论的对象,它主要包括两方面的工作:首先是对抓取到的车辆的图片进行图像预处理,运用数字图像处理技术进行图片格式的识别、灰度化、边缘检测、膨胀腐蚀、二值化[1,2]等处理。其次是利用不同的算法在已经处理好的图片上准确地定位出车牌的位置,并将车牌位置从整幅图片中分割出来,为下一步的字符切割做好准备。

1 车牌定位

1.1 车牌的特征

车辆牌照本身具有明显的特征,目前我国现行的GA36-2007标准规定了车辆牌照统一特征参数:

(1)颜色:蓝底白字、黄底黑字、白底黑字(红字)。

(2)尺寸:车牌外轮廓为440 mm×140 mm的矩形,字符高度90 mm、宽45 mm,字符间隔12 mm,间隔符宽10 mm。

(3)字符:共7个字符,首字为汉字,代表省份,紧跟着的字符代表城市,后面5位字符是数字和字母的组合,其中字母不超过两位。

通过以上参数可以看出,车牌具有明显的字符纹理特征,有很密集的字符边缘,有统一的外轮廓尺寸,有固定的字符密度。本文主要是基于对外轮廓的宽高比与车牌内部的平均灰度来判定车牌定位是否准确。

1.2 车牌定位的主要工作

车牌定位工作主要是从拍摄的车辆图片中找到车牌的准确位置,由于不同车辆本身的不确定因素很多,这给车牌定位造成了很多困难,为了克服这些不利因素,人们依据车牌的不同特征提出了不同的车牌定位方法,按照原理基本可以分为3类,即基于颜色信息的方法[3]、基于神经网络的方法和基于水平或垂直投影的方法,这3种方法在计算量和环境的适应性方面各有利弊。本文提出了一种环境适应能力较强的车牌定位方法,它克服了车辆颜色的干扰,同时也减少了图像处理的计算量。

2 基于边缘检测和形态学处理的车牌定位算法

2.1 图像的预处理

对图片格式的识别,无论是jpg还是bmp格式的图片都要先读取到矩阵中去,如果图片是彩色的话要将其转化为灰度图像[4],将彩色图片转为灰度图像的公式为:

Gray=0.3R+0.59G+0.11B 。 (1)

其中:Gray代表图像的灰度,R、G、B分别代表彩色模型中红、绿、蓝3个颜色的分量值。

在灰度图像的基础上做top-hat变换,使阴影的细节增强。

2.2 边缘检测

到目前为止,边缘检测最通用的方法是检测亮度值的不连续性。在本次仿真中采用的是Sobel边缘检测器,Sobel边缘检测器使用式(2)和式(3)中的掩模来数字化地近似一阶导数值Gx、Gy:

undefined。 (2)

undefined。 (3)

2.3 形态学处理

在边缘检测和形态学处理之间进行了二值图像的逻辑运算,包括水平方向的噪声去除和消除孤立的亮点,这两个步骤是通过对图像的亮度矩阵行方向的运算和逻辑判断来实现的,这对于实现以形态学为基础的图像处理算法是一种有力的补充手段。在以下4个形态学处理公式中,A代表要被处理的集合,B代表处理中使用的结构元素,在本文随后的应用中A即代表了样本图像,B即为处理中使用的结构元素。形态学处理包括膨胀与腐蚀,膨胀最简单的应用之一是将裂缝桥接起来,对集合z中的集合A和B ,A被B膨胀可定义为:

undefined。 (4)

而腐蚀的一种最简单的用途是从二值图像中根据尺寸消除不相关的细节,对集合z中的集合A和B,使用B对A进行腐蚀,定义为:

A⊖B={z|(B)z⊆A} 。 (5)

膨胀使图像扩大而腐蚀使图像缩小。开操作一般使对象的轮廓变得光滑,断开狭窄的间断和消除细的突出物。闭操作同样使轮廓线更光滑,但是与开操作相反的是,它通常消弥狭窄的间断和长细的鸿沟,消除小的孔洞,并填补轮廓线中的断裂。使用结构元素B对集合A进行开操作,定义为:

A。B=(A⊖B)⊕B 。 (6)

因此,用B对A进行开操作就是用B对A腐蚀,然后用B对结果进行膨胀。使用结构元素B对集合A进行闭操作,定义为:

A·B=(A⊕B)⊖B 。 (7)

2.4 车牌的校正和准确定位

在形态学处理之后已经可以初步确定车牌的位置了,为了能够准确地切割字符,还需要对车牌的灰度图像进行几何校正和精确的定位。这里的几何校正主要指的是角度的旋转,原理是使用Hough变换对边缘检测的图像进行处理。Hough变换可以检测出边缘图像中共线的点的集合,再通过求这个集合中的峰值,也就是图像中最长的一条直线的角度,就得出了车牌的偏移角度,最后根据这个角度对图像进行水平的旋转就可得到几何校正的图像。准确定位的基本原理是检测水平方向的跳变,因为有字符的区域跳变会突然增多,这个跳变次数突然增多的位置就是车牌中字符的上边缘,同理可以检测到下边缘。通过这样的检测达到了精确定位的目的。

3 仿真结果与分析

仿真实验采用的是AMD Turion (tm) 64×2处理器和Windows XP操作系统,使用MATLAB 7.0软件[5],对样本图像进行处理。从仿真实验的运算速度考虑,本文对数码相机采集的图像进行了剪裁,使其长度和宽度都不超过1 000像素,这样不仅可以使仿真的速度加快,而且还能降低以后硬件开发时的设备成本。

仿真的具体过程如下:首先使用数码相机采集车辆正面的图像并进行剪裁,并经灰度处理得到了样本的灰度图像,如图1所示,在灰度图像的基础上进行边缘检测,得到了图像中主要的轮廓,如图2所示;随后进行去噪处理,即top-hat变换、白点消除、行去噪,图3为经过top-hat变换的图像;去噪后要进行形态学处理,即膨胀、开操作、闭操作,图4为闭操作仿真图像;从图4可以看出已基本实现了车牌的初步定位,沿着图4的亮度边缘坐标切割得到了图5。同时对切割后的车牌图像做边缘检测,这是为随后几何校正所使用的Hough变换做准备,初步定位的边缘图像见图6;Hough变换检测出偏移角度后对车牌进行校正;之后开始进行车牌的精确定位,准确定位的基本原理是检测水平方向的跳变,因为有字符的区域跳变会突然地增多,将图6水平方向的灰度相加得到图7;观察图7,可以得出初步定位的图像上、下边缘大概有5个~10个像素是没有亮度的,精确定位的目的就是去掉这些没有字符亮度的区域,得到的精确定位的图像如图8所示,图9为二值化处理得到的图像。将图9进行垂直投影,得到图10。从图10中可以看出字符的亮度分布,并用其来完成随后的字符分割任务,同时也证明了这种车牌定位方法达到了字符分割的要求。

4 结论

通过仿真,验证了通过边缘检测和形态学处理这种方法来完成车牌定位是可行的。此外应用本文算法对多个样本进行了实验,从效率和准确率来看也是较好的。本方法可作为车牌定位的一个基本的思路,在此基础上扩展使其能够满足多种条件多种车牌的定位和识别。

参考文献

[1]阮秋琦.数字图像处理(MATLAB版)[M].北京:电子工业出版社,2005.

[2]阮秋琦,阮宇智.数字图像处理[M].第2版.北京:电子工业出版社,2007.

[3]任文龙,张晓航,巨永锋.一种新的基于边缘检测的车牌定位方法[EB/OL].[2008-10-24].http://www.paper.edu.cn

[4]陈德富,何通能.车牌识别的嵌入式系统研究[D].杭州:浙江工业大学,2006:9-10.

定位处理 篇8

出现该报警, 虽仍能控制阀门继续动作, 但该阀门位置较重要, 若不及时处理, 会对生产不利。检查气动阀气源连接部分, 未发现泄漏, 检查仪表气源管网的压力较稳定, 判断报警应不是外部原因引起。拆下智能定位器检查, 发现滑阀内存有大量粉末状杂质, 严重影响滑阀动作。清洁滑阀后, 定位器运行正常。对粉末状杂质进行分析, 认为所用空气过滤器的滤芯精度低 (40μm) , 造成部分微小杂质进入滑阀。更换精度为10μm的滤芯后, 未再发生类似故障。过滤器滤芯滤网精度换算见表1。

例2定位器与过滤器之间连接管脱落。

检查发现, 大部分脱落连接管的定位器所处管道振动均较大, 将不锈钢材料的连接管改为PU (POLYURETHANE TUB-ING) 软管后, 问题解决。更换PU软管时要注意: (1) PU软管长度要根据现场实际情况而定, 不要过长 (不利于固定和美观) 和过短 (不利于维护) 。 (2) 改为PU软管的过滤器, 安装位置以排水口方向竖直向下为宜。过大倾斜会导致气源过滤质量下降。

例3部分气动调节阀的智能定位器安装调试时, 一切正常。但正常生产时, 有些定位器定位效果差, 始终在小幅度摆动, 造成生产工艺不稳定。

浅谈车牌定位前的车辆图像预处理 篇9

1 图像灰度化和灰度拉伸

汽车图像样本,目前大都是通过摄像机、数码相机等设备拍摄获取的,所以预处理前的图像多是彩色图像。由于彩色图像的每个像素都具有R、G、B三个不同颜色分量,存在许多与识别无关的信息,如果直接处理彩色图像,其复杂性和数据的庞大性将会降低系统处理的速度,达不到快速、实时的要求。因此图像预处理部分首先将输入的彩色图像去掉色彩信息,进行灰度化。将彩色图像转换成灰度图,一方面便于后续的更快速图像处理,另一方面也是对处理多种颜色车辆牌照进行了统一。

1.1 图像灰度化

灰度化就是使彩色图像的R、G、B分量值相等的过程,其中R=G=B的值叫做灰度值,彩色图像的像素色为RGB(R、G、B),灰度图像的像素色为RGB(r、r、r),R、G、B可由彩色图像的颜色分解获得。而R、G、B的取值范围是0~255,所以灰度的级别只有256级。灰度化的处理方法主要有如下三种:

最大值法:使R、G、B的值等于三值中最大的一个,即

平均值法:使R、G、B的值等于三值中的平均值,即

加权平均值法:根据重要性或其他指标给R、G、B赋予不同的权值,并使R、G、B等于它们的值的加权和平均,即:

其中Wr、Wg、Wb分别是R、G、B的权值,由于人眼对绿色的敏感度高,对红色的敏感度次之,对蓝色的敏感度最低,所以在对图像进行灰度化处理的时候采用的是加权平均值法,取Wr=0.299、Wg=0.588、Wb=0.113,从而得到最合理的汽车牌照灰度图像。

1.2 灰度拉伸

灰度拉伸就是把感兴趣的灰度范围拉开,使得该范围内的像素,亮的越亮,暗的越暗,从而达到了增强对比度的目的。对灰度化的图像进行对比度拉伸,使图像上边缘更加凸显,这样牌照区域的比画特征更明显,更有益于下一步的边缘检测。

灰度拉伸是将灰度分段线形变换,它将输入图像中某点(x,y)的灰度f(x,y),通过映射函数T,映射成输出图像中的灰度g(x,y),即

假定原图像f(x,y)的灰度范围为[a,b],希望变换后图像g(x,y)的灰度范围扩展至[c,d],可采用下述线形变换来实现:

如图1所示。

图像中大部分像素的灰度分布在区间[a,b]间,小部分的像素灰度级强度超过此区间。为改善增强效果,可令:

通常,车牌的位置在车头下部,属于低灰度级范围,通过以往实验的先验知识,发现车辆牌照图像的灰度取值范围大多局限在(30,200)之间,而且总体上灰度偏低,图像较暗。将灰度范围扩展到(0,255)之间是比较理想的。取a=30,b=200,进行对比度拉伸。

2 灰度图像二值化处理

牌照图像的二值化是处理与识别图像中很关键的一个步骤,效果的好坏直接影响到后续工作。车牌图像二值化处理即将图像转换成二值图像,也就是整幅图像中仅有黑白二值的图像,这里定义灰度级255为白,0为黑。其目的是得到鲜明区分目标和背景的二值图。

2.1 二值化原理

如果图像f(x,y)的灰度级范围为(Zmin,Zmax),设T(阈值)是Zmin和Zmax之间的一个数,那么二值图g(x,y)可由下式表示:

式中f(x,y)是原图像中坐标为(x,y)的象素点的灰度值,g(x,y)是变换后该象素点的二值化标志,0表示黑点,1表示白点。

在实际的车牌处理系统中,进行图像二值化变换的关键那是要确定合适的阈值,使得字符与背景能够分离开来。

2.2 阈值的选取

二值化的关键是阈值T的选择,根据阈值选择方法的不同,常用的二值化方法分为全局、局部和动态阈值二值化三大类,全局阈值法是指在二值化过程中只使用一个阈值T的方法,它对于目标和背景明显分离、直方图成双峰的图像效果好,但对于由于光照不均匀,噪声干扰较大等原因使直方图分布不明显成双峰的图像,二值化效果明显变差。局部阈值法[13]是指象素阈值由象素灰度值和象素周围点局部灰度特征来确定,它可以适用于光照不均匀的场景。而动态阈值法是指阈值的选择不仅要取决与该象素的灰度值以及它周围象素的灰度值,而且还和该象素的坐标位置有关。全局整体阈值法优点在于算法简单,但对输入图像存在量化噪声或在不均光照等情况下抵抗能力差。局部阈值法相比较而言有较好效果,但也存在缺点和问题,如实现速度慢、不能保证图像的连通性、以及容易出现伪影现象等。

由于采集到的原图像中牌照四周的景物,光照条件和牌照的整洁程度的影响使得牌照图像的灰度直方图呈现出多种复杂情况,例如没有明显波峰,或两个以上波峰,或两个对等波峰等,使我们无法据此确定牌照字符的灰度范围,此外即使获得了理想的波峰值,也会由于牌照字符像素的灰度分布与背景像素的灰度分布混淆在一起而使阈值的选取缺乏足够依据。为解决上述问题,课题采用自适应阈值法对车牌图像进行二值化处理,能够加快图像处理的速度,取阈值:

Gmax和Gmin分别是图像中的最高、最低灰度值。该阈值对不同的牌照有一定的适应性,能够保证背景基本被置为0,以突出牌照区域。

3 边缘检测边缘检测

就是寻找图像中变换比较剧烈的像素位置,这些像素可以简单的表示图像中有用的信息。

对图像进行分析,车牌区域区别与其它区域的地方就在于牌照上有字符,字符之间的间隔比较均匀,字符和牌照底色在灰度值上存在跳变。这一特征体现在图像的灰度上就会有一小块灰度密集震荡的区域。而字符本身与牌照底色的内部都有较均匀的灰度,所以在这个矩形区域有着丰富的边缘存在。

针对图像的这个特点,利用微分检测算子,检测到图像的边缘,边缘点对应于一阶微分幅度大的点,或对应于二阶微分的过零点。由于本步骤目的在于找边界,而不是识别,因此边缘检测中每一点的计算只与其右侧点有关,算法的步骤如下:

1)对二值化后的图像进行逐行逐列扫描,扫描到位置(x,y)时,考察当前位置象素值D(x,y)和位置右方像素值D(x+1,y);

2)对上步获得的两个像素值进行边界判断;若当前像素为黑色,其右方像素为白色,则位置(x+1,y)是边界点;若当前像素为白色,其右方象素为黑色,则位置(x,y)是边界点;边界点置1,非边界点置0;

这样就得到了侯选区域的二值化边缘图,在边缘上的象素灰度值为1,而且其它非边缘的象素灰度值则是0。通过边缘图像,就可以看到目标的轮廓。在车牌的区域,由于字符的纹理特征,象素的灰度值在行和列两个方向上,象素灰度值跳变(有0跳变成1,或者由1跳变成0)频率明显高于其他非车牌区域。

4 图像滤波

图像信息在采集过程中往往受到各种噪声源的干扰,比如信道噪声、量化噪声、脉冲干扰等,这些噪声在图像上的常常表现为一些孤立像素点,如果图像存在孤立噪声,则会影响牌照定位的准确性,进而影响后面的字符切分和字符识别,所以在图像预处理过程中就必须滤掉这些噪声点,为了消除噪声,就要对图像进行滤波处理,为以后的定位和字符分割做好准备。

中值滤波是一种去噪声的平滑操作,它就是把跟当前处理的像素点相关的像素点的数值进行排序,然后把中间数值赋给当前处理点。

中值滤波是实现原理是:用一个滑动窗口W在图像上进行扫描,把窗口内包含的像素按灰度级升(或降)序排列起来,取灰度值居中的像素灰度为窗口中心像素的灰度(若窗口中由偶数个像素,则取两个中间值的平均)。通俗的讲,中值滤波就是用一个活动窗口沿图像移动,窗口中心位置的像素值用窗口内部所有像素灰度的中值来代替,中值的定义如下:(下转第7496页)(上接第7484页)

一组数X1、X2、X3、……Xn假如其排序如下:

Y称为X1、X2、X3、…Xn的中值,如果一个序列(10、20、30、40、50、60、70),则中值为40。

一般来说,二维中值滤波比一维滤波器更能抑制噪声。二维中值滤波器用于图像处理可按以下方式进行:设置一个滤波窗口,将其移遍图像(序列)上的点。窗口形状有多种,常用的由线状、方形、十字形、圆形、菱形等(见图2),不同形状的窗口对滤波器效果影响很大,使用中必须根据图像的不同内容和不同要求加以选择。从以往的经验来看,方形或圆形窗口适宜于有缓慢变化的外轮廓较长的物体图像,而十字形窗口优选于有尖顶角物体的图像。使用中值滤波器滤波先使用小尺寸窗口,后逐渐加大窗口尺寸,直到中值滤波器的坏处多于好处。

5 结束语

车辆图像预处理是车牌识别系统中的关键一环,是车牌识别技术的基础与奠基部分,只有很好的实现车牌图像预处理,才能更精确的定位车牌,实现字符的分割,以及最后一步的字符识别,在预处理阶段主要进行图像灰度化、灰度拉伸、二值化、边缘检测以及去除噪声点的工作,采用了自适应阈值法、相邻像素值相减获取图像边缘以及中值滤波的方法。实验结果表明了所采用方法对车牌识别系统的研究具有很好的适应性。

摘要：随着我国国民经济的高速发展,国内高速公路、城市道路、停车场的建设越来越多,车牌识别系统(LPR)作为智能交通系统(ITS)的一部分起着举足轻重的作用,它的广泛应用必将有助于我国交通管理自动化的进程。一般来说,整个车牌识别系统分为图像采集、车牌定位、字符分割、字符识别四大部分。该文在现有研究算法的理论基础上,详细阐明了车牌定位前的预处理工作,即车辆图像灰度化、二值化、边缘检测以及中值滤波等。

关键词：车牌定位,二值化,边缘检测,中值滤波

参考文献

[1]杜建波.汽车牌照自动识别系统的研究与开发[D].东北林业大学硕士学位论文,2006.

[2]朱维仲,董彩平.中值滤波技术及其在图像处理中的应用[J].天津职业技术师范学学报,2002,12(3):42-44.

[3]张宏苹.矿区大门进出车辆的识别方法[J].工矿自动化,2002,2(1):56-57.

[4]卢雪松,李巴津.一种综合的车牌照分割算法的研究[J].电脑开发与应用,2004,1(9):38-39.

[5]何斌,马天予,王运坚等.数字图像处理[M].北京:人民邮电出版社,2002.

[6]贾永红.彩色图像矢量滤波及其应用[J].测绘信息与工程,2000(2):19-20.

[7]胡小锋,赵辉.图像处理与实用案例精选[M].北京:人民邮电出版社,2004.

定位处理 篇10

完整的虹膜定位包括虹膜内外圆定位及上下眼睑边缘定位。其中,眼睑边缘的定位是虹膜定位中最为复杂难度最大的部分,直接影响着后期识别率的提高。Daugman利用去除眼睑干扰的虹膜信息进行了3×107以上规模的虹膜识别实验,取得100%的正确识别率[1]。可见,剔除眼睑干扰获得丰富的纹理数据是提高识别率,进行大规模数据实验的必要条件。然而,由于眼睑对虹膜遮挡所形成的边缘过于复杂,Daugman也未对该问题作具体的算法分析,因此一直以来在眼睑定位方面的研究进展缓慢。

目前,通常采用的眼睑定位方法是抛物线Hough变换算法[2,3],利用特定几何模板对眼睑边缘的硬性切割法[4]等。Hough变换算法虽然可以完成对眼睑的目标定位,但耗时太长难以适应虹膜识别适时性的要求。而利用特定几何模板对眼睑边缘做硬性切割的方法,容易使虹膜形状严重失真,并且通用性较差。

为了解决以上算法中存在的不足,本文根据眼睑的结构特征以及眼睑边缘的灰度和方向特点,对传统Canny边缘提取算法的多个环节进行针对性改进。改进后的算法能够有效去除睫毛、眼部纹理等屋脊状边缘的干扰,快速准确地检测出具有阶跃状边缘的单层眼睑及双层眼睑外层的边缘点集合。然后,通过曲线拟合生成边缘曲线模版,并对睫毛进行升灰度处理。最后,采用模版搜索完成对眼睑边缘的定位。实验表明该算法速度快,效果好,通用性强。

2 传统Canny算法在眼睑边缘检测中存在的问题

在众多的边缘检测理论中,基于最优化理论的Canny算法由于信噪比大、检测精度高等优点而得到了广泛的应用[5,6]。Canny算法通过四个步骤完成对图像边缘的检测:1)采用一维高斯低通函数分别对原始图像的行和列进行卷积运算,实现平滑滤波;2)采用一阶偏导的有限差分计算平滑后图像的梯度幅值和方向;3)通过对梯度幅值进行非极大值抑制确定可能边缘点集合;4)采用双阈值筛选并连接边缘点,形成边缘曲线。

作为通用型的边缘检测算法,上述步骤的目标是:在最大限度抑制虚假边缘的同时尽可能准确地检测出图像中所有的真实边缘。然而在眼睑边缘的检测中,对于一幅眼睛图像,我们所关心只是上下眼睑边缘的位置,并不需要检测图像中其它的边缘,此时若使用通用型的Canny算法,会检测出大量的睫毛及眼部纹理边缘(图3(b)),这些边缘不仅对眼睑的准确定位形成干扰,而且大大增加了定位的运算时间,影响虹膜识别的实时性。因此,本文针对眼睑边缘检测这一目标,根据眼睑的结构特征,首先对通用型的Canny算法进行针对性的改进。

3 针对眼睑边缘检测的Canny算法改进

3.1 平滑滤波的不对称改进

为了提高信噪比,Canny算法在边缘提取之前首先采用高斯低通函数对图像的行和列分别滤波。然而,低通滤波在消弱高频噪声的同时,也会导致边缘强度的下降[7,8],因此通用的Canny算子中高斯函数的标准偏差σ选取了较小的值(σ=1),以防止较弱边缘的损失。在眼睑边缘的检测中,睫毛的干扰最为严重,与眼睑相比,睫毛具有较弱的屋脊状边缘,而且多数睫毛垂直生长,其边缘与眼睑边缘基本垂直。因此本文在低通平滑滤波时,对图像的行和列采用不对称的标准偏差,沿行方向(眼睑边缘梯度方向)采用较小的σ值(σx=1),以降低滤波造成的眼睑边缘模糊效应;沿列方向(睫毛边缘梯度方向)采用较大的σ值(σy=10),以弱化睫毛以及皮肤纹理等弱边缘,使阶跃状的眼睑边缘更加突出。图1对传统滤波和改进滤波后图像的梯度幅值强度进行了比较。由图1可见,改进滤波后的图像睫毛和细纹边缘被弱化得几乎消失了,而眼睑边缘梯度则相对强化了。

3.2 边缘点检测的方向性改进

Canny算法将图像按梯度方向分为四组8个区,其中对角的两个区为一组,如图2。在根据梯度幅值寻找可能边缘点时,分别对每组数据进行非极大值抑制,搜索各个方向的边缘。然而在眼睑边缘的检测中,由于上下眼睑边缘具有明显的方向倾向性,因此不需要对所有方向的边缘进行检测。根据图2,本文在检测上眼睑边缘时,只搜索梯度方向位于Ⅱ区和Ⅲ区的点;在检测下眼睑时,只搜索梯度方向位于Ⅵ区和Ⅶ区的点。这样,既减少了计算时间,又可以去除可能干扰眼睑定位的其它方向的边缘。

3.3 检测阈值的改进

Canny算法的最后一步是对非极大值抑制图像进行双阈值处理,对判断为可能边缘点的集合设定高、低阈值,分别得到一个高阈值检测图像A和一个低阈值检测图像B,然后在图像A中连接边缘轮廓,连接到断点时,再到图像B中寻找弱边缘点,弥补图像A的边缘间隙。可见双阈值处理是为了使边缘检测更具鲁棒性,避免漏掉较弱的边缘。而在眼睑边缘的检测中,恰恰希望去除弱边缘,而且双阈值处理是Canny算法中耗时最长的步骤,因此本文将双阈值改为单阈值,既能检测出较强的眼睑边缘,又大大减少了检测时间。为了尽可能去除眼睑边缘之外的其它弱边缘,且使单阈值处理具有自适应性,本文中的单阈值设定为图像梯度幅值最大值的0.7倍。图3为采用通用Canny算法与本文改进算法检测到的眼睛图像边缘,由图3可见,本文的改进算法能够去除眼睑和瞳孔边缘之外的所有其它边缘,使后期的曲线拟合准确而便捷。

4 眼睑边缘的曲线拟合及二次定位

4.1 眼睑边缘的曲线拟合

改进后的Canny算法对可能边缘点采用了较高的单阈值处理,在去除弱边缘的同时,也会造成眼睑边缘的不连续现象(如图3(c)、3(d)),为了获得完整的眼睑边缘曲线,本文采用最小二乘法[9]对检测到的眼睑边缘进行抛物线拟合。

抛物线的一般公式为

其中:x、y分别表示图像的行坐标和列坐标,以图像左上角顶点为原点,抛物线的形状和位置由参数a、b、c确定。求参数a、b、c的步骤如下:

1)根据检测到的所有眼睑边缘点(xi,yi),(i=1,2,…,N),写出拟合理论值与实验值的差方之和:

2)利用式(2)分别对参数a、b、c求偏导并置零,即:,,,得到未知数a、b、c的三元一次方程组:

3)对方程组(3)求解,获得参数a、b、c的值。

根据a、b、c的值,由式(1)可以完全确定眼睑边缘的曲线形状和位置,完成眼睑的第一次定位(图4)。

4.2 眼睑边缘的二次定位

上眼睑的边缘结构有单双层之分,经过以上步骤,单层上眼睑及下眼睑可以准确定位,而双层上眼睑则只完成了外层的定位,如图4。由于双层眼睑的内层和外层在虹膜上方处基本呈平行分布,因此可以将外层边缘的拟合曲线作为模版,通过平行下移边缘模版对内层边缘进行二次定位。

4.2.1 二次定位原理

由图4可见,与虹膜的灰度相比,眼睑内层边缘处明显偏暗,灰度值较小,因此在边缘模版下移的过程中,模版上的灰度累加值在眼睑与虹膜的分界处会出现正向跳变,根据正向跳变最大值出现的位置,即可确定眼睑外层与内层边缘之间的距离,完成二次定位。眼睑内、外层边缘之间的距离由下式计算:

式中:po表示外层眼睑的边缘位置,即边缘模版的初始位置;p表示边缘模版的移动位置;p+1表示模版向下方平移一个像素单位;Ip(x,y)表示边缘曲线p上的图像灰度值。

4.2.2 睫毛的升灰度处理(Increase in gray)

由于睫毛的灰度通常比眼睑边缘的灰度更低,因此对于睫毛较长、遮挡较严重的情况,眼睑下方虹膜的灰度会因睫毛的遮挡而下降,由式(4)确定的内层眼睑边缘会比实际边缘偏下。为了降低睫毛遮挡对定位的影响,在二次定位之前首先对睫毛进行升灰度处理,处理方法是:根据睫毛灰度的统计平均值设定阈值L,在采用式(4)计算边缘模版上的像素灰度累加值时,首先对像素作灰度判断,若像素灰度小于L,则将其判断为睫毛,并将其灰度值调升为其邻域未被睫毛遮挡的虹膜灰度。

4.2.3 单层眼睑的判别

对于单层眼睑,在模版下移时,模版上的灰度累加值也会有变化,但与双层眼睑相比,其灰度变化值非常小,因此可以分别根据单、双眼睑的灰度跳变最大值的统计平均值设定一个阈值J,灰度跳变最大值小于J,判断为单层眼睑,不需二次定位;否则,则为双层眼睑,进行二次定位。

5 实验结果与分析

5.1 眼睑灰度阈值与单层眼睑灰度跳变阈值的统计与设定

本文对中科院CASIA虹膜数据库200幅虹膜图像进行了睫毛灰度的统计,统计平均值为98.38,本文中睫毛升灰度处理阈值L设定为110。分别对30幅单眼睑和50幅双眼睑进行了模版平行下移的平均灰度跳变最大值统计,单层眼睑的灰度最大跳变平均值为1.048 5,双层眼睑为2.565 7,因此本文中判断单层眼睑的灰度跳变阈值J设定为1.5。

5.2 眼睑定位结果

图5给出了采用本文方法完成的单层及双层眼睑的定位图。图5(c)眼睑的灰度跳变值为0.89,根据5.1中设定的域值,判断其为单层眼睑,不需要二次定位,由图5(d)可见,本文方法可以准确地检测出单层眼睑的边缘。图5(a)眼睑的灰度跳变值为2.01,判断为双层眼睑,由图5(b)可见,即使在睫毛遮挡较严重的情况下,本文方法依然能通过二次定位准确地检测出双层眼睑边缘。

5.3 结果比较

表1对本文眼睑定位算法与Hough变换眼睑定位算法从主观定位准确率和定位时间两方面进行了比较。数据表明,本文眼睑定位算法对单眼睑定位具有很高的准确率,对于双眼睑定位准确率稍低。原因是本文算法的核心是利用改进Canny算子搜索强边缘,去除弱边缘,并利用强边缘进行曲线拟合完成定位。单眼睑边缘强度很高,所以定位准确高,而双眼睑内层边缘强度较弱,需要进行二次定位,因而影响了定位的准确率。但与Hough变换相比,本文算法大大缩短了的定位时间。

6 结论

对眼睑的快速准确定位一直是虹膜图像预处理的难点,在很大程度上影响着虹膜识别技术的提高与发展。本文根据眼睑的结构特点,提出了一种基于Canny算子的快速定位算法,首先通过各向异性高斯滤波函数增强眼睑边缘、弱化睫毛等干扰,然后通过对指定区域的边缘点检测以及对Canny算子的阈值简化提高边缘点检测速度,最后,通过曲线拟合和二次定位实现了眼睑的快速准确定位。实验表明,本文算法相对Hough变换而言虽然定位精度略差,但仍保证了较高的定位准确率,且定位速度提高了一个数量级以上,因而更具实用性。

摘要：针对眼睑边缘结构复杂、干扰因素多、定位速度慢的问题,提出了一种新的虹膜图像预处理眼睑定位算法。首先,通过大窗口平滑滤波、特定方向边缘点检测以及高阈值边缘点筛选等算法处理虹膜图像,以有效去除睫毛、眼部纹理等屋脊状边缘的干扰,快速检测出单层眼睑及双层眼睑的外边缘点集合。然后,对检测到的眼睑边缘点进行曲线拟合,获得完整的眼睑边缘曲线,完成第一次定位。最后,根据双层眼睑的内外层边缘近似平行、而且在内层眼睑边缘处出现灰度跳变这一特点,以第一次定位所得拟合曲线为模版,平行下移搜索灰度跳变位置,完成对双层眼睑的二次定位。实验表明,本文算法在保证定位准确率的基础上,定位速度得到有效提高。

关键词：平滑滤波,边缘检测,曲线拟合,眼睑定位,虹膜图像

参考文献

[1]Daugman John.How iris recognition works[J].IEEE Transactions on Circuits and Systems for Video Technology,2004,14(1):21-29.

[2]Boles W W,Boashash B.A human identification technique using images of the iris andwavelet transform[J].IEEE Transactions on Signal P rocessing,1998,46(4):1185-1188.

[3]Wildes R P.Iris Recognition:An Emerging Biometric Technology[J].Proceedings of the IEEE,1997,85(9):1348-1363.

[4]ZHANG Peng-fei,LI Qiu-ming.Research on iris image preprocessing algorithm[J].IEEE Machine Learning and Cybernetics,2005,8:5220-5224.

[5]Liu H,Jezek K C.Automated extraction of coastline from satellite imagery by integrating Canny edge detection and locally adaptive thresholding methods[J].International Journal of Remote Sensing,2004,25(5):937-958.

[6]Ali M,Clausi D.Using the Canny edge detector for feature extraction and enhancement of remote sensing images[J].IEEE Geoscience and Remote Sensing Symposium,2001,5(5):2298-2300.

[7]Pan Lili,Xie Mei.The Algorithm of Iris Image Quality Evaluation[J].International Conference on Communications,Circuits and Systems.Kokura:IEEE,2007,1:616-619.

[8]Passi Arun,Kumar Ajay.Improving Iris Identification using User Quality and Cohort Information[J].IEEE Computer Vision and Pattern Recognition,2007,1:1-6.

[9]李松涛,张长水,荣钢,等.一种基于最小二乘估计的深度图像曲面拟合方法[J].自动化学报,2002,28(2):310-313.LI Song-tao,ZHANG Chang-shui,RONG Gang,et al.3-D range image surface description via least squares surface fitting[J].Acta Automatica Sinica,2002,28(2):310-313.