定位变换（通用5篇）
定位变换 篇1
0 引言
近几年，中国汽车的消费量不断增长，车辆管理已经成为智能交通管理中的重要环节。随着数字图像处理和模式识别技术的发展，汽车牌照识别技术成为智能交通领域中的重要研究课题。车牌识别技术包括车牌定位、车牌分割、字符分割和字符识别4个步骤，牌照的正确定位是车牌识别技术中的关键技术和难点所在。
车牌的快速、准确定位是车牌识别系统中的核心问题，直接关系到整个识别系统的成败。然而在现实中图像背景复杂，车辆种类繁多，颜色变化多端，以及不同天气变化所导致的不同光照条件给车牌定位带来了很大的困难，因此，车牌定位也是车牌识别系统中的难点问题。目前已提出的车牌定位方法主要是沿着两条技术路线进行[1,2]。一是基于灰度车牌图像的定位方法，另一种是基于彩色车牌图像的定位方法。这两种方法各有优势，基于灰度车牌图像的定位方法具有更好的实时性；采用基于彩色车牌图像的定位方法，由于考虑了车牌的颜色特征，因此比基于灰度车牌图像的定位方法能获得更好的效果，但该方法也存在一些缺陷：（1）定位速度较灰度车牌定位实时性差；（2）车牌图像颜色的正确识别是准确实现定位的前提。由于众多原因，图像常受到随机噪声的干扰，而边缘的噪声在空间域表现为灰度有较大起落，在频域反映为高频分量，因此边缘检测的结果常把噪声当成边缘点检测出来，本文针对这种现象提出了一种解决方法，它充分利用小波变换所提供的信息，在降噪的同时提取边缘，经过试验证明是一种有实用价值的方法。
1 车牌定位算法及流程
1.1 彩色图像灰度化
为了兼顾黑底红字和白底红字的车牌，本文在灰度化时红绿蓝分量的权值作了调整。经过对500张不同类型的车牌图片进行试验比较，设置新的红绿蓝分量的权值分别为0.5,0.4,0.1，则新的灰度化公式变为：
1.2 灰度图像的Lipschitz去噪
小波变换与极大值点的Lipschitz指数α满足如下关系[3]：
通常情况下，取s=2j,j=1,2,3…，假设原始信号的Lipschitz指数是正的，白噪声的Lipschitz指数是负的。由下式可知，E（|Wn(s,x）|2）和尺度S成反比。因此，随着尺度的减小，如果某些小波变换模极大值点的模急剧递增，则信号在这些模极大值点上具有负的Lipschitz指数，因此可判断它们是噪声信号，去掉这些信号便可。
1.3 灰度图象二值化
采用Ostu和Bersen算法相结合的改进算法。此算法如下：采用Ostu算法，计算图像的整体阈值T1；采用Bersen算法计算各点阈值，再逐点二值化。
1.4 小波的设计及小波边缘检测算法的实现
1.4.1 小波系数的设计
小波函数的选择，对分析结果影响很大。根据不同的用途，应慎重选择合适的小波函数。
为了进行小波分解与重构，"四合一"的小波函数不存在，本文中“一分为四”，选择了四个函数，巧妙地解决了这些问题。这四个函数是：尺度函数，小波函数ψ，对偶尺度函数，对偶小波函数
其中，
对于参考子空间W0，需要单个函数ψ∈L2(IR）在式（5）上生成，
下面简单介绍一下尺度函数与小波函数ψ之间的对偶关系[4,5]：
为了满足对偶关系，必须满足以下对偶条件：
与（6）、（7）等价的条件是：
其中，G(z）为G'（z）的共轭，H(z）为H'（z）的共轭，
由（8）和（9）便可以得到V1的基到V0和W0中的基分解关系：
由（10）式便可得到j-1频率水平子空间Vj-1和Wj-1中向量坐标的分解算法如下所示：
其中，
根据两尺度关系，便可得到j频率水平子空间Vj中向量坐标的重构算法[6]：
有了上述的系数，就可以使用多分辨分析的金字塔算法，快速求出小波系数dj,k。
1.4.2 小波边缘检测算法的实现
小波边缘检测流程算法中，主要思想是通过取小波系数的模极大值勾勒边缘，具体算法实现过程如下：
(1）选择分解尺度J；(2）对f(x,y）的每一行进行递增值二维二进小波变换，0<j<J，得到：{W12lf(x,y）,W22lf(x,y）}，{{W122f(x,y）,W222f(x,y）}}，…{W12Jf(x,y）,W22Jf(x,y）}；（3）找出W2jf的零交叉点；（4）计算所有小波变换的模值W2jf(x,y）在像素点（x,y）的n×n邻域内沿方向梯度上的极大值点：(5）去掉那些系数极值幅度随尺寸减少而在平均值上增加的序列，这些序列通常是由噪声生成的；（6）对图像的每一列重复（2）～（5）步；（7）对于两次分别得到极值处的点认为是边缘，置边缘线f(x,y）=200。否则f(x,y）=0。
在随机抽取大量车牌样本，其中包括含噪车牌或者污染较严重的车牌，也取得很好的效果。如下图1、2、3所示：
1.5 车牌定位
1.5.1 首次定位
(1）给定输入图像信号
(2）设给定的最大的分解级数为，对图像进行小波分解，根据二维图像的多分辨率分析和Mallat算法，可以得到一系列小波子图像：
(3）对分解后的图像根据一定的规则进行重构。首先从J层开始，令分辨率为2-j粗糙象fj为0，然后通过公式（4.14)进行重构，这样可以得到CJ-l子图像，把它当作是分辨率为2-j+l的粗糙象fJ-l，即令fJ-l=CJ-l。
(4）通过进一步的重构提取边缘，有了粗糙象元fJ-l，可以联合同层的3个细节子图像d1J-1、d2J-1、d3J-1，用公式（4.15）来重构fJ-2依次类推，可以用公式通过迭代直到重构出f0为止。
(5）对所得到的f0二值化处理，得到的二值图像就是提取的边缘图像。
1.5.2 精确定位
(1）上下边界的确定。由于车牌二值化后的图像具有黑白两像素跳变的纹理特征，因此进行水平扫描时，可根据其连续跳变次数的大小来确定是否是车牌的上下边界，另外由于车牌区域有7个连续的字符，而且字符与字符之间的距离在一定的范围之内，为此定义从目标到背景或者从背景到目标为一个跳变。牌照区域相对于其他非车牌区域的跳变多，而且间距在一定的范围之内其跳变次数一定大于一定次数（通常为18，包括7个字符和两个边框，每个字符和边框都有两个以上的跳变），为了防止字符的断裂、模糊、车牌倾斜等的影响，本文在这里选取跳变次数15。
由于该算法是通过扫描二值化后图像边缘中的纹理特征来确定车牌区域位置，所以本文采用从左到右的扫描。当遇到跳变就记录下当前位置，如果某行有连续15个跳变以上，并且对每一个跳变而言（最后一个除外），它与后一个跳变的距离在一定范围内，就记录下跳变在该行的起点和终点位置，本文称该起点和终点的连线为行扫描线，如果有连续10行以上的行扫描线，其相邻上下行的扫描线位置相邻，就认为是车牌候选区域。如此进行，直到扫描到最后一个行扫描线，并对第1个行扫描线和最后一个行扫描线进行标记，将第1个行扫描线记为Lstart，最后一个行扫描线记为Lend，这样就确定了车牌所在的行位置，并记车牌的高度（Hplate)h,
其中，Lend为车牌的终扫描线，Lstart为车牌的起扫描线。
(2）左右边界的确定。在上面进行行扫描的过程中，已经确定了车牌的第一个行扫描线和末行扫描线，而且行扫描线的确定本身就是找到该行的起点和终点。第一个行扫描线的起点和最后一个行扫描线的起点的连线称为列扫描线，确定了第一个和末一个行扫描线的过程也就确定了第一个列扫描线和末一个列扫描线的位置，即确定了车牌的左右边界。将左边界记为Lleft，右边界记为Lright，则车牌的宽度W的计算公式为：
2 实验结果
通过1000张车辆图片的系统测试，我们可以看到测试结果如表1所示：
从表1可以看出，该方法定位速度快且定位准确，每张车牌平均定位时间为0.97s，定位成功率在98.5%以上，而且都能够定位在车牌的四周边框上。由于小波具有良好的去噪功能，因而在模糊、污损车牌的定位中有更好的效果。
摘要：为了解决含噪车牌图像的定位问题,本文研究了Mallat算法及其在小波系数多尺度分解中的应用,然后在此基础上针对汽车车牌与复杂背景的分割问题,提出了一种基于小波分析的边缘检测和图像分割方法。
关键词：车牌图像定位,二进小波变换,降噪
参考文献
[1]庞伟.基于灰度图像及其纹理特征的车牌定位算法[J].科技信息(学术版),2008(10):135-139.
[2]崔江,王友仁.车牌自动识别方法中的关键技术研究[J].计算机测量与控制,2003,11(4):45-48.
[3]Cetin A E,Ansari R.Signal recovery from transform maxima[J].IEEE Trans on Signal Processing,2004,42(1):194-196.
[4]张旭东,等.图像编码基础和小波压缩技术[M].北京:清华大学出版社,2004.
[5]阙大顺,刘明慧.基于小波变换的车牌图像检测定位算法研究[J].交通科技,2005,209(2):152-158.
[6]王俊,陈逢时,张守宏.一种子波变换多尺度分辨特性的信号除噪技术[J].信号处理,2001,45(36):723-749.
小波变换在车牌定位算法中的应用 篇2
目前,基于图像处理的车牌识别系统主要包括视频图像采集、车牌定位提取与字符分割识别3个部分,其中车牌定位提取是车牌识别系统中的关键。在获取的视频图像中车牌区域只占据一小部分,且位置不固定、尺寸大小不一,给车牌准确定位带来一定的困难。由于车牌识别的图像获取大多是在户外进行,存在诸如环境、背景、光照以及图像倾斜等诸多干扰因素,使获取图片的质量很难保证,车牌定位属于典型的复杂背景下的目标提取问题。
现有的车牌识别系统中所采用的车牌定位的方法有很多,根据定位采用的车牌特征的不同可以分为基于颜色分布特征的方法与基于边缘和纹理特征的方法[1]。其中基于颜色分布特征的算法定位直观易用,利用车牌区域特殊的颜色信息查找定位车牌,在图像质量较好的情况下具有很好的定位效果;但由于需对彩色图片进行处理,处理信息量大。我国的车牌具有多种颜色,对彩色图片处理影响到定位的速度与精度[2]。基于边缘和纹理特征的方法使用灰度图像进行处理,利用车牌区域丰富的边缘信息进行车牌定位,提高了定位的速度,虽然在原理上克服了基于颜色分布特征算法的一些弊端,但大大降低了对视频采集硬件的要求,使其更易受中低频噪声干扰。
结合实际研究中遇到的问题和国内外研究情况,笔者在获取车辆图像的前期处理中引入小波变换进行高通滤波,再利用车牌边缘特征信息进行定位查找,降低了定位过程中由于光照不均匀、摄像机畸变和电子噪声等因素所造成的影响,在一定的定位速度的前提下获得了较高的定位精度。
1 基于小波变换的车牌定位
1.1 车牌定位系统组成
车牌定位系统一般通过在公路边或收费站入口等地点架设摄像头等监控设备来获取某地交通的监控图像,并经图像采集卡送至计算机显示器进行实时显示,当车辆通过时系统自动截取一帧图片送至车牌定位模块进行定位处理,具体硬件部分如图1所示。在系统的车牌定位模块中,首先对获取的24位真彩图片进行灰度转换,在获取原图像的亮度信息后使用基于小波变换的滤波器进行高通滤波,提取图像中的边缘信息,根据车牌区域特征对整张图片进行扫描查找,最后输出车牌区域的位置信息。软件定位算法流程如图2所示。
1.2 基于小波变换的滤波器设计
小波变换是20世纪80年代中后期在傅里叶分析的基础上发展起来的一个重要的应用数学分支。与傅里叶变换相比,小波变换具有较强的时、频域局部分析能力。通过伸缩和平移等运算功能对信号进行多尺度细化分析,在高频处取窄的时(空)间窗,在低频处取宽的时(空)间窗,克服了傅里叶分析无法同时在时域和频域上取得良好局部特性的局限性,近年来这一方法在很多工程领域得到广泛应用[3]。
小波分析的核心是多分辨率分解,其良好的时—频特性使其成为研究精细结构的理想工具。在车牌图像处理方面,经过基于小波变换的高通滤波,车牌区域的横、竖、撇、捺笔划十分简洁、明晰[4],与传统算法中通过中值滤波等方法来滤除图片中的噪声干扰相比较,小波变换增强了处理的针对性,在降噪的同时增强了有用信息,便于在后续程序中获取车牌区域的细节信息。
假设图像的大小为M×N,且有M=2m,N=2n(m、n为非负的整数),每次小波变换后,图像分解为4个子带频带区域,如图3所示。
LL频带保持了原始图像的内容信息,图像的能量集中于此频带;LH频带保持了图像竖直方向上的高频边缘信息;HL频带保持了图像水平方向上的高频边缘信息;HH频带保持了图像在对角线方向上的高频信息。进行下一层小波变换时,变换数据集中在LL频带上,图4所示为3层小波变换的系数分布,每层基频频带都被重新划分为4个子带频带。
在实际应用中,为了提高运算速度,本系统采用离散小波变换的快速算法——Mallat算法。对应于图像处理的二维Mallat算法采用了可分离的滤波器设计,大大减少了小波变换的复杂度,其分解过程如图5所示。
对应于大小为M×N的原始图像,在每一个变换尺度下,f
通过小波分解,图像的低频子带保留了图像的最主要信息,而图像的高频子带保留了图像的边缘细节信息。充分利用图像的各个子带信息,根据需要将各高频子带区域的小波系数进行衰减或增强之后,再采用逆小波变换重新融合各子图像,即可实现对图像的滤波、去噪、增强、分割和压缩等处理[6]。
2 试验结果
本系统的图像采集硬件使用Relong16倍光学变焦CCD监控摄像头+大恒CG300视频采集卡实现,车牌图像定位处理程序使用Visual C++6.0编写。
2.1 灰度转换
首先从采集卡中得到的是24位真彩色图片,需要使用公式(1)将其转化为256色灰度图片,以降低后续图像处理数据量。
式中:Gray为256色灰度图的灰度值;R、G、B分别为原24位真彩图像对应象素的红色、绿色和蓝色分量。使用该公式转换保留了原图片的亮度信息,由于人眼对绿色的敏感度最高,对红色的敏感度次之,对蓝色的敏感度最低,转换之后在大大降低了数据量的同时,也尽可能地保留了原图像的大部分信息。
2.2 基于小波变换的高通滤波
根据本系统的实际情况,对图片进行x层小波变换之后对低频部分LLx进行衰减,再进行小波反变换即可实现高通滤波,滤除图片中由于光照不均等多种因素造成的噪声干扰,突出车牌区域,具体实现基于小波变换的高通滤波处理的步骤如下。
1) 车辆图像的小波变换。
选择一个合适的小波基和小波分解的层数N,把图像进行N层的小波变换分解。本系统考虑实际处理效果和实时性处理要求,采用墨西哥帽小波,分解层数N为3,车辆原始图像如图6所示。
2) 对图像的低频部分进行衰减。
由于本系统主要需要车牌字符的边缘信息,因此,只需将第3层小波分解的低频系数全部置为0,其他部分系数保持不变。
3) 处理后的图像的小波逆变换。
根据上一步骤所得到的图像小波系数,进行小波逆变换,完成车辆图像的高通滤波处理[6],实际处理效果如图7所示。
由图6、7可见,原始的灰度图像中存在很明显地由光照不均引起的亮度差别,汽车的左半部分的亮度因建筑物遮挡比右半部分的亮度暗,同时右半部分也存在着局部的光线不足的情况。在传统的车牌定位算法中,都是先对图像进行二值化处理。对于这样的图片,如果直接进行平均灰度整体阈值二值化,很容易出现由于阈值选取过高而造成车牌区域的不可辨识的情况,假如在程序中刻意降低阈值又会引入很多噪声,失去了二值化的使用意义[7]。如果使用局部阈值二值化,一方面增加了计算阈值的工作量,增加了处理时间,同时也可能会因为区域划分的原因引发新的边界噪声干扰。使用基于小波变换的高通滤波处理后,图片效果十分理想,不仅完全消除了光照不均造成的影响,而且使车牌区域更加突出,大大提高了定位查找的准确率。
2.3 边缘提取和车牌位置检测
对图像进行了高通滤波后,可进行边缘提取运算。目前经典的边缘提取方法为基于方向导数算子掩模求卷积的方法。本系统比较了各种边缘提取算子的优缺点,使用Robert算子提取边缘,达到了很好的位置检测效果。
提取图片的边缘信息后,结合一定的判别算法可根据车牌区域边缘信息比较丰富、频率较高的特点对整张图片进行扫描,查找车牌区域的上下边界和左右边界。
图8和图9所示图片中存在较多的由于反光和其他原因造成的干扰,本系统可以十分准确地定位出车牌区域,与使用传统算法的车牌定位系统相比较,具体结果如表1所列。
在获取图像存在一定噪声干扰的情况下,本系统对于车牌的定位准确率仍然可以达到95%以上,而且在Pentium4 CPU 1.7 GHz、256 M内存的较低硬件配置下,从图像采集卡获取一帧576×432的含汽车图片直至截取出车牌区域仅需390 ms,如果在满足监控需求的前提下适当降低采集图片的分辨率,并选择更高的计算机配置,定位车牌的速度还可以获得较大幅度的提升,完全可以满足实时性处理的要求。
3 结束语
小波分析是近年来图像处理领域的热点,自提出以来,各种新的应用层出不穷。笔者将其引入车牌定位系统,在对车辆图像的预处理过程中,抛弃了传统的二值化处理办法,转而使用基于小波变换的高通滤波对图像进行一次性滤波降噪处理,避免了由于二值化而造成的车牌信息丢失。在保证了最终定位效果的前提下,减少了处理的步骤,缩短了处理时间,增强了系统的抗干扰性。如何进一步地提高定位精度和处理速度,并将小波变换引入车牌字符的识别将是下一步研究的内容。
摘要：将小波变换引入车牌定位算法,对车辆图像进行滤波降噪。在满足实时性处理要求的前提下,定位效果十分理想:完全消除了光照不均造成的影响,使车牌区域更加突出,增强了定位的鲁棒性,提高了定位查找的准确率,系统的车牌定位准确率高达95%。
关键词：小波变换,车牌定位,高通滤波
参考文献
[1]欧阳文卫,罗三定.车牌定位算法研究[J].湖南工业职业技术学院学报,2006,6(4):33-37
[2]李佩斌,石景波.基于纹理特征和彩色特征的车牌定位算法[J].交通与计算机,2006,24(4):80-82
[3]郭招球,赵跃龙,高敬欣.基于小波和神经网络的车牌字符识别新方法[J].计算机测量与控制,2006,14(9):1 257-1 259
[4]李知菲,胡平.小波技术在车牌识别中的应用[J].黑龙江交通科技,2006(5):76-77
[5]靳济芳.V isua l C++小波变换技术与工程实践[M].北京:人民邮电出版社,2004
[6]陈景航,杨宜民.基于小波变换和神经网络的车牌识别系统[J].计算机工程,2005,31(15):175-177
定位变换 篇3
关键词：Hough变换,人眼定位,积分投影,快速Hough变换
0 引言
近年来人脸识别成为了模式识别及人工智能领域一个热门的课题,它是一门崭新的生物识别技术,在国家安全、军事安全、公安、民政、海关、保险等领域都具有极其广阔的应用前景。人脸的检测技术是人脸识别的基础,人脸检测的方法可归纳为三种:肤色区域分割与人脸验证的方法、基于启发式模型的方法、基于统计模型的方法。作为脸部区域内最具特征的眼睛的检测与定位引起了研究者越来越多的关注。到目前为止,人们已经提出了很多有效的人眼定位方法,包括模板探测法、边缘特征分析法、对称变换法等。利用霍夫变换检测圆也是其中之一,但传统的霍夫变换计算量大,且对边缘的要求也很严格。
本文提出一种利用积分投影和快速Hough变换两步法快速定位人眼的新方法,该方法对图像进行预处理后,首先在灰度图中对原始图像在水平和垂直方向上分别进行灰度积分投影,根据积分投影图的凹凸来大致确定双眼的位置,即人眼的粗定位,然后对图像进行边缘提取,并将边缘图二值化,用快速Hough变换的圆检测方法对二值化图像进行圆检测,从而确定双眼的精确位置。
1 图像噪声处理
图像中不可避免地伴有噪声的影响,这会对图像的定位、识别带来很大影响。噪声是图像中不应该存在的小污点,它们是在图像的拍摄或传送工程中产生的。必须在图像处理之前对其进行噪声消除,以最大限度地减少噪声带来的影响,平滑滤波用于完成这一任务。滤波的目的有两个:一是平滑非边缘区域,二是使图像边缘得到保护。
中值滤波[1]是一种能有效抑制图像中噪声的非线性信号处理技术,它的算法描述如下:
(1)将模版在图中漫游,并将模版中心与图中某个像素位置重合。
(2)读取模版下各对应像素的灰度值。
(3)将这些灰度值从小到大排成1列。
(4)找出这些值排在中间的1个。
(5)将这个中间值赋给对应模版中心位置的像素。
2. 利用积分投影函数(IPF)进行人眼粗定位
2.1 积分投影函数
假设I(x,y)表示点(x,y)处的像素灰度值,在区间[x1,x2]和[y1,y2]内的垂直积分投影函数和水平积分投影函数[3]分别表示为Sv(x)和Sh(y),则
当图像某一列像素灰度均值发生变化时,这种变化会在Sv(x)的值上反映出来。同理,当图像某一行像素灰度均值发生变化时,这种变化会在Sh(y)的值上反映出来。所以,可以通过对积分投影函数值的分析提取图像中的特征。
2.2 利用水平投影函数对眼睛粗定位
由于人眼的灰度特征与人脸部其它部位相比较有两个显著特征:其一,眼睛区域与周围区域相比较暗,即灰度值较低:其二,眼睛区域的灰度变化率较大,如图(1)所示。综合考虑这两个特征。采用积分投影图的方法很容易得到眼睛的大致位置。具体过程如下,做出人脸图像沿X坐标方向和Y方向灰度值积分投影图[2],如图(2)所示。由于由于眉毛、眼睛、鼻子和嘴巴这几个器官的垂直积分投影几乎是平均地分配在垂直积分投影图上,导致了垂直投影图不能定位出各个器官的垂直位置。由于人眉毛、眼睛、鼻子和嘴巴部分的灰度明显比周围区域低,如图(3)所示,所以这几个部位所对应的水平积分投影图会形成出现极值。所以,通过搜索水平积分投影图的极值,可以快速定位出人脸这几个部位的水平位置,人眼位置在人脸投影中间位置上边的第一个极小值处这样通过积分投影图就可以得到人眼的大致水平位置。
3 利用快速Hough变换检测圆的方法精确定位瞳孔
Hough变换[4]是一种用于区域边界形状描述的方法,常常用于直线段、圆和椭圆的检测。它具有受噪声和边缘间断影响小的优点,但传统的Hough变换计算量大,且对边缘的要求也很严格。但新的Hough变换检测圆的方法,充分利用圆的几何性质,将传统Hough变换检测圆时的三维参量统计变成一维参量统计,极大地降低了计算复杂性和对资源的需求。
在进行快速Hough变换检测圆之前,先对图像提取边缘并进行二值化变换。
3.1 图像边缘提取
边缘是灰度或结构等信息的突变处,它是一个区域的结束,也是一个另一个区域的开始。边缘中包含着将要定位的瞳孔圆形边界信息。可以用边缘提取的方法将其提取出来,Sobel算子是基于一阶导数的边缘检测算子,Sobel算子[2]对一些像素求和然后再差分,因此具有平滑噪声的作用。设图像f中点(i,j)的灰度值为f(i,j),则其Sobel算子表示如下:
写成算子矩阵形式为:
图像中的每个点,除了边缘处无法处理外,其它点都与这两个算子做卷积,算子Gx对水平边缘响应最大,算子Gy对垂直边缘响应最大。两个算子与图像卷积值中的较大值作为该点的边缘图的像素灰度值。而且还可以得到(i,j)点处的切线方向信息Gy/Gx,将在后边的圆的检测中发挥重要作用。
3.2 二值化
为了去掉噪声干扰,提高定位的精确率,在边缘检测后进行二值化处理[5]。阈值T是采用的类别方差自动门限法来确定的。类别方差自动门限法就是利用类别方差作为判断依据,选取使得类间方差最大和类内方差最小的门限作为最佳阈值。设图象中的灰度范围是G={0,1,2,…,L-1},选择门限t将其划分为两类:C0和C1类出现的概率及均值为(5)
C0和C1类的方差为:(7)按照模式识别理论,可以求出这两类的类内方差,类间方差和总体方差。但最大时分类性能最优,所以把作为图像二值化的阈值。
3.3 快速Hough变换检测圆的原理
在图(7)中圆C上选取K、L、M3点,分别构成互不重合的弦KL和LM。根据圆的几何性质,KL的中垂线lKL与LM的中垂线lLM必然相交于圆C的中心0[4]。设K、L、M3点的坐标分别为(xK,yK)、(xL,yL),则lKL和lLM的方程分别为
求出式(8)和式(9)两直线的交点,得到圆C的圆心(ac,bc)和半径rc:
基于上述原理,由点K、L、M三点可以唯一确定圆的一组参数(ac,bc,rc)。
从水平积分投影图中,已经得到眼睛的大致水平位置[5]。本文中记为k1点,在k1点分别向上搜索和向下搜索6个或7个点找到L1、M1两点,由公式(10)(11)就可以得到眼睛瞳孔的中心(ac1,bc1)和半径rc1。由于图像自身数据的误差以及各种噪声的干扰,本文采取多次取点求平均,k1点向上移动4个点,得到k2,由上述相同方法可得到点L2和点M2,以及眼睛瞳孔中心(ac2,bc2)和半径rc1。点的选取如图(8)所示。
4 实验结果分析
由于边缘具有一定的宽度,这里采用平均的方法来保证圆心定位的精度,而且通过水平积分投影,已经得到眼睛的大致位置,这样使一只眼的搜索范围限制在180个像素区域,进而速度大大缩短。
本文通过MATLAB7.0编制,用基于传统Hough变化检测圆的人眼精确定位方法与快速Hough变换检测圆的人眼精确定位对同一图片进行检测,都可以比较精确的测出目标人眼,但在速度上要明显优于前一种方法,且后者在人眼边缘残缺不全的情况下仍可以准确定位人眼,一般情况下要快将近两个数量级,传统的方法平均时间在1487ms,本文平均时间为38ms。图(9)为利用本算法进行检测的实例(左图为网络下载图片,右图为ORL人脸库提供的图片)。
5 结论
针对人眼精确定位的要求,本文提出的算法充分利用了圆的几何性质,即圆相交两弦的中垂线交点必为圆心的特性以及眼睛边缘有明显灰度级突变的特性,来求取人眼中心坐标。所以本文算法不仅保持着传统Hough变换检测圆对背景噪声具有鲁棒性的优点,而且计算量小、速度快,在局部信息不太残缺的情况下,依然有很好的实验结果。当然,如果边缘检测后图像残缺严重,以及初始值判断出现很大的误差,那么可能导致结果误差偏大,这需要在今后的工作中解决。
参考文献
[1]姚敏．数字图像处理[M]．机械工业出版社，2006：225-229
[2]张宏林．Visual C++数字图像模式识别技术及工程实践[M]．人民邮电出版社2003：363-413
[3]陆宗骐．C/C++图像处理编程[M]．清华大学出版社2005：152-157
[4]林金龙，石青云．用点Hough变换实现圆检测的方法[J]．计算机工程，2003．29(11)：17-18
定位变换 篇4
关键词：Mark点,定位,机器视觉算法
0 引言
Mark点定位是机器视觉检测与定位技术中比较常用的一种手段, 在激光加工、电子制造、印刷等行业, 通过Mark点进行工件定位有着广泛的应用[1]。Mark点边缘瑕疵和缺陷导致定位精度下降, 一味地提高Mark点的印刷精度导致成本上升, 通过高精度机器视觉定位算法消除边缘瑕疵是提高定位精度的有效途径。
Mark点多为圆形, 常用的定位算法是将Mark点的边缘拟合得到标准圆后找出圆心。由于边缘瑕疵和缺陷的影响, 拟合圆会偏离设计中心, 识别Mark点的边缘瑕疵, 作圆拟合时将它们剔出, 可以提高圆形Mark点的定位精度。
1 Mark点圆定位常用方法
圆形Mark点的定位算法研究很多, 常用的算法有五类, 第一类是基于Hough变换的圆定位算法, 为解决速度与精度问题有不少变种, 如柏长冰等提出先计算Mark区域中心点, Hough变换圆心累加范围限制在这个中心点附近区域。依据Mark实际尺寸计算检测图像中Mark的半径, 将累加器从三维降为二维, 提高了计算速度[2];第二类是基于模板匹配的方法, 如解杨敏首先利用Mark点的几何特征进行粗定位, 然后进行模版匹配最终确定圆形Mark点精确位置[3]。第三类是利用圆的对称性对缺损圆进行精确定位, 如田福琛提出先检测出缺损圆的一个圆心坐标参数, 然后根据推导出的半径检测公式对图像中的点到与圆心具有一个相同坐标参数的边缘点 (即过圆心与X轴或者Y轴平行的直线与圆的交点) 的距离与该点和边缘点的水平或者垂直坐标差值的关系统计半径大小, 进而确定该缺损圆的所有参数[4]。第四类采用Blob分析对缺省圆进行定位, 如李婷等提出通过Blob分析获得缺省圆的圆心估计值, 并根据圆的半径设置一环形公差带, 落入公差带的点才判定为边缘点, 并用它们作最小二乘拟合, 提高了定位算法的准确性[5]。第五类是采用Radon变换进行圆定位, 如Fabrice提出的基于动态轮廓的多级方法, 用Radon变换进行圆的位置计算, 提高了不完整圆图像定位的精度和速度[6]。
2 改进的基于Radon变换的定位算法
在欧氏二维空间中, Radon变换定义为:
式 (1) 中, D代表整个图像x-y平面;f (x, y) 代表在坐标 (x, y) 处原图像像素点的灰度值;ρ=x cosθ-y sinθ是一条直线的参数方程, ρ代表坐标原点到直线的法线距离值, θ代表直线的法线与x轴的夹角。δ是Dirac delta函数。当图像f (x, y) 是二值图像时, Radon变换中f (ρ, θ) 的值就是直线ρ=x cosθ-y sinθ上的坐标点数。
如图1 (a) 、 (b) 所示, 对于无边缘瑕疵的标准圆, 变换后的f (ρ, θ) 中, X轴代表图像积分的方向, 即角度值θ;Y轴代表积分线到零点的距离值ρ;图像上点的像素值代表特定方向上的直线的积分值, 即直线穿过像素点的个数, 圆离散后其边缘上任一点的切线有几个像素, f (ρ, θ) 中任一θ方向上灰度最大的两个值所对应的两条直线, 就是θ方向上圆的两条切线。为了找到同一个方向上相对应的两条切线, 也就是要找到某个角度的两个最大的像素点值 (原图像中穿过像素最多的两条直线) , 根据纵坐标的距离值采用重心算法, 将Radon变换后的图像分成了上下两部分, 任意θ方向上的两个最值点之间的距离为定值, 它代表了原图形的直径。分割后的两部分针对每一个角度θ都可以分别求出对应的最值点。根据最值点可以计算出上下两条由最值点所组成的曲线, 继而可以求出与两条曲线等距的中间线。对这条中间线通过Radon反变换, 可以得到系列经过圆心的直线。这些直线中交点最多的就是圆心坐标[5]。
瑕疵圆的边缘噪声参与了计算, 影响了定位精度, 区分并剔除定位圆的边缘噪声, 可以提高定位精度。
如图1 (c) 、 (d) 所示, 瑕疵圆变换后, 在每一个θ方向上的最值应该与标准圆的变换后同一θ方向上的最值相同, 如果该方向上的边缘存在噪声, 则两者存在较大的差值, 根据这一原理, 设定一个阈值, 当待测圆每个角度最值与标准模板最值的差值小于阈值时, 可以认为是边缘点, 大于阈值时可以判定为噪声。
设在θ方向, 上 (下) 半部分待测图像的最值f (θ) , 上 (下) 半部分标准图像的参考值f0 (θ) , 设定的阈值为δ。
将边缘f (ρ, θ) 反变换, 即得到边缘点f (x, y) , 将边缘点f (x, y) 用最小二剩法拟合边缘点, 即得精确的圆心坐标。
3 实验与分析
实验样本选择了标准圆和缺陷圆共6种, 像素为254×254。 (1) 是完整的没有瑕疵和斑块噪声的圆形图案; (2) 是边缘有毛刺的圆形图案; (3) 是边缘有凸出缺陷的圆形图案; (4) 是边缘有缺失缺陷的圆形图案; (5) 是边缘既有凸出也有缺失缺陷的情况, 但是有完整的对面弧形; (6) 是大部分边缘都有形变但是仍然有完整对弧的圆形。标准圆的圆心实际坐标是 (119, 105) 。
单位:像素值
对比算法选择了直接Hough变换, Radon变换和本改进的Radon变换算法比对, 计算结果如表1所示。
从计算时间上看, 三种算法耗时相差不大;从位置精度来看, 对标准圆样本, Hough变换和Radon变换定位算法误差为X、Y两个方向都为0, 对边缘有毛刺的样本, Hough变换定位计算误差X、Y两个方向都为0, Radon变换定位算法误差X、Y两个方向都为1, 改进的Radon变换算法定位误差X方向为0.534 3, Y方向误差为0.541 1;对边缘有缺省的圆样本 (2, 3, 5, 6) , 改进的Radon变换算法要明显优于Hough变换和Radon变换定位算法。样本4中圆的缺省太多时, 改进的Radon变换算法计算结果优于Hough变换和Radon变换定位算法, 但优势并不明显。但是, 改进的Radon变换算法的计算稳定性要优于其它算法。
4 结论
Mark点的圆定位技术十分关键, 它是机器视觉技术在电子制造、五金、印刷等行业的重要应用;没有一种Mark点圆定位算法可以适用于各种情形的定位应用, 对于有毛刺的圆, 特别是有缺省的圆, 改进的Radon变换算法有较好的精度与计算稳定性。
参考文献
[1]贺珍真, 张宪民, 邝泳聪.电子元件的特征建模与检查算法研究[J].机电工程技术, 2008, 37 (6) :58-61.
[2]柏长冰, 齐春, 宋福民, 等.Hough变换快速检测圆形PCB Mark[J].光电工程, 2005, 32 (9) :75-78.
[3]解杨敏, 刘强.高精度自动贴片机视觉系统定位算法研究[J].光学技术, 2008, 34 (3) :1002-1582.
[4]田福琛, 王琰.一种改进的缺损圆检测定位方法[N].沈阳理工大学学报, 2013, 32 (3) :52-65.
[5]李婷, 柳宁.基于机器视觉的圆定位技术研究[J].计算机工程与应用, 2012, 48 (9) :153-156.
定位变换 篇5
高速铁路牵引网输电线运送距离长,暴露在旷野,且故障多发生于盘山越岭、交通不便的山区丘陵地带。故障点的快速、准确定位这个铁路电力牵引部门的难题一直尚未解决。对牵引系统安全运行构成了较大的威胁,也给牵引网输电线路运行维修人员带来了繁重的负担。为此国内外提出了电气化铁道牵引网故障行波定位方法,利用故障产生的暂态行波信号进行故障检测和定位[1,2,3,4]。
牵引网输电线路故障单端行波定位准确度主要取决于2个参数[5]:时间参数和速度参数。牵引网输电线路故障产生广域频带的暂态信号,故障行波含有丰富的高频分量;行波传播具有色散特性,不同频率的行波信号具有不同的衰减特性,导致牵引网故障行波波头信号在传播过程中发生畸变,影响了对行波准确到达时间的判断和对行波波速的确定,降低了故障行波定位的准确度。
行波定位常规的方法是应用小波变换来换取时间参数,速度参数取光速,也就是说不计行波沿传输线路的传播色散的影响。本文提出的方法有望解决常规的测距方法的精度不高问题。本文将小波变换奇异性理论与相似性算法结合起来,用提取初始行波起始点前后波形的变化趋势及其特征作为判定条件来提取行波波头。提出了行波到达时间由自适应匹配法提取的行波特征点位置确定;行波的传播速度由模拟实验结果计算波速来确定。测距精度较高。
1 小波变换自适应匹配基本原理
1.1 小波变换理论
实现准确辨别故障行波的突变点,即行波到达的时刻,是提高故障定位精度的重要条件之一[6]。本文选用小波分析算法来对高速铁路牵引网故障行波信号进行处理。小波变换的数学表达式为:
式(1)中,C(a,τ):原函数f(t)的小波系数;a:尺度(压缩或伸展)量;τ:位移量;φ( ):小波函数族。
就形式和实质而言,式(1)和FFT并无本质区别。小波变换之所以有“数学显微镜”的比喻,就因为尺度(压缩或伸展)量a和位移量τ:尺度(压缩或伸展)量a控制“数学显微镜”的镜头,a小,观察高频部分(频率分辨率低);a大,观察低频部分(频率分辨率高)。位移量τ控制“数学显微镜”在时间轴上的移动,以观察不同的时间部分。小波变换所以较适合瞬态高速信号,原因在于小波函数族φ( )。φ( )有别于正弦函数族。第一它是瞬态的而非连续不断的;第二它很“小”。对于高压电器故障行波的小波变换,用仿真试验可已证明,它有利于找到故障行波的突变点,有利于提高故障行波的时差测量精度。
对应于本文所分析的高速铁路牵引网故障行波信号而言,其具体的小波变换过程如下。行波传感器信号经采集系统模数转换后成离散形式:
对此类信号采用Mallat分解算法进行逐级分解,其基本思想是:设Hi-1f为能量有限信号在分辨率2j下的近似,则Hjf可以进一步分解为f在分辨率2j-1下的近似Hj-1以及位于分辨率2j-1与2j之间的细节Dj-1f之和,其分解过程如图1所示。
由于双尺度方程中系数hk、gk可以通过内积
通过推导可得分解过程系数表达式:
小波变换过程是根据实际问题的需要对系数b
由式(3)可推导出重构过程的系数表达式为:
1.2 奇异性理论
高速铁路牵引网故障行波采集信号为一维离散数据,假设fw(x)是行波信号经变换后的小波函数,若在尺度s下,在x0的某一邻域S,对一切x有:
则称x0为小波变换的模极大值点; fw(x0)为小波变换的模极大值。利用模极大值点创建新的波形函数fmax(x),小波变换模极大值应满足下式条件:
式(8)中fmax(x)为信号f(x)的小波变换模极大值函数;k为常数;s为分解尺度;α为Lipschitz指数。
小波变换的模极大值点与信号突变点是一一对应的[7,8]。小波变换模极大值极性表示突变点的变化方向,模极大值大小表示突变点的变化强度。当信号在某一点Lipschitz指数非负(如信号突变点),则小波模极大值随分解尺度的增大,保持不变或随之增大。当在某一点的Lipschitz指数为负(如白噪声),则小波模极大值随分解尺度的增大而很快衰减。根据故障行波噪声水平,通过调整k和α的值,求取小波模极大值点,可进一步抑制噪声信号,较准确地反映出信号奇异点的位置、极性等特征信息,表征故障信息。
1.3 自适应匹配法
本文在实际测试过程中采用的行波传感器灵敏度为1 mV对应于现场实际电压1 V。因为高速铁路牵引网工作电压为27.5 kV,当牵引网输电线路发生故障时,所产生的故障信号电压幅值经高压高频行波传感器采集转换后,可获得△U>20 V以上的电压幅值变化量,并且行波传感器易引起振荡谐波。因此,对于经小波变换模极大值提取后的数据波形函数fmax(x)再进行求导和绝对值运算,进一步滤除掉缓慢变化的振荡信号,以便于对行波头信息的提取。设经数据处理后的波形函数:
数据采集系统进行采集时设定了一定的采集延时,延时数据包含采集系统硬件电路自身的噪声,取噪声最大值设为un。由x=0时开始,对fabs(x)的值与噪声信号进行比较。当fj(n0)>un时,确定此时点n0对应的采样时间为初始行波起始点t0。
提取初始行波起始点前后波形的变化趋势及其特征作为判定条件,根据实际情况可选择多个特征值,如:
为提取行波波头位置点,将求取m1,m2作为判定条件。然后,使用同样的方法求取起始点n0后数据对应的m值,如对于p点,计算
同时定义:
当Δm<βθ时(其中θ为故障行波衰减系数,对于确定线路,根据实测标准波形数据预先确定,β为修正系数),确定此时函数fj(k)对应的时间为故障反射行波波头到达时间t1。则故障点k与起始点距离可由S1=v(t1-t0)计算得到。
2 基于小波变换自适应匹配的单端行波定位原理
2.1 行波到达时间辨别
行波波头到达时间辨别算法如图2所示。
如图2所示,小波函数db6对行波信号进行5尺度小波分解处理,对小波分解结构进行高频重构,获取5尺度分解重构高频行波信号;求取其模极大值点后,构建经数据处理后的行波波形,可以判断行波波头的大致位置。由于行波波头上升比较平缓,最大值出现与实际行波波头出现有一段时延,影响故障定位精度,因此为了进一步准确获取行波波头到达时刻,本文章在小波变换求模极大值基础之上,结合采用自适应匹配法。自适应匹配法:首先对行波信号求取反应行波波形变化的变化率和求绝对值运算;对于所获得新的数据,提取初始行波波头特征值信息;再利用初始行波波头特征进行自相似度分析判定条件,对整体故障行波数据进行扫描匹配,最终确定故障反射行波波头位置。由初始行波和经故障点反射回来的行波波头对应于采样数据上的采样点数差值和采样频率即可得出行波到达故障点的时间。
2.2 行波波速的确定
行波波速的确定与否直接影响着故障行波定位的准确度。由于行波传播速度的相对稳定性,因此本文章采用模拟实验方法求取行波波速,为后续现场实验数据分析提供参考。
由于模拟实验线路长度已知,可根据模拟实验结果计算波速。行波波速分析过程以北京恒通达公司固安厂房行2011/07/11日下午01:32:37测试数据为例进行说明,结果如图3所示。如图3(a)所示为模拟实验测试数据的原始波形,图3(b)为经算法处理后波形,在处理后的数据基础上,采用本文章行波波头到达时间辨别算法进行分析,确定故障点, 将故障点分别在原始波形和处理后的波形上进行标示,如图中圆圈所示。为了进一步提高行波波速度的准确度,对经波头到达时间辨别算法处理多组模拟实验数据所得的时间差求取平均值。
由已知线路长度为S=153 m,及时间差结果取平均值Δt=67.5/(2×60×106)=562 ns,计算得波速v=S/Δt=153 m/(562×10-9)s=2.72×108 m/s。
2.3 定位实现
如图4所示,本文方法的实现可分以下几个步骤:
(1)启动高速采集装置,在检测点检测初始行波信号和经故障点反射回来的行波信号。
(2)根据小波变换奇异性理论对获取的行波电压信号求取小波函数db6对行波信号5尺度分解重构高频信号的模极大值fw(x);利用模极大值点构建波形函数fmax(x)。
(3)对数据波形函数fmax(x)进行求导和绝对值运算,进一步滤除缓慢变化的振荡信号,有利于行波头信息的提取,并获取经处理后的波形函数为fabs(x);提取初始行波起始点前后波形的变化趋势及其特征,选取特征值。
(4)由相似性算法,对故障行波数据整体扫描匹配,识别出经故障点反射回来的行波波头位置;由初始波和反射波波头在采样数据上相对位置差及采样频率(本文现场实验采集卡频率为60 MHz)即可得出行波到达故障点的时间。
(5)利用模拟实验数据的行波传播波速分析结果为本文现场实验数据分析提供参考。
(6)根据单端行波测距法的原理,由行波信号在监测点与故障点间往返的时间差和模拟实验获取的参考波速即可定位出故障点位置。
3 现场数据示例分析
石家庄南新城变电所实验线路选择216#馈线,全程长度为22.19 km。对于现场数据的分析目的是为了验证本文所述方法在现场应用时的准确性和定位精度,并检验其对现场复杂环境的适应性。
因为石家庄南新城变电所216#馈线在实验检测点后方无线路上网点的反射情况,所以对216#馈线上所采集的行波数据的分析只需要关注现场实验线路合闸和分闸时末端的反射波信号。数据分析过程如下图5所示,以其波形为例进行分析说明。
如图5所示,对于实测现场三组数据的处理,首先采用小波变换自适应匹配算法对石家庄原始行波数据进行处理,根据处理后的数据波形,进行行波信号起始点和故障点的定位,然后将故障点的坐标映射到原始数据波形上,在分析结果图中以圆圈标示;再根据标示出的起始点和故障点的位置进行行波波头到达时间的辨别,确定出行波在检测点与故障点间的往返时间差。
运用同样处理方法,对南新城变电所216#馈线停送电时检测到的其他行波波形进行分析,定位其初始行波与线路末端反射行波起始位置点,并根据模拟实验时所测得波速计算实验设定的故障距离,结果记录到表1中。
已知石家庄216#馈线长度22.19 km,由表1所示,可知行波测距系统定位误差最大为(22 278-22 190) m=88 m,测距误差小于100 m;且不同次测试结果变化较大,分析其原因,可能是由于在不同的测试时间段内,外部环境的变化(如线路载荷、天气气候情况的变化等)对行波信号在输电线路上的传播过程产生了一定的负面影响。
4 结语
本文利用小波变换自适应匹配的单端行波定位方法,可以有效提取牵引网输电线路故障行波信号特征,并消除行波色散等其它因素对故障点定位精度的影响,同时解决了如何辨别波头到达的时间和行波传播的参考波速的问题。大量测距结果证实,采用小波变换自适应匹配的单端行波定位法的定位结果的可靠性强、定位精度高,在单端行波定位法能够使用的条件下,定位精度能够满足现场运行对精确故障定位的要求。
参考文献
[1] Nagata T,Sasaki H,Yokoyama R.Power systems restoration byjoint usage of expert system and mathematical programming approach.IEEE Trans on PWRS,1995;10(3):1473—1479
[2] Poission Q,Rioual P,Meunier M.New signal processing tools ap-plied to power quality analysis.IEEE Trans on Power Delivery,1999;14(2):561—566
[3]于泽,费明.基于小波变换和行波法的电缆故障测距方法研究.科学技术与工程.2011;11(34):8343—8347
[4]陈平,朱瑾,徐丙垠,等.利用重合闸暂态行波的输电线故障测距.电力系统自动化,2009;33(11):76—79
[5]陈平,徐丙垠,李京,等.现代行波故障测距装置及其运行经验.电力系统自动化,2003,27(6):66—69
[6]邬林勇.利用故障行波固有频率的单端行波故障测距法.成都西南交通大学,2009
[7]葛耀中.新型继电保护与故障测距原理与技术.成都西南交通大学出版社,1996