基于有效信息逐步裁剪的特种车辆数字仪表自动测量方法.docVIP

基于有效信息逐步裁剪的特种车辆数字仪表自动测量方法 摘要：本文主要是针对特种车辆仪表的特点，解决特种车辆指针式仪表非接触式自动检测的问题。在本文中，利用摄像头代替人眼，利用计算机代替人脑，完成特种车辆仪表的图像采集、图像存储、仪表的自动识别和测量，识别结果自动存储与分析等过程。针对特种车辆仪表的圆心和半径、指针提取、起始刻度以及终止刻度的自动提取，本文提出了一种基于有效信息逐步裁剪的提取方法，最后获取了准确的识别信息。实验表明，我们的方法对特种车辆仪表的自动识别具有快速、准确且切实可行等特点。 关键词：特种车辆仪表 非接触测量 自动识别 中图分类号：TP39.41 文献标识码：A 文章编号：1007-9416（2013）10-0102-04 1 引言 特种车辆指针式仪表广泛应用于各种特种车辆中。长期以来。特种车辆仪表的校准与测量普遍采用人工读取这种非接触仪表校准的数据。这种方法虽然比较准确。但是，必然会存在人为的操作误差和人的视觉误差。人工读取这种方法已越来越不能满足现代化军事生产实际需要。由于军事行业标准和军事设备的特殊要求，在计量校准特种车辆指针式仪表以及特种车辆指针式仪表测量时，必须采用非接触式校准与测量，因为加载任何其他的读数结果，都可能因为校准环境的不同，影响到校准与测量精度。近年来随着特种车辆的技术质量的提高，对其设备和仪器的质量精度测量要求也越来越高。特种车辆的检测项目从简单走向复杂、从单项走向多项综合，特种车辆的计量方式从抽检向全额检验过渡。利用图像视频的识别技术对特种车辆仪表进行非接触校准与识别，能较好地满足这方面的要求。 本文针对非接触式特种车辆仪表自动识别和检测的方法进行研究。我们利用摄像头代替人眼，利用计算机代替人脑，完成自动检测的特种车辆仪表的图像采集、图像存储、仪表的自动识别和测量、自动存储与分析等过程。相对于以前大量针对工业指针式仪表的自动识别[1-11]，针对特种车辆仪表的研究非常的少。以前针对工业仪表的识别中，主要是依赖于Hough变换获取指针，然后对工业仪表进行识别。而本文主要是针对特种车辆仪表的特点，提出了一种新的体系方法，也就是采取了一种基于有效信息逐步裁剪的方法来提取特种车辆仪表识别的一些关键信息：仪表圆盘、仪表指针、起始刻度和终止刻度，然后根据这些关键信息识别仪表，从而解决了特种车辆指针式仪表非接触式自动检测的问题（如图1）。 2 特种车辆仪表的非接触式自动测量 如图2，特种车辆指针式仪表的非接触式自动测量系统由以下几个部分组成：特种车辆仪表、图像采集部分、计算机、仪表图像识别算法部分。其流程如下，利用图像采集系统和设备获取特种车辆仪表的一帧帧视频图像后，将视频数据传送到计算机中，计算机对单幅仪表图像进行自动识别处理，然后将识别结果当着测量结果。在整个识别算法中的关键在于获取指针固定点、获取指针角度以及对起始刻度已经终止刻度的角度，并进行计算。因此本文的特种车辆仪表自动识别算法包括特种车辆仪表图像预处理、检测表盘圆心和半径、提取指针直线特征、确定指针角度和计算起始刻度和终止刻度位置等几个部分。 2.1 特种车辆仪表图像预处理 在对特种车辆仪表进行自动识别之前，需要对特种车辆仪表图像进行预处理。简单的说就是解决图像因为光线或者拍摄角度等原因造成的仪表图像模糊、歪斜或缺损的情况。仪表图像的预处理包括图像进行大小归一化、通过中值滤波去随即噪声、通过灰度拉伸增强仪表图像的对比度，通过二值化处理实现仪表图像中背景和对象的分割。在中值滤波中又以自适应中值滤波在去除噪声和保存细节两方面效果最好，本文采用结合了均值滤波和自适应中值滤波两者优点的改进型自适应中值滤波算法。并且采用动态阈值法确定特种车辆仪表图像二值化的关键阈值，并使用带修正的自适应邻域平均法消除图像干扰和噪音。由于特种车辆仪表和工业仪表不同，大部分是黑色底的，因此还要进行反色变换。经过预处理后的特种车辆仪表图像如图3所示。 2.2 特种车辆仪表的表盘圆心及半径获取 只有得到仪表圆盘的位置，以及获取仪表圆盘的半径，才能为寻找指针确定一个大致的范围，从而能较快地确定指针位置。对于特种车辆仪表表盘，由于指针处的灰度和周围像素的灰度不同，一般来说有较大变化，因此用边缘检测算子来检测指针。Canny算子能较好地检测到具有封闭特性的边缘，其提取的仪表表盘区域的边缘定位好、边缘漏检率低、边缘的误检率也低，并且可以抑制噪声。 对图像进行预处理和边缘检测后，可以如图4的逐步裁剪法得到特种车辆仪表圆盘的圆心和半径。在获取了特种车辆仪表图像的圆心和半径之前，我们先对仪表的圆心坐标进行了预先估计。我们对仪表图像进行预处理后，通过Canny算子获取轮廓提取的边缘点。经过不断的裁剪，得到如图4.（3）的结果，将图4.（3）结果中各边界点存储在某个数组里；然后分别在