（电磁场与微波技术专业论文）条烟在线识别系统.pdf

摘要 摘要 以信息为中心的现代化物流管理是企业发展的趋势，目前，国内外许多烟草 企业已经开始引入现代化的物流管理解决方案，通过自动化的条烟配送系统来代 替传统的手工作业。在条烟配送系统中，条烟分拣是一个重要的子环节，作为此 子环节的重要组成部分，在线的条烟品牌自动识别必不可少。 本文以整个条烟识别系统的研制为主线进行组织。绪论部分首先介绍了条烟 识别系统的背景知识和研究意义、基于内容的图像检索( c o n t e n t b a s e di m a g e r e t r i e v a l ，c i r ) 技术的发展历程、国内外目前在c i r 技术上的研究进展和应用 成果，然后对在线条烟识别中存在的主要困难进行讨论。接下来，通过对彩色分 辨率和尺寸分辨率两个指标的分析，完成了对系统其它参数的推导和标定。针对 工业现场恶劣的图像采集环境以及实际的要求，本文还对条烟图像的预处理算法 进行分析和研究，并使用“抽选一平均”去噪算法和线性校正算法，对采集到的 原始图像进行预处理，降低了图像噪声，并对成像过程中图像因位置而产生的色 彩畸变进行补偿。 图像识别是整个条烟识别系统的核心，而特征提取又是图像识别的关键。本 文对几种经典的图像特征进行深入地分析和总结，并提出一种新的图像特征 能量特征，该特征可以实现对图像内容的综合概括，能够快速计算，而且不随图 像的旋转和平移而改变，具有优良的性质。将此特征用于图像识别中，是本文的 一个特色。确定了特征提取方案后，本文还对特征向量距离的计算进行了详细的 讨论，确定了计算彩色图像距离的办法，制定了品牌识别的决策。在完成理论部 分的研究和设计后，文章还对系统的硬件和软件的实现进行详细介绍。 关键词：条烟识别，图像处理，特征提取，识别决策 条烟在线识别系统 a b s t r a c t m o d e r nc i r c u l a r i o nm a n a g e m e n ti st h et r e n do fd e v e l o p i n gi n c o r p o r a t i o n s ，w h o s ec e n t e ri si n f o r m a t i o n a tp r e s e n t ，m a n yt o b a c c o c o r p o r a t i o n sw h a t e v e rd o m e s t i co ri n t e r n a t i o n a lh a v ea l r e a d ys t a r t e dl e a d i n t ot h es o l u t i o no fm o d e r nc i r c u l a t i o nm a n a g e m e n t ：p a s st h ea u t o m a t i c c i g a r e t t ed e l i v e r ys y s t e mt or e p l a c et h et r a d i t i o n a lh a n d i c r a f th o m e w o r k i na u t o m a t i cc i g a r e t t ed e l i v e r ys y s t e m ，a u t o m a t i cc i g a r e t t es e l e c t i o ni s a ni m p o r t a n ts u b l i n k ，a sak e yp a r to ft h es u b l i n k ，o n l i n ea u t o m a t i c c i g a r e t t er e c o g n i t i o ns y s t e mc a n n o tb el a c k e d t h i sp a p e rw i t ht h ew h o l er e s e a r c ho fc i g a r e t t er e c o g n i t i o ns y s t e mf o r t h em a i n1 i n ec a r r i e so nt h e o r g a n i z a t i o n t h e i n t r o d u c t i o n p a r t i n t r o d u c e st h eb a c k g r o u n dk n o w l e d g ea n dt h er e s e a r c hm e a n i n go fc i g a r e t t e r e c o g n i t i o ns y s t e m 、c i r 、t h ed e v e l o p i n gp r o c e s so ft e c h n i q u e 、r e s e a r c h i n g p r o c e s sa n da p p l l e da n di n t e r n a t i o n a l a 1 s oc a r r yo nt h ed i s c u s s i o ni n m a i nd i f f i c u l t y ，w h i c hi se x i s t e di no n l i n ec i g a r e t t er e c o g n i t i o n t h e n p a s st h ea n a l y s i st ot h ec o l o r f u lr e s o l u t i o na n dt h es i z er e s o l u t i o n c o m p l e t e dt od e d u c et oo t h e rp a r a m e t e r so fs y s t e ma n ds e tc o n c r e t ed a t a a i ma tt h eb a di m a g ec a p t u r ee n v i r o n m e n ti ni n d u s t r ys p o ta n da c t u a l r e q u e s t s ，t h i sp a p e rc a r r i e so nt h ea n a l y s i sa n dr e s e a r c hi np r e p r o c e s s a l g o r i t h mo fc i g a r e t t ei m a g e ，a n du s ed e n o i s i n ga l g o r i t h ma sw e l la s 1 i n e a rm o d i f ya l g o r i t h mp r e p r o c e s st h eo r i g i n a li m a g ew h i c hi sc a p t u r e d b yc a m e r a i m a g er e c o g n i t i o ni st h ec o r eo ft h ew h o l ec i g a r e t t er e c o g n i t i o n s y s t e m ，a n dt h ef e a t u r ee x t r a c t i o ni st h ek e yo fi m a g er e c o g n i t i o n t h i s p a p e rc a r r i e so na n a l y s i sa n ds u m m a r yd e e p l yi ns o m ec l a s s i c a li m a g e s f e a t u r e ，a n da n e wi m a g ef e a t u r e e n e r g yf e a t u r eisp u r p o s e d t h isf e a t u r e c a nc a r r yo u ts y n t h e s i z et og e n e r a l i z et ot h ei m a g ec o n t e n t s ，c a nc o m p u t e i i a b s t r a c t q u i c k l y ，a n dw o n tc h a n g ew h i l et h et r a n s l a t i o no rr o t a t i o nh a so c c u r e d o nt h ei m a g e ，s oi th a sd e s i r a b l ep r o p e r t y u s i n gt h i sf e a t u r ei ni m a g e r e c o g n i t i o ni sad i s t i n g u i s h i n gf e a t u r ei nt h i sp a p e r a f t e rs e t t i n gt h e a l g o r i t h mo ff e a t u r ee x t r a c t i o n ，t h i sp a p e rc a r r i e so nt h ed e t a i l e d d i s c u s s i o ni nt h ec a l c u l a t et h ed i s t a n c eo ff e a t u r ev e c t o r ，m a k i n gs u r e t h ec o m p u t et h ew a yo ft h ec o l o ri m a g ed i s t a n c e ，d r a w i n gu pt h ed e c i s i o n o fb r a n di d e n t i f y c o m p l e t i n gt h er e s e a r c ha n dd e s i g n so ft h et h e o r i e s p a r t ，t h ep a p e ra l s oh a st h ed e t a i l e di n t r o d u c t i o nf o rt h er e a l i z a t i o n o fs y s t e m sh a r d w a r ea n ds o f t a r e k e yw o r d s ：c i g a r e t t er e c o g n i t i o n ，i m a g ep r o c e s s ，f e a t u r ee x t r a c t i o n ， r e c o g n i t i o nd e c i s i o n 1 i i 独创性声明 、9 7 s 1 5 1 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获神仁秀或其他教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示谢意。 学位论文作者签名 湘、冬 签字日期：泖6 年5 月c 日 学位论文版权使用授权书 本学位论文作者完全了解芬 嵩是p 蒡有关保留、使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和 借阅本人授投参薄酥哮可以将学位论文的全部或部分内客编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文 保密的学位论文专解密只严用本授权书 学位论文作者签名：0 订、夕 导师签名： l 刁芝 签字日期：跏6 年歹月q 日 签字日期： 乙帅占年厂月歹日 学位论文作者毕业去向：害镰如姑破埘驭誊稃木中r 工作单位：象i 番童衬鼍 电话：o s 9 l s1 0 6 6 岛印 通讯地址：毫 龄角令舄移牵害裤砖 邮编：2 弓口。5 1 第一章绪论 第1 章绪论 合理地选择研究课题对于每一个科技人员而言，都是极其重要的工作，这要 从课题方向的正确性、实用性、有效性和可行性等方面加以考虑。本章将对本次 论文的课题背景、意义等作简单的阐述。 1 1 课题的背景意义 我国是卷烟生产、消费大国，烟草在我国经济中占有十分重要的地位，在国 家财政收入中也占有相当的比重。2 0 0 4 年全国共生产卷烟3 5 8 0 8 6 万箱，比2 0 0 3 年增加1 1 3 7 8 万箱，增幅达3 3 “1 。从烟草行业发展的历史和现状来看，它在 一定时期内还会存在和发展。 以信息为中心的现代化物流管理是企业发展的趋势，它以客户满意为目标， 以企业整体最优化为目的，重效率更重效果。目前，国内外许多烟草企业已经开 始引入现代化的物流管理解决方案，使用自动化的条烟配送系统来代替传统的手 工操作0 1 。它主要包括以下流程： 1 订单收集。通过访销人员收集零售商的订单信息，用销售点终端( p o i n t o fs a l e ，p o s ) 机记录客户订单，每天进行数据汇总，汇总数据作为制 定配送计划的主要依据。 2 计划管理。将每天收集到的客户订单按地理位置分布进行分类汇总，结 合立体仓库中的库存量及分拣能力制定每天的分拣计划。 3 条烟分拣。分拣机根据上位任务管理计算机下发的分拣计划表，自动进 行条烟的搭配分拣。分拣完成后的条烟，经检验、装箱后重新返回立体 仓库，等待发货。 4 车辆调度管理。系统依据订单数据生成每天的发货计划，根据路径优化 和车辆运送能力进行运输调度，以减少车辆等待时间，缩短输送路径， 降低运输成本。 条烟分拣是条烟配送系统中的重要环节，它根据上位管理计算机下达的任务 指令自动地进行条烟分拣工作。图1 1 给出了该系统的工作照片。 条烟在线识别系统 图1 1 条烟分拣系统 f i g u r e1 1c i g a r e t t es e l e c t i n gs y s t e m 作为条烟分拣系统中的重要组成部分，条烟识别必不可少，它对传送带上的 条烟进行品牌识别，并根据识别结果做出相应的反应，确保条烟装箱的正确性。 本文将对条烟配送系统中的子系统条烟识别系统作认真、深入地探讨和研 究，并实现之。 1 2 图像识别技术及在线条烟识别的主要困难 近年来，随着数字图像处理技术的飞速发展，利用计算机进行目标识别逐渐 成为一个重要的研究课题咖。目前，使用计算机进行识别主要依靠c i r 技术实现 “7 4 4 ”1 ，它实质上是一种模板匹配的过程。基于c i r 的识别的主要步骤是：首 先对待识别的所有目标图像，建立数据库，然后使用图像的一种或几种特征作为 索引，通过匹配的方法，在数据库中检索出与待识别目标最接近的图像，并根据 数据库中对此图像的描述，确定目标的有关信息。其流程可由图1 2 所描述。 2 第一章绪论 图像采集 上 预处理 上 特征提取 上 特征数据库卜_ 叫 特征最佳匹配 上 输出最佳匹配结果 图1 2 基于c i r 的目标识别流程 f i g u r e1 2t h ef l o wo fc i r b a s e d t a r g e tr e c o g n i s a t i o n c i r 技术是在基于文本的图像检索( t e x t - b a s e di m a g er e t r i e v a l ，t i r ) 技 术的基础上发展起来的。t i r 技术的历史可以追溯到2 0 世纪7 0 年代末期，当时 流行的图像检索系统是将图像作为数据库中存储的一个对象，用关键字或自由文 本对其进行描述。查询操作基于该图像的文本描述进行精确匹配或概率匹配，有 些系统的检索模型还是有词典支持的。然而，完全基于文本的图像检索技术存在 着严重的问题。首先，目前的计算机视觉和人工智能技术都无法自动对图像进行 标注，而必须依赖于人工对图像做出标注。这项工作不但费时费力，而且手工的 标注往往是不准确或不完整的，并且不可避免地带有主观偏差。也就是说，不同 的人对同一幅图像有不同的理解方法，这种主观理解的差异将导致图像检索中的 失配错误。此外，图像中所包含的丰富的视觉特征( 颜色或纹理等) 往往无法用 文本进行客观地描述。 9 0 年代初期，随着大规模数字图像库的出现，上述问题变得越来越尖锐。为 克服这些问题，c i r 应运而生。区别于原有系统中对图像进行人工标注的做法， 基于内容的检索技术自动提取每幅图像的视觉内容特征作为其索引，如色彩、纹 理、形状等。此后几年中，这个研究领域中的许多技术得到陆续地发展，一大批 研究性的或商用的图像检索系统被建立起来“”“3 ，如i b m 公司的q b i c 系统， v i r a g e 公司的v i r 图像工程系统，e x c a l i b u r 公司的e x c a l i b u r 视觉检索产品等。 这个领域的发展主要归功于计算机视觉技术的进步。 显然，在基于c i r 的图像识别中，特征的合理提取是至关重要的。我们将在 条烟在线识别系统 第四章对图像特征进行讨论。 作为目标识别的子课题，在线条烟识别具有自身的特殊性。事实上，对于诸 如条烟这样一类具有矩形轮廓的目标的识别，可以用一种朴素的方式来进行：对 于拍摄到的图像，首先把条烟从背景中分割出来，并由轮廓计算出图像的旋转量， 进而通过一个逆的几何变换过程，将图像复原为没有发生旋转和平移的“标准图 像”。在完成这一标准化过程后，图像的匹配可以使用m s e 最小原则来进行。然 而，这一方案在实际中存在两个问题。首先是条烟的矩形轮廓的获取问题，这在 条烟边缘部分的亮度较暗，并且噪声较大的情况下，往往是一件困难的事情：另 外，当参与图像匹配的图像数据库规模较大时，基于m s e 的图像匹配是一件较费 时的工作。因此，条烟图像的识别依然要回归到图1 2 给出的流程进行。 具体说来，在线条烟识别存在如下三个主要困难： 1 对于条烟图像，使用何种特征对其进行有效的描述? 不同品牌的条烟之间不仅有颜色、尺寸的差异，而且更有纹理的差别。因此 用于描述条烟图像的特征应能综合地反映图像的内容，但上面提到的颜色、纹理 及形状特征却都只能从某个侧面反映图像的特点，具有片面性，而且诸如纹理特 征的某些特征，其计算相当耗时，不能满足在线识别的要求。因此，需要研究一 种新的能合适地描述条烟图像的图像特征。 2 对于工业现场图像采集环境恶劣，使用何种图像校正算法，才能即快又 好地对图像的退化进行补偿? 光照的不均匀、环境光强的变化、传送皮带的传速扰动、工业电网的电力噪 声甚至某些奇怪的因素，都会使系统采集到的图像发生不同程度的退化，因此在 真正开始条烟图像识别之前，必需对图像进行诸如去噪、校正等各种预处理操作。 另外，考虑到在线识别的高实时性要求，这些操作在实现上应尽量简单。 3 如何才能满足条烟在线识别系统的高实时性要求? 尽管可以通过某些技术，使具有删x 、s s e x 等多媒体指令的处理器可以大大 加速计算机处理数据的时间，然而对于大多数应用来说，图像的实时处理对于普 通工用微机仍是一件非常困难的事情，即使对于使用含有最新超线程 ( h y p e r - t h r e a d i n g ，h t ) 技术的处理器的微机也是如此。 总体说来，识别一幅图像大体上需要经过图像的采集、去噪、分辨率调整、 第一章绪论 亮度校正、特征提取、特征匹配等操作，它们处理的数据往往都是海量的，而一 般的相对准确和成熟的图像分析算法不能任实时性的要求。以图像去噪的耗时为 例，下表给出了一些参考数据“： 表1 1 标准测试图像的典型去噪算法耗时 t a b l e1 1 t y p i c a ld e n o i s i n ga l g o r i t h m i ct i m e c o n s u m i n go fs t a n d a r d t e s t e di m a g e 滤波器处理时间( 毫秒) 原始p s n r去噪后p s n r备注 b o x2 0 3 4 2 0 1 72 7 2 9 5 5 块 l e e3 0 2 32 0 1 72 7 5 27 7 块 g a u s s i a n9 8 52 0 1 72 8 3 8| w i e n e r2 1 4 32 0 1 72 8 ，4 3 注： 1 数据源：l e n a ，5 1 2 5 1 2 ，8 b i t p i x e l 2 噪声类型：高斯，均值0 。标准差2 5 3 计算平台：p 41 9 g h z ，t u r b oc2 0 显然，为了能实时地完成条烟识别任务，需要研究简单并且有效的图像处理 及识别算法。 1 3 本文主要内容及组织结构 论文以整个条烟图像识别系统的实现为目标，主要完成了以下工作： 1 研究了适用于在线条烟识别的图像去噪算法，该算法用分辨率的降低换 取p s n r 值的提高； 2 对图像校正算法进行理论上的分析，并对线性校正方案进行深入地讨论 和研究，使之能方便地应用于工业现场的使用： 3 对众多用于图像检索的图像特征进行分析和总结。针对条烟图像的识别， 提出一种新的图像特征能量特征，此特征能很好地胜任条烟图像的 实时识别任务； 4 研究了基于内容检索的图像识别算法。在传统基于阈值的识别决策的基 础上，提出一种等效的但更易于操作的基于特征距离最小化的识别决策， 并将其成功地用于条烟品牌的识别中： 5 对识别风险进行理论上的定量分析； 6 基于b o r l a n dc + + b u i i d e ri 0 1 ( b o r l a n dc + + b u i l d e r2 0 0 6 ，u p d a t ei ) 条烟在线识别系统 平台，对多线程、数据库、网络通信等诸多软件技术进行实际的代码编 写和调试。详细研究了基于c o m 技术的m a t l a b 运算模块整合到c + + 应用 程序的实现方案； 7 实现了整个系统的硬件和软件部分，并在工厂环境下对系统进行测试。 该系统工作稳定、可靠，条烟品牌识别快速、准确，取得了较为令人满 意的结果。 本文的第一章是绪论部分，主要介绍了条烟识别系统的背景知识和研究意义， c i r 技术的发展历程、国内外目前在c i r 技术上的研究进展和应用成果，分析了 条烟识别中存在的主要困难，并简单介绍主要的工作成果及文章的组织安排。 第二章是条烟在线识别系统的系统设计部分，通过对彩色分辨率和尺寸分辨 率两个指标的分析，完成了对系统其它参数的推导和具体数据的标定。 第三章讨论了条烟图像的预处理算法。本章使用的“平均一下采样”算法，可 以在允许的分辨率降低范围内，大大提升图像的p s n r 值。该算法实现简单，能 够很好地适用于实时图像处理任务。另外，为了克服成像过程中因光照的不均匀 而产生的色彩畸变对摄像机采集到的图像造成的影响。本章还从理论上对校正方 案进行了深入地研究，并使用线性色彩校正算法对图像进行校正。 条烟图像识别是整个条烟识别系统的核心，而特征提取又是图像识别的关键。 第四章对几种经典的图像特征进行分析和总结，提出一种新的图像特征能量 特征，该特征可以实现对图像内容的综合概括，能够快速计算，而且不随图像的 旋转和平移而改变，具有优良的性质。 第五章对特征向量距离的计算进行了详细的讨论，确定了计算彩色图像距离 的办法及品牌识别决策，此决策基于图像距离最小原则，与传统基于阈值的识别 决策相比，简洁而且高效。 第六章对系统的硬件和软件进行介绍。特别地，本章对基于c o m 技术的 m a t l a b c + + 混合编程方法进行了研究，通过m a t l a b 运算模块c + + 解决方案的成 功整合，极大地减轻工程人员的代码工作量，具有重要的实用意义。本章是整个 系统从理论走向实际的关键。 在最后，第七章对全文所了回顾和总结。 第二章系统设计 第2 章系统设计 本章从系统的彩色和尺寸分辨率出发，对系统参数进行分析和计算。其中， 第一节对系统指标彩色分辨率、尺寸分辨率进行分析；第二节和第三节推导 了与系统相关的一些参数，并根据具体的指标要求进行计算这些参数包括水 平采样点数、行扫描周期、水平采样频率、扫描行数及传感器延时等：本章的最 后一节是小结。 2 1 系统指标分析 2 1 1 彩色分辨率 彩色分辨率是系统的一个重要指标，决定系统分辨彩色的能力。 彩色光通常采用亮度、色调和饱和度三个物理量来描述，实际分析处理采用 三基色比较方便，两者的关系由国际照明委员会提供的c i e 色度图确定。根据三 基色混色原理，任意彩色光可以用r 、g 、b 三个基色表示，即 f = 剐r 】+ g 【g 卜叫占】，式中【r 】、【g 】、【b 】为基色单位光，由选择的单位三基 色光源波长确定：露、g 、占为对应单位基色光的系数，由光源的辐射功率决定 定义彩色分辨率 砩= 芒芒芒 亿， 式中监、g 、曲为三基色幅度的采样间隔，民。、g m 。、。为三基色 的幅度范围，均由a d 转换器位数确定。为了设计方便，通常取三基色相对变化 量及其变换范围相同。设a d 转换器位数为n ，上式可以简化为珥= ：知。 考虑到光源波动、电路误差和条烟本身的彩色范围，过分追求彩色分辨率是 不必要的。系统采用8 位二迸制数量化的三基色信号幅度，此时彩色分辨率 研= 去，彩色分辨类型可达2 2 4 种 条烟在线识别系统 2 1 2 尺寸分辨率 尺寸分辨率用于表征系统分辨图像细节的能力。尺寸分辨率包含水平分辨率 和垂直分辨率，分别表征水平方向和垂直方向上可以分辨的最小尺寸，两者共同 确定系统分辨物体细节的能力。系统设计应从图像分辨的性能和处理时间两方面 综合考虑，较高的分辨力意味着更多的图像信息，也意味着更长的图像处理时间。 另外，考虑到摄像机的曝光及物体运动造成运动方向上图像的模糊，因此过分追 求高的图像分辨率也是不必要的。 为了处理时的某些方便，水平分辨率和垂直分辨率没有必要完全相等。 2 2 相关参数推导 2 2 1 水平采样点数 设传送带有效宽度形、水平分辨像素尺寸d _ 和水平取样点数目，三者的 关系为w = n d m 。通常传送带的宽度是已知的，水平分辨像素尺寸由系统指标 提出，需要确定的是水平取样点数目，即 ：旦( 2 2 ) d h 2 2 2 行扫描周期 设传送带速度y ，扫描一行的时间( 行扫描周期) r 和垂直分辨像素尺寸研， 三者的关系由见= v t 确定。由于传送带速度已知，垂直分辨像素尺寸由系统指 标给出，因此行扫描周期可由下式表示 f ：生( 2 3 ) 矿 2 2 3 水平采样频率 设行扫描逆程系数口，对应行正程扫描时间为 第二章系统设计 逆程时间为 c = r ( 1 - f 1 ) c = r 由于信号在正程扫描期间获取，水平采样点间隔时间 对应采样频率 f ：墨：t ( 1 - ) ：d m t = ( 1 - f 1 ) ( 2 4 ) nnw 五= = 矗与= 丽w c z s ， 2 了2 而2 瓦币丽 喵” 将d v = v t 代入( 2 5 ) 式，得到 y 矿 矗2 d n d v ( 1 - b ) ( 2 6 ) 可以看出，单位时间运载量v w 、水平和垂直分辨尺寸共同决定了系统采样 频率。 2 2 4 扫描行数 设条烟图像所占据的垂直范围为h ，那么获得一幅完整的图像所需的扫描行 数为 代入口= v t ，得 生 y d r m = 而h 9 ( 2 7 ) ( 2 8 ) 条烟在线识别系统 图2 1 角度对扫描行数的影响 f i g u r e2 1t h ei n f l u e n c eo f a n g l et ot h es c a n i n gb e a m 在实际的图像中，设条烟的倾斜角度为口，此时垂直扫描的范围h = h l + h 2 如 图2 2 所示。再设图像e f 条烟的宽为h ，高为w ，那么有 h l = l h c o s a i h 2 = i w s i n a l 进而求得 办= h l + h 2 = h c o s a l + l w s i n a l ( 2 9 ) 及水平扫描的行数 m 。：( i h c o s 面a i + - 1 w s i n a l ) ( 2 1 。) 2 2 5 传感器延时 假设传感器安装在摄像机后方工米处，那么当条烟经过传感器时，还需要再 r 经过导秒才能到达摄像机的扫描线位置，所以在传感器接受到信号后，向摄像 y ， 机发出图像采集命令要延时三秒后进行。 v 延时不足会使摄像机提前工作，采集图像中的条烟位置上移；而延时过量则 会使摄像机不能及时开启，采集图像中的条烟位置下移，这两种情况都有可能导 致捕获图像的不完整。 第二章系统设计 2 3 系统参数计算 根据现场要求，条烟水平分辨尺寸d ，= 1 ( r a m ) 左右，垂直分辨尺寸 印= 0 5 ( r a m ) ，传送带有效宽度矿= 3 2 0 ( m m ) ，以速度y = 7 0 0 ( m m s ) 运行，逆 程系数口= 1 0 。传感器与摄像机的水平距离l = 0 0 5 米，由此可计算系统参数 如下： 1 水平采样点数 ：旦：3 2 j ：3 2 0 d h i 2 行扫描周期 r：堡：盟=143(埘s)v07 、， 其中正程时间正= 1 2 8 7 ( m s ) ，逆程时间弓= o 1 4 3 ( m s ) 3 水平采样频率 矗可而v w 刁 o 7 0 3 2 2 互矛而面丽 = 0 1 2 4 ( m h z ) 4 最小扫描行数 。：坠掣圳- 实际的扫描行数应按一定的裕值比例稍大于此值，按1 0 的裕值计算，扫描 行数为2 0 0 。 5 传感器延时 兰=70(ms、v ， 选定实际参数后，应重新核算系统指标。 2 4 小结 通过对彩色分辨率和尺寸分辨率两个指标的分析，完成了对系统其它参数的 推导和具体数据的标定。在随后的几章中，我们将以本章的设计为基础，讨论和 条烟在线识别系统 研究具体的图像处理与识别算法。 1 2 第三章图像预处理 第3 章图像预处理 采集的图像不能直接用于特征数据库的建立或条烟的识别，主要因为： 1 原始图像含有较强的噪声，这将严重影响同种条烟图像特征的一致性， 从而降低检测灵敏度，增加误识率。 2 光照的不均匀造成了成像时色彩的不一致性，使得图像上各点的颜色不 但与物体本身的色彩有关，还与物体所在的空间位置有关( 参见图3 1 ) 。 测量表明，亮电平与暗电平的幅度在不同位置上的差值约为一倍。这同 样会对同种条烟图像特征的一致性造成影响，给识别带来困难。另外， 即使光照均匀，由于环境光强的变化，相同的物体所成的图像依然会有 整体的色彩差别，不利于图像的识别。 本章将研究一些实用的算法来解决上面提到的问题，这些算法原理简单，实 现简便，效果显著，能较好地满足实时图像处理的需求。其中，第一节研究了图 像的去噪算法；第二节通过对采集到的图像的r 、g 、b 三个分量，使用一个逐点 的线性运算对图像进行校正，消除因光照不均及因环境光的变化对成像造成的影 响；第三节给出了使用线性校正算法进行图像校正的实验。本章的最后一节是小 结。 图3 1 a 标准灰板图像( 校正前，图 像中心偏亮，两端偏暗) f i g u r e3 1 at h ei m a g eo fs t a n d a r d g r a yb o a r d ( b e f o r em o d i f i c a t i o n ) 图3 1 b 标准灰板图像( 校正后) f i g u r e3 1 at h ei m a g eo fs t a n d a r d g r a yb o a r d ( a f t e rm o d i f i c a t i o n ) 条烟在线识别系统 3 1 去噪 3 1 i 下采样 对于本系统将要使用的线阵式摄像机k c 3 0 i l ，其水平扫描点数为2 0 9 8 ( 参 见表6 1 ) ，而由2 3 的系统参数推导知，水平行上3 2 0 个像素点即可满足水平 分辨率l m m p i x e l 的指标要求，因此使用全部的2 0 9 8 个点所组成的过高的分辨率 图像进行条烟的建库和识别是没有必要的。 记采集到的原始图像为s ( f ，) ，对图像进行如下的裂解操作 ( f ，j ) = s ( f n + m ，n m = o ，1 ，2 n 一1 ( 3 1 ) 式中，表示水平方向下抽取系数，而m 控制采样点的位置。在这里，原始图 像s ( f ，) 分解成了n 个子图像，这些子图像的水平分辨率都只有原图像的专。 虽然选择任意的一个低分辨率子图像( f ，_ ，) ，作为建库和识别的图像源都是 可以的，但我们希望能使用这幅图像提供的冗余信息，通过某种操作，在减 小图像尺寸的同时完成对噪声的抑制。 3 1 2 去噪 3 i 2 1 简单下采样 设原始图像j ( j ，_ ，) 受到均值为0 、标准差为盯的加性高斯白噪声的干扰。记 n ( t ，) 为叠加在s ( f ，_ ，) 上的噪声图像，那么实际观察到的图像可表示为“” j ( f ，) = s ( f ，) + 玎( f ，) ( 3 2 ) 定义峰值对数信噪比p s n r p s n r = 1 0 1 9 面2 5 5 2 ( 3 3 ) 其中 第三章图像预处理 m s e ：击w 窆窆哪) 2 ( 3 4 ) 日智篇、 考虑到南窆t 。o 窆j , * o 一( f ，) 2 * 盯2 ，因此可求出原始图像印，) 的燃约为 1 0 1 9 珲。 记经过( 3 1 ) 式裂解后的含噪低分辨率图像 ( f ，) = ( f ，- ，) + ( j ，) ，m = o ，1 2 n 一1 ( 3 5 ) 显然( f ，_ ，) 同样是均值为0 、标准差为盯的高斯白噪声，不难求出j 埘( f ，j ) 的 p s n r t 乜1 0 1 9 雩 。这说明，仅使用( 3 1 ) 式给出的下采样方案! 并不能抑制 图像的噪声。 3 1 2 2 “抽选一平均”下采样 记瓦o ，_ ，) 为毛( f ，- ) ，s l ( i ，) ，龟( f ，_ ，) 矗一( f ，) 的平均图像，有 瓦( f ，_ ，) = 万1 磊3 1 - 1 毒_ ( f ，) = 丙| 毛n - i k ( f ，) + ( f ，川 = - y ( i ，) + 寺( f ，_ ，) v 上- 0 = y ( i ，j ) + n o ( i ，_ ，) ( 3 6 ) 考虑到( “) 的标准差为号，可求出瓦( f ，j ) 的p s n rl 。1 9 n 孑2 5 5 2 。这说 明，如果采用岛( f ，) ，岛( f ，) ，五( f ，) a 一。( f ，) 的平均值瓦( f ，_ ，) 作为( f ，) 的低 分辨率图像，在减小图像尺寸的同时，还可将图像的噪声降低 ：1 0 1 9 n 2 广5 5 u 一1 0 1 9 攀：1 0 1 9 分贝。 仃。盯 当= 7 时，* 8 5 分贝。此时图像的宽度为2 0 9 _ _ _ _ 8 8m2 9 9 ( p i x e l ) ，水平分辨 条烟在线识别系统 率为五3 而2 0 = 1 0 7 ( m m ，p 缸8 ，) ，基本达到系统设计的指标要求。 3 2 图像校正 3 2 1 色彩畸变模型 作为简化情况，这里先对灰度图像进行讨论。 假设在位置( f ，) 处，物体的真实亮度为吩，那么在理想情况下，物体理想的 显示图像s 可表示为 s = l ，$ 1 2 j s 2 1 ，s 2 2 s 2 月 l s m 2 ”j 赢 ，( ) ，( ：) ，( ) 厂( 吒。) ，( 吒：) ，( 哇。) 厂( 。) ，( 厂册：) 厂( 。) ( 3 7 ) 式( 3 7 ) 表明，在理想情况下，物体的真实亮度与其图像之间，仅存在一个 与成像位置无关的非线性变换s = ，( r ) 。然而实际显示的图像，其各点亮度并 非与位置无关，这些附加的畸变过程可能是由图像采集时背景光照射的不均匀等 一些因素所造成。记岛( 。) 为在位置( j ，_ ，) 处，对理想亮度值矗所产生的亮度畸变 函数，那么实际显示的图像t 可表示为 t = - ，2 屯 f 2 l ，如。屯 0 l ，0 2 ”。 晶( 而。) ，蜀：( 焉：) 蜀s l 。) g ：。( ) ，9 2 ：( ) g ：。( s ：。) g 。( s m ，) ，g 。：( s m ：) g 。( s 。) 3 2 2 逆畸变函数校正算法 ( 3 8 ) 为了从实际的图像t 中恢复理想图像s ，可以对t 施加一个逐点的校正过程 ( 。) 昂= ( o ) ( 3 9 ) 1 6 第三章圈像预处理 因为劫= ( o ) = ( 岛( 勺) ) ，所以当= 蕲1 时，有昂= 。因此畸变函数岛( 。) 的反函数( 。) 的准确获取，是亮度校正的关键。 虽然对于每个位置( i ，) ，t q 可以精确测量，可任意设定，然而仅通过对此 位置有限的一组测量数据岛= ( p f ) l k = 1 2 n ，是无法解析确定畸变函数 岛( 。) 的。既然岛( 。) 无法精确获取，那么其反函数( 。) = 磊1 ( 。) 也无法精确求 出，因此校正函数( 。) 只能近似获得。为方便讨论，在不引起歧义的情况下， 下文将略去位置下标“口”。 假设g ( 。) 具有p + l 阶的连续导数，那么有 郎) 叫小“咖+ 掣“墨半n r p ( s )( 3 1 0 ) = q ( 曲+ r p ( s ) 其中拉格朗日型余项 嘶) = 锶诳k 小 ( 3 1 1 ) 设p 阶多项式岛( s ) 在【口，s 】上存在连续的反函数m ( s ) = g - 0 ) ，因此可以 使用m ( 。) 作为畸变函数g ( 。) 的反函数的近似。令校正函数| i l ( 。) = m ( 。) ，有 j = 膨( f ) = m g ( s ) = m g ( s ) + b ( s ) ( 3 1 2 ) 根据拉格朗日中值定理，有 m g ( s ) + b ( s ) = m 鳞( s ) + m ( ，7 ) r p ( s ) ( 3 1 3 ) = s + m ( ，7 ) - r ，s ) 其中玎 g ( s ) ，绯( s ) + 哗( ，) ，而i 与s 的误差项占为 s = m ( ，7 ) - r ，( s ) ( 3 1 4 ) 由于牌苇兰静s 川= 。，因此使用高阶的多项式q ，将有助于误差项 m 。细) r p ( s ) 的减小，进而获得对勺高精度的估值昂。 条烟在线识别系统 总结以上算法，亮厦校正过程司通过以f 步骤进行： 1 对于每个位置( f ，) ，都对其进行足够多的测量，获得包含足够多样本数 据的数据集岛= ( p o 。) l k = l ，2 ； 2 使用这个数据集，估计出g , j ( 。) 的各阶导数； 3 根据上一步获得的导数值，得到一个较高阶数的多项式q ：，及其反函数 心( 。) ； 4 使用m ，( 。) 作为( 。) 作为f ，的校正函数，得到对的估值昂。 3 2 3 线性校正算法 由于噪声的影响及实际操作方便性的考虑，使用高阶多项式来逼进岛( 。) ， 进而对进行校正往往是不实用或是不现实的，因此，我们考虑对每个位置( f ，) 的实际亮度的校正，都仅使用一个线性函数进行 弓= 心) = o + ( 3 1 5 ) 式中的参数知和可通过下面两个方程联合求得： 1 黑电平方程 盖上摄像机镜头盖，此时摄像机的输入亮度为0 ，由于希望通过( 3 1 5 ) 式校 正后的亮度晶也为0 ，因此 o = 屯岛( o ) + 屯 ( 3 1 6 ) 在实际中，考虑到噪声及误差的影响，可以留以一定的阈值。因此( 3 1 6 ) 式 可修正为 口= 岛( 口) + 6 0 ( 3 1 7 ) 式中的口为黑电平阈值。 由于实际物体在显示器上的成像亮度总要大于等于口，因此口不易设定得过 大，否则会压缩图像对比度，减小图像亮度的动态变化范围，增加后继图像识别 第三章图像预处理 的难度。 2 白电平方程 对白色的标准测试板进行成像，此时摄像机的输入亮度为2 5 5 ，由于希望通 过( 3 1 5 ) 式校正后的亮度瓦也为2 5 5 ，因此 2 5 5 = 毛g o ( 2 5 5 ) + b o ( 3 1 8 ) 同样她，考虑到噪声及误差的影响，也需要对( 3 1 8 ) 式进行阈值化的修正 2 5 5 - x ，= k o g o ( 2 5 5 一) + ( 3 1 9 ) 式中的芦为白电平阈值。 由于实际物体在显示器上的成像亮度总要小于等于2 5 5 一卢，因此卢也不易设 定得过大，否则也会压缩图像对比度，减小图像亮度的动态变化范围，增加后继 图像识别的难度。 由式( 3 1 7 ) 和( 3 1 9 ) 可以确定线性校正方程( 3 1 5 ) 中的参数k 和b o j = 丽两2 丽5 5 - i 卢丽2 i 丽1 ，y a , 2 5 5 - f l 】 ( 3 2 0 ) j 2 丽两丽i 丽2 i 两 j ( 3 【气= 口一g 。( 口) 对岛( s ) 做一阶泰勒展开 g o ( s