同態增晰耦合改進的區域生長的鍵盤字符目標識別算法

摘 要： 鍵盤作為諸多智能設備指令輸入端口，其表面字符完整程度直接影響到設備使用。為了提高鍵盤在制造過程中的生產質量，需要對其生產流水線完成視覺檢測。而在當前鍵盤表面字符目標檢測過程中存在成像模糊、分割不準確以及識別率低等問題。對此，設計基于同態增晰與區域生長的鍵盤按鍵識別檢測算法。首先，引入同態增晰算法，對模糊圖像清晰化處理。然后嵌入全局特征，改進了區域生長算法，準確分割并提取出圖像中數字按鍵目標區域。最后基于最近鄰算法對數字按鍵圖像樣本庫進行機器學習，完成按鍵數字識別，從而建立起鍵盤數字按鍵質量檢查系統。實驗數據顯示，與當前數字識別算法相比，面對成像模糊的按鍵數字圖像時，該數字按鍵檢查算法具備更高的準確性與穩定性。

關鍵詞： 鍵盤識別； 同態增晰； 區域生長； 最近鄰算法； 圖像樣本庫； 質量檢查

中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）12?0143?06

Abstract： The keyboard is the instructions input port of various intelligent devices， and its surface characters complete degree can directly affect on device use. In order to improve the production quality of the keyboard in manufacturing process， it is necessary to complete the visual inspection of the production line. There are problems of blurred imaging， inaccurate segmentation and low recognition rate in the current target detection of keyboard surface characters. To solve the above problems， the keyboard’s key identification and detection algorithm based on homomorphic clarification and region growing was designed. Firstly the homomorphic clarification algorithm is introduced to do clear processing of fuzzy image. And then the global feature is embedded to improve the region growing algorithm， and accurately segment and extract the target region of number keys in the image. Finally， the machine learning for the image sample library of number key is conducted based on nearest neighbor algorithm （NNA） to identify the key number and establish the quality inspection system for the number keys on keyboard. The experimental data shows that， in comparison with the current number recognition algorithm， the proposed number key inspection algorithm has higher accuracy and stability while identifying the key’s number image with blurred imaging.

Keywords： keyboard identification； homomorphic clarification； region growing； nearest neighbor algorithm； image sample library； quality inspection

0 引 言

隨著電子行業與制造業的快速發展，智能設備也在不斷進駐生產車間，在降低企業人力成本與提高制造質量的同時，也為推進物聯網、大數據建設做好了基礎準備[1?3]。當前，推進設備具有人眼、人腦功能，已成為當今電子工業發展趨勢。由于智能化設備的需求增大，其計算機外設鍵盤作為程序指令的主要輸入端，其社會需求增大，產量一直居高不下[4]。而鍵盤表面數字字符的完整性，直接影響到智能設備的高效使用。因此，為了確保鍵盤制造的質量，保證鍵盤上的數字字符完整，需要對鍵盤的制造過程進行實時識別與檢查。而以往主要是依靠人工識別，存在成本高、主觀性強、效率低等不足。而將圖像處理與模式識別等技術嵌入智能設備，則可以有效解決上述問題。

對此，諸多研究人員開發了一系列的數字識別技術，如耿慶田針對現有車牌識別方法中車牌二值化和車牌字符識別效率不高的問題[5]，提出一種基于分形維數和隱馬爾科夫特征的車牌識別算法， 基于分形維數進行車牌的二值化處理，利用隱馬爾科夫特征辦法進行字符特征提取，然后利用多重分類器進行字符識別，實驗結果顯示算法具有很高的識別精度。戴靜等人提出了基于交點特征和徑向基函數神經網絡的數字識別方法[6]，利用交點特征對數字進行特征提取， 獲取水平特征分量與垂直特征分量，再將水平特征向量與垂直特征向量組合成數字的交點特征向量，然后利用徑向基函數神經網絡學習不同模式類別中的學習樣本，學習過程完成后，利用此網絡對樣本進行識別。

雖然上述技術能夠完成字符識別，但也存在不足：二值化處理數字圖像，當采集到的原始圖像較為模糊時，無法準確分割出數字；而BP神經網絡訓練學習數據，結構復雜，計算量大，沒有很好的實時性，不適用于現場設備。

對此，本文以改善圖像清晰度、提高分割精度、減少算法計算量為目的，提出了一種基于同態增晰與區域生長的鍵盤數字按鍵識別與檢查技術。最后測試了本文算法的準確度。

1 本文鍵盤目標識別算法

在實際環境中，鍵盤由運動平臺傳送到工業相機下取像，再提交到由工控上位機數字按鍵視覺檢查軟件處理。但是，由于平臺不平或車間光照不均影響，導致采集到的圖像通常是模糊的，嚴重影響后續數字分割與識別。對此，本文引入同態增晰算法處理模糊圖像，獲取清晰圖像。與此同時，為了精確分割鍵盤圖像，考慮到背景顏色單一，本文嵌入全局特征，并耦合局部細節，定義了新的生長停止條件，繼而改進了區域生長算法；提取出鍵盤圖像字符后，采用NNA機器學習算法，將字符區域平均分成16份，提取區域周長、面積、形狀度特征，構成特征矩陣，建立樣本學習庫，完成數字識別。具體算法流程如圖1所示。

1.1 基于同態增晰的圖像復原

在實際工程作業環境中，往往不可避免的存在光照條件不均勻、載物平臺不穩定的問題，導致采集的圖像畫質模糊、細節不清楚，從而無法分辨目標與背景，如圖2所示，鍵盤圖像模糊，尤其是按鍵上數字細節難以辨認。故需要對其完成復原。在外界條件不佳時，圖像灰度動態范圍大，而按鍵目標的灰度范圍小，若采用普通灰度線性變換擴展灰度級，雖提高目標反差，但擴大了動態范圍，而如果壓縮灰度級，雖減少動態范圍，但損失了圖像細節，所以采用普通灰度線性變換無法解決照度不均與圖像細節的矛盾。

本文引入同態系統解決上述問題，它是服從廣義疊加原理的各類非線性系統，既可使圖像灰度動態范圍壓縮，又可使感興趣的目標區域灰度級擴展，從而使圖像清晰[7?8]。用f（x，y）代表圖像，i（x，y）代表照明函數，r（x，y）代表反射函數，則有：

[f（x，y）=i（x，y）?r（x，y）] （1）

即灰度由照射量與反射量組成，反射量體現圖像細節、紋理與邊緣，當其在空間域快速變化時，其頻譜落在高頻區域；而照射量在空間域變化緩慢，其頻譜落在低頻區域。故本文利用傅里葉變換[9]將兩者分開，然后再進一步同態處理。

首先利用對數運算在空間域對照明函數與反射函數完成分離：

1.2 基于區域生長的圖像分割識別

完成同態增晰處理后，獲取清晰的圖像，接著需要把按鍵數字區域分割出來。區域生長法是一種串行區域分割算法，其基本思想是將具有相似性質如灰度、紋理、顏色的像素集合成區域，即感興趣目標區域，由于圖像背景灰度分布較為均衡，此情況下選用區域生長法分割，其效果較理想[10]。但是區域生長法的缺點是計算量大，而計算量由生長停止條件決定，使其分割效果不佳，存在雜質，如圖4所示。對比，本文引入全局特征信息，并兼顧局部細節，改進區域生成的停止條件。具體步驟如下：

（1） 由于按鍵數字白色與背景黑色分明，故選用圖像中局部極大值作為種子像素，并采用生長準則對每個區域中的每個像素進行計算。

（2） 反復執行步驟（1）時，需要指定停止條件。普通情況下采用灰度、紋理、彩色這些局部特征，但這些特征并沒有考慮生長的歷史，為了增加區域生長的能力，本文加入全局特征（尺寸與形狀），以此改進生長停止條件，從而兼顧了全局與局部信息特征。這樣不但減少了不必要的計算量，又提高了分割的準確性，不會出現過生長的現象，如圖5所示。

式中：A為生長區域內所有像素數之和，即該區域面積，f（x，y）為該區域內某像素；Z為生長區域邊緣所有像素數之和，即該區域周長，l（x，y）為該區域邊緣上某像素；X為生長區域形狀度，即區域面積A與區域最小外接矩形面積之商。

在生長過程中，實時計算以上特征向量（面積、周長、形狀因子），并與標準向量比較，在保證每個元素都小于等于標準元素的前提下，繼續生長；否則，停止生長，此過程即生長停止條件判定過程：

[grow=1，（A，Z，X）≤std0，（A，Z，X）>std] （14）

其中，（A，Z，X）為實時計算的特征向量（面積、周長、形狀因子）；std為標準向量；grow為生長停止與否判斷符，若該值為1時，繼續生長；為0時，停止生長。

可見本文綜合考慮了局部與全局特征，很好地定義了停止條件，分割效果較理想。

部分關鍵代碼如下：

1.3 基于NNA算法的數字識別

完成數字字符分割，得到了字符區域，并將字符區域平均分成16個區域，每個區域按照式（11）～式（13）提取周長、面積、形狀度構成一個4×4的三維特征矩陣?；谶@樣的特征數據基礎，本文引入NNA學習算法[11]，取一定數量典型數字字符圖像，建立樣本特征庫，即每個數字字符對應一個三維特征矩陣標準，在后續待識別字符，同樣提取出三維特征矩陣，與庫中標準對比，取矩陣距離最近的標準為識別結果。NNA是平均最近鄰分析，優勢是構造簡單，運算量小，特別是相比于神經網絡[12]。其步驟為：

（1） 測量每個要素的質心與其最近鄰要素的質心位置之間的距離；

（2） 計算所有這些最近鄰距離的平均值；最近鄰比率通過觀測的平均距離除以期望的平均距離計算得出[10]。

（3） 完成建立樣本庫標準，依照最近鄰原則，對待識別數字與樣本庫對比，以最接近的字符為評判結果，相似計算準則為：

[Sim（di，dj）=i，j=1MWdi*Wdj（i=1MW2di）（j=1MW2dj）] （15）

式中：di代表測試特征；dj為標準特征；[Wdi]，[Wdj]分別代表測試特征向量值，標準特征向量值；Sim為最近鄰距離；i為待評判對象序號，j為評判標準序號；M為樣本范圍。

部分關鍵代碼如下：

2 實驗與討論

為了直觀體現本文算法的數字按鍵增晰、分割、識別效果，在VS2008平臺上基于C++語言編程實現。部分關鍵實驗參數如下：周長標準值為150，面積標準為450，形狀度標準為0.85。同時，為了體現所提技術的先進性，將當前字符識別性能較好的算法視為對照組：文獻[5]與文獻[6]。

取一張成像模糊的鍵盤數字按鍵圖像，如圖6所示。利用所提算法與對照組技術對其處理識別，結果如圖7～圖13所示。

[圖6 待處理、識別圖像 圖7 本文同態增晰圖像]

由圖可知，本文算法利用同態增晰先消除了模糊度影響，見圖7，然后利用改進停止條件的區域生長分割，精確分割出數字目標，并且不帶雜質干擾，見圖8；最后基于樣本庫標準與最近鄰判斷準則，對分割出的數字圖像進行特征提取與識別，得到對數字目標的識別結果，完成按鍵不良檢查，檢查出了漏安裝的不良，如圖10所示，按鈕9、1位置漏安置。

而對照組分割不準確、識別失敗，見圖11與圖13，對照組未檢查出1位置，并且由于分割不準，把非數字按鈕判為數字按鈕，最終再誤判為數字按鈕漏安裝不良。原因是對照組算法沒有考慮成像模糊對數字分割與識別的影響，使其分割不準確，進而識別失誤。

為了比較三種算法（本文算法與對照組文獻[5]、文獻[6]）的識別準確性，先挑選了600張圖像，根據模糊程度由低到高分為6個等級，各取100張，分別用本文算法與對照組算法進行處理，然后統計識別率，結果如圖14所示。

由圖14可知，由于本文先進行了同態增晰處理，并聯合了區域生成算法與NNA識別，使得本文技術的識別準確率始終高于對照組；而對照組單純采用閾值分割二值化或者神經網絡分類識別，忽略了外界條件影響，受模糊程度影響較大，故識別率低于本文算法。

然后再驗證三種算法的穩定性。隨機挑選600張圖像，分別由本文算法和對照組算法處理，并實時統計識別率。如圖15所示，本文算法具有較強穩定性，在識別率始終高于對照組的前提下，識別率波動程度遠遠小于對照組。

3 結 論

為了解決當前鍵盤表面字符目標檢測過程中存在成像模糊、分割不準確以及識別率低等問題，本文算法使用同態增晰縮小整體灰度范圍、擴大感興趣區域灰度級，達到圖像清晰化目的。基于局部耦合全局特征停止生長，改進了區域生長算法，實現字符準確分割。最后引入NNA機器學習，以低計算量為成本建立數字字符識別模式。實驗結果表明：在圖像模糊的情況下，本文算法仍具有較高的識別準確率。

參考文獻

[1] 孫成.基于智能設備的嵌入式數據庫安全性研究[D].長春：吉林大學，2015：7?23.

[2] 韓威，陳渝，劉迎莉，等.一種適用于智能設備的多重操作系統架構[J].計算機工程與科學，2014，36（5）：804?808.

[3] 劉要華，朱珍民，葉劍.協同人機交互機制的研究與設計[J].計算機工程與設計，2014，35（2）：726?730.

[4] YOUSAF M H， HABIB H A. Virtual keyboard： real?time finger joints tracking for keystroke detection and recognition [J]. Arabian journal for science and engineering， 2013， 39（2）： 923?934.

[5] 耿慶田，趙宏偉.基于分形維數和隱馬爾科夫特征的車牌識別[J].光學精密工程，2013，21（12）：3198?3204.

[6] 戴靜，胡釗政，白建川.一種基于交點特征的印刷體數字識別方法[J].電視技術，2014，38（13）：28?30.

[7] MADHAV B T P， PARDHASARADHI P， MANEPALLI R K N R， et al. Homomorphic filtering textural analysis technique to reduce multiplicative noise in the 11Oba nano?doped liquid crystalline compounds [J]. Phase transitions， 2015， 88 （7）： 735?744.

[8] G?RGEL P， SERTBAS A， UCAN O N. Mammographical mass detection and classification using local seed region growing?spherical wavelet transform （LSRG?SWT） hybrid scheme [J]. Computers in biology and medicine， 2013， 43（6）： 765?774.

[9] WANG Xiangyang， WANG Chunpeng， YANG Hongying， et al. A robust blind color image watermarking in quaternion Fourier transform domain [J]. Journal of systems software， 2013， 86 （2）： 255?277.

[10] BAI Cuixia， JIANG Gangyi， YU Mei， et al. A micro?image fusion algorithm based on region growing [J]. Journal of electronics （China）， 2013， 30（1）： 91?96.

[11] 趙璐璐，耿國華，李康，等.基于SURF和快速近似最近鄰搜索的圖像匹配算法[J].計算機應用研究，2013，30（3）：921?923.

[12] 蘇毅娟，成德波，宗鳴，等.稀疏編碼的最近鄰填充算法[J].計算機應用研究，2015，32（7）：1942?1945.