基于改進(jìn)Hu矩算法的AGV字符識(shí)別研究

文生平,馮澤鋒,洪培烽,張施華

(1.華南理工大學(xué) 廣東省高分子先進(jìn)制造技術(shù)及裝備重點(diǎn)實(shí)驗(yàn)室，廣州 510640； 2.華南理工大學(xué) 聚合物成型加工工程教育部重點(diǎn)實(shí)驗(yàn)室，廣州 510640)

0 引言

視覺(jué)導(dǎo)引AGV在運(yùn)動(dòng)過(guò)程中，需要在特定的工位完成不同運(yùn)動(dòng)狀態(tài)的轉(zhuǎn)換，如加速、減速、轉(zhuǎn)彎、停車等。路徑標(biāo)識(shí)符以其制作簡(jiǎn)便、布置靈活、易于識(shí)別等優(yōu)勢(shì)，逐漸成為視覺(jué)導(dǎo)引機(jī)器人普遍應(yīng)用的導(dǎo)引方式[1]。

字符識(shí)別是一門檢測(cè)并分類字符的技術(shù)[2],是目前主要存在的兩種標(biāo)識(shí)符識(shí)別技術(shù)之一，另一類是控制標(biāo)識(shí)符識(shí)別。控制標(biāo)識(shí)符通常是各類幾何形狀，如矩形、圓形、梯形等，這類標(biāo)識(shí)符的識(shí)別是檢測(cè)出不同標(biāo)識(shí)符水平截線段寬度的變化規(guī)律；字符標(biāo)識(shí)符通常包括0～9和A～Z等字符，在不同工位上對(duì)其賦予不同含義以實(shí)現(xiàn)機(jī)器人的自動(dòng)導(dǎo)引，在移動(dòng)機(jī)器人視覺(jué)導(dǎo)引字符識(shí)別和智能交通的車牌識(shí)別中都得到了更廣泛的應(yīng)用[3]。

標(biāo)識(shí)符的識(shí)別過(guò)程步驟主要包括：圖像采集及預(yù)處理、感興趣區(qū)域的選取、特征提取、標(biāo)識(shí)符分類。

用特征提取算法對(duì)字符的變化規(guī)律進(jìn)行檢測(cè)，檢測(cè)結(jié)果用特征向量表示。特征提取算法主要包括傳統(tǒng)的模板匹配法、傅立葉描述子法、自回歸模型法和不變矩法等，其中不變矩法應(yīng)用最廣。1962 年，M.K.Hu教授提出了幾何不變Hu矩，理論推導(dǎo)證明了Hu矩具有比例不變性、旋轉(zhuǎn)不變性和平移不變性[4]。

完成字符的特征提取后，進(jìn)而對(duì)特征進(jìn)行分類。基于機(jī)器學(xué)習(xí)的SVM[5-6]和KNN[7-8]分類算法是應(yīng)用最廣泛的分類器，其實(shí)用性已經(jīng)得到了廣泛的證明。

Hu矩算法具有提取特征快速但準(zhǔn)確率低的特點(diǎn)，但其三個(gè)幾何不變性具有很高的實(shí)際過(guò)程應(yīng)用價(jià)值。為此，本文分析Hu矩算法原理，對(duì)其進(jìn)行改進(jìn)，結(jié)合SVM和KNN算法的快速分類，研究一種基于Hu矩的機(jī)器學(xué)習(xí)算法分類器。

1 AGV系統(tǒng)及圖像預(yù)處理

1.1 AGV系統(tǒng)

移動(dòng)機(jī)器人需要通過(guò)識(shí)別并跟蹤導(dǎo)引線，以及識(shí)別標(biāo)識(shí)符以獲得控制指令來(lái)實(shí)現(xiàn)自主導(dǎo)航，本文的實(shí)驗(yàn)對(duì)象是廣州市井源機(jī)電設(shè)備有限公司設(shè)計(jì)和制備的AGV，其實(shí)物圖如圖1 所示。

圖1 移動(dòng)機(jī)器人

移動(dòng)機(jī)器人系統(tǒng)包括了機(jī)器人本體、驅(qū)動(dòng)模塊、車輪系統(tǒng)、控制模塊、光源模塊、視覺(jué)信息采集模塊、圖像處理單元、無(wú)線客戶端、電源裝置和安全防護(hù)裝置等。移動(dòng)機(jī)器人在導(dǎo)航行進(jìn)的過(guò)程中在光源的輔助下由相機(jī)拍攝采集圖像，圖像經(jīng)過(guò)處理后將提取到的圖像信息轉(zhuǎn)換為輔助決策信息，再輸入到控制模塊中以獲得控制決策，將控制指令輸出給驅(qū)動(dòng)模塊，改變驅(qū)動(dòng)電機(jī)的轉(zhuǎn)速，進(jìn)而改變機(jī)器人驅(qū)動(dòng)輪的狀態(tài)，以控制機(jī)器人的移動(dòng)速度、方向以及運(yùn)行狀態(tài)。

1.2 圖像預(yù)處理

移動(dòng)機(jī)器人通過(guò)識(shí)別并跟蹤導(dǎo)航線可以實(shí)現(xiàn)指定軌跡的運(yùn)動(dòng)，但是光有導(dǎo)航線不足以實(shí)現(xiàn)指令下達(dá)與復(fù)雜任務(wù)分派。所以還需要在導(dǎo)航線上配置標(biāo)識(shí)符，以標(biāo)識(shí)符作為指令的載體，在機(jī)器人識(shí)別到特定的標(biāo)識(shí)符時(shí)，能夠按照標(biāo)識(shí)符所代表的指令進(jìn)行動(dòng)作，實(shí)現(xiàn)更加復(fù)雜的功能。圖像處理算法流程如圖2所示。

圖2 圖像處理算法流程圖

移動(dòng)機(jī)器人實(shí)時(shí)采集到的圖像為RGB三通道彩色圖像，每個(gè)像素點(diǎn)的取值范圍為256×256×256，數(shù)據(jù)量大，直接對(duì)其進(jìn)行特征提取的處理速度慢，不利于實(shí)時(shí)檢測(cè)的需求。由于應(yīng)用場(chǎng)景的圖像顏色需求低，因此對(duì)圖像進(jìn)行灰度化處理，在保留圖像信息的同時(shí)，將三通道圖像降為單通道。本文使用加權(quán)法灰度化，其根據(jù)人眼對(duì)紅綠藍(lán)的感光程度對(duì)圖像降維，經(jīng)過(guò)加權(quán)法灰度化后得到的圖像亮度比較均勻，計(jì)算公式為：

Y=0.3*R+0.6*G+0.1*B

(1)

為消除采集圖像上的噪聲，需對(duì)其進(jìn)行濾波處理。常用的濾波處理包括中值濾波、均值濾波、方框?yàn)V波和高斯濾波。中值濾波以像素點(diǎn)臨域3×3區(qū)域的像素值的中值作為該點(diǎn)的像素值；均值濾波以像素點(diǎn)臨域3×3區(qū)域的所有像素值的均值作為該點(diǎn)的像素值；方框?yàn)V波在均值濾波的基礎(chǔ)上對(duì)每個(gè)像素點(diǎn)進(jìn)行加權(quán)平均；高斯濾波相當(dāng)于將圖像與正態(tài)分布函數(shù)做卷積，其高斯核函數(shù)如下：

(2)

考慮到本研究場(chǎng)景中AGV的導(dǎo)航需要對(duì)導(dǎo)航帶的邊緣線和細(xì)節(jié)特征進(jìn)行特征提取，因此對(duì)導(dǎo)航帶圖像的邊緣信息和細(xì)節(jié)的完整性和清晰度有較高的要求。因此采用高斯濾波作為本研究的圖像濾波方法。

為消除采集圖像中存在的大量無(wú)用背景信息，需要對(duì)其進(jìn)行閥值分割處理。閥值分割的思想是將圖像上像素值大于給定閥值的像素點(diǎn)歸類。以f(x,y)表示灰度圖，最佳分割閥值為T，則分割結(jié)果如下：

(3)

AGV系統(tǒng)拍攝圖像過(guò)程在光源的輔助下，使得目標(biāo)部分和背景部分在穩(wěn)定的光照下能夠比較好地區(qū)分開(kāi)，可以使用基于全局的閥值分割方法。本文采用OTSU閥值分割法[9]，其基本思想是最大化類間方差，且能夠自動(dòng)確定閥值，可以很好的保留標(biāo)識(shí)符部分的信息。

移動(dòng)機(jī)器人運(yùn)行過(guò)程采集的圖片及其經(jīng)過(guò)加權(quán)灰度化、高斯濾波、OTSU閥值分割的效果如圖3所示。

圖3 圖像預(yù)處理

由于在整張圖像中標(biāo)識(shí)符占的比例較小，機(jī)器學(xué)習(xí)算法對(duì)小目標(biāo)的處理精度存在不足。因此對(duì)標(biāo)識(shí)符進(jìn)行識(shí)別前，需要將標(biāo)識(shí)符的位置大致定位且對(duì)其分割，再通過(guò)機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)分類識(shí)別。根據(jù)上述標(biāo)識(shí)符圖像的特點(diǎn)，利用Hough圓變換算法[10]，以快速定位圓心位置，然后通過(guò)設(shè)置合適的偏移量獲取包含標(biāo)識(shí)符在內(nèi)的矩形ROI(感興趣區(qū)域)，最后將其從整個(gè)圖像中分割出來(lái)，其算法原理如圖4所示。

圖4 ROI區(qū)域選取

2 改進(jìn)Hu矩算法簡(jiǎn)介

2.1 Hu矩[10]簡(jiǎn)介

灰度圖像的分布可以用連續(xù)函數(shù)f(x,y)來(lái)表示，圖像的(p+q)階二維原點(diǎn)矩則表示為:

(4)

當(dāng)圖像的比例發(fā)生變化，矩不變；當(dāng)圖像進(jìn)行旋轉(zhuǎn)或者平移時(shí)，隨之改變。圖像矩心不受像素變化的影響，利用矩心構(gòu)造出具有比例和平移不變性的中心矩。

(p+q)階中心矩表示為：

(5)

對(duì)中心矩歸一化處理，得到具有旋轉(zhuǎn)不變性的矩：

(6)

M.K.Hu利用二階和三階的歸一化中心矩構(gòu)造了七個(gè)不變矩，證明在連續(xù)圖像條件下得到的特征矩可以保持縮放、旋轉(zhuǎn)和平移的不變性，七個(gè)不變矩公式如式(7)～(13)所示：

M1=η20+η02

(7)

M2= (η20-η02)2+ 4η112

(8)

M3=(η20-3η12)2+3(η21+η03)2

(9)

M4=(η30+η12)2+(η21+η03)2

(10)

M5=(η30-3η12)(η30+η12)[(η30+η12)2-

3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+

η12)2-(η21+η03)2]

(11)

M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+

4η11(η30+η12)(η21+η03)

(12)

M7=(3η21-η03)(η30+η12)[(η30+η12)2-

3(η21+η03)2]+(3η12-η30)(η21+η03)[3(η30+η12)2-

(η21+η03)2]

(13)

2.2 改進(jìn)Hu矩算法

Hu矩提取標(biāo)識(shí)符特征速度非常快，但是準(zhǔn)確率不高。對(duì)Hu矩原理公式(7)～(13)進(jìn)行分析，可以發(fā)現(xiàn)，M1～M4階數(shù)低，M5～M7階數(shù)高。由數(shù)學(xué)原理可知，階數(shù)越高，數(shù)值的變化范圍越大。為了觀察M1～M7的變化情況，用如圖5所示的9張背景、字體大小、形狀和方向都不一樣的數(shù)字1來(lái)測(cè)試。

圖5 數(shù)字1的測(cè)試集

按以下步驟進(jìn)行Hu矩測(cè)試實(shí)驗(yàn)：

1)讀取圖像；

2)對(duì)圖像進(jìn)行灰度化處理、高斯濾波去噪和OTSU分割處理；

3)使用Hough快速圓變換檢測(cè)標(biāo)識(shí)符的定位圓；

4)分割出舉行ROI區(qū)域；

5)用Hu矩算法檢測(cè)標(biāo)識(shí)符的特征屬性，得到特征向量

利用處理得到的特征向量數(shù)據(jù)生成對(duì)數(shù)圖形，如圖6所示是特征值曲線：

圖6 特征參數(shù)圖形

分析圖6，發(fā)現(xiàn)9個(gè)樣本的M1、M2基本相等，M3、M4雖然有點(diǎn)分散，也集中在一定范圍。但是從第五個(gè)參數(shù)開(kāi)始，跳動(dòng)性大，有的數(shù)據(jù)已經(jīng)不落在圖形范圍里，說(shuō)明從第五個(gè)參數(shù)開(kāi)始，參數(shù)不穩(wěn)定。10組測(cè)試集的情況相似，可以得出的結(jié)論是，Hu矩前四個(gè)參數(shù)的可靠性好，后三個(gè)參數(shù)不穩(wěn)定。研究7個(gè)參數(shù)，發(fā)現(xiàn)M1、M2的次冪較低，M3、M4的次冪次之，M5、M6、M7的次冪較高，根據(jù)數(shù)學(xué)原理，次冪越高，數(shù)據(jù)變化范圍越大，所以猜測(cè)特征數(shù)值的跳動(dòng)性與參數(shù)的次冪高低有直接的關(guān)系。基于此，對(duì)Hu矩進(jìn)行改進(jìn)，參考M1、M2公式的特點(diǎn)，改造M3、M4，旨在得到可靠性更好的特征參數(shù)。

反復(fù)試驗(yàn)，最后確定的特征參數(shù)如公式(14)～(17)所示。

M1*=η20+η02

(14)

M2* = (η20-η02)2+ 4η112

(15)

M3* = 3(η21+η03)2+ 4η112

(16)

M4*=(η30+η12)2+η20+η02

(17)

對(duì)上述測(cè)試集進(jìn)行測(cè)試，得到的特征曲線如圖7所示，四個(gè)特征值都更加穩(wěn)定，特征數(shù)據(jù)的方差變小。

圖7 改進(jìn)的特征參數(shù)圖形

3 改進(jìn)Hu矩算法性能驗(yàn)證

3.1 離線運(yùn)算速度測(cè)試

為了驗(yàn)證改進(jìn)Hu矩算法的提取速度，對(duì)UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)的2 520張圖像進(jìn)行測(cè)試，2 520張圖像由0～9和A～Z的36個(gè)字符各70張組成。先后用原Hu矩算法和改進(jìn)的Hu矩算法分別測(cè)試，計(jì)算時(shí)間如表1所示。

表1 特征提取算法處理結(jié)果

表1的實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的Hu矩算法明顯比原Hu矩算法運(yùn)算時(shí)間短，一張圖像的處理時(shí)間幾乎節(jié)省了一半，在大規(guī)模的圖像樣本中，改進(jìn)后的算法提取速度更快。

3.2 離線提取精度測(cè)試

為了驗(yàn)證改進(jìn)Hu矩算法的提取精度，用C-SVC和KNN分類算法對(duì)其提取后的特征進(jìn)行分類。

考慮Hu矩的特征參數(shù)遠(yuǎn)少于樣本數(shù)量，按照經(jīng)驗(yàn)法，C-SVC分類算法的核函數(shù)選擇高斯型。本文采用閻曉娜等人修正后的高斯核函數(shù)，如式(17)所示，此修正后的高斯核函數(shù)被證明可以很好地保留數(shù)據(jù)魯棒性強(qiáng)的優(yōu)點(diǎn)和彌補(bǔ)處理時(shí)間長(zhǎng)的不足[11]。

(18)

式中，G是幅度調(diào)節(jié)參數(shù)，σ是帶寬變量，γ是位移參數(shù)，λ是微調(diào)變量。

對(duì)于2 520個(gè)樣本集，其中1 800個(gè)樣本作為訓(xùn)練集，用于生成C-SVC分類器；360個(gè)樣本作為驗(yàn)證集，對(duì)已經(jīng)生成的C-SVC分類器反復(fù)調(diào)參，用于參數(shù)的調(diào)整，最終確定的高斯核函數(shù)參數(shù)是G=2.1，σ=0.3，γ=0.2，λ=0.75；剩下360個(gè)樣本作為測(cè)試集，用于測(cè)試分類器性能，其測(cè)試結(jié)果如表2所示。

表2 C-SVC分類結(jié)果對(duì)比

KNN分類算法的關(guān)鍵是K值的選擇，一般取小于18，沒(méi)有固定理論指導(dǎo)最優(yōu)K值的選擇。多次取值，得到的測(cè)試結(jié)果如表3和表4所示。

表3 原Hu矩的KNN分類結(jié)果對(duì)比

表4 改進(jìn)Hu矩的KNN分類結(jié)果對(duì)比

表2～4的實(shí)驗(yàn)結(jié)果表明，無(wú)論是用C-SVC分類還是KNN分類，改進(jìn)后的Hu矩算法的檢測(cè)準(zhǔn)確率都明顯比原Hu矩算法的高，說(shuō)明改進(jìn)后的Hu矩算法提取的特征值更有利于分類，其提取精度更高。

3.3 移動(dòng)機(jī)器人實(shí)時(shí)在線測(cè)試

布置移動(dòng)機(jī)器人的黑色導(dǎo)引帶及標(biāo)識(shí)符如圖8所示，每個(gè)標(biāo)識(shí)符之間相隔越2 m。移動(dòng)機(jī)器人每次從數(shù)字0與字母Z這段導(dǎo)航帶的中點(diǎn)開(kāi)始運(yùn)行，環(huán)繞引導(dǎo)帶行進(jìn)回到起點(diǎn)結(jié)束。

圖8 導(dǎo)航路線布置示意圖

特征提取算法先后采用Hu矩算法及改進(jìn)的Hu矩算法，分類器先后采用C-SVC分類器和KNN分類器。分別讓機(jī)器人以20 m/min、30 m/min、40 m/min、50 m/min的速度勻速行進(jìn)。記錄每次機(jī)器人進(jìn)行過(guò)程中字符識(shí)別的情況，結(jié)果如表5～8所示。

表5 Hu矩的C-SVC標(biāo)識(shí)符識(shí)別結(jié)果

表6 改進(jìn)Hu矩的C-SVC標(biāo)識(shí)符識(shí)別結(jié)果

表7 Hu矩的KNN標(biāo)識(shí)符識(shí)別結(jié)果

表8 改進(jìn)Hu矩的KNN標(biāo)識(shí)符識(shí)別結(jié)果

由以上4個(gè)表的數(shù)據(jù)可知，移動(dòng)機(jī)器人在不同的行進(jìn)速度下，改進(jìn)Hu矩算法對(duì)C-SVC分類器和KNN分類器的分類準(zhǔn)確率比Hu矩算法都有所提升，在動(dòng)態(tài)檢測(cè)中，改進(jìn)Hu矩算法具有更好的魯棒性。

以上離線測(cè)試和在線測(cè)試結(jié)果表明，改進(jìn)Hu算法處理的特征值更利于分類，算法是可行的；C-SVC分類器相較于KNN分類器更適合于本實(shí)驗(yàn)的機(jī)器人系統(tǒng)，其操作簡(jiǎn)單，分類準(zhǔn)確率高，魯棒性好。

4 結(jié)束語(yǔ)

為驗(yàn)證改進(jìn)Hu矩算法的性能，首先通過(guò)對(duì)UCI圖像數(shù)據(jù)庫(kù)進(jìn)行檢測(cè)，實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后的算法比原Hu矩算法具有更快的提取速度。其次利用機(jī)器學(xué)習(xí)分類算法C-SVC和KNN，對(duì)特征值進(jìn)行分類，即分類標(biāo)識(shí)符。最后對(duì)移動(dòng)機(jī)器人進(jìn)行實(shí)時(shí)在線實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后的Hu矩算法大大提高了C-SVC和KNN的分類準(zhǔn)確率，說(shuō)明改進(jìn)后的算法提取的特征值精確度更高。以上研究結(jié)果顯示，改進(jìn)后的Hu矩算法可以更快更精確地提取標(biāo)識(shí)符特征參數(shù)，有利于提高標(biāo)識(shí)符識(shí)別的實(shí)時(shí)性和精度，對(duì)于智能移動(dòng)機(jī)器人視覺(jué)導(dǎo)航字符識(shí)別具有較好的參考價(jià)值。