基于人工神經網絡標識識別算法研究

孫海波

（南京模擬技術研究所 江蘇省南京市 210016）

1 引言

目前，在室內影像訓練系統多人對抗訓練科目中，訓練人員的識別采用的是激光識別方法，該方法原理是在訓練人員頭頂佩戴不同波段激光發射器，訓練人員前方架設裝有相應濾光片的攝像機，實時采集激光點圖像識別定位光點位置。該方法使用維護成本高，需要多臺識別相機及激光發射裝置，而且不便于擴展，且參訓人員的數目受到激光波段數目的限制。而本文采用特定標識識別定位的方法，只需要使用單臺攝像機，且識別人數大為增加。

2 算法原理

標識設計的原則是標識之間差別盡量大且圖形對稱。本文選取圓形，等邊三角形、矩形以及T 型四種圖形（圖形種類為S），背景顏色為紅、綠、藍、三原色（顏色種類為C），可識別的標識總數為S×C。算法流程如圖1。

圖1：算法流程圖

算法流程包括兩個階段：樣本標識模型訓練階段和標識實時預測階段。

第一階段為樣本標識模型訓練階段，首先將樣本圖像數據進行圖像預處理，獲得樣本圖像的特征數據，然后采用人工神經網絡算法對特征數據進行訓練生成訓練模型。

第二階段為標識實時預測階段，首先將實時采集圖像數據進行圖像預處理，獲得圖像中特定標識的特征數據，然后利用第一階段獲得的訓練模型對該特征數據進行預測，計算得出特定標識的類別。

3 圖像預處理

3.1 標識顏色區域識別

相機采集圖像的顏色空間為RGB 分量，首先采用色差法[1]進行標識區域識別，公式為：

Rr為紅色標識區域；Rg為綠色標識區域；Rb為藍色標識區域；R 為采集圖像的紅色顏色分量；G 為采集圖像的綠色顏色分量；B為采集圖像的藍色顏色分量。

圖2 中(a)為彩色圖像，(b)、(c)、(d)分別為紅色、綠色、藍色圖像分量，圖3 為根據公式1 計算得出的紅色區域色差增強圖像。

圖2：彩色圖像及RGB 三種顏色分量

圖3：紅色區域色差增強圖像

3.2 標識圖形區域識別

采用自適應閾值分割算法識別目標區域[2][3]。標識區域提取效果如圖4。

圖4：自適應閾值分割效果圖

3.3 計算特征向量

標識形狀特征向量選擇標準為保證其旋轉、平移、縮放及剪切不變性[4]。Hu 矩不變量滿足要求其定義如下：

式中I(x,y)是象素點(x,y)的亮度值。x_order 為提取的x 次矩x_order ≥0，y_order 為提取的y 次矩y_order ≥0 且x_order+y_order ≤3。Mx_order,y_order為空間矩。

式中μx_order,y_order為中心矩，xc=M10/M00，yc=M01/M00為重心坐標。

式中ηx_order,y_order為歸一化中心矩。

h1～h7為圖像7 個Hu 矩不變量，支持圖形旋轉、平移、縮放及剪切不變性，對于不同形狀的標識有很好的區分性。

4 人工神經網絡算法

人工神經網絡采用計算機通過軟件的方式[5]，模擬生物體神經系統的某些結構與功能，用以解決及其學習、識別、控制、決策等機器智能問題。

圖5 為四種訓練樣本圖形，分別提取四種圖形的特征向量，用人工神經網絡進行訓練獲得標識的分類模型。

圖5：訓練集

使用標識模型對實際圖像中四種標識進行識別定位，效果如圖6。

圖6：識別效果圖

5 結論

本研究采用色差增強算法增強標識區域，采用自適應閾值分割算法分割標識區域，根據標識形態學特征計算標識7 個Hu 矩不變量，使用人工神經網絡算法對不同標識樣本圖像進行訓練得到分類模型，并用該模型對實際標識圖像進行預測，實現了特定標識的識別定位功能。本算法在室內場景環境中（光照條件200～2000lux）對四種標識的識別準確度為97.23%。對于室外環境由于其光照變化大，場景更為復雜，同時要考慮天氣（風、霜、雨、雪）等因素，實現難度較大，可作為后續研究的重點方向。