CN103528617B - 一种座舱仪表自动识别和检测方法及装置 - Google Patents

Abstract

本发明公开了一种座舱仪表自动识别和检测方法，包括以下步骤：读入仪表图像；对图像进行采样；采用非线性矢量中值滤波对图像进行降噪处理；采用全局与局部阈值法相结合，将仪表图像二值化，获得二值化图像；对图像进行细化，准确检测出指针,经细化处理后的指针成单像素宽度指针；本发明利用改进的交叉视觉模型，提取仪表边缘；根据先验知识，进行学习训练，寻找相似特征，对仪表进行分类比对；利用梯度法，计算指针的角度；通过角度，并结合先验知识，计算数值，并进行存储显示。完全自动识别和检测座舱仪表，无须人工干预，可大大减轻人力资源，避免主观因素引入的误差，提供了一种性能优良的座舱仪表自动识别和检测方法。

Description

一种座舱仪表自动识别和检测方法及装置

技术领域

本发明属于仪表检测技术领域，尤其涉及一种座舱仪表自动识别和检测方法及装置。

背景技术

在人类科学探索和生产实践活动中，仪器仪表是认识世界的重要工具和手段，其主要依据被测量的不同，采用一定的转换关系，通过测量机构把被测量转换为数字显示或者角位移量的大小，实现读数，仪表具有结构简单，使用方便，价格低廉等特性，在民用、军用等诸多领域中应用极其广泛，尤其对机载设备而言，从设备现场调试、使用、计量和告警，到电压、电流、功率、功率因数、频率等参数的监测，都要以仪表为基准，因此，仪表的准确与否对机载设备的可靠运行起着至关重要的作用，传统上人们采用目测的方法来判读和检定指针式仪表，这种判别方法受人的主观因素如人的观测角度，观测距离及疲劳强度等影响，具有劳动强度大等不利因素，无法实现自动数据读取和自动定检的需求，首先，人眼的分辨能力有限，当指针位于两个分度线之间时，只能粗略估计指针位置，不能准确读取仪表的示值，其次，整个工作过程繁琐，重复性工作很多，操作员责任心和视觉疲 劳也严重影响了校验的准确程度，更为重要的是，座舱仪表的存有量较大，大量的仪表操作需要匹配使用，操作人员就必须做到一目了然，因此，这就对传统的仪表读取和校验方式提出了严峻的挑战。

目前，通用的仪表校验方法基本可归为三类，一类可称为“以表检表”法，一类称为“以源检表”法，最新的应用称为“机器视觉法”，“以表检表”法主要以人工操作为主，通过第三方来观测表的准确度，“以源检表”法是在引入了微机程序控制后，采用标准源输出，人工读取被校仪表示数后，从而计算各个分度线的误差，“机器视觉法”主要是应用计算机辅助手段，对仪表进行识别，判读，从而计算仪表指针的读数。

前者检测仪器虽具有便捷、快速优点，但检测主要依靠人力，其准确度、精确度受主观因素影响较大；后者虽使标准量调节变得更为方便、准确，但其亦依赖人工判读，纠正错误，故而也不能广泛使用，因此，设计开发一种具有性能良好的仪表自动识别和检测的方法显得尤为重要。

以表检表”法主要根据国家标准GB/T7676.1-1998，按照规定对仪表进行校验，该方法的特点是利用准确度等级更高的仪表作为第三方校准工具，作为校验过程中“标准”，模拟指示直接作用的电压表和电流表的准确度等级分为：0.05，0.1，0.2，0.3，0.5，1，1.5，2，2.5，3和5共十一个等级，例如，按规定的工作方式下，0.2级的仪表的最大引用误差在±0.1%～±0.2%之间，同理，0.5级的仪表的最大引用误差在±0.2%～±0.5%之间，校验仪表就是确定仪表最大引用误 差所属范围的过程，对于0.05级，0.1级和0.2级的仪表一般作为标准表使用，0.5～2.5级的仪表一般是实验室所用，2.5级以下的仪表，一般是现场监视所用。

一般通过手动调节来控制电量输出，同时注视被检仪表的指针位置，观察并记录数据，然后计算误差、得出校验结论。

以源检表”实际上是一种“半自动仪表校验”方法，它使标准量调节更方便、更准确，通过采用明确已知的标准源，来观测仪表的动态范围，检测仪表的误差能否符合误差标准的要求，通过调整标准源的精确值，来检测仪表的准确误差值，此外，随着光电技术的发展，在“以源检表”基础上，有人尝试在指针式仪表盘上放置光电敏感器件，根据指针通过被校表盘的受检点时该点的反射光强度的变化，利用光电效应来产生触发信号，从而获取指针在某一瞬间的位置，如日本三丰公司百分表检查仪和成都科技大学BJY-1百分表自动检查仪，基于重合点数字测量法原理，用光学系统将表盘影像成像在影屏上，在影屏固定位置开有光缝，以便光电元件接收扫描信号，从而测出针对与各校验点空间的重合信号，由后续电路测出各校验点的误差。

“机器视觉法”是当前指针仪表质量检测的重要技术和手段，其识别技术主要是利用数字图像处理技术,完成该检测过程中图像采集、图像转换与存储、指针定位与检出、偏差检测等关键操作,利用自动控制技术实现指针判读、模拟量施加和不合格产品剔除，同时,利用计算机优越的数据处理功能,完成检测结果的显示、存储、查询和报表打印,实现检测过程的自动化，

现有的技术问题有：1、测量过程的不能全自动；2、测量的耗时量大；3、测量精度低；4、研制成本高。

发明内容

本发明实施例的目的在于提供一种座舱仪表自动识别和检测方法及装置，旨在解决现有的技术存在的测量过程的不能全自动、测量的耗时量大、测量精度低、研制成本高的问题。

本发明实施例是这样实现的，一种座舱仪表自动识别和检测方法，所述座舱仪表自动识别和检测方法包括以下步骤：

读入仪表图像；

对图像进行采样；

采用非线性矢量中值滤波对图像进行降噪处理；

采用全局与局部阈值法相结合，将仪表图像二值化，获得二值化图像；

对图像进行细化，准确检测出指针,经细化处理后的指针成单像素宽度指针；

利用改进的交叉视觉模型，提取仪表边缘；

根据先验知识，进行学习训练，寻找相似特征，对仪表进行分类比对；

利用梯度法，计算指针的角度；

通过角度，并结合先验知识，计算数值，并进行存储显示。

进一步，图像二值化采用改进的0STU方法对图像进行二值化处 理。

进一步，0STU方法对图像进行二值化处理具体流程为：

第一步，读取图像，并根据图像行列的具体大小，将图像自动分割为一系列可变的r×r的子图像，方便对图像进行区块的划分；

第二步，在邻域内，根据仪表特性，分为目标和背景，统计各像素点的灰度分布，将灰度范围较为接近的归为一类，并算出两类特征点的数学期望和方差，根据经典OTSU准则，找出局部阈值T_1(i)；

第三步，对窗口进行二值化处理，后进行循环流程第二步操作，直至搜索图像完毕；

第四步，为避免对区域边缘的点产生误判，将每个区域视为一个像素点，灰度值为阈值T_1(i)，对整幅进行求解期望、协方差，找出全局阈值，对误判点进行修复。

进一步，细化处理采用3x3模板来提取座舱仪表的骨架。

进一步，3x3模板来提取座舱仪表的骨架具体方法为：

步骤1，找到一个像素（i,j），使图像中的像素和模板A中的像素匹配；

步骤2，如果中心像素不是一个端点，令连通数为1，后将像素标记为删除；

步骤3，对所有匹配模板A的像素做步骤（1）和（2）；

步骤4，依次对模板B、C和D重复(1)和(3)；

步骤5，如果有像素被标记删除，将像素设置为白色并删除；

步骤6，重复步骤（1）至（5），否则，停止；

进一步，提取边缘采用交叉视觉皮质模型对座舱仪表进行分割提取。

进一步，交叉视觉皮质模型中每一个神经元对于上一个状态F_ij[n-1]具有记忆功能且状态F_ij随着时间的变化其记忆内容会发生衰减，衰减速度受到衰减因子f(f>1)的影响，交叉视觉皮质模型的数学表达如下：

F_ij[n+1]=fF_ij[n]+S_ij+W_ij{Y}

$Y_{\mathrm{ij}}[n+1]=\left\{\begin{array}{cc}1& F_{\mathrm{ij}}[n+1]>T_{\mathrm{ij}}\left[n\right]\\ 0& \mathrm{else}\end{array}\right.$

T_ij[n+1]=gT_ij[n]+hY_ij[n+1]

其中，S_ij为输入图像对应像素值，其中i，j为各个像素点的坐标，W_ij{}为神经元之间的连接函数，T_ij为动态阈值，Y_ij为每一神经元的输出，f，g，h均为标量系数，g<f<1，保证动态阈值随迭代最终会低于神经元的状态值，h为一很大标量值，保证神经元点火后能较大的提升阈值，使神经元在下次迭代不被激发，交叉视觉皮质模型神经元固有点火周期为T=log_g(1+h/s_ij)，可见，交叉视觉皮质模型神经元点火周期与输入激励的大小有关。

进一步，交叉视觉皮质模型分割后的仪表图像，包括以下步骤：

步骤一、设定参数f=2,g=0.8,h=1000,初始阈值θ=125,将图像送出模型进行点火；

步骤二、完成初始分割后，确定隶属度函数，令背景灰度期望为μ₀，目标的灰度期望为μ₁，C为最大灰度值和最小灰度值的差值，任意像素X的灰度值和这一类像素的数学期望之间差别越小，那么成员函数μ_Χ(x)的值就越大，给定阈值T，成员函数定义如下；

${\mathrm{\&mu;}}_X\left(x\right)=\left\{\begin{array}{cc}\frac{1}{1+|x-{\mathrm{\&mu;}}_0|/C}& x\&le;t\\ \frac{1}{1+|x-{\mathrm{\&mu;}}_1|/C}& x\&le;t\end{array}\right.$

步骤三、根据香农函数H_f(x)，对所有的灰度值g求和，其中N和M表示图像的行数和列数，h为灰度直方图，计算模糊集合的熵E(t)，若E(t)不满足所设定条件，更改阈值，重复步骤（1）和（2），当E(t)为最小值的时候，t为最小化模糊度的阈值；

Η_f(x)=-x log（x）-（1-x）log（1-x）

$E\left(t\right)=\frac{1}{\mathrm{MN}}\underset{g}{\mathrm{\&Sigma;}}{H}_f\left({\mathrm{\&mu;}}_X\left(g\right)\right)h\left(g\right)$

步骤四、将达到最小化阈值分割后的图像进行二值化处理，以便于与骨架图像拟合，找出指针位置。

进一步，计算角度利用sobel梯度算子；具体算法为：

第一步，将模板看成某一个像素上的梯度，该像素对应模板的中心位置，特别的是，对角线上的元素的权重值比水平方向和垂直方向的元素权重值要小，X分量为S_x，Y分量为S_y，将这些分量看成梯度；

第二步，利用相当于在3x3区域中的每一个2x2区域应用算子，然后计算结果的平均值。

本发明的目的在于提供一种座舱仪表自动识别和检测装置，所述座舱仪表自动识别和检测装置包括：被测仪表、摄像头、图像处理设备、硬盘、显示器；

所述座舱仪表自动识别和检测装置采用S3C2440作为平台处理器，所述被测仪表连接所述摄像头，所述摄像头连接所述图像处理设 备，所述图像处理设备连接所述硬盘和显示器。

本发明的座舱仪表自动识别和检测方法及装置具有以下优益效果：

一、本发明完全自动识别和检测座舱仪表，无须人工干预，可大大减轻人力资源，避免主观因素引入的误差；

二、本发明在设计时尽量采用简单高效的处理环节，如采用改进的0STU方法对图像进行二值化处理、迭代式形态学方法提取仪表骨架、交叉视觉皮质模型提取边缘利用sobel梯度算子来计算角度等，从而使整个识别检测过程的耗时量缩短至40ms以内;

三、仪表识别检测的重点在于如何提取边缘和骨架，确定指针的位置，本发明利用基于交叉视觉皮质模型提取指针的边缘，在保证精度准度的基础上提高了运行的速率，此外，在计算指针读数时，采用梯度最大下降法并结合先验知识来计算角度，大大节省了运算的时间，总之，本方案的测量精度能够达到识别检测要求；

四、本发明得益于目前图像技术领域研究日趋成熟，许多软件提供强大函数库，如OpenCV等，可在跨平台之间运行，例如Windows、Linux及Andriod等操作平台，这样很大程度上降低软件开发的难度，从而研制成本较低。

附图说明

图1是本发明实施例提供的座舱仪表自动识别和检测方法的流 程图；

图2是本发明实施例提供的座舱仪表自动识别和检测装置的结构示意图；

图3是本发明实施例提供的Stentiford细化算法中的模板；

图4是本发明实施例提供的ICM神经元架构图。

图中：1、被测仪表；2、摄像头；3、图像处理设备；4、硬盘；5、显示器。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明提供的座舱仪表自动识别和检测方法流程。为了便于说明，仅仅示出了与本发明相关的部分。

本发明座舱仪表自动识别和检测方法，该座舱仪表自动识别和检测方法包括以下步骤：

读入仪表图像；

对图像进行采样；

采用非线性矢量中值滤波对图像进行降噪处理；

采用全局与局部阈值法相结合，将仪表图像二值化，获得二值化图像；

对图像进行细化，准确检测出指针,经细化处理后的指针成单像 素宽度指针；

利用改进的交叉视觉模型，提取仪表边缘；

根据先验知识，进行学习训练，寻找相似特征，对仪表进行分类比对；

利用梯度法，计算指针的角度；

通过角度，并结合先验知识，计算数值，并进行存储显示。

作为本发明实施例的一优化方案，图像二值化采用改进的0STU方法对图像进行二值化处理。

作为本发明实施例的一优化方案，0STU方法对图像进行二值化处理具体流程为：

第一步，读取图像，并根据图像行列的具体大小，将图像自动分割为一系列可变的r×r的子图像，方便对图像进行区块的划分；

第二步，在邻域内，根据仪表特性，分为目标和背景，统计各像素点的灰度分布，将灰度范围较为接近的归为一类，并算出两类特征点的数学期望和方差，根据经典OTSU准则，找出局部阈值T_1(i)；

第三步，对窗口进行二值化处理，后进行循环流程第二步操作，直至搜索图像完毕；

第四步，为避免对区域边缘的点产生误判，将每个区域视为一个像素点，灰度值为阈值T_1(i)，对整幅进行求解期望、协方差，找出全局阈值，对误判点进行修复。

作为本发明实施例的一优化方案，细化处理采用3x3模板来提取座舱仪表的骨架。

作为本发明实施例的一优化方案，3x3模板来提取座舱仪表的骨架具体方法为：

步骤1，找到一个像素（i,j），使图像中的像素和模板A中的像素匹配；

步骤2，如果中心像素不是一个端点，令连通数为1，后将像素标记为删除；

步骤3，对所有匹配模板A的像素做步骤（1）和（2）；

步骤4，依次对模板B、C和D重复(1)和(3)；

步骤5，如果有像素被标记删除，将像素设置为白色并删除；

步骤6，重复步骤（1）至（5），否则，停止；

作为本发明实施例的一优化方案，提取边缘采用交叉视觉皮质模型对座舱仪表进行分割提取。

作为本发明实施例的一优化方案，交叉视觉皮质模型中每一个神经元对于上一个状态F_ij[n-1]具有记忆功能且状态F_ij随着时间的变化其记忆内容会发生衰减，衰减速度受到衰减因子f(f>1)的影响，交叉视觉皮质模型的数学表达如下：

F_ij[n+1]=fF_ij[n]+S_ij+W_ij{Y}

$Y_{\mathrm{ij}}[n+1]=\left\{\begin{array}{cc}1& F_{\mathrm{ij}}[n+1]>T_{\mathrm{ij}}\left[n\right]\\ 0& \mathrm{else}\end{array}\right.$

T_ij[n+1]=g T_ij[n]+h Y_ij[n+1]

其中，S_ij为输入图像对应像素值，其中i，j为各个像素点的坐标，W_ij{}为神经元之间的连接函数，T_ij为动态阈值，Y_ij为每一神经元的输出，f，g，h均为标量系数，g<f<1，保证动态阈值随迭代最终会低于神经元的状态值，h为一很大标量值，保证神经元点火后能较大的 提升阈值，使神经元在下次迭代不被激发，交叉视觉皮质模型神经元固有点火周期为T=log_g(1+h/s_ij)，可见，交叉视觉皮质模型神经元点火周期与输入激励的大小有关。

作为本发明实施例的一优化方案，交叉视觉皮质模型分割后的仪表图像，包括以下步骤：

步骤一、设定参数f=2,g=0.8,h=1000,初始阈值θ=125,将图像送出模型进行点火；

步骤二、完成初始分割后，确定隶属度函数，令背景灰度期望为μ₀，目标的灰度期望为μ₁，C为最大灰度值和最小灰度值的差值，任意像素X的灰度值和这一类像素的数学期望之间差别越小，那么成员函数μ_Χ(x)的值就越大，给定阈值T，成员函数定义如下；

${\mathrm{\&mu;}}_X\left(x\right)=\left\{\begin{array}{cc}\frac{1}{1+|x-{\mathrm{\&mu;}}_0|/C}& x\&le;t\\ \frac{1}{1+|x-{\mathrm{\&mu;}}_1|/C}& x\&le;t\end{array}\right.$

步骤三、根据香农函数H_f(x)，对所有的灰度值g求和，其中N和M表示图像的行数和列数，h为灰度直方图，计算模糊集合的熵E(t)，若E(t)不满足所设定条件，更改阈值，重复步骤（1）和（2），当E(t)为最小值的时候，t为最小化模糊度的阈值；

Η_f(x)=-x log（x）-（1-x）log（1-x）

$E\left(t\right)=\frac{1}{\mathrm{MN}}\underset{g}{\mathrm{\&Sigma;}}{H}_f\left({\mathrm{\&mu;}}_X\left(g\right)\right)h\left(g\right)$

步骤四、将达到最小化阈值分割后的图像进行二值化处理，以便于与骨架图像拟合，找出指针位置。

作为本发明实施例的一优化方案，计算角度利用sobel梯度算子；具体算法为：

第一步，将模板看成某一个像素上的梯度，该像素对应模板的中心位置，特别的是，对角线上的元素的权重值比水平方向和垂直方向的元素权重值要小，X分量为S_x，Y分量为S_y，将这些分量看成梯度；

第二步，利用相当于在3x3区域中的每一个2x2区域应用算子，然后计算结果的平均值。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的座舱仪表自动识别和检测方法包括以下步骤：

S101：读入仪表图像；

S102：对图像进行采样；

S103：采用非线性矢量中值滤波对图像进行降噪处理；

S104：采用全局与局部阈值法相结合，将仪表图像二值化，获得二值化图像；

S105：对图像进行细化，准确检测出指针,经细化处理后的指针成单像素宽度指针；

S106：利用改进的交叉视觉模型（ICM），提取仪表边缘；

S107:根据先验知识，进行学习训练，寻找相似特征，对仪表进行分类比对；

S108;利用梯度法，计算指针的角度；

S109:通过角度，并结合先验知识，计算数值，并进行存储显示。

如图2所示，本发明实施例的座舱仪表自动识别和检测装置主要由被测仪表1、摄像头2、图像处理设备3、硬盘4、显示器5组成；根据实际需要和经验，本发明采用三星公司生产的S3C2440作为平台处理器，利用CCD摄像头2对被测仪表1进行实时监控拍摄，将录入的图像通过相关设计软件的处理转化为其系统构造；在实际测试时，摄像头2将拍摄的仪表画面送入图像处理设备3，经过相关软件的预处理，将仪表图像中关键点进行分割，提取出指针的轮廓，并对其边界进行跟踪，最终得出数据，将数据存入硬盘4并在显示器5中显示。

本发明以机载仪表为处理对象，在读取图像后，整个过程包括采样、降噪滤波、图像二值化、细化、提取仪表边缘、对图像细化（提取骨架）、判断指针具体位置和计算指针角度这八个处理过程，下面分别对每个过程做详细说明，

1、采样

设备启动后，仪表影像被反射光送入三棱镜内，并在设备内部被转换成电信号（模拟信号），经由A/D转换器转换成数字信号，将信号存储在内存中，由相关软件进行处理分析，为了避免由于角度、光照等问题引起的仪表指针偏差，结合本发明应用的具体环境，选择平行光源的正面照明方式，即光线从正面照射到仪表，摄像机放置在光的反射方向上，在满足奈奎斯特采样定理的前提下，对该视频序列进行等间隔采样，这样处理能够降低计算复杂度，而且其操作简单，易于软件实现；

2、降噪滤波

机载仪表经摄像头转换为数字图像要经过光学反射、采样、转换等诸多环节，这样会引入各种噪声及噪点，从而导致仪表的真实精度和准度略有偏差，为了达到降低噪声干扰，校正光照反射引起的畸变，本发明采用空域、频域相结合的方式（即同态滤波与中值滤波相结合）对仪表图像进行降噪处理，同态滤波是依据照度-反射模型开发的一种频域处理，通过调整灰度范围及对比度增强来对图像进行降噪，用此方法用来降低光照不同对图像的影响，中值滤波是一种经典的非线性滤波方法，其实质就是让与周围像素灰度值的差比较大的像素改取与周围像素接近的值，从而达到对孤立噪声像素点的消除，为了便于检索和快速消除噪点，本发明采用自适应中值滤波（全局+局部阈值处理）处理；

3、图像二值化

图像二值化是将图像上的点的灰度置为0或255，使整个图像呈现出明显的黑白效果，它使需要处理的图像变得简单，减少了细节并降低了数据量，同时凸显感兴趣区域，分离识别对象与背景，该方法的关键是阈值的选取，当获取阈值后，把灰度图像转变成二值图像，阈值的作用范围，可以分为全局法和局部法，全局二值化是指整幅图像只有一个阈值，而局部二值化是指整幅图像有多个阈值，阈值过大或过小都会使目标和背景分离不清，所有灰度小于或等于阈值的像素被认为是目标物体，大于阈值的像素被认为是背景，可见，阈值的选取决定后续测量的精度，目前，国内主要采用类间方差法（OSTU）、最大熵 法及最小误差法等方法对图像进行二值化处理，但此类方法往往计算时间较长，对于灰度变化不大的背景及目标提取效果不是很理想，为此，本发明采用改进的0STU方法对图像进行二值化处理，具体流程为：

第一步，读取图像，并根据图像行列的具体大小，将图像自动分割为一系列可变的r×r的子图像，方便对图像进行区块的划分；

第二步，在邻域内，根据仪表特性，将其分为两类（目标及背景），统计各像素点的灰度分布，将灰度范围较为接近的归为一类，并算出两类特征点的数学期望和方差，根据经典OTSU准则，找出局部阈值T_1(i)；

第三步，对该窗口进行二值化处理，后进行循环流程第二步操作，直至搜索图像完毕；

第四步，为避免对区域边缘的点产生误判，将每个区域视为一个像素点，灰度值为阈值T_1(i)，对整幅进行求解期望、协方差，找出全局阈值，对误判点进行修复；

该算法采用自顶向下的方法，根据图像的大小，将图像分割相应的区块模板，将子图作为分割的对象，并考虑到区块边缘的相关性，利用协方差进行边缘点的重新判读，提高了算法的精度和准度，利用此方法，本发明在保证提取目标图像的同时，大大提高了算法处理的速度，获得较好的二值化处理效果；

4、细化处理

根据测量原理可知，仪表指针的特征提取是本识别和检测方法的 一个相当重要的环节，图像经二值化处理后，表盘图像凸显的只有表针与表的轮廓，但如何突出表针，便成为问题的核心步骤，细化是生成对象骨架的过程，所谓骨架，就是以相对较少的像素来表示对象的形状，针对座舱仪表主要以线性指针表示的特性，骨架的提取可以明晰指针具体指向的位置、方向和长度，并结合边缘特征的提取，为下一步判读指针所指的读数做必要准备，传统提取骨架的方法为中轴变换法，主要步骤为：1、计算每一个对象像素与最近边缘像素之间的距离；2、计算距离图像的拉普拉斯算子，具有较大值的像素属于中轴，本发明在传统方法的基础上，引入了迭代式形态学方法，采用3x3模板来提取座舱仪表的骨架，具体方法为：

（1）找到一个像素（i,j），使图像中的像素和模板A中的像素匹配；

（2）如果中心像素不是一个端点，令连通数为1，后将像素标记为删除；

（3）对所有匹配模板A的像素做步骤（1）和（2）；

（4）依次对模板B、C和D重复(1)和(3)；

（5）如果有像素被标记删除，将其设置为白色并删除；

（6）重复步骤（1）至（5），否则，停止；

如图3所示，本发明在扫描图像对模板进行匹配时，有一定的扫描顺序，匹配模板A的目的在目标对象的上边缘找到可以移除的像素点，故按照从左至右的顺序进行匹配，后按照从上至下的顺序进行匹配，B模板匹配目标左侧的像素，按照自底向上，从左到右的顺序进 行扫描，C模板匹配目标底边缘的像素，按照从右至左，自底向上的顺序扫描，D模板匹配右侧像素，按照自顶向下，从右至左的顺序扫描，进行一步一步迭代运算，最终算出结果；

5、提取边缘

边缘是目标对象和背景之间的边界，如果图像中边缘可以准确地被识别出来，那么所有的对象均可以被定位，而且对象的基本属性（面积，周长和形状）都可以被测量出来，针对座舱仪表的特征，对仪表特别是指针边缘的提取成为分析指针读数的关键一步，一般来说，用来定位目标边缘的有3种常见算子，

一、导数算子，这种常被用来标识发生巨大强度变化的地方；

二、模板匹配，其中边缘由一个很小的图像进行建模，表现为近似完美的边缘属性；

三、采用一些经典的边缘数学模型，例如：Marr-Hildreth、Canny Edge边缘检测器等等，

传统检测的方法需要的先验知识少,但对阴影、光照变化较为敏感,,从而使算法的实用化难以得到保证，本发明结合航空实际需要，采用交叉视觉皮质模型(Intersecting Cortical Model)对座舱仪表进行分割提取,在保证精度准度的同时，大大提高了运行的速率，ICM源于人们对哺乳动物视觉皮层神经元脉冲同步振荡现象的研究成果,具有生物系统中的信息传递延迟性和非线性耦合调制特性,更加接近生物视觉神经网络,非常适用于图像处理,尤其是图像分割领域；

ICM神经元由树突、非线性连接调制、脉冲产生部分三部分组成， 树突部分的作用是接收来自相邻神经元的输入信息，它由线性连接输入通道和反馈通道两部分组成，线性连接输入通道接收来自局部相邻神经元突触输入信息，而反馈输入通道除了接收这种局部输入信息外，还直接接收来自外部的刺激信息输入，神经元间通过突触函数进行互联构成复杂的非线性动力学系统，脉冲的产生取决于树突的输入是否超过其激发动态阈值，而此阈值随神经元输出状态的变化相应的发生变化，如图4所示；

ICM中每一个神经元对于上一个状态F_ij[n-1]具有记忆功能且状态F_ij随着时间的变化其记忆内容会发生衰减，其衰减速度受到衰减因子f(f>1)的影响，ICM的数学表达如下：

F_ij[n+1]=f F_ij[n]+S_ij+W_ij{Y}

$Y_{\mathrm{ij}}[n+1]=\left\{\begin{array}{cc}1& F_{\mathrm{ij}}[n+1]>T_{\mathrm{ij}}\left[n\right]\\ 0& \mathrm{else}\end{array}\right.$

T_ij[n+1]=g T_ij[n]+h Y_ij[n+1]

其中，S_ij为输入图像对应像素值，其中i，j为各个像素点的坐标，W_ij{}为神经元之间的连接函数，T_ij为动态阈值，Y_ij为每一神经元的输出，f，g，h均为标量系数，g<f<1，保证动态阈值随迭代最终会低于神经元的状态值，h为一很大标量值，保证神经元点火后能较大的提升阈值，使神经元在下次迭代不被激发，ICM神经元固有点火周期为T=log_g(1+h/s_ij)，可见，ICM神经元点火周期与输入激励的大小有关；

ICM用于图像处理时，其为单层二维局部连接的网络，神经元个数与图像中像素点的个数一一对应，输入图像中较大像素值对应的神 经元首先点火，输出脉冲，其阈值突增至较大值后随时间以指数衰减，直至再次F_ij>T_ij时神经元第二次点火，同时，点火神经元通过连接函数对其邻域内神经元产生作用，使满足点火条件的邻域神经元相继被捕获点火，ICM每次迭代输出的图像都不同程度的包含了输入图像的区域及边缘信息；

可见，交叉视觉皮质模型(ICM)具备出色的图像分割能力，但ICM图像分割效果不仅取决于ICM各参数的合理选择,还取决于最佳分割阈值、循环迭代次数的确定，ICM神经元的循环迭代次数需要通过人机交互方式确定,这破坏了ICM不需训练过程的优点以及ICM处理速度快的优越性，因此,选择合适的准则来自动地确定ICM神经元的最佳分割阈值以及循环迭代次数是ICM图像分割的关键，本发明根据实际需要，结合模糊集合及熵的概念，求解最小模糊度的阈值，有效地用于仪表图像的自动分割，ICM分割后的仪表图像，其主要方法简要如下：

步骤一、设定参数f=2,g=0.8,h=1000,初始阈值θ=125,将图像送出模型进行点火；

步骤二、完成初始分割后，确定隶属度函数，令背景灰度期望为μ₀，目标的灰度期望为μ₁，C为最大灰度值和最小灰度值的差值，任意像素X的灰度值和这一类像素的数学期望之间差别越小，那么成员函数μ_Χ(x)的值就越大，给定阈值T，成员函数定义如下；

${\mathrm{\&mu;}}_X\left(x\right)=\left\{\begin{array}{cc}\frac{1}{1+|x-{\mathrm{\&mu;}}_0|/C}& x\&le;t\\ \frac{1}{1+|x-{\mathrm{\&mu;}}_1|/C}& x\&le;t\end{array}\right.$

步骤三、根据香农函数H_f(x)，对所有的灰度值g求和，其中N和M表示图像的行数和列数，h为灰度直方图，计算模糊集合的熵E(t)，若E(t)不满足所设定条件，更改阈值，重复步骤（1）和（2），当E(t)为最小值的时候，t为最小化模糊度的阈值；

Η_f(x)=-x log（x）-（1-x）log（1-x）

$E\left(t\right)=\frac{1}{\mathrm{MN}}\underset{g}{\mathrm{\&Sigma;}}{H}_f\left({\mathrm{\&mu;}}_X\left(g\right)\right)h\left(g\right)$

步骤四、将达到最小化阈值分割后的图像进行二值化处理，以便于与骨架图像拟合，找出指针位置；

6、模板匹配

针对座舱仪表的多样性，为了快速识别和检测表针读数，必须借助先验知识，学习训练后找出某类表的基本特征（量程，零刻度位置），完成对表针读数的精准判断，本发明采用判读仪表标识的方法，对仪表进行归类划分，找出仪表类别后，可通过先验知识，得知仪表的量程、零刻度和最大刻度的具体位置，通过梯度法得知在最小和最大量程上的角度信息，为最终计算表针角度及读数做好基础；

7、计算角度

提取指针角度，是完成座舱仪表自动识别和检测的关键一步，通过对当前的主流算法的研究发现，此类算法存在着不适用于不规则仪表，计算时间冗长等弊端，针对此问题，本发明利用sobel梯度算子来计算角度，由于经过处理的图像为二值化图像，灰度值只有0和255， 这就为更方便的提取出的指针的角度提供了便利条件，首先，将模板看成某一个像素上的梯度，该像素对应模板的中心位置，特别的是，对角线上的元素的权重值比水平方向和垂直方向的元素权重值要小，X分量为S_x，Y分量为S_y，将这些分量看成梯度，利用该方法相当于在3x3区域中的每一个2x2区域应用算子，然后计算结果的平均值，具体做法为：

1、针对指针，分别求x、y方向的偏导数；

2、得到的向量表示为像素处的强度和方向；

3、通过先验知识，得知零刻度线所对应的向量；

4、差值求解角度。

软件仿真测试

本发明以航空仪表为测试对象，部分测试结果，从测试结果上看，本软件偏离标准值的误差在0.3%以内，测量精度高，此外，每幅图的整个处理时间均在40ms以内，符合实际识别和检测的实时性需求；

表1测试数据

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种座舱仪表自动识别和检测方法，所述方法包括设有座舱仪表自动识别和检测装置，其中所述装置包括被测仪表、摄像头、图像处理设备、硬盘、显示器；所述座舱仪表自动识别和检测装置采S3C2440作为平台处理器，所述被测仪表连接所述摄像头，所述摄像头连接所述图像处理设备，所述图像处理设备连接所述硬盘和显示器；其特征在于，所述方法包括以下步骤：

读入仪表图像；

对图像进行采样；

采用非线性矢量中值滤波对图像进行降噪处理；

采用全局与局部阈值法相结合，将仪表图像二值化，获得二值化图像；

对图像进行细化，准确检测出指针,经细化处理后的指针成单像素宽度指针；

利用改进的交叉视觉模型，提取仪表边缘；

根据先验知识，进行学习训练，寻找相似特征，对仪表进行分类比对；

利用梯度法，计算指针的角度；

通过角度，并结合先验知识，计算数值，并进行存储显示；

所述图像二值化采用改进的OTSU方法对图像进行二值化处理，其具体流程为：

第一步，读取图像，并根据图像行列的具体大小，将图像自动分割为一系列可变的r×r的子图像，方便对图像进行区块的划分；

第二步，在邻域内，根据仪表特性，分为目标和背景，统计各像素点的灰度分布，将灰度范围较为接近的归为一类，并算出两类特征点的数学期望和方差，根据经典OTSU准则，找出局部阈值T_1(i)；

第三步，对窗口进行二值化处理，后进行循环流程第二步操作，直至搜索图像完毕；

第四步，为避免对区域边缘的点产生误判，将每个区域视为一个像素点，灰度值为阈值T_1(i)，对整幅进行求解期望、协方差，找出全局阈值，对误判点进行修复。

2.如权利要求1所述的座舱仪表自动识别和检测方法，其特征在于，细化处理采用3x3模板来提取座舱仪表的骨架，具体方法为：

步骤1，找到一个像素(i,j)，使图像中的像素和模板A中的像素匹配；

步骤2，如果中心像素不是一个端点，令连通数为1，后将像素标记为删除；

步骤3，对所有匹配模板A的像素做步骤(1)和(2)；

步骤4，依次对模板B、C和D重复(1)和(3)；

步骤5，如果有像素被标记删除，将像素设置为白色并删除；

步骤6，重复步骤(1)至(5)，否则，停止。

3.如权利要求1所述的座舱仪表自动识别和检测方法，其特征在于，提取边缘采用交叉视觉皮质模型对座舱仪表进行分割提取；所述交叉视觉皮质模型中每一个神经元对于上一个状态F_ij[n-1]具有记忆功能且状态F_ij随着时间的变化其记忆内容会发生衰减，衰减速度受到衰减因子f(f>1)的影响，交叉视觉皮质模型的数学表达如下：

F_ij[n+1]＝fF_ij[n]+S_ij+Wij{Y}

$Y_{ij}\&lsqb;n+1\&rsqb;=\left\{\begin{array}{cc}1& F_{ij}\&lsqb;n+1\&rsqb;>T_{ij}\&lsqb;n\&rsqb;\\ 0& else\end{array}\right.$

T_ij[n+1]＝g T_ij[n]+hY_ij[n+1]

其中，S_ij为输入图像对应像素值，其中i，j为各个像素点的坐标，W_ij{ }为神经元之间的连接函数，T_ij为动态阈值，Y_ij为每一神经元的输出，f，g，h均为标量系数，g<f<1，保证动态阈值随迭代最终会低于神经元的状态值，h为一很大标量值，保证神经元点火后能较大的提升阈值，使神经元在下次迭代不被激发，交叉视觉皮质模型神经元固有点火周期为T＝log_g(1+h/s_ij)，可见，交叉视觉皮质模型神经元点火周期与输入激励的大小有关。

4.如权利要求3所述的座舱仪表自动识别和检测方法，其特征在于，交叉视觉皮质模型分割后的仪表图像，包括以下步骤：

步骤一、设定参数f＝2,g＝0.8,h＝1000,初始阈值θ＝125,将图像送出模型进行点火；

步骤二、完成初始分割后，确定隶属度函数，令背景灰度期望为μ0，目标的灰度期望为μ1，C为最大灰度值和最小灰度值的差值，任意像素X的灰度值和这一类像素的数学期望之间差别越小，那么成员函数μ_Χ(x)的值就越大，给定阈值T，成员函数定义如下：

${\mathrm{\&mu;}}_X\left(x\right)=\left\{\begin{array}{cc}\frac{1}{1+|x-{\mathrm{\&mu;}}_0|/C}& x\&le;t\\ \frac{1}{1+|x-{\mathrm{\&mu;}}_1|/C}& x\&le;t\end{array}\right.$

步骤三、根据香农函数H_f(x)，对所有的灰度值g求和，其中N和M表示图像的行数和列数，h为灰度直方图，计算模糊集合的熵E(t)，若E(t)不满足所设定条件，更改阈值，重复步骤(1)和(2)，当E(t)为最小值的时候，t为最小化模糊度的阈值；

Η_f(x)＝-x log(x)-(1-x)log(1-x)

$E\left(t\right)=\frac{1}{MN}\underset{g}{\&Sigma;}{H}_f\left({\mathrm{\&mu;}}_X\right(g\left)\right)h\left(g\right)$

步骤四、将达到最小化阈值分割后的图像进行二值化处理，以便于与骨架图像拟合，找出指针位置。

5.如权利要求1所述的座舱仪表自动识别和检测方法，其特征在于，计算角度利用sobel梯度算子；具体算法为：

第一步，将模板看成某一个像素上的梯度，该像素对应模板的中心位置，且对角线上的元素的权重值比水平方向和垂直方向的元素权重值要小，X分量为S_x，Y分量为S_y，

将这些分量看成梯度；

第二步，利用相当于在3x3区域中的每一个2x2区域应用算子，然后计算结果的平均值。