CN105654042A - 玻璃温度计的检定温度字符识别方法 - Google Patents

Abstract

本发明提出玻璃温度计的检定温度字符识别方法，步骤如下：获取玻璃温度计的模糊图像，对模糊图像进行边缘检测；对边缘检测后的模糊图像进行轮廓跟踪；采样模糊图像的轮廓模糊特征识别方法点；计算所有轮廓模糊特征识别方法点对的距离分布矩阵和角度分布矩阵；计算出所有轮廓模糊特征识别方法点的模糊贴近度直方图，构成模糊贴近度矩阵；计算两个模糊图像间任意两点的模糊贴近度差异作为代价矩阵，选取最小匹配代价中的最小值的模板字符作为识别的结果。该方法采用模糊数学理论对残缺数字进行模糊贴近度数字修补，识别率在96％左右，对温度计读数准确率达到95％。

Description

玻璃温度计的检定温度字符识别方法

技术领域

本发明涉及标准恒温槽温度计的检定识别方法，具体涉及玻璃温度计的检定温度字符识别方法。

背景技术

字符识别是模式识别领域中的一个重要分支，它是模式识别技术在模糊图像处理领域中的应用，是模糊图像处理技术和模式识别技术的结合。1929年，德国的科学家Tausheck首先提出了OCR(OpticalCharacterRecognition，光学字符识别)的概念，它是针对印刷体字符，采用光学的方式将文档资料转换成为原始资料黑白点阵的模糊图像文件，然后通过识别软件将模糊图像中的文字转换成文本格式，以便文字处理软件进一步编辑加工的系统技术。字符的识别算法是这种技术的核心技术，字符识别算法的正确率决定了OCR系统的整体正确率。自从计算机诞生以来，字符识别的算法得到了空前的发展，字符识别算法可以分为三大类：

第一类、直接模板匹配算法

匹配是最原始的一种字符识别算法之一。最早的模板匹配算法，直接把待识别的字符与模板库中的字符样本进行相似性计算，取相似性最大的模板作为匹配结果。这种直接模板匹配算法对噪声较为敏感，如果要提高匹配正确率需要准确的将待识别字符从源模糊图像中分割出来，并缩放至模板字符的大小。另外模板库的大小也决定了字符识别的能力，模板库中的字符越多能识别的字符也越多，每一个字符的模板越多，识别该字符的成功率也越高。这些提高匹配正确率的改进措施不仅增加了模板库的要求，也加大了模板匹配过程的计算量。

第二类、模糊特征识别方法匹配算法

为了克服直接模板匹配算法对噪声敏感以及字符字体敏感的缺点，不少学者对直接模板匹配算法进行了改进。最常见的一类改进算法是，基于模糊特征识别方法向量的模板匹配算法，这类算法使用特殊的算法对待识别字符和模板库进行模糊特征识别方法提取，构成一个模糊特征识别方法向量。用模糊特征识别方法向量作为匹配对象进行匹配。以数字印刷体字符为例：在一个待识别字符模糊图像的水平和竖直方向的中点各做一天分割线，将待识别字符模糊图像平均切割成四部分，然后统计待识别字符与这两条中线相交的次数。这种算法需要从模糊图像中精确的分割出数字字符而且数字字符的畸变对识别结果影响巨大，因此虽然该算法简单但实用性不强，只能为模糊特征识别方法匹配算法的理解提供了基本思路。

以上述模糊特征识别方法为基础取水平1/3处交点数、水平中线交点数、水平2/3处交点数、竖直5/12处交点数、竖直中线交点数、竖直7/12处交点数、左对角线交点数、右对角线交点数、端点数，这九个模糊特征识别方法向量构成了每个数字字符的模糊特征识别方法向量进行匹配识别，在对这九个模糊特征识别方法向量按照赋予权重之后实现了字符的正确匹配。

除了上述模糊特征识别方法，常用的模糊特征识别方法还有字符结构模糊特征识别方法：左右对称、左大右小、左小右大、上下对称、上大下小、上小下大；字符的笔画模糊特征识别方法：直笔画与弯笔画；直笔画又可以分为：横笔画、竖笔画、左斜笔画、右斜笔画；弯笔画又可分为：开弧笔画和闭弧笔画；投影曲线的波峰个数等等模糊特征识别方法。

第三类、神经网络的字符识别算法

人工神经网络(artificialneuralnetwork，缩写ANN)，简称神经网络(neuralnetwork，缩写NN)，是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。

在字符识别的应用中，可以直接将一个模糊图像所有像素点的像素值作为神经网络的输入进行运算，这样对人工神经网络的构件以及实际运算的要求较高。多数研究都是以待识别字符的某些模糊特征识别方法构成模糊特征识别方法向量作为神经网络的输入。用了经典的Hopfield神经网络对车牌字符进行识别，利用投影-变换系数法进行模糊特征识别方法提取，获取了16个模糊特征识别方法送入具有16个输入、10个输出、隐含层有24个神经元的Hopfield神经网络中。使用了60个训练样本对该神经网络进行训练后，数字字符识别的准确率达到了92.9％。

在实际应用中很多学者都选择了BP(Back-Propogation，反向传播)神经网络进行字符识别算法的相关研究，BP神经网络具有与人脑相似的高度并行性、良好的容错性和联想记忆功能，BP网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题。BP网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，自适应学习和容错能力都较强；BP网络具有一定的推广、概括能力。

BP神经网络的主要思想为：对于N个已知的学习样本{S_i，i＝1,2,……，N-1,N}，其预期输出为{O_i,i＝1,2,……,N-1,N}，在未进行学习之前BP网络的实际输出为{R_i,i＝1,2,……,N-1,N}。在学习过程中，BP网络根据O_i与R_i之间的误差不断的调整BP网络中神经元之间的连接权值，直至O_i与R_i之间误差的平方和达到最小。这里面包含了BP网络中信息的两个传播路径：信息的正向传递与误差的反向传播。在正向传播过程中，信息流向为输入层—〉隐含层—〉到输出层。当信息流动到输出层后，计算输出结果与预期输出的误差值，将这个误差值进行反向传播，在这个反传过程中，修改每一层隐含层的权值与偏置值，当反向传播结束后，所有的权值和偏置值都得到更新，形成一个新的网络。接着把学习样本输入到这个网络中再次进行信息正向传递与误差反向传递不停循环下去，直至输出值达到期望输出或者误差平方和最小。这也就是BP神经网络的学习过程，目的是通过学习得到一组正确的权值和偏置值。提取了字符的改进型粗网格模糊特征识别方法，作为BP神经网络的输入，最终，对字母和数字字符的识别率达到了97％，汉字字符识别率达到了87％。

不论是Hopfield神经网络还是BP神经网络，最大的缺点就是需要大量的学习样本对神经网络进行训练或者学习，并且前期训练学习过程的时间较长。BP神经网络还存在麻痹现象，即在某些情况之下权值误差过小使学习过程几乎停顿。

人类在识别观察物体首先注意到的是该物体的颜色，纹理，形状等直观信息，在字符识别过程中，颜色和纹理等直观模糊特征识别方法无法提供一个准确的信息，只有通过形状信息进行识别，形状信息成为了字符识别中最重要的模糊特征识别方法，因此绝大部分的字符识别算法都是基于形状匹配算法法杖而来。对于计算机来说形状信息就是一个字符的边缘轮廓或者字符的骨架。不同的形状匹配算法选用的形状描述符都不相同，通过这些不同的形状描述符生成不同字符的形状描述信息。一般来说，形状描述符在尽可能区别不同目标的形状的基础上，还应该尽量满足定制化的需求，例如旋转不变性、平移不变性、伸缩不变性等。常用的形状描述符有：

1、基于几何模糊特征识别方法：紧密度、实心度、偏心率、不规则度等；

2、基于统计模糊特征识别方法:粗糙度、均值、方差等；

3、变换域模糊特征识别方法:矩、Fourier描绘子、模糊描绘子、形态描绘子等；

4、仿射不变量:简比等；

5、射影不变量:交比等。

形状匹配算法面对的主要形状变化问题有：

1、模糊图像采集过程中产生的信号噪声；

2、模糊图像采集视角变化，相当于对实际模糊图像做了相似变换,仿射变换,射影变换；

3、遮挡：障碍物对目标物体的遮挡；

4、目标物体的变形：目标物体的局部变形和全局变形，例如衣服等目标物体很容易产生自身变形。

用F模糊贴近度理论求取玻璃温度计模糊图像识别的字符识别理论为：对玻璃温度计模糊图像具体数值识别，它属于模糊贴近度问题，称为F模式识别。模糊贴近度定义为：

设Α,B,C∈F(U),若映射N:F(U)×F(U)→[0,1]

满足条件：

①N(Α,B)＝N(B,A)；

②N(Α,A)＝1，N(U，φ)＝0；

③若则N(Α,C)≤N(A,B∧N(B,C)。

则称N(Α,B)为F集A与B的贴近度。N称为F(U)上的贴近度函数。

贴近度的这个定义，是原则性的概念，其具体规则视实际需要而定。给出几种类型，其中采用集合Α,B∈F(U)。

1、海明贴近度

若U＝{u₁,u₂,…,u_n}，则 $N(A,B)\≡1-\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}|A\left(u_i\right)-B\left(u_i\right)|$

当U为实数域上的闭区间【a,b]时，则有

$N(A,B)\≡1-\frac{1}{b-a}\underset{a}{\overset{b}{\∫}}|A\left(u_i\right)-B\left(u_i\right)|du$

2、欧几里得贴近度

若U＝{u₁,u₂,…,u_n}，则 $N(A,B)\≡1-\frac{1}{\sqrt{n}}(\underset{i=1}{\overset{n}{\Σ}}{\left(A\left(u_i\right)-B{\left(u_i\right)}^2\right)}^{1/2}$

当U＝[a,b]时，则有

$N(A,B)\≡1-\frac{1}{\sqrt{b-a}}{\left(\underset{a}{\overset{b}{\∫}}{\left(A\left(u\right)-B\left(u\right)\right)}^{2}du\right)}^{1/2}$

3、测度贴近度

设Α(u),B(u)是测度空间设U,Α,μ)上可测函数，则可定义

为勒贝格积分。若U为实数域，被积函数为黎曼可积，且广义积分收敛，则

及

4、格贴近度

有限论域上的F集可以表示为F向量的形式，设A＝{a₁,a₂,…,a_n}，B＝{b₁,b₂,…,b_n}。类似代数学中向量的内积，我们把称为F集的内积，这里乘法“·”及加法“+”已被置换为∧及∨。这里∧表示为下确界，或者叫合取(取小)，∨表示为上确界，叫析取(取大)。

如果用×代表叉乘法，即

其中Α、B分别为矢量，a、b为矩阵的标量，N(|A,B|)为矢量Α、B在论域N中的范数，即|A,B|的模。

设： $\begin{array}{cc}{A}_{ij}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \mathrm{...}& a_{1n}\\ a_{21}& a_{22}& \mathrm{...}& a_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{n1}& a_{n2}& \mathrm{...}& a_{nn}\end{array}\right];& B_{ij}=\left[\begin{array}{cccc}{b}_{11}& b_{12}& \mathrm{...}& b_{1n}\\ b_{21}& b_{22}& \mathrm{...}& b_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ b_{n1}& b_{n2}& \mathrm{...}& b_{nn}\end{array}\right]\end{array}$

根据矢量代数定理，Α、B分别为矢量叉乘，其中a_ij、b_ij为矩阵的标量，则：

$A_{ij}\×B_{ij}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \mathrm{...}& a_{1n}\\ a_{21}& a_{22}& \mathrm{...}& a_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{n1}& a_{n2}& \mathrm{...}& a_{nn}\end{array}\right]\×\left[\begin{array}{cccc}{b}_{11}& b_{12}& \mathrm{...}& b_{1n}\\ b_{21}& b_{22}& \mathrm{...}& b_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ b_{n1}& b_{n2}& \mathrm{...}& b_{nn}\end{array}\right]$

5、F模式识别原则

F模式识别有两种方法：一是直接方法，按“最大隶属原则”归类，主要应用于个体的识别；另一是间接方法，按“择近原则”归类，应用于群体模型的识别。

(一)最大隶属原则

设Α∈F(U)，i＝1,2,…n，对u₀∈U，若存在i，使

A_i(u₀)＝max{A₁(u₀),A₂(u₀),…,A_n(u₀)}

则认为u₀相对值为Α_i。

(二)择近原则

设Α_i,B∈F(U)，i＝1,2,…n，若存在i，使

N(A_i,B)＝max{N(A₁,B),N(A₂,B),…,N(A_n,B)}

则认为B与Α_i最贴近，即判B与Α_i为一类，称为择近原则。

玻璃液体温度计、指针式压力表等仪表的未能实现自动读数，并且被测量(温度、压力等)需要较长的变化时间，检定人员不仅需要及时读取读数、记录读数，为了缩短检定时间还必须守候在检定装置旁边，以便于在被测物理量稳定之后及时读数。这些工作不仅枯燥乏味，更重要的是严重降低了检定的准确度和效率，而且人工读数受检定人员的影响较大，对检定人员的个人素质要求较高。而且，现有模糊图像识别技术，在玻璃温度计检定温度的识别上，所取得的效果并不理想。

发明内容

为了解决现有技术所存在的技术问题，本发明提出玻璃温度计的检定温度字符识别方法，该方法采用模糊数学理论对残缺数字进行模糊贴近度数字修补，识别率在96％左右，对温度计读数准确率达到95％。

本发明采用如下技术方案：玻璃温度计的检定温度字符识别方法，包括以下步骤：

步骤1、获取玻璃温度计的模糊图像，对模糊图像进行边缘检测；

步骤2、对边缘检测后的模糊图像进行轮廓跟踪；

步骤3、采样模糊图像的轮廓模糊特征识别方法点；

步骤4、计算所有轮廓模糊特征识别方法点对的距离分布矩阵和角度分布矩阵；

步骤5、计算出所有轮廓模糊特征识别方法点的模糊贴近度直方图，构成模糊贴近度矩阵；

步骤6、计算两个模糊图像间任意两点的模糊贴近度差异作为代价矩阵，选取最小匹配代价中的最小值的模板字符作为识别的结果。

优选地，步骤1通过计算一阶导数局部最大值来检测模糊图像边缘，或者通过寻求二阶导数中的过零点来检测模糊图像边缘。

优选地，步骤3包括以下步骤：

步骤31、将整个模糊图像的高度缩放到某个给定值附近；

步骤32、动态确定轮廓模糊特征识别方法点的采样数N：首先获取模糊图像的轮廓信息，获取的轮廓信息以数据链的结构储存，每一条轮廓线上的轮廓点都储存在独立的数据链上；统计出所有数据链中的元素个数以得到模糊图像的轮廓点总数M；按照一个预设的比例值x，计算出轮廓模糊特征识别方法点采样数N，N＝M*x；当M值小于预设的阈值时，则认为模糊图像的轮廓信息不足，重新获取玻璃温度计的模糊图像；

步骤33、随机抽取3N个轮廓点作为待选轮廓模糊特征识别方法点；

步骤34、剔除距离相近的待选模糊特征识别方法点：假设待选模糊特征识别方法点数为N_sample，N_sample＝3N，计算所有点之间的距离，得到一个N_sample*N_sample大小的距离矩阵，选取距离最小的一个点对，删除点对中的一个点，同时删除距离矩阵中相关的行和列；循环上述删除过程，直到剩下的模糊特征识别方法点数等于要求的采样数N，以及该N个点之间的距离矩阵D。

优选地，步骤32所述预设比例值x为7％。

优选地，步骤4所述距离分布矩阵是以选定的轮廓模糊特征识别方法点为极坐标圆的原点，其他轮廓模糊特征识别方法点所处圆环的标号，将圆分成了：(0,0.125R],(0.125R,0.25R],(0.25R,0.5R],(0.5R,R],(R,2R]，共五个环；所述距离分布矩阵计算方式如下：

假设轮廓模糊特征识别方法点对的距离矩阵为D，用极坐标圆的半径R做除数对D进行归一化处理，得到归一化后的距离矩阵D_Nor＝D/R，根据D_Nor矩阵中所有归一化元素值判断所处圆环的编号，得到距离分布矩阵D_Loc。

优选地，所述归一化后的距离矩阵中的元素若大于2，则在距离分布矩阵中赋值为0。

优选地，所述步骤6在进行代价矩阵计算前对模糊贴近度直方图进行了归一化处理：

步骤61、求取当前点pi的模糊贴近度直方图中点数之和：

步骤62、用点数之和作为除数对模糊贴近度直方图进行归一化处理：

步骤63、遍历所有轮廓模糊特征识别方法点，将整个模糊贴近度矩阵进行归一化；

步骤64、对归一化后的模糊贴近度矩阵利用χ²检测计算代价矩阵。

与现有技术相比，本发明的优点和有益效果如下：

1、本发明完成了温度计图片的采集及处理、温度计图片识别、检定现场的视频监控和检定数据实时传输及显示，能对玻璃温度计进行检定的非数字化模糊图像识别，具有自动读数功能，提高了检定人员的工作效率。对温度计示数字符的识别率在96％左右，对温度计读数准确率达到95％。

2、在获取刻度线和液柱顶点的位置信息后，为了实现刻度线的标定，必须选找一条经过标定的刻度线，即需要知道一条或者多条刻度线所指示的温度。一般来说，示数字符所指示的温度对应于与其最近的一条长刻度线。因此本发明的设计思想就是在模糊图像中搜索一个示数进行识别，识别成功之后在该字符附近搜索一条长刻度线，对该长刻度线进行标定之后，结合预先输入的分度值信息和液柱顶点位置信息计算出获取模糊图像中温度计的实际温度。

附图说明

图1为本发明的流程图；

图2示意了极坐标圆内采样点的模糊特征识别方法向量；

图3中：a)为字符“1”的图像；b)是字符“1”图像的轮廓模糊特征识别方法点采样结果，其中N＝72，M＝1031；c)为字符“4”的图像；d)是字符“4”图像的轮廓模糊特征识别方法点采样结果，其中N＝136，M＝1946；

图4示意了本发明所采用的极坐标圆及其分区编号；

图5中a)、b)分别为待识别字符进行薄板样条插值变换前后对比图，其中圆点为模板字符，十字交叉点为待识别字符，图中的畸变系数aff_cost＝0.303；

图6为实验所用模板字符；

图7为实验所用待识别字符；

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的具体实施方式不局限于此。

实施例

本发明在采集温度计的模糊图像时，对于模糊图像采集过程中产生的信号噪声，可以通过相应的数字滤波算法等信号处理算法予以解决；而采集图像时因为视角变化所带来的畸变，主要来自于摄像头成像时的视差等，导致了模糊图像中温度计刻度线间距不均匀。另外，温度计自身并不是一个平面，成像过程中温度计上的字符等势必会发生扭曲。送检的温度计通常来说都是客户使用过的温度计，所以待检温度计上的线条经常出现缺失，例如刻度线缺失、字符缺划等，造成了“遮挡”问题。在实际检定过程中，最主要的问题就是“遮挡”问题，某些极端情况下，存在刻度线模糊不清、字符缺失等问题的温度计即使是人工读数都具有一定难度。目前温度计自动读数系统设计过程中遇到最大的困难就是残缺字符的识别问题，这也是制约温度计自动读数系统发展的核心难点。为解决残缺字符的识别问题，本发明选用了模糊贴近度算法对字符进行识别，主要流程如图1所示。

模糊贴近度是一种新的形状模糊特征识别方法描述符。模糊贴近度的提出，为测量形状的相似度提供了一个新的描述符。模糊贴近度将一个形状的边缘信息转化为一个具有N个元素的模糊特征识别方法点集，该算法对各个单独的点并没有特殊的要求，例如曲率最大点、变形点。只要这些形状内部或者外部轮廓上的点足够描述出该物体的形状信息即可。因此模糊贴近度对于边缘点采样算法要求较为简单。形状上下作为一种丰富的形状模糊特征识别方法描述方法，被广泛的应用于验证码识别，人脸识别，基于内容的模糊图像检索技术，形状匹配等。

假设经过边缘检测之后，随机抽取N个待识别对象边缘点构成边缘点集P＝{p₁,p₂,p₃,……，p_N-1，p_N}，对于其中的某一个点p_i，连接p_i与其余N-1个边缘后，可以构成N-1个向量，这些向量反映了相对于参考点的整个形状的外观。随着N值的增大，所有点的向量集合对待识别对象形状的描述越来越准确。对于形状匹配来说，我们需要的只是轮廓点之间的相对位置关系，因此这个向量集合描述的信息过于详细，增加了计算量，但对于匹配准确性的提高帮助有限。通过计算其余点与参考点的相对坐标的低分辨率分布直方图，得到每一个边缘采样点的紧凑描述符。这个分布直方图就是所谓的模糊贴近度。以p_i为坐标原点构造一个极坐标系[0，2π]xR，将该极坐标按照固定的弧度大小θ＝2π/n和一定的半径将极坐标内的圆分成K＝nxm个子区域，如图2，极坐标圆被分成了K＝24个子区域。

对于边缘轮廓上的某个采样点p_i，以它绘制上述极坐标，统计每一个子区域内部的边缘轮廓点数h_i(k)：

h_i(k)＝h_i,k＝#{q_j≠p_i&q_j∈bin(k)},k＝1,2,……,K(1)

则点p_i的模糊特征识别方法向量为(h_i,1,h_i,2,……h_i,K-1,h_i,K)，这就是点p_i的模糊贴近度。图2中采样点的模糊特征识别方法向量为(0,0,4,0,2,3,5,0,0,0,5,10,3,2,7,0,0,0,4,8,5,0,8,0)。计算所有轮廓采样点的模糊贴近度后，得到一个N*K的矩阵SC，用于描述待识别物体的轮廓：

$SC=\left[\begin{array}{ccccc}{h}_{1,1}& \mathrm{...}& h_{1,k}& \mathrm{...}& h_{1,K}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ h_{i,1}& \mathrm{...}& h_{i,k}& \mathrm{..}& h_{i,K}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ h_{N,1}& \mathrm{...}& h_{N,k}& \mathrm{...}& h_{N,K}\end{array}\right]---\left(2\right)$

两个模糊图像之间的匹配代价主要由模糊贴近度差异构成。假设P,Q分别是两个模糊图像的轮廓采样点集，p_i,q_j分别是点集中一个点，p_i,q_j的模糊贴近度直方图分别为h_i(K),g_j(K)，采用χ²检测(卡方检测)计算这两个点之间的模糊贴近度差异：

$C_{i,j}=\frac{1}{2}\underset{k=1}{\overset{K}{\Σ}}\frac{{\[h_i\left(k\right)-g_j\left(k\right)\]}^2}{h_i\left(k\right)+g_j\left(k\right)}---\left(3\right)$

两个模糊图像间所有点对之间的模糊贴近度差异构成了两个模糊图像间的匹配代价矩阵，形状匹配的目标是寻找一个最佳匹配，使匹配代价之和达到最小。这是一个典型的二分图最优配置问题。

本发明中字符识别需要具有的不变性有：平移不变性、尺度不变性。从模糊贴近度的计算过程可以看出，模糊贴近度只涉及轮廓点间的相对位置，不涉及绝对位置，因此模糊贴近度自身就具有平移不变性。在计算模糊贴近度过程中使用了点对之间的距离信息，所以模糊贴近度并不具有尺度不变性，常用的做法是用所有点对间距的平均值或者中值对点对间距做归一化处理。有时候对形状描述符还有旋转不变性的要求，在计算向量极角的时候，以每个点的切线方向作为横坐标正轴，用向量与该方向的相对角度作为向量极角，则模糊贴近度可以具有旋转不变性。但是在本发明中，由于待识别的字符中有“6”和“9”两个字符，如果形状描述符具有旋转不变性，则无法对它们进行正确的识别。

模糊贴近度的基础是边缘点集的获取，具体步骤为：先进行模糊图像边缘检测，然后轮廓跟踪，最后采样模糊特征识别方法点。

模糊图像边缘检测是根据模糊图像边缘存在的突变性质来进行的，边缘检测是对灰度变化的度量与定位，对模糊图像曲面来说它的值的变化剧烈程度可以通过梯度函数来度量。所以模糊图像边缘检测可以转化为数值微分问题。因此，阶梯型边缘可以通过导数的极值点来模糊特征识别方法化，或者等价的使用二阶微分的零点来刻画。主要分为两种类型：一种是以一阶微分为基础的边缘检测算子，通过计算一阶导数局部最大值来检测模糊图像边缘，如：Roberts算子、Prewitt算子、Sobel算子、Canny算子；另一种是以二阶微分为基础的边缘检测算子，通过寻求二阶导数中的过零点来检测边缘，如：LOG算子。

模糊图像的边缘可以用连续模糊图像f(x,y)的梯度▽f决定：

$\▿f=grad\left(f\right)=(g_x,g_y)=(\frac{\∂f}{\∂x},\frac{\∂f}{\∂y})---\left(4\right)$

梯度作为一个向量，由和两个正交方向的变化率构成，所以沿着任意方向的灰度变化率可以通过这两个正交方向的变化率组合而成：

$\frac{\∂f}{\∂x^{\′}}=\frac{\∂f}{\∂x}cos\left(\mathrm{\θ}\right)+\frac{\∂f}{\∂y}sin\left(\mathrm{\θ}\right)---\left(5\right)$

边缘方向角(相对于X轴)；

$\mathrm{\θ}=arctan\left(\frac{\∂f/\∂y}{\∂f/\∂x}\right)---\left(6\right)$

使用梯度向量的模度量梯度值的大小：

$|\▿f|=\sqrt{{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂x}\right)}^2}---\left(7\right)$

模糊图像的边缘就是像素值变化最剧烈的部分，即模糊图像中具有局部最大梯度值的像素点。目前常用的几种边缘检测算法的核心思想都是寻找这样的像素点。总结起来边缘检测算法有如下四个步骤：1、滤波；2、增强；3、检测；4、定位。

边缘检测之后得到的点集依然是无序的，对计算机毫无意义，因而需要对这些边缘点进行一次轮廓跟踪处理，将所有的边缘点按照轮廓顺序存储到数组中用于下一步的模糊特征识别方法点采样。常用的轮廓跟踪算法有：Square跟踪、Moore近邻跟踪、RadialSweep及TheoPavlidis算法。

在OpenCV函数库中，提供了一系列相关函数用于模糊图像的边缘检测和轮廓跟踪。边缘检测函数有cvSobel()、cvCanny()等；轮廓检测函数cvFindContours()，该函数可以使用Freeman链、Teh-Chin链等逼近方法获取输入二值模糊图像的轮廓信息。

如前文所述，模糊贴近度算法对各个单独的轮廓模糊特征识别方法点并没有特殊的要求，例如不要求是曲率最大点、变形点等。但是要求整个模糊特征识别方法点集能完整的描绘出待识别模糊图像的轮廓信息。传统的轮廓模糊特征识别方法点采样方法是：根据经验选取一个固定的模糊特征识别方法点数N，通常N的值在100～150之间；然后将所有轮廓点打乱随机排列，选取前N个轮廓点产生模糊特征识别方法点集用于模糊贴近度的计算。该方法简单易行，却存在两大缺点：

1、当轮廓点总数远远大于模糊特征识别方法点数N时，得到的模糊特征识别方法点集有可能发生局部聚集现象，某部分区域分布过多模糊特征识别方法点而某些部分缺少模糊特征识别方法点，导致模糊特征识别方法点集无法完整的反映出待识别模糊图像的轮廓信息。例如，会出现模糊特征识别方法点距离很小，有的甚至发生了重叠的现象。当模糊特征识别方法点的距离较近或者发生重叠时，相应的点反映的轮廓信息相近或者相同，无形中减少了有效模糊特征识别方法点的点数，增大了后文中模糊贴近度的计算量却不能增加形状描述的信息量。

2、由于不同字符轮廓点数量不同，选用固定轮廓模糊特征识别方法点数N，会造成字符的模糊特征识别方法点密度不均，例如，在相同字体和字号的情况下，数字字符“1”的轮廓点总数小于数字字符“4”的总数，“1”的模糊特征识别方法点分布密度必然大于“4”，这就造成了“1”的模糊特征识别方法点的浪费。在N＝50时，采样得到的轮廓模糊特征识别方法点可以很好的描绘“1”的轮廓信息，并且轮廓模糊特征识别方法点的分布密度较为恰当；但是此时对于字符“4”，50个轮廓模糊特征识别方法点所描绘的轮廓信息较少。加大采样点数N至100后，字符“4”的轮廓信息将得到较好的描绘；而对于字符“1”来说，模糊特征识别方法点分布过密，但是描述的轮廓信息并没有明显的增加，即每个模糊特征识别方法点所描绘的轮廓信息下降了，加大了计算时间和运算负担。

为克服上述缺点，本发明对轮廓模糊特征识别方法点的采样算法进行了部分改进，具体算法如下：

利用上述改进后的轮廓模糊特征识别方法点采样算法，1、获取的字符子区域切割获得的字符尺寸过小，轮廓点总数M过少，如果不对轮廓进行采样，得到的轮廓模糊特征识别方法点集包含了所有的轮廓点，对待识别字符的描述过于详细，降低了模糊贴近度识别的鲁棒性；如果对轮廓进行采样，则获得的模糊特征识别方法轮廓点过少，加上待识别字符的尺寸过小，会导致后文计算模糊特征识别方法点对距离时的精度下降，因此需要将待识别字符的尺寸进行一定比例放大。经过观察，在同一只玻璃温度计上，“0～9”这十个数字字符的宽度各不相同，但是高度基本相近，所以选取待识别字符的高度作为缩放的标准。将整个待识别字符模糊图像的高度缩放到某个给定值附近(由于字符分割存在一定误差，并且模糊图像尺寸只能取整数，因此无法保证缩放后高度的精度)。缩放函数直接使用OpenCV函数库中的cvResize()函数。

2、动态确定轮廓模糊特征识别方法点的采样数N：首先利用OpenCV函数库中的轮廓检测函数cvFindContours()获取输入字符模糊图像的轮廓信息，获取的轮廓信息是以数据链的结构储存的，每一条轮廓线上的轮廓点都储存在独立的数据链上。只要统计出所有数据链中的元素个数就能得到输入字符模糊图像的轮廓点总数M。按照一个预设的比例值，计算出轮廓模糊特征识别方法点采样数N，本文选取的比例为7％，即N＝M*7％。当M值小于预设的阈值时，则认为输入模糊图像的轮廓信息不足，直接跳出模糊贴近度程序，重新获取输入模糊图像。

3、完全随机抽取3N个轮廓点作为待选轮廓模糊特征识别方法点。该步骤采用洗牌算法对所有轮廓点进行洗牌，然后抽取前3N个点作为待选模糊特征识别方法轮廓点。洗牌算法伪代码如下：

4、剔除距离相近的待选模糊特征识别方法点。假设待选模糊特征识别方法点数为N_sample(N_sample＝3N)，计算所有点之间的距离，得到一个N_sample*N_sample大小的距离矩阵，选取距离最小的一个点对，删除点对中的一个点，同时删除距离矩阵中相关的行和列。循环上述删除过程，直到剩下的模糊特征识别方法点数等于要求的采样数N，和这N个点之间的距离矩阵D，距离矩阵D用于后续的模糊贴近度计算。

对字符“1”、“4”输入模糊图像进行处理后得到轮廓模糊特征识别方法点集的结果如图3所示；该算法能够根据输入模糊图像的不同，动态确定轮廓模糊特征识别方法点的采样数N，并且采样后得到的模糊特征识别方法点集分布较为均匀，不会出现局部聚集的情况，相较于原始固定点数的随机采样算法，性能得到了较大的提升。

使用模糊贴近度算法进行形状匹配，需要确定的参数有：1、轮廓模糊特征识别方法点总数，即采样点数N；2、极坐标圆的半径R；3、极坐标圆的分区数K：包括弧度的分区数n，及半径长度分区数m。本发明采样点数N采用动态法选取；n＝12；极坐标圆半径R取字符高度的一半，这样极坐标圆能涵盖单个字符的大部分轮廓点。半径分区数m取5，按照Δlogr＝logr_i+1-logr_i＝constant的规律，由内向外的半径大小为：0.125R、0.25R、0.5R、1R、2R。最终确定的极坐标圆及角度分区编号如图4所示。

距离分布矩阵及角度分布矩阵的快速算法：在模糊特征识别方法点选取算法中，计算了待选轮廓点所有点对的距离矩阵，为了降低计算时间，充分利用已知信息，模糊特征识别方法点距离矩阵直接从待选轮廓点距离矩阵中复制。距离分布矩阵是以选定的模糊特征识别方法轮廓点为极坐标圆的原点，其他轮廓模糊特征识别方法点所处圆环的标号，将圆分成了：

(0,0.125R],(0.125R,0.25R],(0.25R,0.5R],(0.5R,R],(R,2R]

共五个环，标号由里向外标1～5。假设模糊特征识别方法点选取算法中得到的距离矩阵为D，需要用R做除数对D进行归一化处理，得到归一化后的距离矩阵D_Nor＝D/R，根据D_Nor矩阵中所有归一化元素值判断所处圆环的编号，得到距离分布矩阵D_Loc。

距离分布矩阵计算例子：

$\left[\begin{array}{ccc}0& 0.606& 0.397\\ 0.606& 0& 0.13\\ 0.397& 0.13& 0\end{array}\right]\→\left[\begin{array}{ccc}0& 4& 3\\ 4& 0& 2\\ 3& 2& 0\end{array}\right]---\left(8\right)$

上式中左边为归一化后的距离矩阵，右边为距离分布矩阵。归一化之后的距离矩阵中的元素有可能大于2，即轮廓点与当前计算点的距离超过了2R，这样的轮廓点称为离群点，本发明对离群点不做处理，在距离分布矩阵中赋值为0。

角度方向矩阵是指模糊特征识别方法点集中某个点和其他点构成的模糊特征识别方法向量方向角的分布信息。目前大部分模糊贴近度都是使用atan()函数求取模糊特征识别方法向量的实际角度，atan()函数的返回值范围在(-PI/2,PI/2)之间，要利用它判断模糊特征识别方法向量方向角的分布区间，需要结合模糊特征识别方法向量的横纵坐标对这个角度进行分类，得到该向量所分布的角度区域，遍历所有的轮廓模糊特征识别方法点之后得到角度分布矩阵A_Loc，也叫弧度区间分布矩阵。这种算法的复杂度较高，耗时较多。

弧度区间分布矩阵计算例子：

$\left[\begin{array}{ccc}0& 77& 221\\ 257& 0& 209\\ 41& 29& 0\end{array}\right]\→\left[\begin{array}{ccc}0& 4& 8\\ 9& 0& 7\\ 5& 6& 0\end{array}\right]---\left(9\right)$

上式中左边为向量方向角矩阵，右边为向量角度分布区间矩阵。

由于模糊贴近度算法关心的只是模糊特征识别方法向量方向角的分布区间，而不是方向角的具体数值，因此本发明对该算法进行了部分改进：利用数值算法替代atan()函数，利用模糊特征识别方法向量的坐标值判断模糊特征识别方法向量所在的弧度区间。

y_x＝(float)(y)/(float)(x)；

y_x＝(y_x>＝0？y_x:-y_x)；

if(y_x>1.7321){

flag＝3；

}elseif(y_x<0.5774){

flag＝1；

}elseflag＝2；

if(x<0){

if(y>＝0)result＝flag；

elseif(y<0)result＝6+flag；

}else{

if(y>＝0)result＝7-flag；

elseif(y<0)result＝13-flag；

}

经过改进之后，角度分布区间矩阵计算时间比较如表1所示，利用数值算法代替atan()函数后，计算时间平均减少了50％左右。

表1两种角度分布矩阵算法耗时对比

由于所有信息都是点对间的间距和向量角，因此距离分布矩阵是关于对角线对称的矩阵，角度分布矩阵对角线两边相应的两个元素相差180度，因此这两个矩阵只需要计算一半，另一半通过对应的数值关系计算，以进一步减少计算时间。

在获得了距离分布矩阵D_Loc和角度分布矩阵A_Loc后，就可以方便的计算出所有轮廓模糊特征识别方法点的模糊贴近度直方图。由于极坐标圆被分割成了5*12＝60份，所以每个点的形状直方图共有60个取值，所有的轮廓模糊特征识别方法点的模糊贴近度直方图构成一个100*60(假设采样点数N＝100)的模糊贴近度矩阵SC。模糊贴近度矩阵计算伪代码如下：

intSC[100][60]；

for(k＝0to99)

{

for(i＝0to99)

{

if(D_Loc[k][i]！＝0&&A_Loc[k][i]！＝0){//跳过离群点和自身

SC[k][(D_Loc[k][i]-1)*5+A_Loc[k][i]-1]+＝1；//给所在区域投票

}

}

}

目前一般都采用χ²检测(卡方检测)计算两个模糊图像间任意两点的模糊贴近度差异作为代价矩阵：

$C_{i,j}=\frac{1}{2}\underset{k=1}{\overset{K}{\&Sigma;}}\frac{{\&lsqb;h_i\left(k\right)-g_j\left(k\right)\&rsqb;}^2}{h_i\left(k\right)+g_j\left(k\right)}---\left(10\right)$

其中：

SC_P[i]＝(h_i(1),h_i(2),……，h_i(K-1)，h_i(K))

SC_Q[j]＝(g_j(1),g_j(2),……，g_j(K-1)，g_j(K))(11)

分别为两个待匹配模糊图像P和Q中任意两点p_i,q_j的模糊贴近度直方图。

原始的代价矩阵计算方法要求待匹配模糊图像的轮廓模糊特征识别方法点采样数应该相同或者相近。本发明为了提高模糊贴近度运算的效率，提出了动态确定模糊特征识别方法点采样个数的算法，不同字符最终确定的采样点数都不同，即便是相同的字符在缺划时，轮廓点总数的不同也会引起采样点数的变化。此时用原始的代价矩阵计算方法得到的代价必然会有较大的差异。因此为了克服采样点数不同对匹配代价的不利影响，同时提高算法对字符缺划时的识别率，本发明在进行代价矩阵计算前对模糊贴近度直方图进行了归一化处理：

1、求取当前点p_i的模糊贴近度直方图中点数之和：

$sum\&lsqb;i\&rsqb;=\underset{k=1}{\overset{K}{\&Sigma;}}{h}_i\left(k\right)---\left(12\right)$

2、用点数之和作为除数对模糊贴近度直方图进行归一化处理：

SC_Nor[i]＝(h_i(1)/sum[i],h_i(2)/sum[i],……，h_i(K)/sum[i])(13)

3、遍历所有轮廓模糊特征识别方法点，将整个模糊贴近度矩阵进行归一化；

4、对归一化后的模糊贴近度矩阵利用χ²检测计算代价矩阵。

两个待匹配字符模糊图像最小匹配代价是指将两个模糊图像上所有的轮廓模糊特征识别方法点进行配对之后，所有点对的模糊贴近度直方图差异之和最小，模糊贴近度算法使用这个最小匹配代价度量两个模糊图像的相似程度。最小匹配代价越小说明两个模糊图像的相似度越高。在数字字符识别领域，需要计算待识别字符模糊图像和模板库中的“0”～“9”字符模板的最小匹配代价，选取最小匹配代价中的最小值的模板字符作为识别的结果。

模糊贴近度最小匹配问题是一个典型的二分图最近原理：有n件工作要分配给n个人做。第i个人做第j件工作产生的效益为C_ij。试设计一个将n件工作分配给n个人做的分配方案，使产生的总效益最大。数学的描述是：两个图集间，任意点对的连接代价已知，需要求取一个最佳的匹配方案使该方案的连接代价总和最小或者最大。该问题解法有：枚举法，神经网络法遗传算法，KM算法等。经典的KM算法和模糊贴近度算法是最为常用的解法，KM算法的复杂度为O(n⁴)。本专利选用了经典模糊贴近度算法求解两个待匹配模糊图像的最小匹配问题。

求指派问题的最优解就是要在n阶系数方阵中找到n个这样的元素：它们分布在方阵的不同行、不同列上，并且这些元素之和为最小，而要使这些元素之和为最小，就要使其中的每一个元素尽可能的小——最好这些元素都是其所在行和列上的最小元素.

模糊贴近度算法的核心原理，如果系数矩阵C＝(c_ij)一行(或一列)中每一元素都加上或减去同一个数，得到一个新矩阵B＝(b_ij)，则以C或B为系数矩阵的模数具有相同的最近原理。

由于新矩阵B＝(b_ij)中每行、每列的最小元素均为“0”，因此，求模数的最近解就转化为在新矩阵B＝(b_ij)中找出n个分布在不同行、不同列上的“0”元素(简称为独立0子空间)，这些独立0子空间就是新矩阵B＝(b_ij)的最优解，找到新矩阵的最优解也就找到原矩阵C＝(c_ij)的最优解。

要在矩阵B＝(b_ij)中找到几个分布在不同行、不同列上的“0”元素，前提首先是在矩阵B＝(b_ij)中确定存在几个这样的“0”元素。那么，如何判断在矩阵B＝(b_ij)中是否存在n个这样的独立0元素呢？D.Konig证明了这样一个定理：“覆盖所有‘0’元素的最少直线数等于矩阵中独立0元素的最多个数。”利用这一定理，就可以通过寻找“能覆盖所有0元素的最少直线”来确定矩阵B＝(b_ij)中独立0元素的具体数量。倘若矩阵B＝(b_ij)中独立0元素的数量小于矩阵的阶数n，就得继续对矩阵B＝(b_ij)进行化简，直到有了n个独立的0元素为止，找到这n个独立0元素也就找到了原指派问题的最优解.这就是模糊贴近度算法的基本思路。

利用模糊贴近度算法对公式10进行求解，得模糊贴近度最佳匹配矩阵：

M＝hungarian(C)(14)

假设p_i和q_j为一个最佳匹配点对，则M_i,j＝1。M矩阵中每行及每列有且仅有一个元素为一。本发明取最优匹配时，所有点对的匹配代价的平均值作为待识别字符与模板字符间的匹配代价。用这个平均代价作为最终两个字符相似度的度量工具。

$M\_sum+=\left\{\begin{array}{cc}{C}_{i,j},& M_{i,j}==1;\\ 0,& M_{i,j}==0;\end{array}\right.---\left(15\right)$

$counter+=\{\begin{array}{cc}1,& M_{i,j}==1;\\ 0,& M_{i,j}==0;\end{array}---\left(16\right)$

$SC\_\cos t=\frac{M\_sum}{counter}---\left(17\right)$

利用薄板样条插值变换消除畸变：摄像头在采集模糊图像时存在固有的摄像头畸变现象，另外不论是酸蚀刻度还是丝印刻度的玻璃液体温度计，使得摄像头采集到模糊图像会产生拉伸畸变。为了消除畸变对示数字符识别的不利影响，本发明对模糊贴近度算法得到的点对进行了薄板样条插值进行插值，计算待识别字符相对于模板字符的变形强度。

薄板样条插值变换是一种基于点的非线性变换方法，它通过对离散的点对进行插值获得一个曲面，模拟一个薄金属板在若干个固定点约束情况下的弯曲变形，以此获得一个形变系数数值用于衡量样条的弯曲强度。在模糊图像匹配领域通常使用薄板样条插值算法计算两个模糊图像之间的变形强度，两个模糊图像相似度越高弯曲能量越小。

在二维平面上的点集的插值变换函数通常可以用公式表示：

T(x,y)＝(f_x(x,y),f_y(x,y))(18)

其中f_x(x,y)和f_y(x,y)分别表示x和y方向的变换函数，通常变换函数形式如下：

f(x,y)＝A(x,y)+R(x,y)(19)

A(x,y)和R(x,y)分别为变换函数的线性部分和非线性部分，分别表示如下：

A(x,y)＝a₀+a₁x+a₂y(20)

$R(x,y)=\underset{i=1}{\overset{n}{\&Sigma;}}{w}_{i}g\left(r_i\right);r_i=\sqrt{{(x_i-x)}^2+{(y_i-y)}^2}---\left(21\right)$

式4中的g(r)成为插值函数的基函数，薄板样条插值的基函数为：

g(r)＝r²logr²(22)

得到薄板样条插值的插值公式为：

弯曲能量表达式如下：

$I_f=\&Integral;{\&Integral;}_{R^2}(f_{xx}^2+2f_{xy}^2+f_{yy}^2)dxdy---\left(24\right)$

假设(x_i,y_i)及(u_i,v_i)分别为原始坐标系和变换后坐标系上的约束点对，以X方向插值为例，f_x(x,y)具有平方可积的二阶导数，得出X方向上薄板样条插值的约束条件如下：

f_x(x_i,y_i)＝u_i,i＝1，2，…，n(25)

$\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i=\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i{x}_i=\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i{y}_i=0---\left(26\right)$

式25、26共有n+3个线性方程，可以解出f_x(x,y)中的n+3个变量。同理可解出Y方向的系数。

本专利中，取到的匹配点对，去除一定比例的匹配代价较大的点对进行薄板样条插值变换。取f(x,y)中代表全局仿射变换的A(x,y)的系数a₁,a₂来衡量待识别字符相对于模板字符的畸变程度。计算过程如下：

$a=\left(\begin{array}{cc}{a}_{x,1}& a_{x,2}\\ a_{y,1}& a_{y,2}\end{array}\right)---\left(27\right)$

s＝svd(a)＝(s₁,s₂)^T(28)

aff_cost＝log(s₁/s₂)(29)

从图5中可以看到，原始待识别字符的字体与模板字符差别较大，经过薄板样条变换之后的待识别字符与模板字符更加相似，可以看作待识别字符的畸变得到一定程度的消除。因此本专利对薄板样条变换之后的待识别字符再次进行模糊贴近度匹配，利用此次匹配的匹配代价作为最终的判定依据，同时薄板样条变换的畸变系数作为辅助判定依据。

实验所用模板字符如图6，待识别字符采集自送检的玻璃液体温度计，如图7，相应匹配结果如表2：

表2匹配结果

图7中四个待识别字符均存在一定程度的残缺，其中a)的字符“2”残缺较为严重，c)的字符“6”的畸变现象较为严重，d)的字符“8”存在一定的残缺，导致其与“3”“6”“9”三个字符较为相似。经过一次薄板样条变换之后再计算模糊贴近度匹配代价，取匹配代价的最小值作为匹配结果。从表2中可以看出，本发明全都正确识别出了待识别字符；d)字符的结果中，待识别字符与模板“3”、“6”、“8”、“9”的匹配代价较为接近，这是由于待识别字符残缺导致与其他字符相似造成的。

本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.玻璃温度计的检定温度字符识别方法，其特征在于，包括以下步骤：

步骤1、获取玻璃温度计的模糊图像，对模糊图像进行边缘检测；

步骤2、对边缘检测后的模糊图像进行轮廓跟踪；

步骤3、采样模糊图像的轮廓模糊特征识别方法点；

步骤4、计算所有轮廓模糊特征识别方法点对的距离分布矩阵和角度分布矩阵；

步骤5、计算出所有轮廓模糊特征识别方法点的模糊贴近度直方图，构成模糊贴近度矩阵；

步骤6、计算两个模糊图像间任意两点的模糊贴近度差异作为代价矩阵，选取最小匹配代价中的最小值的模板字符作为识别的结果。

2.根据权利要求1所述的检定温度字符识别方法，其特征在于，步骤1通过计算一阶导数局部最大值来检测模糊图像边缘，或者通过寻求二阶导数中的过零点来检测模糊图像边缘。

3.根据权利要求1所述的检定温度字符识别方法，其特征在于，步骤3包括以下步骤：

步骤31、将整个模糊图像的高度缩放到某个给定值附近；

步骤32、动态确定轮廓模糊特征识别方法点的采样数N：首先获取模糊图像的轮廓信息，获取的轮廓信息以数据链的结构储存，每一条轮廓线上的轮廓点都储存在独立的数据链上；统计出所有数据链中的元素个数以得到模糊图像的轮廓点总数M；按照一个预设的比例值x，计算出轮廓模糊特征识别方法点采样数N，N＝M*x；当M值小于预设的阈值时，则认为模糊图像的轮廓信息不足，重新获取玻璃温度计的模糊图像；

步骤33、随机抽取3N个轮廓点作为待选轮廓模糊特征识别方法点；

步骤34、剔除距离相近的待选模糊特征识别方法点：假设待选模糊特征识别方法点数为N_sample，N_sample＝3N，计算所有点之间的距离，得到一个N_sample*N_sample大小的距离矩阵，选取距离最小的一个点对，删除点对中的一个点，同时删除距离矩阵中相关的行和列；循环上述删除过程，直到剩下的模糊特征识别方法点数等于要求的采样数N，以及该N个点之间的距离矩阵D。

4.根据权利要求3所述的检定温度字符识别方法，其特征在于，步骤32所述预设比例值x为7％。

5.根据权利要求1所述的检定温度字符识别方法，其特征在于，步骤4所述距离分布矩阵是以选定的轮廓模糊特征识别方法点为极坐标圆的原点，其他轮廓模糊特征识别方法点所处圆环的标号，将圆分成了：(0,0.125R],(0.125R,0.25R],(0.25R,0.5R],(0.5R,R],(R,2R]，共五个环；所述距离分布矩阵计算方式如下：

假设轮廓模糊特征识别方法点对的距离矩阵为D，用极坐标圆的半径R做除数对D进行归一化处理，得到归一化后的距离矩阵D_Nor＝D/R，根据D_Nor矩阵中所有归一化元素值判断所处圆环的编号，得到距离分布矩阵D_Loc。

6.根据权利要求5所述的检定温度字符识别方法，其特征在于，所述归一化后的距离矩阵中的元素若大于2，则在距离分布矩阵中赋值为0。

7.根据权利要求1所述的检定温度字符识别方法，其特征在于，所述步骤6在进行代价矩阵计算前对模糊贴近度直方图进行了归一化处理：

步骤61、求取当前点p_i的模糊贴近度直方图中点数之和：

步骤62、用点数之和作为除数对模糊贴近度直方图进行归一化处理：

步骤63、遍历所有轮廓模糊特征识别方法点，将整个模糊贴近度矩阵进行归一化；

步骤64、对归一化后的模糊贴近度矩阵利用χ²检测计算代价矩阵。