基于协同稀疏表示的仪器仪表识别方法

国家电网陕西省电力公司检修公司　李小刚山东鲁能智能技术有限公司　周　昊国家电网陕西省电力公司检修公司　谭敏戈　任　海国家电网宁夏省电力公司检修公司　李君宏国家电网陕西省电力公司检修公司　张　辉山东鲁能智能技术有限公司　房　桦



基于协同稀疏表示的仪器仪表识别方法

国家电网陕西省电力公司检修公司李小刚
山东鲁能智能技术有限公司周昊
国家电网陕西省电力公司检修公司谭敏戈任海
国家电网宁夏省电力公司检修公司李君宏
国家电网陕西省电力公司检修公司张辉
山东鲁能智能技术有限公司房桦

【摘要】工业仪器仪表识别工作是工业自动化领域的一个重要项目内容，目前常见的识别方法主要有特征点匹配和模板逐像素比对(模板匹配)，在实际应用中因仪表的种类繁多、场景复杂多变造成识别错误，误差较大；因此引入人脸识别领域中识别率较好的协同稀疏表示分类方法，而协同稀疏表示分类方法相比传统稀疏表示分类方式，其速度得到大大提高并继承了稀疏表示分类效果好的特点，经实验证明该方法能够有效提高仪表的识别正确率。

【关键词】仪表识别；稀疏表示；协同稀疏表示；模板匹配；特征点匹配

0　引言

机械仪表相比电子仪表具有准确性高、耐用性好、适用条件广的特点，被广泛应用于室外的检测场景。这导致相关工作人员需要利用人眼去现场进行仪表的巡查记录，耗时耗力，并且在一些特殊天气会导致巡检困难，随着工业自动化的发展，更多的计算机技术被利用到更多行业，其中数字图像处理对于仪器仪表的自动巡检工作有着重大的推动作用。由此原先机器视觉领域中的算法被应用到工业巡检的方案中。

在仪器仪表的识别问题上，应用最广泛的是逐像素模板匹配方法，该方法采用模板与现场图像进行逐像素的比对后得到一个最相似的区域，从而识别并定位出仪表[1]；另一个方式是采用特征点匹配的方式，首先对现场图像和模板图像的特征点进行计算并统计，分别对两组特征点进行匹配计算，最终得出最匹配的特征点集，继而识别出途中的仪表。两种方式在实际应用中的正确率不高，对于此引入了人脸识别领域中的协同稀疏表示方法[2][3][4][5]对仪表进行识别，经实验证明该方法相比前两种方法正确率更高。

1　稀疏表示

稀疏表示理论是基于压缩感知理论演变而来，核心思想是假设信号具有一定的稀疏性，然后利用L1范数求解该信号的稀疏表示系数。根据研究发现对于高维空间中信号的分布特点，其信号的稀疏性假设仍然成立，因此该理论非常适合对高维数据进行分类，有效地优化改进传统统计学理论。同时稀疏表示表现出来的良好的可扩展性使研究者将其引入人脸识别领域，并取得了不错的效果。Jhon Wright和Yi Ma在2009年将稀疏表示的思路应用于人脸识别领域，并提出了基于该思路的一种分类器框架，即SRC(sparse representation-based classifier)[6]。稀疏表示分类主要内容是：将一个信号用多个基础信号对其进行线性的表示，该线性组合包含了信号的绝大部分信息，即从一个“字典”中选择某些基础信号来对输入信号进行线性表示。其扩展到人脸识别领域，“字典”就是所有训练样本的集合，在每一类的训练样本充足的情况下，那么某个待测样本就可以用存于“字典”内的与待测样本同类的训练样本进行线性表示。

将算法推广到仪表识别领域可改写为：假设共有K类仪表参与了训练，读取每一个样本图像的二维信息并进行处理后，将二维图像转化为一维的列向量形式。将第i类所有训练样本图像经拉伸处理组成矩阵的形式，就得到了下式：

由于测试样本y所属类别应该是未知的，因此在对其进行稀疏表示时，需要将所有训练样本集合到一起，构成整体训练样本的训练字典：

2　协同稀疏表示

以上认为字典A是过完备的。而实际研究中经常会碰到的情况是样本不多，人脸识别是一种典型的小样本尺寸问题，更多的时候，构造的字典A是欠过完备的。如果用A来表示样本y，可能会出现误差。一个最简单的解决方式是增加训练样本数量，利用更多的相关类别的样本来表示y。但是很多时候样本无法再次采集获得，对于属于i类的测试样本能够收到j类的一些样本在识别上的协助表示。这样就能够在稀疏表示的基础上利用其他类的训练样本来协助相关类的训练样本来稀疏表示测试样本[7]。换而言之，所有样本构成的字典能够在L1范数和稀疏约束条件下协同地线性表示测试样本y。CRC(基于协同稀疏表示分类)方法过程如下：

(1)输入数据：训练样本矩阵A，待测试样本y。

(2)使用主成分分析(PCA)方法将A和y降低到低维特征区间，得到和。

(3)利用单位L2范数约束标准化以及的列。

(5)计算正则化残差：

分别对正负测试样本进行以上两种方法的分类结果如图1所示。

图1　稀疏表示分类和协同稀疏表示分类结果对比

从图1可以看出协同稀疏表示分类方法相比稀疏表示分类方法，速度上提升了4倍左右，并且保留了稀疏表示分类的高正确率特点。

3　实验和结论

利用上述方法训练得到的分类器，结合逐像素匹配的算法思想，便能够在图像中找到最接近模板图像的区域并进行分类。文章共采集了如图1、图2所示包含正负训练样本和测试样本在内的共280张图片进行了测试。

图2　部分训练正样本

图3　部分训练负样本

测试过程是将所有样本按照仪表类型进行分为11类，从每一类中选取5张作为正测试样本，5张作为负测试样本，其余作为训练样本，分别对每一类测试样本进行特征点匹配、传统逐像素模板匹配、稀疏表示匹配和协同稀疏表示匹配，将得到的结果进行统计计算得到正确率如下表所示：

表1　实验结果

从表1结果可以看到，结合了逐像素匹配的思路对模板图像和测试图片进行匹配能够准备地定位仪表，正确率优于传统的模板匹配和特征点匹配方法，并且在匹配的同时利用稀疏表示的分类功能可以正确地对图像进行分类。

参考文献

[1]戴亚文,王三武,王晓良.基于灰度信息的多特征模板匹配法[J].电测与仪表,2004,41(4):56-58.

[2]金一.人脸识别中的若干算法研究[D].北京交通大学,2009.

[3]李志星.基于图像特征的稀疏表示人脸识别算法研究[D].燕山大学,2012.

[4]谢丽欣,牟会,王欢,刘明霞.基于计算机视觉的人脸检测与识别综述[J].计算机安全,2010,01:65-69.

[5]房桦,明志强,周云峰,等.一种适用于变电站巡检机器人的仪表识别算法[J].自动化与仪表,2013,28(5):10-14.

[6]J.Wright,A.Y.Yang,A.Ganesh,et al.Robust face recognition via sparse representation[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2009,31(2):210-227.

[7]Zhang Lei,Yang Meng,Feng Xiangchu.Sparse Representation or Collaborative Representation:Which Helps Face Recognition?. ICCV,Barcelona Spain,2011.

李小刚（1972—），男，大学本科，工程师，主要研究方向为变电设备运维检修技术及智能在线监测系统应用。

周昊（1989—），男，通讯作者，硕士研究生，初级工程师，主要研究方向为数字图像处理。

谭敏戈（1978—），男，大学本科，工程师，主要研究方向为输电线路工程。

作者简介：