本发明专利技术公开了一种彩喷SD卡光学字符验证方法及验证系统，属于数字图像处理技术领域。本发明专利技术首先基于HSV直方图特性，提出了一种快速的字符验证方法，实现了与模板图像差异较大字符的快速验证，将具有明显差异的字符快速得出识别结果，减少了下一步精密验证的计算量，有效地提升了识别效率；其次提出了一种抗光照和旋转变化的HOG特征提取方法，提高了微小旋转与光照变化字符的验证准确率；最后设计了一种中心化广义Jaccard系数，增强了距离测度的辨别力，提升了相似字符的验证精度，可广泛应用于彩喷图像质量自动检验技术中。用于彩喷图像质量自动检验技术中。用于彩喷图像质量自动检验技术中。
【技术实现步骤摘要】
一种彩喷SD卡光学字符验证方法及验证系统
[0001]本专利技术涉及一种彩喷SD卡光学字符验证方法及验证系统，属于数字图像处理
技术介绍
[0002]在SD卡的彩喷工序中，由于人为错误或设备故障导致打印的SD卡表面字符和真实型号不符，给制造商增加了高额成本，同时影响了消费者的使用体验。当前彩喷工序中普遍采用人工验证的方法，效率低、准确性易受主观因素影响。因此，需要研究一种基于机器视觉的彩喷图像质量自动检验方法代替人工目检。
[0003]光学字符验证(Optical Character Verification，OCV)是彩喷图像质量自动检验的核心环节，本质是验证待测图像与模板图像表面字符是否相同，在目标检测和计算机视觉等领域具有广泛的应用。OCV算法可以分为两类：基于深度学习的验证算法和基于匹配的验证算法。
[0004]在深度学习验证算法的研究方面，“Lin C H,Wang S H,Lin C J.Using convolutional neural networks for character verification on integrated circuit components of printed circuit boards[J].Applied Intelligence,2019,49(11):4022
‑
4032.”利用CNN中的结构和细化机制检测印刷电路板中错位、缺失和反极性零件的字符，准确率较高。“Ribeiro F D S,Caliva F,Swainson M,et al.An adaptable deep learning system for optical character verification in retail food packaging[C]//2018IEEE Conference on Evolving and Adaptive Intelligent Systems(EAIS).IEEE,2018:1
‑
8.”使用k均值聚类算法对CNN提取的特征进行聚类，使用k近邻方法结合CNN计算的质心，能够有效识别零售包装品中错误或缺失信息。虽然两种算法检测准确率较高，但是需要有大量的数据来进行训练拟合，且运算量大、解释性较弱。
[0005]在匹配验证算法的研究方面，“刘毅飞,张旭明,丁明跃.归一化互相关灰度图像匹配的多核信号处理器实现[J].计算机应用,2011,31(12):3334
‑
3336.”将检测区域分成六部分并行搜索，实现了多核归一化互相关图像匹配算法，但是对图像的灰度值变化比较敏感，鲁棒性较低。“李胜辉,史瑞芝,叶辉.结合颜色不变量和ORB特征的图像匹配算法[J].包装工程,2016,37(15):18
‑
23.”将彩色图像的颜色不变量与ORB特征结合，能够实现不同光照方向的匹配，但是该算法要求图像具有较多的特征点，局限性明显。“左川,庞春江.基于改进ORB的抗视角变换快速图像匹配算法[J].传感技术学报,2018,31(11):1714
‑
1720.”利用加速分割检测算法提取ORB特征，使用汉明距离作为相似度准则，该算法具有较强的抗视角变换能力，但是准确率不高。“刘欢,郝矿荣,丁永生,毛敏.光照鲁棒的抗模糊新组合不变矩图像匹配方法[J].传感技术学报,2013,26(09):1258
‑
1264.”提出了一种三组合Hu不变矩方法用于图像匹配，能够解决模糊噪声引起的检测准确率下降问题，但是算法依赖于提取角点信息的正确性。以上基于匹配的算法在光照变化、目标旋转或者相似度高的OCV问题中，匹配验证精度将快速下降。图1(a)为实际采集到的图像，图1(b)为SD卡结构图，图2为生
产过程中复杂多样的SD卡示意图。
技术实现思路
[0006]为了提升SD卡光学字符验证方法的效率和精确率，本专利技术提供了一种彩喷SD卡光学字符验证方法及验证系统，所述技术方案如下：
[0007]本专利技术的第一个目的在于提供一种彩喷SD卡光学字符验证方法，包括：
[0008]步骤1：将待测图像和模板图像转换到HSV颜色空间，利用巴氏系数计算模板图像和待测图像的H、S、V三通道颜色直方图相似度，若相似度值小于设定的阈值，则直接输出最终验证结果“相异”，若相似度值不小于设定的阈值，则进行步骤2继续验证；
[0009]步骤2：提取所述待测图像的V通道图像，基于所述V通道图像提取HOG特征向量；
[0010]步骤3：基于中心化广义Jaccard系数计算所述待测图像的HOG特征向量与模板图像的特征向量的相似度，并将相似度与设定的阈值比较大小，若相似度大于阈值，则输出最终验证结果为“相同”，否则输出“相异”。
[0011]可选的，所述步骤2中提取HOG特征向量的过程包括：
[0012]步骤21：将所述待测图像划分为四块检测区域，每个区域提取V通道图像V
i
进行Gamma校正；
[0013]步骤22：以3
×
3个像素为梯度提取单元，中心点p(x,y)为旋转中心，将周围8个像素依次顺时针旋转1、2、3个像素，分别计算所述梯度提取单元无旋转以及旋转3次后的水平和垂直方向梯度；
[0014]步骤23：把图像分为尺寸相同的cell和block，统计各个cell内所有梯度提取单元无旋转以及旋转3次的梯度方向直方图，并将cell的梯度方向180度分为n个被称为bin的方向块，得到4个n维的特征向量；
[0015]步骤24：将一个block内所有cell的特征向量串联组合并归一化，按照一定的步长沿着行列方向进行滑窗操作得到多个block，再计算每一个block的特征向量，并将每一个block的特征向量串联在一起，得到最终的4个HOG特征向量H
i1
、H
i2
、H
i3
、H
i4
。
[0016]可选的，所述步骤3中具体包括：
[0017]基于中心化广义Jaccard系数计算所述待测图像的4个HOG特征向量H
i1
、H
i2
、H
i3
、H
i4
与所述模板图像特征向量H
t
的相似度，选择最大的相似度与设定的阈值比较大小，若二者四个检测区域的相似度均大于阈值，则输出最终验证结果为“相同”，否则输出“相异”。
[0018]可选的，所述中心化广义Jaccard系数为：
[0019][0020]其中，为相似度值，为所述模板图像的特征向量H
t
，为所述待测图像的特征向量H
i
，x
i
和y
i
分别为H
t
和H
i
的第i个元素，和分别为H
t
和H
i
所有元素的平均值，n表示特征向量本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种彩喷SD卡光学字符验证方法，其特征在于，所述彩喷SD卡光学字符验证方法包括：步骤1：将待测图像和模板图像转换到HSV颜色空间，利用巴氏系数计算模板图像和待测图像的H、S、V三通道颜色直方图相似度，若相似度值小于设定的阈值，则直接输出最终验证结果“相异”，若相似度值不小于设定的阈值，则进行步骤2继续验证；步骤2：提取所述待测图像的V通道图像，基于所述V通道图像提取HOG特征向量；步骤3：基于中心化广义Jaccard系数计算所述待测图像的HOG特征向量与模板图像的特征向量的相似度，并将相似度与设定的阈值比较大小，若相似度大于阈值，则输出最终验证结果为“相同”，否则输出“相异”。2.根据权利要求1所述的彩喷SD卡光学字符验证方法，其特征在于，所述步骤2中提取HOG特征向量的过程包括：步骤21：将所述待测图像划分为四块检测区域，每个区域提取V通道图像V
i
进行Gamma校正；步骤22：以3
×
3个像素为梯度提取单元，中心点p(x,y)为旋转中心，将周围8个像素依次顺时针旋转1、2、3个像素，分别计算所述梯度提取单元无旋转以及旋转3次后的水平和垂直方向梯度；步骤23：把图像分为尺寸相同的cell和block，统计各个cell内所有梯度提取单元无旋转以及旋转3次的梯度方向直方图，并将cell的梯度方向180度分为n个被称为bin的方向块，得到4个n维的特征向量；步骤24：将一个block内所有cell的特征向量串联组合并归一化，按照一定的步长沿着行列方向进行滑窗操作得到多个block，再计算每一个block的特征向量，并将每一个block的特征向量串联在一起，得到最终的4个HOG特征向量H
i1
、H
i2
、H
i3
、H
i4
。3.根据权利要求2所述的彩喷SD卡光学字符验证方法，其特征在于，所述步骤3中具体包括：基于中心化广义Jaccard系数计算所述待测图像的4个HOG特征向量H
i1
、H
i2
、H
i3
、H
i4
与所述模板图像特征向量H
t
的相似度，选择最大的相似度与设定的阈值比...
【专利技术属性】
技术研发人员：吴静静，李天贺，
申请(专利权)人：江南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。