基于支持向量机的轮胎标识点形状识别

王 勇， 郭 慧

（华东理工大学机械与动力工程学院，上海 200237）

基于支持向量机的轮胎标识点形状识别

王 勇， 郭 慧

（华东理工大学机械与动力工程学院，上海 200237）

轮胎标识点在轮胎分类中发挥着重要的作用，为了解决人工识别标识点工作强度大、误差较高等问题，提出了一种基于支持向量机的轮胎标识点形状识别算法。首先利用中值滤波对标识点图像进行降噪处理，根据标识点图像的灰度直方图对图像进行分割以去除背景，并利用 Canny边缘检测算子提取标识点边缘轮廓。然后，提取标识点轮廓的傅立叶描述子系数，最后利用支持向量机对标识点的傅立叶描述子系数进行分类以识别标识点的形状。实验结果表明，该算法能准确地识别出轮胎标识点的形状，提高了标识点识别效率。

支持向量机；标识点；傅立叶描述子；形状识别

在轮胎制造过程中，轮胎的侧面会打印上不同形状标识点，这些标识点用于轮胎的入库分类。然而，在标识点的识别过程中大多数轮胎生产厂家仍旧采用人工识别的方法。这种标识点识别方法不仅工作强度大而且效率低、易出现错检现象[1]。

随着人工智能算法和数字图像处理技术的不断发展，有很多现代技术已应用于工业生产制造过程中。Franci等[2]利用机器视觉技术对焊接电路板进行自动检测。Nashat等[3]利用支持向量机算法设计了一种在线检测生产线上饼干颜色的方法。Li等[4]设计了一种自动分拣棉绒中杂质物的方法。这些应用人工智能算法设计的工业生产方法，不仅提高了工业生产效率还极大地节省了人力资源。然而，将人工智能算法应用于轮胎标识点形状识别的应用实例较少。

为了能够更加有效地识别轮胎标识点，本文提出了一种基于支持向量机的轮胎标识点形状识别算法。该算法主要包括标识点图像的去噪、基于灰度直方图的图像分割、利用Canny边缘检测算子提取标识点轮廓、提取轮廓傅立叶描述子系数以及利用支持向量机对傅立叶描述子系数进行分类以识别标识点形状。

1 轮胎标识点形状识别方法

1.1 图像去噪

轮胎标识点图像是通过CCD摄像机获取的，而在CCD摄像机电子线路传输图像的过程中会在图像中引入噪声[5]。噪声会降低图像的质量，同时对于接下来的图像分割和边缘检测都会产生不利影响。中值滤波器是一种非线性滤波技术，该种滤波器能够在滤去噪声的同时保护图像边缘信息不受破坏。中值滤波的基本原理是把图像像素点划分为多个P×P的小方格（P为奇数），方格中心像素是降噪的对象，通过公式1计算出方格的像素中值并替换掉中心像素。

图1为摄像机获取的一幅原始轮胎标识点图像和其灰度直方图，图2 为利用中值滤波降噪处理后的图像及其灰度直方图。通过对比不难发现经降噪处理后图像的灰度分布变得均匀，这为后续的图像处理奠定了基础。

图1 原始图像及其灰度直方图

图2 中值滤波后的图像及其灰度直方图

1.2 图像分割

为了能够把轮胎标识点从图像背景中分割出来，本文采用基于灰度直方图的阈值分割方法（图3）。该图像分割方法，是通过分析图像的灰度直方图的峰值点来选取最佳阈值，从而将目标区域从背景中分割出来[6]。如果图像的灰度直方图只有两个峰值，那么分割阈值为两个峰值之间的最小峰值处的灰度值。如果图像的灰度直方图中含有多个峰值，那么分割阈值设置在两个最为凸出的峰值之间。

图3(c)为基于灰度直方图的圆形轮胎标识点分割结果。该标识点的灰度直方图中只有两个峰值，由此可知灰度值205为最佳分割阈值。灰度值小于205的为背景，灰度值大于205的为标识点。

图3 基于灰度直方图的圆形轮胎标识点分割结果

1.3 边缘检测

边缘检测的目的是将分割好的图像中目标的形状轮廓提取出来。本文采用Canny边缘检测算子进行轮胎标识点轮廓提取，Canny边缘检测算子是一类最优秀的边缘检测算子。因为Canny边缘检测算子具有低误判率、高定位精度以及抑制虚假边缘的特点，其在许多图像处理领域得到广泛应用。图4为利用Canny边缘检测算子检测圆形轮胎标识点的结果。

图4 圆形标识点Canny边缘检测结果

1.4 傅立叶描述子的形状表示

1.4.1 傅立叶描述子

在1.3中已经提取了标识点的轮廓信息，为了描述轮胎标识点的形状，可采用傅立叶描述子对标识点形状进行定量表示[7-8]。采用傅立叶描述子的优点是可将二维问题简化为一维问题。在1.3中提取的标识点轮廓是由K个点组成的边界，任取一个起始点 (x0,y0)，然后沿着顺时针方向绕一周，便可以得到一个点序列：( x0,y0), (x1,y1),…, (xK-1,yK-1)。用复数形式可表示为式2。

s( k)的离散傅立叶变换为：

其中，傅立叶系数 S (u)可称为边界的傅立叶描述子，它的傅立叶逆变换为：

傅立叶变换的高频分量对应一些细节，而低频分量对应基本形状，因而只利用 S (u)的前 7个系数来描述标识点的基本形状即可。

由于傅立叶描述符与形状的尺度、方向、曲线的起点位置有关，为了能够识别具有旋转、平移等变化的标识点形状，需要对傅立叶描述符进行归一化。用傅立叶系数描述形状时，系数幅值具有旋转不变性和平移不变形性（其中， S (0)不具有平移不变性），并且与曲线起点的选择无关。相位信息arg(S (k )),k = 0,1··,K具有尺度不变性。

1.4.2 提取傅立叶描述子系数

本文采用一种快速傅立叶转换算法来提取标识点轮廓的7个傅立叶系数[9]。图4为圆形标识点的 Canny边缘检测的轮廓图，应用文献[9]的算法结合公式(4)提取其傅立叶描述子系数如表1所示。

表1 圆形标识点傅立叶描述子系数

1.5 标识点形状识别

1.5.1 支持向量机

支持向量机是由 Vapnik等 提出的一类非常优秀的学习算法，其基本原理是在给定的两类数据之间建立最优分类线来区分两类数据。所谓最优分类线，就是要求分类线不但能将两类数据分开，还要使得分类间隔最大。对于线性可分的情况，假设有M个轮胎标识点形状样本，每个样本的傅立叶描述子系数用向量 hi(i= 1,2··,M)表示。且 M 个样本对应两种不同的标识点形状两类线性可分样本集合为：[10]其线性分类方程如公式(5)所示：

其中，ω为最优分类线的法线，b是分类阈值，b必须满足如式(6)的约束条件。

如果线性可分方程f(hi)＞0，则输入的样本属于种类 yi=+1。反之属于种类 yi=-1。

对于线性不可分的情况，利用适当的核函数k (hi,hj)，将输入向量 hi映射到高维特征空间H。通过在特征空间寻找最优分类面来获取理想的分类效果。设有非线性映射 Φ:Rd→H，将输入空间的数据样本映射到高维特征空间。

1.5.2 标识点形状识别

由于标准支持向量机适用于两类分类问题，而本文中的轮胎标识点形状有圆形、正方形、十字形和正菱形4种类型。因此，利用标准支持向量机并不能对标识点进行有效识别。国内外很多学者，对现有的二类分类支持向量机进行了优化改进。设计出适用于多类别分类问题的支持向量机算法。其中，较为常用的有“一对多”[10]、“一对一”[11]、“有向无环图支持向量机”[12]以及“二叉树支持向量机”[13]等分类算法，可有效解决多类支持向量机分类问题。本文利用文献[12]提出的多类别支持向量机分类算法，实现了多种形状轮胎标识点分类问题。该算法通过在N类样本中建立 N (N-1)/2个样本分类器，并利用这N (N-1)/2个样本分类器对每类样本进行“淘汰”测试，以识别出样本种类。对于本文中的4种标识点形状需要建立 6个样本分类器进行形状识别，其分类示意图如图5所示。

图5 4种轮胎标识点分类示意图

2 应用实例

为了验证本文提出算法的有效性，利用采集到的600幅汽车轮胎标识点图像进行实验。在对多类支持向量机分类器进行训练时，随机选取400幅标识点图像作为训练样本，并保证每类标识点有100个样本，其余的200幅图像作为测试样本来验证算法的有效性。基于支持向量机的轮胎标识点形状识别算法的基本流程图如图6所示。

图6 轮胎标识点形状识别算法流程图

2.1 标识点形状提取

首先将获取的轮胎标识点图像利用中值滤波进行降噪处理，然后基于灰度直方图对去噪后的图像进行分割，最后利用Canny算子提取分割后图像边缘轮廓。表2为经图像处理后4种标识点图像的典型实例。

2.2 标识点形状识别

在利用多类支持向量机进行形状识别之前，先要利用文献[9]快速傅立叶转换算法和公式(4)提取 2.1中的标识点形状傅立叶描述子系数。表2中的4种标识点的傅立叶描述子系数如表3所示。

表2 4种标识点形状提取效果图

表3 4种标识点形状傅立叶描述子系数示例

在提取完所有样本的傅立叶描述子系数后，把随机抽取的包含4种形状的400个样本的傅立叶描述子系数作为训练集对多类支持向量机进行训练。为了提高轮胎标识点形状识别的准确率，在实验过程中分别将3种不同类型的核函数应用于多类支持向量机的形状分类。实验采用LIBSVM软件包[14]在MATLAB6.5环境下进行。实验在选择支持向量机的正则参数时，采用了较为常用的交叉验证(CV)方法，该方法可有效避免“过学习”和“欠学习”现象的发生。本文采用K- CV（一般地，K取10）方法对支持向量机形状识别器中的多项式核函数的参数b和d，径向基函数的方差σ以及惩罚系数C进行评估。K- CV方法将训练集平均分成K组，每个子集数据分别作为验证集进行测试，其余K-1个子集数据作为训练集。对于多项式核函数的待评估参数b和d的取值范围均设定为径向基函数的待评估的模型参数方差σ取值范围设定为惩罚系数C的取值范围设定为。经过交叉验证最终确定多项式核函数的参数 b=2.0；d=2，径向基函数的方差σ =0.5，惩罚系数C=5。实验结果表明，在训练样本数量相同且训练精度均为100%的条件下，3种不同的核函数构造的支持向量机形状分类器中，径向基函数构造的形状分类器识别准确率最高满足工业要求。实验结果如表4所示。

表4 3种不同形状识别器的识别准确率

3 结 束 语

针对人工识别轮胎标识点形状效率低的问题，本文提出了一种基于支持向量机的轮胎标识点形状识别算法。通过对获取的标识点图像进行中值滤波降噪、基于灰度直方图图像分割、Canny边缘检测和提取标识点轮廓的傅立叶描述子系数处理后。把标识点轮廓的傅立叶描述子系数作为输入，利用基于径向基函数的多类支持向量机形状分类器获得较高的标识点形状识别准确率，提高了轮胎标识点识别效率。

[1] Wu Zong. The Application automatic recognition technology into tyre industry [J]. Tyre Industry, 2002, 22: 760-763.

[2] Franci L, Rok B, Franjo P, Kovacic S. Machine vision system for inspecting electric plates [J]. Computers in Industry, 2002, 47(1): 113-122.

[3] Nashat S, Abdullah A, Aramvith S, Abdullah M Z. Support vector machine approach to real-time inspection of biscuits on moving conveyor belt [J]. Computer and Electronics in Agriculture, 2011, 75(1): 147-158.

[4] Li Daoliang, Yang Wenzhu, Wang Sile. Classification of foreign fibers in cotton lint using machine vision and multi-class support vector machine [J]. Computer and Electronics in Agriculture, 2010, 74(2): 274-279.

[5] Aboshosha A, Hassan M, Ashour M, Ei Mashade M. Image denoising based on spatial filters, an analytical study [C]//Proceedings of the International Conference on Computer Engineering and Systems, 2009: 245-250.

[6] Otsu N. A threshold selection method from gray-level histograms [J]. IEEE Transactions on Systems Man and Cybernetics, 1979, 9(1): 62-66.

[7] Persoon Z, Fu K S. Shape discriminating using Fourier descriptors [J]. IEEE Trans on PAMI, 1986, 8: 388-397.

[8] Zahn C T, Roskies R Z. Fourier descriptors for shape closed curves [J]. IEEE Trans on Computer, 1972, 21: 269-278.

[9] Han Y J, Feng Y, Weller C L. Frequency domain image analysis for detecting stress cracks in corn kernels [J]. Transactions of the ASAE, 1996, 12(4): 487-492.

[10] Vapnik V. Statistical learning theory [M]. New York: John Wiley and Sons, 1998.

[11] Krebel U H G. Pairwise classification and support vector machines [M]. Cambridge: MIT Press, 1999.

[12] Platt J C, Christrani N, Shawe T J. Large margin DAGs for multiclass classification [C]//Proceedings of Neural Information Processing Systems, 2000: 547-553.

[13] Wang Anna, Liu Junfang, Wang Hao, Tao Ran. A novel fault diagnosis of analog circuit algorithm based on incomplete wavelet packet transform and improved balanced binary-tree SVMs [C]// Proceeding of Bio-inspired Computational Intelligence and Applications LNCS 4688, New York, USA: 2007: 482-493.

[14] Chang C C, Lin C J. LIBSVM: a library for support vector machines [J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3):1-27.

The Shape Recognition of Tyre Marking Points Based on Support Vector Machine

Wang Yong, Guo Hui
(School of Mechanical and Power Engineering, East China University of Science and Technology, Shanghai 200237, China)

The tyre marking points play an important role in the tyre classification. However, manual recognition is laborious and is easily influenced by physiological factors. A method of shape recognition of tyre marking points based on Support Vector Machine(SVM) is proposed in this paper. Firstly, the image of tyre marking points will be denoised by median filter and segmented based on the gray level histogram. Then the edge of tyre marking points will be detected by Canny algorithm, and the detected edge will be represented by Fourier transform. Lastly, those Fourier coefficients will be used as input to SVM classifier for distinguishing shapes of tyre marking points. The experimental results show that the proposed method can achieve high correct shape recognition rate and improve the efficiency of recognition of tyre marking points.

support vector machine; tyre marking points; Fourier descriptors; shape recognition

TP 391

A

2095-302X (2014)02-0274-06

2013-09-16；定稿日期：2014-01-08

王 勇（1988-），男，山东临沂人，硕士研究生。主要研究方向为机械设计及理论、机器视觉。E-mail：wangecust@163.com

郭 慧（1964-），女，江西赣州人，副教授。主要研究方向为计算机图形学、逆向工程。E-mail：ghcad@163.com