一种基于SVM的数字仪表显示值识别方法
若ai>0，称相应的xi为支持向量(Support Vector)。更进一步，若OaiC，称xi为边缘(Margin)支持向量；若ai=C，称xi为偏差(Bias)支持向量。非线性支持向量机的工作原理是通过非线性变换φ(x)，将输入空间变换到一个高维空间，在这个新空间中求取最优线性分类面，并引入核函数(如RBF核函数
)计算内积。在可分的情况下求解：
找出的支持向量充分描述了整个训练数据集的特征，使得对SV集的线性分类等价于对整个数据集的分类，检测流程图如图6。所示。
1．5 实验结果与分析
实验中选取了3组典型的样本，每组样本数200个，在PC机上进行了试验，结果如表1所示。每个样本有6或5个数字，其中3或4个是表示小时和分钟，2个表示秒钟。
从表1可以看出，在二值化较好，数字清晰的情况下，识别率达到了100％，对有轻微点状噪声和轻微断痕的样本，识别率也很高，但对存在数字残缺的样本，识别率有所下降。就识别时间而言，整屏数字(6或5个数字)的识跗时间小于200 ms，明显低于仪表数字的最快变化时间1 000 ms。
2 结语
主要研究了数字式仪表的自动判读方法，为仪表盘上的仪表实现自动识别打下基础。首先对采集到的数字式仪表进行预处理，主要包括图像灰度化、二值化、噪声消除等。参考现有的数字识别算法，本文主要采用垂直投影法来分割各个字符，然后对分割后的每个字符提取分块统计特征。最后用SVM训练样本实现相应数字字符识别，最终判读出数字仪表的读数。该方法算法简单，实时性高，可靠性好，是一种比较理想且具有一定应用价值的识别算法。
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码
