本发明涉及指针式机械水表读数领域，特别涉及一种多指针水表读数识别方法。
背景技术：
传统抄表方式通常采用入户抄表，具有入户难、效率低、人工管理成本高等缺点，为提高水表的抄表工作效率，提出了基于计算机视觉技术的水表读数辅助识别方法。
对于指针式水表，基于机器视觉技术的抄表方式通常需要经过表盘分割和提取、指针分割和提取、指针读数识别等多个环节，水表读数效率和速率同时受到表盘定位、指针分割和提取、指针识别等多个环节影响，任一环节出错都会直接影响水表最终读数准确率。
技术实现要素：
发明目的：针对以上问题，本发明目的是提供一种多指针水表读数识别方法，利用多目标匹配算法将水表与已知模板进行匹配，实现水表读数的快速、准确识别。
技术方案：本发明的一种多指针水表读数识别方法，步骤如下：
(1)根据待识别水表表盘上的子表盘制作子表盘模板，对子表盘模板按顺序进行编号，每个编号的子表盘模板对应不同读数；
(2)采集待识别水表图像，对水表图像进行预处理，将水表图像转换成二值化图像；
(3)利用多目标模板匹配算法将二值化水表图像进行多目标检测，与所有子表盘模板同时进行匹配，输出匹配到的子表盘模板读数和子表盘模板位置；
(4)确定匹配到的子表盘模板与数量级之间对应关系，对水表读数进行整合，实现水表读数识别。
进一步，所述步骤(3)多目标模板匹配算法包括：
(31)输入待识别水表表盘图像和所有子表盘模板，子表盘模板数量为n，每个子表盘模板对应一个适应度函数；
(32)设置水表表盘图像的可行解区域，在可行解区域生成个体作为初始种群，其中个体数量用s表示，设置迭代次数；
(33)按照适应度函数个数将初始种群等分成子种群，子种群数量与适应度函数个数相同，每个子种群个体数量为s/n，每个子种群根据适应值降序记录前t/n个优异个体，其中t<s；
(34)每个子种群根据各自的适应度函数选择对应的s/n个个体；
(35)进行小生境运算，在每个子种群中将步骤(34)s/n个个体和步骤(33)中的t/n个个体合并成含有(s t)/n个个体的新种群，计算每两个个体之间的欧式距离d，当d＜le时，le为预先设置阈值，比较两个个体之间适应度值大小，施加一个罚函数给适应度值小的个体，并降低适应度值；
(36)每个子种群按照步骤(35)中(s t)/n个个体的新适应度值降序排序个体，记住前s/n个个体；
(37)取步骤(36)所有子种群中的s/n个个体组成一个数量为s的种群；
(38)对种群进行交叉、变异运算得到s个个体；
(39)跳到步骤(33)，直到达到了预先设置的迭代次数，则结束运行，在非劣解中输出适应值大于设定阈值th的最优个体，将个体解码成像素坐标，得到所有子表盘的位置和读数。
进一步，所述步骤(1)中所述子表盘模板利用形态学中的膨胀运算，将细指针膨胀为覆盖相邻数字之间全部区域的粗指针。
进一步，所述步骤(31)适应度函数为：
式中，k×l为子表盘模板尺寸，图像像素点用坐标(x,y)表示，(i,j)为子表盘模板中的点坐标，该点的灰度值为w(i,j)，与该点重合的搜索图像中对应点的坐标为(x i,y j)，灰度值为γ(x i,y j)，求出相关系数为r(x,y)。
进一步，步骤(34)选择算子采用轮盘赌策略，计算子种群里所有个体的适应值总值，每个个体被选择的概率为个体适应值除以适应值总值。
进一步，步骤(38)中交叉算子采用单点交叉，随机选择一个位置ke位，0<ke<ρ,ρ为编码的长度，然后分别选择一个个体的前ke位，另一个个体的ke位后的二进制位，并组成一个新的个体。
进一步，步骤(38)中变异算子采用单点随机变异，在个体的染色体上随机选择一位，并对其值取非。
进一步，步骤(2)图像预处理包括图像尺寸调整、图像灰度化、线性灰度变换、双边滤波。
进一步，步骤(4)整合为将匹配到的子表盘模板上的读数乘以相对应的数量级。
进一步，步骤(35)欧式距离d计算方法为：
式中，(x1,y1)和(x2,y2)是个体的像素坐标。
有益效果：本发明与现有技术相比，其显著优点是：本发明将所有子表盘模板同时与待识别水表表盘进行匹配，无需将每个模板依次放进去寻找最优解，加快识别速度，同时确保了识别结果的准确性。
附图说明
图1为本发明工作流程图；
图2为子表盘模板示意图；
图3为实施例待识别水表二值化图像；
图4为多目标模板匹配算法流程图。
具体实施方式
本实施例以八指针水表为例，所述的一种多指针水表读数识别方法，图1为流程图，步骤如下：
(1)根据待识别水表表盘上的子表盘制作子表盘模板，子表盘模板数量为10个，如图2所示，对子表盘模板按顺序进行编号，编号为0～9，每个编号的子表盘模板指针在不同位置所以对应不同读数，编号为0的子表盘模板指针在数字0～1之间，编号为1的子表盘模板指针在数字1～2之间，以此类推，编号为9的子表盘模板指针在数字9～0之间；将子表盘模板利用形态学中的膨胀运算，将细指针膨胀为覆盖相邻数字之间全部区域的粗指针。
(2)采集待识别水表图像，对水表图像进行图像尺寸调整、图像灰度化、线性灰度变换、双边滤波，将水表图像转换成二值化图像，如图3所示。
(3)利用多目标模板匹配算法将二值化水表图像进行多目标检测，图4为流程图，与10个子表盘模板同时进行匹配，将匹配到的子表盘模板读数和子表盘模板位置输出。
(31)输入待识别水表表盘图像和10个子表盘模板，子表盘模板数量为n为10，水表图像高400，宽为320，子表盘模板高40，宽32，这个模板的可行解区域为1≤x≤400-40，1≤y≤320-32，每个子表盘模板对应一个适应度函数，10个子表盘模板对应10个适应度函数；
适应度函数为：
式中，k×l为子表盘模板尺寸，图像像素点用坐标(x,y)表示，(i,j)为子表盘模板中的点坐标，该点的灰度值为w(i,j)，与该点重合的搜索图像中对应点的坐标为(x i,y j)，灰度值为γ(x i,y j)，求出相关系数为r(x,y)。
(32)设置水表表盘图像的可行解区域，在可行解区域生成个体作为初始种群，个体用图像像素点所在坐标(x,y)表示，个体编码为ρ位二进制串，前ρ/2位为横坐标x的二进制表示，后ρ/2位为纵坐标y的二进制表示，比如[(20,60)(54,65)，…，(87,95)]，随机生成共100个，每个个体代表一个像素的坐标，编码是24位二进制串表示，如像素点坐标(125,68)实际编码为：00000111110000010100100，125是前12位，68是后12位，设置迭代次数为50次。
(33)按照适应度函数个数将初始种群等分成子种群，子种群数量与适应度函数个数相同，10个适应度函数生成10个子种群，每个子种群根据适应值降序记录前3个优异个体。
(34)在每个子种群里进行选择操作，每个个体根据子种群对应的适应度函数求每个个体的适应值，比如[(20，60)，(54，65)…(7，95)]计算出来的适应值为[0.8，0.9，…，0.99]，选择操作为选适应值大的个体，策略式是轮盘赌操作，适应值是0.99的那个个体更容易留下来。
(35)进行小生境运算，在每个子种群中将步骤(34)10个个体和步骤(33)中的3个个体合并成含有13个个体的新种群，计算每两个个体之间的欧式距离d；当d＜8时，比较其适应度值大小，施加一个罚函数0.5给适应度值小的个体，在原适应值上减去0.5从而降低其适应度；
欧式距离d计算方法为：
式中，(x1,y1)和(x2,y2)是个体的像素坐标。
(36)每个子种群按照步骤(35)中13个个体的新适应度值降序排序个体，记住前10个个体。
(37)取步骤(36)所有子种群中的10个个体组成一个数量为100的种群。
(38)对种群进行交叉、变异运算得到100个个体；交叉算子采用单点交叉，比如00000111110000010100100和111111111111000000000000截取个体的前12位和后12位组成新个体000001111100000000000000，变异就某个个体二进制位随机1变0或0变1，比如000001111100000101001000第一位变为1，个体变异为10000111110000010100100。
(39)执行步骤(33)，循环50次结束运行，在非劣解中输出适应值大于设定阈值0.95的最优个体，将个体解码成像素坐标，得到所有子表盘的位置，如果在第一个小种群里找到的话，他就是0号模板在图像上的最优解，即对应位置的子表盘读数为0，得到读数。
(4)确定匹配到的子表盘模板与数量级之间对应关系，对水表读数进行整合，将匹配到的子表盘模板上的读数乘以相对应的数量级，实现水表读数识别。
1.一种多指针水表读数识别方法，其特征在于，步骤如下：
(1)根据待识别水表表盘上的子表盘制作子表盘模板，对子表盘模板按顺序进行编号，每个编号的子表盘模板对应不同读数；
(2)采集待识别水表图像，对水表图像进行预处理，将水表图像转换成二值化图像；
(3)利用多目标模板匹配算法将二值化水表图像进行多目标检测，与所有子表盘模板同时进行匹配，输出匹配到的子表盘模板读数和子表盘模板位置；
(4)确定匹配到的子表盘模板与数量级之间对应关系，对水表读数进行整合，实现水表读数识别。
2.根据权利要求1所述的多指针水表读数识别方法，其特征在于，所述步骤(3)多目标模板匹配算法包括：
(31)输入待识别水表表盘图像和所有子表盘模板，子表盘模板数量为n，每个子表盘模板对应一个适应度函数；
(32)设置水表表盘图像的可行解区域，在可行解区域生成个体作为初始种群，其中个体数量用s表示，设置迭代次数；
(33)按照适应度函数个数将初始种群等分成子种群，子种群数量与适应度函数个数相同，每个子种群个体数量为s/n，每个子种群根据适应值降序记录前t/n个优异个体，其中t<s；
(34)每个子种群根据各自的适应度函数选择对应的s/n个个体；
(35)进行小生境运算，在每个子种群中将步骤(34)s/n个个体和步骤(33)中的t/n个个体合并成含有(s t)/n个个体的新种群，计算每两个个体之间的欧式距离d，当d＜le时，le为预先设置阈值，比较两个个体之间适应度值大小，施加一个罚函数给适应度值小的个体，并降低适应度值；
(36)每个子种群按照步骤(35)中(s t)/n个个体的新适应度值降序排序个体，记住前s/n个个体；
(37)取步骤(36)所有子种群中的s/n个个体组成一个数量为s的种群；
(38)对种群进行交叉、变异运算得到s个个体；
(39)跳到步骤(33)，直到达到了预先设置的迭代次数，则结束运行，在非劣解中输出适应值大于设定阈值th的最优个体，将个体解码成像素坐标，得到所有子表盘的位置和读数。
3.根据权利要求2所述的多指针水表读数识别方法，其特征在于，所述步骤(1)中所述子表盘模板利用形态学中的膨胀运算，将细指针膨胀为覆盖相邻数字之间全部区域的粗指针。
4.根据权利要求3所述的多指针水表读数识别方法，其特征在于，所述步骤(31)适应度函数为：
式中，k×l为子表盘模板尺寸，图像像素点用坐标(x,y)表示，(i,j)为子表盘模板中的点坐标，该点的灰度值为w(i,j)，与该点重合的搜索图像中对应点的坐标为(x i,y j)，灰度值为γ(x i,y j)，求出相关系数为r(x,y)。
5.根据权利要求4所述的多指针水表读数识别方法，其特征在于，步骤(34)选择算子采用轮盘赌策略，计算子种群里所有个体的适应值总值，每个个体被选择的概率为个体适应值除以适应值总值。
6.根据权利要求5所述的多指针水表读数识别方法，其特征在于，步骤(38)中交叉算子采用单点交叉，随机选择一个位置ke位，0<ke<ρ,ρ为编码的长度，然后分别选择一个个体的前ke位，另一个个体的ke位后的二进制位，并组成一个新的个体。
7.根据权利要求6所述的多指针水表读数识别方法，其特征在于，步骤(38)中变异算子采用单点随机变异，在个体的染色体上随机选择一位，并对其值取非。
8.根据权利要求1所述的多指针水表读数识别方法，其特征在于，步骤(2)图像预处理包括图像尺寸调整、图像灰度化、线性灰度变换、双边滤波。
9.根据权利要求1所述的多指针水表读数识别方法，其特征在于，步骤(4)整合为将匹配到的子表盘模板上的读数乘以相对应的数量级。
10.根据权利要求1所述的多指针水表读数识别方法，其特征在于，步骤(35)欧式距离d计算方法为：
式中，(x1,y1)和(x2,y2)是个体的像素坐标。
技术总结