本發(fā)明屬于圖像處理與模式識(shí)別領(lǐng)域，涉及一種數(shù)字儀表讀數(shù)圖像識(shí)別方法。

背景技術(shù)：

LED數(shù)碼表作為一種新型數(shù)顯測(cè)量?jī)x器，由于其低功耗、壽命長(zhǎng)、體積小及讀數(shù)精準(zhǔn)等諸多優(yōu)點(diǎn)，被廣泛應(yīng)用于化工、機(jī)械、電子、金融、電力等行業(yè)，如電網(wǎng)中的數(shù)字壓力表、數(shù)字型電流表、數(shù)字型溫度表等。傳統(tǒng)的LED數(shù)碼表讀數(shù)需要人工肉眼識(shí)別，該方法繁瑣、效率低下、勞動(dòng)強(qiáng)度大，而且某些高危環(huán)境并不適宜人工作業(yè)，這就使得利用圖像處理與模式識(shí)別算法自動(dòng)識(shí)別LED數(shù)碼表讀數(shù)具有重要的實(shí)用價(jià)值。

LED數(shù)碼表讀數(shù)識(shí)別具體包括0～9數(shù)字、小數(shù)點(diǎn)、正負(fù)號(hào)的識(shí)別，可能還包括一些特殊字母的識(shí)別等。

專利申請(qǐng)?zhí)枮?01510920430.X，名為《一種基于交點(diǎn)特征提取的數(shù)字識(shí)別方法》的中國(guó)專利申請(qǐng)，首先對(duì)LED數(shù)碼進(jìn)行字符分割，得到LED數(shù)碼表二值圖；其次利用兩條水平線在數(shù)碼表二值圖像的3/4與1/4處，從左至右進(jìn)行掃描，分別記錄像素的變換次數(shù)；再其次利用一條垂直線在數(shù)碼表二值圖像的1/2處，從上至下進(jìn)行列掃描，記錄像素的變換次數(shù)；最后將行列像素變換次數(shù)與標(biāo)準(zhǔn)數(shù)字的變換次數(shù)進(jìn)行比較，根據(jù)一定的邏輯策略進(jìn)行數(shù)字判別。該方法依賴于LED二值圖提取的準(zhǔn)確度，如果二值圖像存在多余的孔洞或者存在團(tuán)塊斷裂，則識(shí)別率會(huì)大大降低，另外，該方法只針對(duì)數(shù)字0～9的識(shí)別，而沒(méi)有涉及小數(shù)點(diǎn)與正負(fù)號(hào)的識(shí)別。

專利申請(qǐng)?zhí)枮?01410216754.0，名為《基于視覺(jué)的數(shù)字儀表識(shí)別系統(tǒng)及其識(shí)別方法》的中國(guó)專利申請(qǐng)，公開(kāi)了一種七段數(shù)碼管數(shù)字儀表識(shí)別方法，首先根據(jù)二值圖像的投影直方圖進(jìn)行數(shù)字與小數(shù)點(diǎn)分割并進(jìn)行傾斜矯正，然后根據(jù)七段數(shù)碼管的結(jié)構(gòu)特征進(jìn)行特征掃描；最后采用BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行字符識(shí)別并根據(jù)圖像尺寸大小進(jìn)行團(tuán)塊小數(shù)點(diǎn)辨識(shí)。實(shí)際情中的光線變化、表盤(pán)雜質(zhì)等因素將影響二值圖像的提取，進(jìn)而影響數(shù)碼管的特征描述，使得識(shí)別率下降；另一方面，根據(jù)圖像尺寸與小數(shù)點(diǎn)團(tuán)塊大小來(lái)叛變小數(shù)點(diǎn)的方法不能從本質(zhì)上描述小數(shù)點(diǎn)的特征，缺乏一定的魯棒性。

現(xiàn)有的識(shí)別方法更多的是針對(duì)0～9數(shù)字識(shí)別，而忽略了正負(fù)號(hào)及小數(shù)點(diǎn)的識(shí)別，LED數(shù)碼表任意符號(hào)位的錯(cuò)誤識(shí)別都是不能接受的，這就要求圖像識(shí)別算法對(duì)不同符號(hào)的識(shí)別都必須具有高準(zhǔn)確度、高魯棒性。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供一種數(shù)字儀表讀數(shù)圖像識(shí)別方法，本發(fā)明具有高準(zhǔn)確度、高魯棒性，對(duì)0～9數(shù)字、正負(fù)號(hào)及小數(shù)點(diǎn)都具有很高的準(zhǔn)確度。

本發(fā)明提供的數(shù)字儀表讀數(shù)圖像識(shí)別方法，包括以下步驟：

(1)根據(jù)事先標(biāo)定的數(shù)字儀表圖像，使用模板匹配方法在全景圖像中提取感興趣區(qū)域，再根據(jù)標(biāo)定字符的相對(duì)位置關(guān)系提取感興趣區(qū)域中的單個(gè)字符區(qū)域和小數(shù)點(diǎn)待檢測(cè)區(qū)域；

(2)在單個(gè)字符區(qū)域，利用事先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)字符模型進(jìn)行單個(gè)字符識(shí)別；

(3)在小數(shù)點(diǎn)待檢測(cè)區(qū)域，利用事先訓(xùn)練好的基于分塊LBP編碼特征及Adaboost分類器的Cascade目標(biāo)檢測(cè)子進(jìn)行小數(shù)點(diǎn)檢測(cè)；

(4)根據(jù)字符、小數(shù)點(diǎn)及正負(fù)號(hào)識(shí)別結(jié)果獲取讀數(shù)。

所述步驟(1)中，根據(jù)事先標(biāo)定的數(shù)字儀表圖像，使用模板匹配方法在全景圖像中提取感興趣區(qū)域是指，利用標(biāo)定的數(shù)字儀表圖像模板在全景圖中進(jìn)行數(shù)字儀表圖像定位，數(shù)字儀表圖像的標(biāo)定具體包括：

選擇數(shù)字儀表的感興趣區(qū)域，設(shè)感興趣區(qū)域圖像為I_c，設(shè)中心像素點(diǎn)坐標(biāo)點(diǎn)為p(x₀,y₀)；其次以直線標(biāo)定數(shù)字儀表上/下邊界，直線段左右兩個(gè)端點(diǎn)分別記為p₁(x₁,y₁)與p₂(x₂,y₂)，則直線段p₁p₂與x的轉(zhuǎn)角表示為

以中心點(diǎn)p(x₀,y₀)為原點(diǎn)，轉(zhuǎn)角為θ的旋轉(zhuǎn)矩陣表示為

再根據(jù)旋轉(zhuǎn)矩陣及中心點(diǎn)將數(shù)字儀表旋轉(zhuǎn)到水平方向，記旋轉(zhuǎn)后的圖像I_c′。

所述步驟(1)中，根據(jù)標(biāo)定字符的相對(duì)位置關(guān)系提取感興趣區(qū)域中的單個(gè)字符區(qū)域是指，根據(jù)事先標(biāo)定的數(shù)字儀表圖像單個(gè)字符的相對(duì)位置關(guān)系獲取待識(shí)別圖像中單個(gè)字符的位置，字符的標(biāo)定具體包括：

對(duì)旋轉(zhuǎn)后的圖像I_c′，選擇包含所有字符的最小外接矩形區(qū)域，記為L(zhǎng)_ij，其中y₁≤i≤y_M,x₁≤j≤x_N，其中y₁、y_M、x₁與x_N均是相對(duì)于旋轉(zhuǎn)圖像I_c′的坐標(biāo)，M、N分別為最小外接矩形的高度與寬度；設(shè)最小外接矩形區(qū)域L_ij包含的字符數(shù)為l，將旋轉(zhuǎn)圖像I_c′進(jìn)行水平方向上平均l等分，則單個(gè)字符區(qū)域圖像可以表示為

C_k＝I_c′(y₁:y_M,x₁+(k-1)*w:x₁+k*w-1)，

其中w＝N/l為單個(gè)字符的寬度，1≤k≤l。

所述步驟(1)中，根據(jù)標(biāo)定字符的相對(duì)位置關(guān)系提取感興趣區(qū)域中的小數(shù)點(diǎn)待檢測(cè)區(qū)域是指，根據(jù)事先標(biāo)定的數(shù)字儀表圖像包含所有字符的最小外接矩形區(qū)域獲取可能包含小數(shù)點(diǎn)的檢測(cè)區(qū)域，小數(shù)點(diǎn)的標(biāo)定包括：

對(duì)旋轉(zhuǎn)后的圖像I_c′，選擇包含所有字符的最小外接矩形區(qū)域，記為L(zhǎng)_ij，其中y₁≤i≤y_M,x₁≤j≤x_N，其中y₁、y_M、x₁與x_N均是相對(duì)于旋轉(zhuǎn)圖像I_c′的坐標(biāo)，M、N分別為最小外接矩形的高度與寬度；通常小數(shù)點(diǎn)位于字符右下角，對(duì)最小外接矩形區(qū)域L_ij進(jìn)行豎直方向上平均n(經(jīng)驗(yàn)值n＝4)等分，取最后一等分作為小數(shù)點(diǎn)待檢測(cè)區(qū)域，則小數(shù)點(diǎn)待檢測(cè)區(qū)域表示為

D＝I_c′(y_M-h-1:y_M,x₁:x_N)，

其中h＝M/n為小數(shù)點(diǎn)待檢測(cè)區(qū)域的高度。

所述步驟(2)中，通過(guò)手動(dòng)標(biāo)注構(gòu)建樣本庫(kù)，采用卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行離線模型訓(xùn)練得到卷積神經(jīng)網(wǎng)絡(luò)字符模型。

所述步驟(3)中，基于分塊LBP編碼特征及Adaboost分類器的Cascade目標(biāo)檢測(cè)框架是指，將小數(shù)點(diǎn)樣本統(tǒng)一縮放到設(shè)定分辨率大小，以數(shù)字儀表的其他不包含小數(shù)點(diǎn)的區(qū)域作為負(fù)樣本，選用分塊LBP編碼特征來(lái)區(qū)分正負(fù)樣本，利用Adaboost特征分類器選擇最具有區(qū)分度的分塊LBP編碼特征并組合成強(qiáng)分類器，將若干個(gè)強(qiáng)分類器串聯(lián)在一起形成最終的Cascade Adaboost小數(shù)點(diǎn)檢測(cè)子。

所述步驟(3)中還包括，在小數(shù)點(diǎn)待檢測(cè)區(qū)域中，利用小數(shù)點(diǎn)檢測(cè)子檢測(cè)到的q個(gè)矩形窗結(jié)果表示為R_k，其中k＝1,2,…,q，對(duì)小數(shù)點(diǎn)檢測(cè)矩形窗進(jìn)行后處理，排除無(wú)效的檢測(cè)窗，選擇置信度最高的作為最終的小數(shù)點(diǎn)位置。

優(yōu)選地，對(duì)小數(shù)點(diǎn)檢測(cè)窗進(jìn)行后處理具體包括：

檢測(cè)矩形窗合并：對(duì)任意兩個(gè)檢測(cè)矩形窗R_u與R_v其中，1≤u≤q,1≤v≤q，若滿足則將兩矩形窗進(jìn)行合并，合并的矩形窗為R_u∪R_v，這里τ為合并閾值，根據(jù)經(jīng)驗(yàn)τ一般取0.6；

偽矩形窗去除：①小數(shù)點(diǎn)都位于字符與字符之間，若檢測(cè)矩形窗在某個(gè)字符窗口之內(nèi)，則排除；②正負(fù)號(hào)字符后不會(huì)緊跟小數(shù)點(diǎn)，若檢測(cè)矩形窗之前的字符是正負(fù)號(hào)，則排除；③起始位置不會(huì)存在小數(shù)點(diǎn)，若檢測(cè)窗之前不存在字符，則排除；④若檢測(cè)窗之前的字符個(gè)數(shù)大于1并且全部為0，則可排除；⑤通常情況數(shù)字儀表只包含一個(gè)小數(shù)點(diǎn)，若通過(guò)前述四個(gè)過(guò)濾條件后仍存在多個(gè)檢測(cè)窗，則選擇置信度最高的一個(gè)檢測(cè)窗作為最終的小數(shù)點(diǎn)位置。

本發(fā)明具有以下有益效果：(1)對(duì)0～9數(shù)字、正負(fù)號(hào)及小數(shù)點(diǎn)都具有很高的準(zhǔn)確度，可以同時(shí)準(zhǔn)確識(shí)別0～9數(shù)字符號(hào)、正負(fù)號(hào)符號(hào)及小數(shù)點(diǎn)位置。(2)能夠克服光線變化、表盤(pán)雜質(zhì)等因素的干擾，準(zhǔn)確讀取LED數(shù)碼表的讀數(shù)，具有高魯棒性。(3)本發(fā)明可以大大增強(qiáng)自動(dòng)化儀表及檢測(cè)裝置的適應(yīng)性。

附圖說(shuō)明

圖1是小數(shù)點(diǎn)分塊LBP編碼特征示意圖；

圖2是LED數(shù)碼表的標(biāo)定圖；

圖3是經(jīng)過(guò)旋轉(zhuǎn)后的LED字符及小數(shù)點(diǎn)局部標(biāo)定圖；

圖4是任務(wù)圖像LED數(shù)碼表的識(shí)別結(jié)果圖。

具體實(shí)施方式

下面將結(jié)合附圖闡述本發(fā)明的最優(yōu)實(shí)施例：

本發(fā)明采取的基本策略是：

(1)根據(jù)事先標(biāo)定的LED數(shù)碼表圖像，在全景圖像中利用模板匹配方法提取感興趣(Region Of Interest,ROI)區(qū)域，再根據(jù)標(biāo)定的LED數(shù)碼表圖像字符相對(duì)位置關(guān)系提取單個(gè)字符區(qū)域及小數(shù)點(diǎn)待檢測(cè)區(qū)域。

(2)利用事先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)LED字符模型進(jìn)行單個(gè)字符的識(shí)別。

(3)在小數(shù)點(diǎn)待檢測(cè)區(qū)域內(nèi)，利用事先訓(xùn)練好的基于分塊LBP編碼特征及Adaboost分類器的Cascade目標(biāo)檢測(cè)框架進(jìn)行小數(shù)點(diǎn)檢測(cè)。

(4)對(duì)小數(shù)點(diǎn)檢測(cè)窗進(jìn)行后處理，根據(jù)檢測(cè)窗與字符排列的邏輯關(guān)系排除無(wú)效的檢測(cè)窗，選擇置信度最高的作為最終的小數(shù)點(diǎn)位置。

(5)根據(jù)字符、小數(shù)點(diǎn)及正負(fù)號(hào)識(shí)別結(jié)果獲取讀數(shù)。

以電網(wǎng)中數(shù)字型電流表為例，本發(fā)明提供的一種數(shù)字儀表讀數(shù)圖像識(shí)別方法，包括訓(xùn)練、標(biāo)定及任務(wù)圖識(shí)別三個(gè)階段：

1、訓(xùn)練階段：訓(xùn)練階段分LED字符訓(xùn)練及小數(shù)點(diǎn)檢測(cè)子訓(xùn)練。

1.1)LED字符訓(xùn)練

LED字符包括0～9數(shù)字與正負(fù)號(hào)，共計(jì)12個(gè)類別，事先通過(guò)手動(dòng)標(biāo)注構(gòu)建樣本庫(kù)，將所有樣本歸一化到32x32的分辨率大小，采用卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行離線模型訓(xùn)練。

輸入層：根據(jù)LED字符尺寸比例，將字符樣本統(tǒng)一縮放到32x32尺寸，以RGB三通道作為輸入層數(shù)據(jù)。

卷積層1：采用大小為5x5的卷集核參數(shù)，特征圖個(gè)數(shù)為12。

池化層1：采用窗口尺寸為2x2的最大池化。

卷積層2：采用大小為5x5的卷集核參數(shù)，特征圖個(gè)數(shù)為48。

池化層2：采用窗口尺寸為2x2的最大池化。

全連接1：輸出個(gè)數(shù)為150。

全連接2：輸出個(gè)數(shù)為100。

輸出層：采用softmax輸出，輸出的標(biāo)簽個(gè)數(shù)為12，表示12個(gè)字符類別的置信度。

1.2)小數(shù)點(diǎn)訓(xùn)練

小數(shù)點(diǎn)位置通常位于LED字符的右下端，采用基于Cascade Adaboost的目標(biāo)檢測(cè)框架來(lái)檢測(cè)LED數(shù)碼表是否包含小數(shù)點(diǎn)。

將小數(shù)點(diǎn)樣本統(tǒng)一縮放到32x32的分辨率大小，以LED數(shù)碼表中其他不包含小數(shù)點(diǎn)的區(qū)域作為負(fù)樣本，選用分塊LBP編碼特征來(lái)區(qū)分正負(fù)樣本，小數(shù)點(diǎn)分塊LBP編碼特征如圖1所示，以中心塊的灰度均值與其八鄰域塊的灰度均值來(lái)表征圖像，可以描述為

其中

通過(guò)縮放與平移操作，32x32的窗口尺寸可以產(chǎn)生27225種分塊LBP編碼特征(弱分類器)，利用Adaboost特征分類器選擇最具有區(qū)分度的分塊LBP編碼特征并組合成強(qiáng)分類器，將若干個(gè)強(qiáng)分類器串聯(lián)在一起形成最終的Cascade Adaboost小數(shù)點(diǎn)檢測(cè)子。

2、標(biāo)定階段：

2.1)LED數(shù)碼表標(biāo)定

LED數(shù)碼表標(biāo)定如圖2所示，該數(shù)碼表包含三行LED字符，以第三行LED字符為待識(shí)別對(duì)象。首先，選擇LED數(shù)碼表ROI區(qū)域，為了增加數(shù)碼表模板匹配的準(zhǔn)確度，這里三行LED字符均包含于ROI區(qū)域中，設(shè)ROI區(qū)域圖像為I_c，其中心像素點(diǎn)坐標(biāo)點(diǎn)為p(x₀,y₀)；其次，以直線標(biāo)定第三行LED字符下(上)邊界，直線段左右兩個(gè)端點(diǎn)分別記為p₁(x₁,y₁)與p₂(x₂,y₂)，則直線段p₁p₂與x的轉(zhuǎn)角可以表示為

以中心點(diǎn)p(x₀,y₀)為原點(diǎn)，轉(zhuǎn)角為θ的旋轉(zhuǎn)矩陣可以描述為

再根據(jù)旋轉(zhuǎn)矩陣及中心點(diǎn)將LED數(shù)碼表旋轉(zhuǎn)到水平方向，記旋轉(zhuǎn)后的圖像I_c′。

2.2)LED字符及小數(shù)點(diǎn)標(biāo)定

LED字符及小數(shù)點(diǎn)標(biāo)定如圖3所示，選擇包含第三行LED字符的最小外接矩形區(qū)域，記為L(zhǎng)_ij(y₁≤i≤y_M,x₁≤j≤x_N)，其中y₁、y_M、x₁與x_N均是相對(duì)于旋轉(zhuǎn)圖像I_c′的坐標(biāo)，M、N分別為最小外接矩形的高度與寬度。

設(shè)最小外接矩形區(qū)域L_ij包含的LED字符數(shù)為l(實(shí)例中的l＝4)，將最小外接矩形區(qū)域L_ij進(jìn)行水平方向上平均l等分，則單個(gè)字符區(qū)域圖像可根據(jù)旋轉(zhuǎn)圖像I_c′表示為

C_k＝I_c′(y₁:y_M,x₁+(k-1)*w:x₁+k*w-1)(1≤k≤l)，

其中w＝N/l為單個(gè)字符的寬度。

將最小外接矩形區(qū)域L_ij進(jìn)行豎直方向上平均n等分(實(shí)例中n＝4)，取最后一等分作為小數(shù)點(diǎn)的待檢測(cè)區(qū)域，則小數(shù)點(diǎn)待檢測(cè)區(qū)域可根據(jù)旋轉(zhuǎn)圖像I_c′表示為

D＝I_c′(y_M-h-1:y_M,x₁:x_N)，

其中h＝M/n為小數(shù)點(diǎn)待檢測(cè)區(qū)域的高度。

3、任務(wù)圖識(shí)別階段：

任務(wù)圖與標(biāo)定圖的最大區(qū)別即LED字符的變化，如圖4所示，圖4顯示了任務(wù)圖第三行LED字符識(shí)別結(jié)果，其底端分別疊加了單個(gè)字符定位結(jié)果、小數(shù)點(diǎn)定位結(jié)果及最終的識(shí)別結(jié)果。

在任務(wù)圖的識(shí)別階段，根據(jù)事先標(biāo)定的LED數(shù)碼表圖像，在全景圖像中進(jìn)行LED數(shù)碼表匹配定位，若定位失敗則說(shuō)明不存在數(shù)碼表；若定位成功，則需要進(jìn)行單個(gè)字符及小數(shù)點(diǎn)識(shí)別。

對(duì)比圖2與圖4，由于匹配的圖像與模板(圖2中標(biāo)定的LED數(shù)碼表區(qū)域)大小相同，LED字符的相對(duì)位置固定，在已知標(biāo)定圖像中第三行LED字符的相對(duì)位置信息后，通過(guò)一系列簡(jiǎn)單的換算即可得到任務(wù)圖中第三行LED單個(gè)字符及小數(shù)點(diǎn)待檢測(cè)區(qū)域。

具體地，記匹配到的LED數(shù)碼表圖像為I_r，首先，根據(jù)標(biāo)定的旋轉(zhuǎn)矩陣Γ將匹配圖像進(jìn)行旋轉(zhuǎn)矯正，得到旋轉(zhuǎn)矯正后的匹配圖像I_r′，以確保第三行LED字符在I_r′中處于水平方向；其次，由于是相對(duì)坐標(biāo)，根據(jù)標(biāo)定信息可以得到任務(wù)圖中第三行LED字符中每個(gè)字符圖像為

C_k＝I_r′(y₁:y_M,x₁+(k-1)*w:x₁+k*w-1) (1≤k≤l)，

其中w＝N/l為單個(gè)字符的寬度，實(shí)例中l(wèi)＝4為待識(shí)別字符的個(gè)數(shù)，使用離線訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)所有字符進(jìn)行識(shí)別，最終得到l個(gè)字符的識(shí)別結(jié)果；再其次，根據(jù)標(biāo)定信息得到任務(wù)圖中第三行小數(shù)點(diǎn)待檢測(cè)區(qū)域?yàn)?/p>

D＝I_r′(y_M-h-1:y_M,x₁:x_N)，

其中h＝M/n為小數(shù)點(diǎn)待檢測(cè)區(qū)域的高度，實(shí)例中n＝4，利用離線訓(xùn)練的Cascade Adaboost小數(shù)點(diǎn)檢測(cè)子在區(qū)域D內(nèi)進(jìn)行小數(shù)點(diǎn)檢測(cè)，并對(duì)檢測(cè)結(jié)果進(jìn)行后處理，獲得小數(shù)點(diǎn)定位結(jié)果；最后，合并字符、小數(shù)點(diǎn)識(shí)別結(jié)果獲取讀數(shù)，實(shí)例中LED字符讀數(shù)為8.320。

利用Cascade Adaboost檢測(cè)子檢測(cè)到的小數(shù)點(diǎn)會(huì)存在誤檢的情況，因而需要進(jìn)行小數(shù)點(diǎn)檢測(cè)后處理過(guò)程，具體包括：

(1)檢測(cè)矩形窗合并：對(duì)任意兩個(gè)檢測(cè)矩形窗R_u與R_v其中，1≤u≤q,1≤v≤q，若滿足則將兩矩形窗進(jìn)行合并，合并的矩形窗為R_u∪R_v；

(2)偽矩形窗去除：①小數(shù)點(diǎn)都位于字符與字符之間，若檢測(cè)矩形窗在某個(gè)字符窗口之內(nèi)，則排除；②正負(fù)號(hào)字符后不會(huì)緊跟小數(shù)點(diǎn)，若檢測(cè)矩形窗之前的字符是正負(fù)號(hào)，則排除；③起始位置不會(huì)存在小數(shù)點(diǎn)，若檢測(cè)窗之前不存在字符，則排除；④若檢測(cè)窗之前的字符個(gè)數(shù)大于1并且全部為0，如為00或000或0000，……，則可排除；⑤通常情況數(shù)字儀表只包含一個(gè)小數(shù)點(diǎn)，若通過(guò)前述四個(gè)過(guò)濾條件后仍存在多個(gè)檢測(cè)窗，則選擇置信度最高的一個(gè)檢測(cè)窗作為最終的小數(shù)點(diǎn)位置。本發(fā)明還可以有其它實(shí)施方法，凡采用同等替換或等效變換形成的技術(shù)方案，均落在本發(fā)明要求保護(hù)的范圍之內(nèi)。