技術(shù)特征：

1.一種數(shù)字儀表讀數(shù)圖像識別方法，其特征在于，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)定字符的相對位置關(guān)系提取感興趣區(qū)域中的單個字符區(qū)域和小數(shù)點(diǎn)待檢測區(qū)域；

(2)對單個字符區(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)行單個字符識別；

(3)對小數(shù)點(diǎn)待檢測區(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)檢測子進(jìn)行小數(shù)點(diǎn)檢測；

(4)根據(jù)字符、小數(shù)點(diǎn)及正負(fù)號識別結(jié)果獲取讀數(shù)。

2.如權(quán)利要求1所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：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，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)字儀表字符上/下邊界，直線段左右兩個端點(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

$\mathrm{\θ}=arctan\left(\frac{y_2-y_1}{x_2-x_1}\right),$

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

$\mathrm{\Γ}=\left(\begin{array}{cc}cos\mathrm{\θ}& -sin\mathrm{\θ}\\ sin\mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right),$

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。

3.如權(quán)利要求2所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：所述步驟(1)中，根據(jù)標(biāo)定字符的相對位置關(guān)系提取感興趣區(qū)域中的單個字符區(qū)域是指，根據(jù)事先標(biāo)定的數(shù)字儀表圖像單個字符的相對位置關(guān)系獲取待識別圖像中單個字符的位置，字符的標(biāo)定具體包括：

對旋轉(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_ij，其中y₁≤i≤y_M,x₁≤j≤x_N，其中y₁、y_M、x₁與x_N均是相對于旋轉(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為單個字符的寬度，1≤k≤l。

4.如權(quán)利要求2所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：所述步驟(1)中，根據(jù)標(biāo)定字符的相對位置關(guān)系提取感興趣區(qū)域中的小數(shù)點(diǎn)待檢測區(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)的檢測區(qū)域，小數(shù)點(diǎn)的標(biāo)定包括：

對旋轉(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L_ij，其中y₁≤i≤y_M,x₁≤j≤x_N，其中y₁、y_M、x₁與x_N均是相對于旋轉(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，對最小外接矩形區(qū)域L_ij進(jìn)行豎直方向上平均n等分，取最后一等分作為小數(shù)點(diǎn)待檢測區(qū)域，則小數(shù)點(diǎn)待檢測區(qū)域可以表示為

D＝I′_c(y_M-h-1:y_M,x₁:x_N)，

其中h＝M/n為小數(shù)點(diǎn)待檢測區(qū)域的高度。

5.如權(quán)利要求4所述的數(shù)字儀表讀書圖像識別方法，其特征在于：n＝4。

6.如權(quán)利要求1所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：所述步驟(2)中，通過手動標(biāo)注構(gòu)建樣本庫，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。

7.如權(quán)利要求1所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：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)檢測子。

8.如權(quán)利要求1所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：所述步驟(3)中還包括，在小數(shù)點(diǎn)待檢測區(qū)域中，利用小數(shù)點(diǎn)檢測子檢測到的q個矩形窗結(jié)果表示為R_k，其中k＝1,2,…,q，對小數(shù)點(diǎn)檢測矩形窗進(jìn)行后處理，排除無效的檢測窗，選擇置信度最高的作為最終的小數(shù)點(diǎn)位置。

9.如權(quán)利要求8所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：對小數(shù)點(diǎn)檢測矩形窗進(jìn)行后處理，具體包括：

檢測矩形窗合并：對任意兩個檢測矩形窗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；

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

10.如權(quán)利要求9所述的數(shù)字儀表讀數(shù)圖像識別方法，其特征在于：τ＝0.6。