一种手写电气元器件符号与标准电气元器件符号的匹配识别方法

摘要

一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，包括，首先对手写电气元器件符号与标准电气元器件符号进行归一化特征处理，通过自适应字典耦合投影将标准电气元器件符号与手写电气元器件符号两种特征联系起来，并映射到统一的判别子空间中，利用字典学习建立分类模型，以提高手写电气元器件符号的识别精度。相比于已有的电气元器件符号识别方法，本发明对电气元器件符号特征提取和表示是拟采用Sift、Hu不变矩、Gabor和HoG特征表示方法表示单个电气元器件符号的特征，并通过加权的方式对特征进行融合组成具有鲁棒性的新特征；本发明是通过字典学习建立分类模型，从而来提高整个系统的分类性能。

说明书

技术领域

本发明涉及一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，属于图像识别以及电气自动化的技术领域。

技术背景

电力工程图纸是电气工程人员进行后期的生产制造的重要依据，同时也是电子设计人员进行信息交互的媒介。传统的电力工程图纸主要依靠手画完成设计任务，当设计人员对设计错误进行修改的时候会带来非常大的工作量，造成了电力工程图设计效率低，周期长的问题，同时不能利用现有图纸的信息，在一定程度上也造成了资源浪费。近年来，随着计算机技术的发展，CAD技术的出现在一定程度上缓解了电力工程图设计效率低周期长的问题，巧妙地利用计算机帮助设计人员完成设计计算分析等繁重的工作。

随着CAD技术的推广应用，如何将现有图纸信息快速准确的输入到计算机，实现CAD的智能化是现在CAD领域研究的重点，CAD技术虽然在一定程度上减轻了设计人员计算分析的工作，但是CAD主要采用人机交互式的方式，前期仍然需要耗费大量的人力将图纸信息输入到计算机当中，对原有的图纸进行再次绘制，这在一定程度上造成了图纸资源的浪费，工作效率低等问题。针对这一问题电力工程图的自动识别技术就应运而生。电力工程图自动识别的基础是实现电气元器件符号的自动识别，但是传统的电气元器件符号识别没有考虑将同一电气元器件符号的AutoCAD标准电气元器件符号和手写电气元器件符号构建合理联系，在一定程度上造成了识别率低的问题。

发明内容

针对现有技术的不足，本发明提供一种手写电气元器件符号与标准电气元器件符号的匹配识别方法。

本发明概述：

一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，包括，首先对手写电气元器件符号与标准电气元器件符号进行归一化特征处理，通过自适应字典耦合投影将标准电气元器件符号与手写电气元器件符号两种特征联系起来，并映射到统一的判别子空间中，利用字典学习建立分类模型，以提高手写电气元器件符号的识别精度。

本发明的技术方案如下：

一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，包括字典学习阶段和测试阶段；

所述字典学习阶段包括如下步骤：

1)将手写电气元器件符号和标准电气元器件符号进行特征提取，并对特征进行归一化处理；

2)对手写电气元器件符号与标准电气元器件符号进行投影，获取公共子空间；

3)在公共子空间上学习一个自适应字典及其对应的稀疏系数：使在公共子空间中具有最小的重构误差，并且使来自不同域的相同类的样本的稀疏系数具有对应的线性关系；所述来自不同域的相同类的样本是指：例如，手写电气元器件符号中的电流表和标准电气元器件符号中的电流表就是属于相同类的样本；

所述测试阶段包括如下步骤：

4)对于给定待测手写电气元器件符号按照步骤1)相同的方法进行归一化特征提取；

5)经步骤4)处理后的手写电气元器件符号，利用字典学习阶段得到的投影矩阵U进行投影，得到在公共子空间的特征表示；

6)利用步骤3)，得到自适应字典，进而得到作为准则的最小重构误差，从而得到待测手写电气元器件符号的稀疏系数；

7)对于步骤6)得到的稀疏系数进行线性变换，得到手写电气元器件符号对应的标准电气元器件符号的稀疏系数；

8)通过基于欧氏距离的最小距离分类器对手写电气元器件符号进行分类识别，得到手写电气元器件符号对应的标准电气元器件符号。

根据本发明优选的，在步骤1)中，所述特征提取、归一化处理的方法是：采用Sift、Hu不变矩、Gabor或HoG特征表示方法表示单个电气元器件符号的特征，并通过加权的方式对特征进行融合，得到：

手写电气元器件符号的归一化特征样本：其中d₂代表的是单个手写电气元器件符号的特征维数，N₂代表的是手写电气元器件符号的总个数；

标准电气元器件符号的归一化特征样本：其中d₁代表的是单个标准电气元器件符号的特征维数，N₁代表的是标准电气元器件符号的总个数。

根据本发明优选的，所述步骤2)、3)的具体过程如下：

首先，学习一个包含k原子的自适应字典D∈R^n×k和标准电气元器件符号的投影矩阵以及手写电气元器件符号的投影矩阵其中n代表标准电气元器件符号与手写电气元器件符号在公共子空间的特征维数，将标准电气元器件符号的归一化特征样本X与手写电气元器件符号的归一化特征样本Y映射到公共子空间中，保证在公共子空间中具有最小的重构误差：最小化下列成本函数

在公式(1)中，分别代表标准电气元器件符号的归一化特征样本X和手写电气元器件符号的归一化特征样本Y对应字典D的稀疏系数，若直接对公式(1)求解最小值，我们会得到平凡解，U₁和U₂会变为0阵，为了避免这种情况，可以得到有意义的解：在公式(1)的基础上加入一项正则项U_iU_i^T＝I(i∈1,2),保证投影矩阵是正交归一的。

来自不同域的相同类的样本，它们对应的稀疏系数具有对应的线性映射关系f(·),即U₁＝PU₂，P为线性映射关系，在公共子空间中，保证对应的投影系数有最小的误差，基于上述要求：最小化下列成本函数：

综上所述，得到最终的目标函数：

根据本发明优选的，采用迭代求解的方法对公式(3)进行求解，将上述问题转换为四个子问题，包括稀疏系数求解，字典更新，投影更新以及线性映射更新。

根据本发明优选的，所述稀疏系数求解，包括：

a.对线性映射关系P以及字典D进行初始化：将线性映射关系P初始化为单位矩阵，字典D选用n×k的随机矩阵，得到求解稀疏系数Z_X,Z_Y的目标函数：

公式(4)是一个Lasso求解问题，许多L1范数优化算法可以有效的解决，例如LARS，FISTA等。

根据本发明优选的，所述对字典进行更新，包括：固定稀疏系数Z_X,Z_Y，字典更新依据下列公式：

由公式(5)可以看出这是一个二次约束二次规划问题，采用拉格朗日乘子法对字典D进行求解。

根据本发明优选的，所述对线性映射进行更新，包括：固定稀疏系数Z_X,Z_Y，字典D以及投影矩阵U₁,U₂，得到最终的优化目标函数：

公式(6)是一个谱回归问题，直接得到的P最优解为:

P＝Z_YZ_X^T(Z_XZ_X^T+(λ/γ_p)·I)^-1(7)。

根据本发明优选的，所述对线性投影进行更新，包括：固定稀疏系数Z_X,Z_Y，字典D以及线性映射关系P，得到最终的优化目标函数：

采用拉格朗日乘子法对线性投影进行求解，得到U₁,U₂的最优解为：

其中η_X,η_Y表示的是拉格朗日算子。

根据本发明优选的，步骤8)中通过基于欧氏距离的最小距离分类器进行分类识别，包括步骤如下：

给定标准电气元器件符号给定手写电气元器件符号样本利用字典学习阶段得到的投影矩阵，将标准电气元器件符号样本X^G与手写电气元器件符号样本Y^P投影到公共子空间中，X^g＝U₁X^G,Y^p＝U₂Y^P，利用学习的字典D计算得到手写电气元器件符号样本对应的稀疏系数：

那么，手写电气元器件符号样本用以下公式进行分类：

本发明的有益效果是：

本发明提供的是一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，相比于已有的电气元器件符号识别方法，对电气元器件符号特征提取和表示是拟采用Sift、Hu不变矩、Gabor和HoG等特征表示方法表示单个电气元器件符号的特征，并通过加权的方式对特征进行融合组成具有鲁棒性的新特征；现有的对电气元器件识别采用的方法多为模板匹配，所采用的分类器也仅仅尝试了神经网络和支持向量机方法，本专利是通过字典学习建立分类模型，从而来提高整个系统的分类性能。

附图说明

图1本发明中所述字典学习阶段的流程图；

图2本发明中所述测试阶段的流程图；

图3本发明中所涉及的标准电气元器件符号图；

图4本发明中所涉及的手写电气元器件符号图。

具体实施方式

下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。

如图1-4所示。

实施例1、

一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，包括字典学习阶段和测试阶段；

所述字典学习阶段包括如下步骤：

1)将手写电气元器件符号和标准电气元器件符号进行特征提取，并对特征进行归一化处理；

2)对手写电气元器件符号与标准电气元器件符号进行投影，获取公共子空间；

3)在公共子空间上学习一个自适应字典及其对应的稀疏系数：使在公共子空间中具有最小的重构误差，并且使来自不同域的相同类的样本的稀疏系数具有对应的线性关系；

所述测试阶段包括如下步骤：

4)对于给定待测手写电气元器件符号按照步骤1)相同的方法进行归一化特征提取；

5)经步骤4)处理后的手写电气元器件符号，利用字典学习阶段得到的投影矩阵U进行投影，得到在公共子空间的特征表示；

6)利用步骤3)，得到自适应字典，进而得到作为准则的最小重构误差，从而得到待测手写电气元器件符号的稀疏系数；

7)对于步骤6)得到的稀疏系数进行线性变换，得到手写电气元器件符号对应的标准电气元器件符号的稀疏系数；

8)通过基于欧氏距离的最小距离分类器对手写电气元器件符号进行分类识别，得到手写电气元器件符号对应的标准电气元器件符号。

实施例2、

如实施例1所述的一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，其区别在于，在步骤1)中，所述特征提取、归一化处理的方法是：采用Sift、Hu不变矩、Gabor或HoG特征表示方法表示单个电气元器件符号的特征，并通过加权的方式对特征进行融合，得到：

手写电气元器件符号的归一化特征样本：其中d₂代表的是单个手写电气元器件符号的特征维数，N₂代表的是手写电气元器件符号的总个数；

标准电气元器件符号的归一化特征样本：其中d₁代表的是单个标准电气元器件符号的特征维数，N₁代表的是标准电气元器件符号的总个数。

所述步骤2)、3)的具体过程如下：

首先，学习一个包含k原子的自适应字典D∈R^n×k和标准电气元器件符号的投影矩阵以及手写电气元器件符号的投影矩阵其中n代表标准电气元器件符号与手写电气元器件符号在公共子空间的特征维数，将标准电气元器件符号的归一化特征样本X与手写电气元器件符号的归一化特征样本Y映射到公共子空间中，保证在公共子空间中具有最小的重构误差：最小化下列成本函数

在公式(1)中，分别代表标准电气元器件符号的归一化特征样本X和手写电气元器件符号的归一化特征样本Y对应字典D的稀疏系数，在公式(1)的基础上加入一项正则项U_iU_i^T＝I(i∈1,2),保证投影矩阵是正交归一的。

来自不同域的相同类的样本，它们对应的稀疏系数具有对应的线性映射关系f(·),即U₁＝PU₂，P为线性映射关系，在公共子空间中，保证对应的投影系数有最小的误差，基于上述要求：最小化下列成本函数：

综上所述，得到最终的目标函数：

采用迭代求解的方法对公式(3)进行求解，包括稀疏系数求解，字典更新，投影更新以及线性映射更新。

所述稀疏系数求解，包括：

a.对线性映射关系P以及字典D进行初始化：将线性映射关系P初始化为单位矩阵，字典D选用n×k的随机矩阵，得到求解稀疏系数Z_X,Z_Y的目标函数：

公式(4)是一个Lasso求解问题，许多L1范数优化算法可以有效的解决，例如LARS，FISTA等。

所述对字典进行更新，包括：固定稀疏系数Z_X,Z_Y，字典更新依据下列公式：

由公式(5)可以看出这是一个二次约束二次规划问题，采用拉格朗日乘子法对字典D进行求解。

所述对线性映射进行更新，包括：固定稀疏系数Z_X,Z_Y，字典D以及投影矩阵U₁,U₂，得到最终的优化目标函数：

公式(6)是一个谱回归问题，直接得到P的最优解为:

P＝Z_YZ_X^T(Z_XZ_X^T+(λ/γ_p)·I)^-1(7)。

所述对线性投影进行更新，包括：固定稀疏系数Z_X,Z_Y，字典D以及线性映射关系P，得到最终的优化目标函数：

采用拉格朗日乘子法对线性投影进行求解，得到U₁,U₂的最优解为：

其中η_X,η_Y表示的是拉格朗日算子。

实施例3、

如实施例1、2所述的一种手写电气元器件符号与标准电气元器件符号的匹配识别方法，其区别在于，步骤8)中通过基于欧氏距离的最小距离分类器进行分类识别，包括步骤如下：

给定标准电气元器件符号给定手写电气元器件符号样本利用字典学习阶段得到的投影矩阵，将标准电气元器件符号样本X^G与手写电气元器件符号样本Y^P投影到公共子空间中，X^g＝U₁X^G,Y^p＝U₂Y^P，利用学习的字典D计算得到手写电气元器件符号样本对应的稀疏系数：

那么，手写电气元器件符号样本用以下公式进行分类：