CC BY
70
40
Известия Петербургского университета путей сообщения 2009/1
4. Элементарный курс теории вероятностей и математической статистики / А. Н. Бородин. - СПб. : Лань, 1998. - 224 с.
5. Приложение к указанию МПС России № Н-832у от 07 августа 2003 г.
6. Памятка осмотрщику-ремонтнику вагонов по техническому обслуживанию подвижного состава на ПТО. - СПб. : Служба вагонного хозяйства ОАО РЖД, 2007. -С. 24-28.
Статья поступила в редакцию 15.04.2008;
представлена к публикации членом редколлегии И. А. Ивановым.
УДК 681.300
Е. Ю. Бурсиан
МОДЕЛИРОВАНИЕ РАСПОЗНАВАНИЯ РУКОПИСНЫХ СИМВОЛОВ В ТАБЛИЦАХ ТЕХНОЛОГИЧЕСКИХ КАРТ СИСТЕМ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИКИ
Рассматривается моделирование процесса распознавания символов, расположенных в ячейках таблицы технологической карты систем железнодорожной автоматики. Предлагаемые алгоритмы распознавания основываются на построении скелета символа с помощью моделирования распространения плоской волны по изображению символа. Рассматриваемые алгоритмы используются для автоматизации построения электронной базы данных железнодорожной документации.
электронная база данных, OCR-системы, распознавание символов, построение скелета символа, волновой алгоритм.
Введение
Технологические карты систем железнодорожной автоматики представлены на листах документации форматов А0 или А1. Основную площадь листа занимает принципиальная или монтажная схема, имеющая вид таблицы. Линии таблицы построены, как правило, с помощью принтера с высоким качеством печати или с применением матричного принтера старого образца. Ячейки таблицы заполнены либо чертёжными рукописными символами, либо печатным текстом различного качества.
В рассматриваемой ситуации анализ неисправностей по данным чертежам в реальном времени имеет определённые сложности, так как получение информации о технических характеристиках приборов, схемах соединений и комплектации представляет собой трудоёмкую процедуру.
Для построения электронной базы данных исходная документация или её копии сканируются и применяются системы оптического распозна-
ISSN 1815-588 X
Proceeding of Petersburg State Transport University
2009/1 Известия Петербургского университета путей сообщения
41
вания текста (Optical Character Recognition - OCR-системы) либо ввод и структуризация информации осуществляется вручную. Ведущими разработками в данной области являются пакеты программ ABBYY FineReader и FormReader. Для распознавания таблиц, полиграфического текста и машинописных гарнитур применяется также программный пакет OCR CuneiForm. Комплекс программ ABBYY FineReader применяется главным образом для расшифровки печатного текста, пакет программ ABBYY FormReader содержит систему распознавания рукописных символов.
Применение рассматриваемых пакетов для распознавания железнодорожной документации, созданной с помощью чертёжных шрифтов вручную, приводит к распознаванию нескольких символов на листе документации. Также с помощью данных пакетов нельзя распознать ксерокопии невысокого качества ранее распечатанных электронных документов и документы, созданные с помощью матричного принтера.
Таким образом, создание программ распознавания для технологических карт систем железнодорожной автоматики, в частности разработка средств распознавания символов, является актуальной задачей.
1 Постановка задачи
При построении модели процесса распознавания для технологической карты систем железнодорожной автоматики предполагается, что сначала выполняется сегментация изображения, то есть осуществляется разделение текста, специальных знаков и таблицы, в которой представлена основная информация. При распознавании таблицы вычисляются средняя толщина и предельные значения толщины линий таблицы, устанавливаются координаты ячеек и определяется структура таблицы. При этом исходят из того, что процессы обработки линий таблицы и символов являются параллельными, с обменом информацией.
Таким образом, при распознавании символов можно считать, что толщина линии является известной, примерные размеры (ширина и высота прямоугольника расположения) и координаты возможного местонахождения символов определяются исходя из значений координат ячеек таблицы. В данной работе предполагается, что символы являются рукописными чертёжными знаками. Необходимо разработать методы и средства распознавания символов, применимые в рассматриваемых условиях, и проверить их эффективность.
2 Вектор значимых признаков символа
В общей постановке задачи распознавания каждому распознаваемому
объекту сопоставляется вектор значимых признаков x є Rn. Результаты распознавания кодируются точками дискретного пространства у є Y.
Proceeding of Petersburg Transport University
ISSN 1815-588 X
42
Известия Петербургского университета путей сообщения 2009/1
При этом предполагается, что определено пространство распознающих функций F, где f є F, f : Rn ® Y и пространство вероятностных мер P на Rn х Y. Имеется также набор обучающих данных
T = {(Xj, yi )}i=i , где (Xj, Уі ) є Rn х Y, Т - выборка из N элементов векторной случайной величины с неизвестным распределением рє P. Для любого выбранного распознавателя f є F, f (x) является результатом распознавания объекта, соответствующего набору значимых признаков X, при этом для обучающих данных Т f (Xj) = yj. Выбор распознавателя f є F зависит от условий задачи [1].
С целью построения вектора значимых признаков X для каждого распознаваемого символа строится его скелет [1].
Определение 1.
2
Пусть D - связная замкнутая ограниченная область в R . При этом в каждой точке кривой, представляющей её границу, определена кривизна. Скелетом S или множеством скелетных точек области D называется геометрическое место точек Xo центров замкнутых кругов S Xo (r), принадлежащих области D (SXo(r)cD). Причём замкнутые круги SXo(r) не содержатся в других замкнутых кругах, принадлежащих области D
($SXi (ri) c D : SXi (ri) c SXo (roXSXi (ri) ^ SXo (ro)) [2].
Скелет области D представляет собой конечное множество кривых линий. При построении скелета символа, изображение которого представлено областью D, следует учитывать, что линия скелета начинается в каждой точке максимума кривизны границы области D , поэтому либо граница области D должна подвергаться процедуре сглаживания, либо после построения скелета необходимо удалять неинформативные линии скелета, происхождение которых вызвано наличием шума. Скелетный граф символа строится с помощью линейной аппроксимации или приближения кривыми второго порядка каждой линии скелета.
С целью вычисления векторов значимых признаков множество всех построенных скелетных графов разбивается на классы эквивалентности
гомеоморфных графов [3]. Векторы информативных характеристик X є Rn строятся отдельно для каждого класса гомеоморфных графов.
В каждом классе множество ветвей графов упорядочивается таким образом, чтобы соответствующие ветви имели равные номера. При вычислении вектора информативных характеристик X є Rn ветви графов перечисляются в установленном порядке. На каждой ветви выбирается заранее заданное количество точек, в которых определяются характеристики графов
ISSN 1815-588 X
Proceeding of Petersburg State Transport University
2009/1 Известия Петербургского университета путей сообщения
43
(координаты точек, углы наклона, значения кривизны), рассматриваемые в
- _ т>п
дальнейшем в качестве координат вектора x є К .
Размерности пространств значимых признаков Кп для разных классов гомеоморфных графов могут не совпадать, также векторы значимых признаков могут содержать разные геометрические характеристики. Таким образом, в данной модели для каждого класса гомеоморфных графов распознавание с помощью вектора информативных признаков x є Кп происходит отдельно и могут быть выбраны разные распознающие функции
f: Кп ® Y.
3 Алгоритмы построения скелета символа
В настоящей работе исследовались два алгоритма построения скелетных графов для символов железнодорожной документации: последовательное удаление граничных пикселей растрового изображения символа (”утончение” области) и моделирование распространения плоских волн по изображению символа.
Точки A(x, у), Ai(xi, yi) считаются соседними по 4-связному растру, если |x—x1|+[y-y1| = 1 (рис. 1, a). Точки A3(x3, уз), A4(x4, y4) называются соседними по 8-связному растру, если max(|x3-x4 |,у3-у4 |) = 1 (рис. 1, б). Область D, представляющую изображение символа на чёрно-белом растре, будем считать связной по 8-связному растру, если из любой её точки можно перейти в любую другую точку области, проходя по точкам, соседним по 8-связному растру. Рассматриваемая область называется также связной областью (рис. 1, в). Точка A(x, у) є D называется граничной точкой области D, если $B(x, у) Ї D - соседняя по 4-связному растру с точкой A(x, у). Множество всех граничных точек составляет границу области (рис. 1, г) [4].
На первом этапе алгоритмов скелетизации области D осуществляется нумерация её граничных точек с помощью алгоритма обхода границы [5].
При применении алгоритма ’’утончения” области точки границы удаляются в соответствии с нумерацией, полученной при обходе границы области D, при выполнении следующих условий. Удаляемая точка не нарушает связности соседних с ней по 8-связному растру, и если точка, которую предполагается удалить, находится не на конце растрового представления отрезка.
Proceeding of Petersburg Transport University
ISSN 1815-588 X
44
Известия Петербургского университета путей сообщения 2009/1
б)
в)
г)
4
Рис. 1. 4-связность (а); 8-связность (б); область D (в); граница области (г)
То есть, если количество компонент связности точек, соседних с рассматриваемой по 8-связному растру, после удаления точки уменьшается, граничную точку необходимо оставить (рис. 2, б.), в противном случае -удалить (рис. 2, a.).
а)
б)
Рис. 2. Точка А должна быть удалена (а); точку А удалять нельзя (б)
После удаления всех точек границы области D, удовлетворяющих перечисленным условиям, рассматривается новая “утончённая“ область D', для которой снова определяется множество граничных точек и производится обход границы с целью их нумерации и последующего удаления при выполнении тех же условий. Алгоритм выполняется итеративно, и его работа завершается, когда нельзя удалить ни одну из граничных точек текущей связной области. Скелет символа S формируется из оставшихся точек [4].
На рис. 3 изображены символы железнодорожной документации, на рис. 4 - скелетные множества S представленных символов, полученные с помощью алгоритма "утончения”.
ISSN 1815-588 X
Proceeding of Petersburg State Transport University
2009/1 Известия Петербургского университета путей сообщения
45
Рис. 3. Символы железнодорожной документации
Рис. 4. Скелетные множества символов
Для первых двух символов по скелету S можно строить нагруженный граф (рис. 5). Для третьего объекта необходимо произвести дополнительную процедуру удаления неинформативных ветвей скелета либо осуществить обработку исходного изображения с целью выравнивания границы символа.
Второй алгоритм скелетизации опирается на понятие волнового алгоритма [6].
Входными параметрами волнового алгоритма закраски 8-связной области являются координаты начальной точки, цвет волны, схемы закраски окрестности и формула выбора схемы F(n), аргументом которой является
номер шага волнового алгоритма n.
Координаты начальной точки определяют произвольную точку 8-связной области. Данная точка называется точкой генерации волны или начальной точкой распространения волны.
Цвет волны соответствует произвольному цвету, задаваемому на растре, при условии, что ни одна точка 8-связной области не закрашена этим же цветом. Цвет волны обычно задаётся в формате RGB.
Каждая схема закраски окрестности определяется множеством пикселей, которые считаются соседними по отношению к рассматриваемому пикселю. Точки растра, относящиеся к окрестности данной точки, представляются на чертежах, которые называются схемами распространения
Proceeding of Petersburg Transport University
ISSN 1815-588 X
46
Известия Петербургского университета путей сообщения 2009/1
волны. На рис. 6, a, б и 7, a, б представлены схемы распространения волн четырёх типов.
а)
б)
Рис. 6. Схема 1 (а); схема 2 (б) а) б)
Рис. 7. Схема 3 (а); схема 4 (б)
В соответствии со схемой 1 при закраске окрестности точки закрашиваются точки, соседние по 4-связному растру с данной точкой. Для схемы 2 в отличие от схемы 1 закрашиваются точки, соседние по 8-связному растру с данной точкой. Вариант 3 по сравнению с вариантами 1 и 2 представляет собой комбинацию двух предыдущих схем. Для данной ситуации при обработке окрестности закрашиваются все точки, отмеченные на рисунке серым цветом, если центром окрестности является точка, отмеченная на схеме чёрным цветом, то есть выполняется два шага по 4-связному растру и один шаг по 8-связному растру. В четвёртом случае алгоритм закраски окрестности также является комбинацией первых двух вариантов: осуществляется три шага по 4-связному растру и два шага по 8-связному растру.
Формула выбора схемы может иметь своими значениями только указанные номера схем закраски, в данном случае {1, 2, 3, 4}.
Работа волнового алгоритма состоит в выполнении последовательности шагов, на каждом из которых образуется новый волновой фронт. При этом на текущем шаге волнового алгоритма по заданной формуле вычисляется номер схемы, и в соответствии с выбранной схемой закрашиваются ещё не закрашенные пиксели 8-связной области заданным цветом волны.
На нулевом шаге волнового алгоритма в соответствии с цветом волны закрашивается начальная точка распространения волны, координаты которой задаются в качестве входных параметров алгоритма. Нулевым волновым фронтом считается данная точка.
Определение 2. Шагом волнового алгоритма называется последовательность действий, при которой выполняется закраска ещё не закрашенных пикселей 8-связной области, лежащих в определённых окрестностях пикселей, принадлежащих предыдущему волновому фронту. При этом ок-
ISSN 1815-588 X
Proceeding of Petersburg State Transport University
2009/1 Известия Петербургского университета путей сообщения
47
рестности определяются в соответствии со схемами, номера которых вычисляются по заданной формуле F(n).
Определение 3. Волновым фронтом или фронтом распространения волны называется множество пикселей растра, которые закрашиваются на одном шаге волнового алгоритма.
С помощью волнового алгоритма на растре задаётся расстояние между любыми двумя точками, которое зависит от формулы выбора схемы
Определение 4. Расстоянием r>w (A, B) от точки A до точки B называется количество шагов волнового алгоритма (исключая нулевой шаг), которые нужно выполнить, чтобы закрасить точку B, если считать точку A начальной точкой распространения волны [6].
В данном случае следует заметить, что если F(n) Ф const, то аксиома треугольника может не выполняться. При выполнении условия F (n) = const все аксиомы метрики выполняются. С помощью схем, представленных на рис. 6, а, б и рис. 7, а, б, осуществляется построение волновых фронтов и моделируется распространение плоской волны в метриках
[3]: Рь Р ¥ - Р2, где
При этом схемы на рис. 6, а, б соответствуют метрикам Р1, рда, схемы на рис. 7, а, б - метрике р2.
При применении второго алгоритма скелетизации после обхода границы в каждой точке границы генерируется плоская волна определённого цвета, при этом характеристики яркости цвета волны определяются в соответствии с номером, сопоставляемым точке при обходе границы. Номер схемы выбирается из четырёх перечисленных вариантов. В ходе выполнения алгоритма скелетизации осуществлялись следующие шаги.
Шаг 1. Применить алгоритм обхода границы 8-связной области, соответствующей представлению символа на растре [6].
Шаг 2. В каждой точке границы осуществить генерацию волны, соответствующую номеру точки, полученному при обходе границы. Последовательно строить изображения волновых фронтов, пока вся 8-связная область не будет закрашена.
Шаг 3. Конструировать скелет символа S из точек A(X, у), удовлетворяющих следующим условиям. $Ai(Хі, Уі): A, Ai - соседние по
F (n).
Рі(A^A2) =lxi-X21 +1Уі-У21;
Р ¥(A^ A2) = max(l xi- X2 l,l Уі- У21);
Proceeding of Petersburg Transport University
ISSN 1815-588 X
48
Известия Петербургского университета путей сообщения 2009/1
4-связному растру, причём (Xi < x) | (Xi = x & yi < y), d(Ai, A) > d0, где
d (A ,B) =| N (A)- N (Ai)|, N (A), N (Ai) - номера, соответствующие закраске точек растра A (x ,y ), Ai(Xi,yi) соответственно, d0 - заранее заданный параметр скелетизации.
Рис. 8 демонстрирует изменение яркости цвета в формате RGB после закрашивания каждого символа на втором шаге алгоритма. При этом применялась схема, представленная на рис.7, а.
Скелет S (рис. 9) для каждого символа формируется из точек, расположенных на границе скачкообразного (неплавного) изменения яркости цвета.
На рис. i0 представлены скелетные графы символов.
Применение алгоритма скелетизации 8-связной области, основанного на распространении плоской волны от границ области, для третьего сим-
ISSN i8i5-588 X
Proceeding of Petersburg State Transport University
2009/1 Известия Петербургского университета путей сообщения
49
вола, изображённого на рис. 3, предоставляет в отличие от первого алгоритма (см. рис. 4) скелет символа без лишних неинформативных ветвей (рис. 11).
Рис. 11. Скелет символа с изрезанной границей
4 Модель процесса распознавания символов для технологических карт систем железнодорожной автоматики
На базе рассматриваемых алгоритмов был создан прототип программы распознавания символов для технологической карты систем железнодорожной автоматики. Перед распознаванием символов технологической карты создавалась база данных скелетных графов эталонных символов. Прототип программы располагал инструментом модификации и формирования рассматриваемой базы данных. Распознавание осуществлялось с помощью сравнения скелетных графов определяемых и эталонных символов, при этом применялись методы вычисления параметров пересечений с горизонтальными и вертикальными линиями и значений выборочных корреляционных функций [7], [8]. На рис. 12, а представлен фрагмент технологической карты.
а)
б)
в)
Рис. 12. Фрагмент технологической карты (а); результат 1 (б); результат 2 (в)
Рисунки 12, б и 12, в демонстрируют результаты распознавания рассматриваемого фрагмента, полученные с помощью алгоритма “скелетиза-
Proceeding of Petersburg Transport University
ISSN 1815-588 X
50
Известия Петербургского университета путей сообщения 2009/1
ции”, основанного на моделировании распространения плоских волн от гра -ниц символа. При этом в первом случае сравнение распознаваемых скелетных графов с эталонными графами осуществлялось с помощью вычисления параметров пересечений с вертикальными и горизонтальными линиями. Во втором случае определялись значения выборочных корреляционных функций при условии совпадения топологических характеристик графов.
Применение выборочных кореляционных функций с целью сравнения скелетных графов распознаваемых символов с эталонными основано на теоретических положениях модели рукописного чертёжного символа [7]. В данном случае предполагается, что угловые коэффициенты наклона рёбер скелетных графов являются случайными величинами с нормальным законом распределения.
На рисунках распознанные символы изображены крупными знаками с размером шрифта, приблизительно равным размерам распознаваемых символов. При этом все объекты, относительно которых выдвигалась гипотеза о принадлежности их к изображениям символов, отмечены числами, набранными мелким шрифтом.
Следует заметить, что автоматизировать весь процесс создания электронной базы данных технологических карт систем железнодорожной автоматики нельзя, так как необходимо заверить каждую технологическую карту и проконтролировать структуру всей системы в целом.
Таким образом, модель процесса распознавания, применяемую при автоматической обработке символов технологических карт систем железнодорожной автоматики, можно описать следующим образом.
1. Создать базу данных скелетных графов эталонных символов, выбрать алгоритм скелетизации символов в зависимости от качества изображения технологической карты, определить параметры распознавания. На данном этапе осуществляется ’’обучение” распознавателя. На всех последующих этапах необходимо произвести дополнительное ’обучение” распознавателя, то есть уточнить значения параметров, дополнить базу данных скелетных графов эталонных символов, выбрать алгоритмы выполнения отдельных процедур.
2. Осуществить сегментацию распознаваемого изображения. Определить области расположения таблицы и символов.
3. Произвести распознавание таблицы технологической карты, определить границы изменения толщины линии, координаты ячеек таблицы.
4. Уточнить области расположения символов.
5. Применить алгоритм скелетизации символов, построить скелетные графы.
6. Сравнить скелетные графы распознаваемых и эталонных символов с помощью вычисления корреляционных функций.
7. Произвести контроль распознанной информации, принять решение и вывести распознанные символы.
ISSN 1815-588 X
Proceeding of Petersburg State Transport University
2009/1 Известия Петербургского университета путей сообщения
51
Заключение
Предлагаемая модель распознавания символов технологической карты основывается на следующих положениях.
’’Обучение” и ’’переобучение” распознавателя может производиться на любом этапе обработки документа.
Результаты распознавания таблицы технологической карты определяют параметры скелетизации символов.
При высоком качестве изображения технологической карты скелеты символов, построенные с помощью алгоритма последовательного удаления граничных точек области и алгоритма, основанного на моделировании распространения волн от границ области, содержат в равной степени все значимые признаки символов. Если границы изображений символов являются нечёткими (границы области искажены случайными помехами), второй алгоритм скелетизации предпочтительнее первого, так как при его применении скелет символа содержит меньше неинформативных элементов. Данное положение основывается на результатах численных экспериментов.
Проведённые исследования подтвердили целесообразность применения выборочных кореляционных функций для сравнения скелетных графов рукописных чертёжных символов со скелетными графами эталонных символов. При этом предполагалось, что угловые коэффициенты наклона рёбер скелетных графов являются случайными величинами с нормальным законом распределения.
Применение перечисленных методов позволяет в значительной мере автоматизировать труд работы оператора по созданию электронной базы данных технологических карт систем железнодорожной автоматики.
Библиографический список
1. An Evaluation of Parallel Thinning Algorithms for Character Recognition / L. Lam, C. Y. Suen // IEEE Transactions on Pattern Analysis and Machine Intelligence. - Vol. 17. -N 9. - 1995. - Р. 914-919.
2. Непрерывное скелетное представление изображения с контролируемой точностью / Л. А. Местецкий, И. А. Рейер // Международная конференция “Графикон-2004”. -М. : МГУ. - 269 с. - ISBN 5-317-00788-7.
3. Математическая энциклопедия. Т. 5 // М. : Советская энциклопедия, 1982. -
658 с.
4. Распознавание скелетных образов / А. А. Котович, В. Н. Славин // Методы и средства работы с документами : сб. трудов Института системного анализа РАН - 2000. -M. : УРСС, 2000. - 347 с. - ISBN 5-8360-0262-2.
5. Компьютерная графика / Е. В. Шикин, А. В. Боресков, Г. Е. Шикина. - М. : Финансы и статистика, 1996. - 173 с. - ISBN 5-279-01485-0.
6. Введение в контурный анализ и его приложения к обработке изображений и сигналов / Я. А. Фурман, А. В. Кревецкий, А. К. Передреев, А. А. Роженцов, Р. Г. Хафизов, И. Л. Егошина, А. Н. Леухин. - М. : ФИЗМАТЛИТ, 2002. - 588 с.
Proceeding of Petersburg Transport University
ISSN 1815-588 X
52
Известия Петербургского университета путей сообщения 2009/1
7. Распознавание технологических карт, монтажных схем и схем комплектации железнодорожной документации / Е. Ю. Бурсиан // Известия Петербургского университета путей сообщения - СПб. : ПГУПС, 2007. - Вып. 3. - С. 39-45.
Статья поступила в редакцию 11.01.2009;
представлена к публикации членом редколлегии А. А. Корниенко.
УДК 652.25.071 А. М. Горбачёв
АВТОМАТИЗАЦИЯ СИНТЕЗА КАБЕЛЬНЫХ СЕТЕЙ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИКИ И ТЕЛЕМЕХАНИКИ
Проектирование кабельных сетей железнодорожной автоматики и телемеханики занимает до 15% времени, отводимого на разработку проектной документации. Рассмотрены методы автоматизации проектирования кабельных сетей железнодорожной автоматики и телемеханики.
кабельная сеть, железнодорожная автоматика, автоматизация проектирования. Введение
Проектирование кабельной сети (КС) железнодорожной автоматики и телемеханики (ЖАТ) на основе двухниточного плана (ДП) станции или перегона занимает до 15% времени, отводимого на разработку документации по проекту. В настоящее время на железнодорожном транспорте расходуется наибольшее по сравнению с другими видами транспорта и отраслями промышленности количество кабеля. Автоматизация процесса проектирования КС ведет к уменьшению затрат времени на проектирование и к сокращению числа ошибок проектировщика.
Условно КСЖАТ можно разделить на четыре вида: КС светофоров (КСС) - объединяет жилы для управления огнями светофоров, маршрутных указателей, световых указателей положения, релейных шкафов входных светофоров и шкафов переездной сигнализации; КС питающих трансформаторов (КСПТ) - объединяет все жилы, необходимые для питания кодируемых и некодируемых рельсовых цепей; КС релейных трансформаторов (КСРТ); КС управления стрелочными электроприводами (КСП). Чертеж любого вида КС может быть как выполнен на отдельном листе, так и совмещен с чертежами других видов КС на одном листе.
ISSN 1815-588 X
Proceeding of Petersburg State Transport University
