STM32也能玩高大上：实现目标分类

STM32也能实现目标分类？本文使用的芯片是STM32F103VCT6, 最大工作频率72M，64KB RAM, 256KB FLASH。资源就那么点，这些高大上的基本都是DSP、高级ARM之类芯片玩的，你一个这么点资源的芯片凑什么热闹。但是笔者经过多年在嵌入式方面的经验，成功实现了基于STM32的目标分类，下面把实现的过程和大家分享下。

受限于芯片资源，我们设计的算法不能太复杂，主要体现在几个方面：

1、识别目标的特征不能太多。

2、具体的算法要简单，不然CPU跑不动，不能实现实时性。

基于这两点笔者给大家分享一个在STM32平台上实现用颜色来识别人民币的面额，大家都知道，人民币的每个面额的颜色都不相同，如下图：

从图中可以看出，人民币每个面额颜色都有区别，所以我们可以采集人民币的颜色数据作为识别的特征。在本项目中用到了两组颜色传感器，当纸币经过时，通过AD循环采集纸币的RGB颜色数据，这样就得到了用于计算特征的数据。

目标分类一般有两个步骤：一是提取特征，二是根据设计的分类器对特征数据进行分类，下面就这两部分进行说明。

01

人民币颜色数据的特征提取

这里先给大家讲解下颜色的HIS颜色模型，HSI是指一个数字图像的模型，是美国色彩学家孟塞尔（H.A.Munsell）于1915年提出的，它反映了人的视觉系统感知彩色的方式，以色调、饱和度和亮度三种基本特征量来感知颜色。HSI模型的建立基于两个重要的事实：第一个，分量与图像的彩色信息无关；第二个，H和S分量与人感受颜色的方式是紧密相联的。这些特点使得HSI模型非常适合彩色特性检测与分析。

色调H（Hue）：与光波的波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等，它也可表示一定范围的颜色，如暖色、冷色等。

饱和度S（Saturation）：表示颜色的纯度，纯光谱色是完全饱和的，加入白光会稀释饱和度。饱和度越大，颜色看起来就会越鲜艳，反之亦然。

亮度I（Intensity）：对应成像亮度和图像灰度，是颜色的明亮程度。

通过上面的介绍，大家应该明白，我们要把采集到的RGB颜色数据转换HIS模型上，如下图：

具体的转换公式为：

代码如下：

void rgb_to_ish(int r,int g,int b, double *I,double *S,double *H){ double R,G,B; R=(double)r/255.0; G=(double)g/255.0; B=(double)b/255.0; *I=(R+G+B)/3; if(*I<0.001) { *H=0; *S=0; return; } *S = 1-(min(min(R,G),B)/(*I)); if(*S==0) { *H=0; return; } *H=((R-G)+(R-B))/2/sqrt((R-G)*(R-G)+(R-B)*(G-B)); if(G>B) { *H=acos(*H); } else { *H=2*M_PI-acos(*H); } *H/=2*M_PI;}

在转换之前，首先需要对RGB数据进行归一化，调整到同一长度下，代码如下：

void ResizeData(const u8 *pOldData,I32 len,u8 *pNewData, I32 newLen){ I32 i,tx,xx,dxi; I32 t;

for (i = 0; i < newLen; i++) { tx = i*1024*(len)/(newLen); xx = tx>>10; dxi=tx-xx*1024; t = ((((I32)pOldData[xx+1]-(I32)pOldData[xx])*dxi)>>10)+(((I32)pOldData[xx]-(I32)pOldData[xx+1])*dxi>>20)+(I32)pOldData[xx]; if (t > 255) { t = 255; } pNewData[i] = t; }}

对提取特征总结下：

 1. 对RGB数据进行归一化

 2. 转换为HIS模式表示

一张人民币提取到的特征如下：

1 1:360 2:441 3:408 4:430 5:402 6:432 7:411 8:493 9:451 10:476 11:480 12:463 13:468 14:456 15:497 16:458 17:514 18:458 19:519 20:470 21:509 22:467 23:512 24:458 25:520 26:457 27:482 28:451 29:446 30:448 31:427 32:440 33:415 34:428 35:396 36:425 37:398 38:432 39:380 40:452 41:403 42:422 43:444 44:426 45:416 46:385 47:512 48:280 49:316 50:663 51:324 52:464 53:384 54:448 55:406 56:453 57:425 58:492 59:442 60:545 61:440 62:546 63:481 64:527 65:515 66:527 67:534 68:528 69:533 70:520 71:514 72:535 73:503 74:559 75:532 76:544 77:555 78:520 79:544 80:520 81:523 82:505 83:519 84:480 85:528 86:427 87:533 88:330 89:385 90:344 91:320 92:425 93:346 94:473 95:403 96:462 97:446 98:446 99:455 100:468 101:464 102:482 103:491 104:461 105:481 106:451 107:468 108:425 109:455 110:417 111:431 112:367 113:405 114:339 115:347 116:353 117:335 118:372 119:354 120:370 121:346 122:380 123:305 124:444 125:350 126:445 127:414 128:387 129:432 130:354 131:408 132:356 133:345 134:402 135:350 136:407 137:364 138:377 139:337 140:391 141:326 142:429 143:356 144:476 145:456 146:439 147:458 148:441 149:460 150:439 151:456 152:439 153:459 154:443 155:458 156:439 157:469 158:433 159:473 160:433 161:478 162:444 163:469 164:445 165:465 166:437 167:462 168:437 169:464 170:439 171:464 172:443 173:471 174:420 175:467 176:394 177:414 178:392 179:398 180:385 181:401 182:375 183:374 184:427 185:407 186:424 187:432 188:429 189:432 190:404 191:539 192:276 193:387 194:645 195:315 196:440 197:365 198:426 199:384 200:428 201:387 202:419 203:376 204:407 205:363 206:398 207:364 208:407 209:372 210:410 211:372 212:424 213:381 214:473 215:441 216:503 217:493 218:489 219:513 220:448 221:508 222:416 223:471 224:410 225:437 226:411 227:413 228:397 229:410 230:359 231:398 232:324 233:359 234:312 235:327 236:336 237:287 238:383 239:346 240:368 241:360 242:389 243:405 244:336 245:346 246:391 247:385 248:380 249:396 250:382 251:387 252:364 253:373 254:378 255:375 256:352 257:371 258:333 259:355 260:335 261:373 262:342 263:405 264:371 265:355 266:456 267:323 268:431 269:359 270:386 271:382 272:379 273:409 274:349 275:427 276:325 277:327 278:388 279:310 280:370 281:342 282:328 283:297 284:364 285:320 286:376 287:348 288:440

这里提取了288维的特征。

02

基于提取的特征进行目标分类

这里给大家分享一个很著名的分类器liblinear，它是是国立台湾大学的Chih-Jen Lin博士开发的主要是应对large-scale的data classification，因为linear分类器的训练比非线性分类器的训练计算复杂度要低很多，时间也少很多，而且在large scale data上的性能和非线性的分类器性能相当，所以Liblinear是针对大数据而生的。通过笔者的实验，这个分类器在STM32 平台上实现非常容易，而且速度很快，分类主要代码如下：

for (i = 0; i < Class; i++){ fvtInt = 0; for (j = 0; j < 144*2; j++) { t0 = (int)pf1[j]; t1 = (int)pFvt[j*Class+i]; fvtInt += t0*t1; } fvt = ((double)(fvtInt))/100000; fvt += ((double)(pFvt[j*Class+i]*200))/100000; tt = exp(-fvt); fvt = 1/(1+tt); if (max_t < fvt) { max_t = fvt; min_i = pNoteClass[i]; }}

大家看看就这么几段代码就实现了，这里提醒下，在运算过程中尽量使用整型数据，以节省空间。

03

识别步骤

 1. 对提取的特征进行训练，训练在PC端实现，得到用于分类的模型文件，部分内容如下图：

 2. 将上面得到的模型文件整型化，有利于提高运行速度。

 3. 用上面的提供的分类代码就可以实现分类了。

 我这边数据的实验结果：

nTotal = 30500, err = 177, 识别率为：0.994197

就这么简单的几个步骤，就可以让STM32立马高大上起来！-！

/ The End /

本文主要介绍了在STM32F103平台上对人民币颜色信息进行识别的算法原理。

如有疑问，欢迎留言讨论。

本文由【嵌入式案例Show】原创出品，未经许可，请勿转载

猜你喜欢：

聊天界面回复关键词：加群。添加小编，加入技术交流群