CN102184398A - 一种基于边缘检测的集装箱号码定位方法 - Google Patents

Abstract

一种基于边缘检测的集装箱号码定位方法，属于图像处理技术领域。本发明利用原始集装箱箱号图像的灰度信息，经中值滤波后，分别对灰度图像采用Sobel算子进行水平方向边缘检测和垂直方向边缘检测，然后根据水平方向的边缘图和垂直方向的边缘图利用集装箱箱号区域的边缘纹理特点进行列定位和行定位尝试，最后根据列定位和行定位的结果进行综合分析提取出正确的集装箱箱号区域并利用霍夫变换对箱号区域进行倾斜校正。本发明通过列定位尝试和行定位尝试，很好的解决了集装箱箱号排列方式的不确定性造成定位失败的问题。同时，避免了不常见的多行排列方式的集装箱箱号的漏检。

Description

一种基于边缘检测的集装箱号码定位方法

技术领域

本发明属于计算机视觉和图像处理领域，涉及集装箱号码识别系统中箱号定位技术。

背景技术

随着现代物流管理技术的发展，加快货物通道的管理自动化已成为十分紧迫的任务。对于码头来说，进出码头的集装箱量严重影响着码头的效益。集装箱箱号识别系统主要是针对码头、加工区、保税区、物流园、集装箱堆场、铁路货运等监管场所使用，通过对闸口的集装箱箱号自动采集与识别，以实现提高效率、统筹安排、加强监管和无人职守的电子化通关目的。目前，码头上大多采用的是人工指挥集装箱的装载，其缺点是效率很低，影响集装箱的装卸速度，不利于整个港口的高速运作。在这种背景下集装箱号码自动识别系统应运而生。

一个完整的集装箱识别系统主要包含三个部分：1)集装箱号码定位，2)集装箱号码分割，3)集装箱号码的识别。由于集装箱号码排列方式多样、且集装箱颜色背景多样，这都加大了集装箱箱号定位的难度。

目前已有集装箱号码定位方法主要有：

1、基于跳变点的集装箱箱号定位方法。该方法首先对图片进行水平或垂直方向的一阶差分计算。然后逐行或逐列进行扫描，统计一行或一列中一阶差分值大于某个阈值的像素点的个数。如果该像素点的个数大于某个阈值，则将该行认为是集装箱箱号区域可能的行位置。扫描结束后，通过对可能的行位置或列位置的进一步分析，完成集装箱号码的定位过程。

2、基于形态学的集装箱箱号定位方法。该方法首先获得集装箱图片的边缘检测图，然后对获得的边缘图像进行一系列形态学的开闭等运算，尽可能的去除掉干扰区域，最后结合集装箱箱号的排列特点找到正确的集装箱箱号位置。

上述算法都存在一定程度的问题或应用局限性。定位算法1通过统计灰度的跳变点数进行集装箱箱号的粗定位。该方法对噪声较敏感，而且当箱号字符的排列存在一定程度的倾斜时，会由于检测的跳变点数不足造成定位失败。定位算法2对集装箱图片的边缘图像进行形态学处理，这就要求检测到的集装箱箱号区域的边缘信息完整，而实际上通常由于应用背景的复杂，天气，灯光等因素的干扰，检测到的边缘信息并不理想。

发明内容

本发明提供了一种基于边缘检测的集装箱号码定位方法，该方法能够在复杂背景中定位出各种排列方式的集装箱号码。

本发明的详细技术方案如下：

一种基于边缘检测的集装箱号码定位方法，如图1所示，包括以下步骤：

步骤1：采集原始集装箱箱号图像，并将其转换成灰度格式图片。

由于集装箱背景色和集装箱号码的颜色搭配没有规律，在集装箱号码定位过程中对颜色信息无法利用，因此，为了减小计算量将原始的彩色图像转换成灰度图像进行处理。若采集的原始集装箱箱号图像为RGB格式图片，将其转换成灰度格式图片的转化公式为：

gray＝0.229×R+0.587×G+0.114×B    (1)

其中gray表示灰度格式图片中某个像素点的灰度值，R、G和B分别表示RGB格式图片中该像素点的红色、绿色和蓝色三个通道的像素值。

步骤2：对步骤1所得灰度图像进行中值滤波，去除噪声干扰。

步骤3：选择Sobel算子对步骤2中值滤波后的灰度图像分别进行垂直方向边缘检测和水平方向边缘检测，得到集装箱箱号图像的垂直边缘图v_imedge和水平边缘图h_imedge。

由于集装箱箱号的排列方式多样：单行排列、双行排列、四行排列、单列排列、双列排列。在不知道待检测的集装箱箱号是什么排列方式的情况下，对集装箱箱号的排列方式进行假设，分别运用垂直边缘图v_imedge和水平边缘图h_imedge进行行定位尝试和列定位尝试。

步骤4：分别运用垂直边缘图v_imedge和水平边缘图h_imedge进行行定位尝试和列定位尝试，即采用9×9大小的全1的滑动矩阵map逐个边缘点地遍历垂直边缘图v_imedge和水平边缘图h_imedge。

首先计算滑动矩阵map分别在垂直边缘图像v_mask和水平边缘图h_mask中每个遍历像素点所覆盖区域内的边缘点数CNT_v(i，j)和CNT_h(i，j)：

$\mathrm{CNT}\_v(i,j)=\underset{v\∈[j-W/2,j+W/2]}{\underset{u\∈[i-H/2,i+H/2],}{\mathrm{\Σ}}}v\_\mathrm{imedge}(u,v);$

$\mathrm{CNT}\_h(i,j)=\underset{v\∈[j-W/2,j+W/2]}{\underset{u\∈[i-H/2,i+H/2],}{\mathrm{\Σ}}}h\_\mathrm{imedge}(u,v);$

然后判断每个遍历像素点是否属于候选集装箱箱号字符连通区域像素点。对于垂直边缘图像v_mask的当前遍历像素点，若CNT_v(i，j)＞Tv、且 $\mathrm{Tv}=\frac{\mathrm{\β}*W*H}{\mathrm{height}*\mathrm{width}}\underset{i=1}{\overset{\mathrm{height}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}h\_\mathrm{imedge}(i,j),$ 则判定当前遍历像素点属于候选集装箱箱号字符连通区域像素点，否则判定当前遍历像素点不属于候选集装箱箱号字符连通区域像素点；同样，对于水平边缘图像h_mask的当前遍历像素点，若CNT_h(i，j)＞Th、且 $\mathrm{Th}=\frac{\mathrm{\α}*W*H}{\mathrm{height}*\mathrm{width}}\underset{i=1}{\overset{\mathrm{height}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}h\_\mathrm{imedge}(i,j),$ 则判定当前遍历像素点属于候选集装箱箱号字符连通区域像素点，否则判定当前遍历像素点不属于候选集装箱箱号字符连通区域像素点；最后将垂直边缘图像v_mask或水平边缘图h_mask中所有判定为候选集装箱箱号字符连通区域的像素点的像素值设为1，就得到垂直候选集装箱箱号字符连通区域图v_mask和水平候选集装箱箱号字符连通区域图h_mask。步骤4中，W和H分别表示滑动矩阵map的宽度和高度，height和width分别表示垂直边缘图v_imedge或水平边缘图h_imedge的高度和宽度，α和β为两个系数，对于不同的图片源可以作相应的调整。参考值为：α＝5和β＝5。

步骤5：对步骤4得到的图像v_mask和h_mask进行形态学处理。

选择3×9大小的结构算子对图像v_mask进行形态学闭操作，选择9×3的结构算子对图像h_mask进行形态学闭操作；将断裂的集装箱箱号区域的连通域连接起来。

步骤6：提取形态学处理后图像v_mask和h_mask的连通区域。

采用4-邻域连通法标记出经步骤5形态学处理后的图像v_mask和h_mask中的连通区域，并逐一统计出每个连通区域的大小、位置信息。

步骤7：对步骤6中提取出来的每个连通域的大小和位置信息进行判断分析。

对每个连通域的宽度进行判断，如果该连通域的宽度和高度小于一个字符的最小宽度和最小高度(通过先验知识可以获得)就将该连通域排除掉。虽然集装箱箱号的排列方式多样，但对于每种行排列，它们各行的字符数是一定的；对于每种列排列，它们各列的字符数也是一定的。因此，可以通过判断每个连通域包含字符的个数结合各连通域相互之间的位置信息找到最后完整的集装箱字符区域。

实际操作时，对于行定位尝试得到的各个连通域，先找出宽度最大的连通域，如果该连通域包含的字符数为11，则该连通区域在原图片中所对应的区域就是集装箱号码区域；如果该宽度最大的连通域包含的字符数为7，则在该连通域所在位置的上边位置寻找包含四个字符的连通域，这两个连通域所在位置即为集装箱号码区域；如果宽度最大的连通域包含的字符为4，则在该连通域所在位置的上边位置寻找两个包含3个字符的连通域，同时在该连通域的下边位置寻找一个包含1个字符的连通域。对于列定位尝试得到的各个连通域，先找到高度最大的连通域，如果该连通域包含的字符数为11，则该连通区域在原图片中所对应的区域就是集装箱号码区域；如果该宽度最大的连通域包含的字符数为7，则在该连通域所在位置的左边位置寻找包含四个字符的连通域，这两个连通域所在位置即为集装箱号码区域。

步骤8：对得到的集装箱号码区域进行倾斜校正。

提取出集装箱号码区域处的边缘点信息，并将其作为霍夫(Hough)检测的数据进行角度检测。根据霍夫检测的角度值，对集装箱箱号区域作相应的旋转校正。

通过以上步骤，即可定位出集装箱号码在集装箱箱号图像中的位置。

本发明的创新之处在于：

1、本发明采用通过对集装箱图片进行边缘检测，根据集装箱箱号区域丰富的边缘纹理信息，获得箱号字符的候选区域。通过列定位尝试和行定位尝试，很好的解决了集装箱箱号排列方式的不确定性造成定位失败的问题。

2、对提取出的各个连通域的位置和大小，结合集装箱的各种排列方式进行分析，避免了不常见的多行排列方式的集装箱箱号的漏检。

附图说明

图1为本发明流程示意图。

具体实施方式

一种基于边缘检测的集装箱号码定位方法，如图1所示，包括以下步骤：

步骤1：采集原始集装箱箱号图像，并将其转换成灰度格式图片。

由于集装箱背景色和集装箱号码的颜色搭配没有规律，在集装箱号码定位过程中对颜色信息无法利用，因此，为了减小计算量将原始的彩色图像转换成灰度图像进行处理。若采集的原始集装箱箱号图像为RGB格式图片，将其转换成灰度格式图片的转化公式为：

gray＝0.229×R+0.587×G+0.114×B    (1)

其中gray表示灰度格式图片中某个像素点的灰度值，R、G和B分别表示RGB格式图片中该像素点的红色、绿色和蓝色三个通道的像素值。

步骤2：对步骤1所得灰度图像进行中值滤波，去除噪声干扰。

步骤3：选择Sobel算子对步骤2中值滤波后的灰度图像分别进行垂直方向边缘检测和水平方向边缘检测，得到集装箱箱号图像的垂直边缘图v_imedge和水平边缘图h_imedge。

由于集装箱箱号的排列方式多样：单行排列、双行排列、四行排列、单列排列、双列排列。在不知道待检测的集装箱箱号是什么排列方式的情况下，对集装箱箱号的排列方式进行假设，分别运用垂直边缘图v_imedge和水平边缘图h_imedge进行行定位尝试和列定位尝试。

步骤4：分别运用垂直边缘图v_imedge和水平边缘图h_imedge进行行定位尝试和列定位尝试，即采用9×9大小的全1的滑动矩阵map逐个边缘点地遍历垂直边缘图v_imedge和水平边缘图h_imedge。

首先计算滑动矩阵map分别在垂直边缘图像v_mask和水平边缘图h_mask中每个遍历像素点所覆盖区域内的边缘点数CNT_v(i，j)和CNT_h(i，j)：

$\mathrm{CNT}\_v(i,j)=\underset{v\∈[j-W/2,j+W/2]}{\underset{u\∈[i-H/2,i+H/2],}{\mathrm{\Σ}}}v\_\mathrm{imedge}(u,v);$

$\mathrm{CNT}\_h(i,j)=\underset{v\∈[j-W/2,j+W/2]}{\underset{u\∈[i-H/2,i+H/2],}{\mathrm{\Σ}}}h\_\mathrm{imedge}(u,v);$

然后判断每个遍历像素点是否属于候选集装箱箱号字符连通区域像素点。对于垂直边缘图像v_mask的当前遍历像素点，若CNT_v(i，j)＞Tv、且 $\mathrm{Tv}=\frac{\mathrm{\β}*W*H}{\mathrm{height}*\mathrm{width}}\underset{i=1}{\overset{\mathrm{height}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}h\_\mathrm{imedge}(i,j),$ 则判定当前遍历像素点属于候选集装箱箱号字符连通区域像素点，否则判定当前遍历像素点不属于候选集装箱箱号字符连通区域像素点；同样，对于水平边缘图像h_mask的当前遍历像素点，若CNT_h(i，j)＞Th、且 $\mathrm{Th}=\frac{\mathrm{\α}*W*H}{\mathrm{height}*\mathrm{width}}\underset{i=1}{\overset{\mathrm{height}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}h\_\mathrm{imedge}(i,j),$ 则判定当前遍历像素点属于候选集装箱箱号字符连通区域像素点，否则判定当前遍历像素点不属于候选集装箱箱号字符连通区域像素点；最后将垂直边缘图像v_mask或水平边缘图h_mask中所有判定为候选集装箱箱号字符连通区域的像素点的像素值设为1，就得到垂直候选集装箱箱号字符连通区域图v_mask和水平候选集装箱箱号字符连通区域图h_mask。步骤4中，W和H分别表示滑动矩阵map的宽度和高度，height和width分别表示垂直边缘图v_imedge或水平边缘图h_imedge的高度和宽度，α和β为两个系数，对于不同的图片源可以作相应的调整。参考值为：α＝5和β＝5。

步骤5：对步骤4得到的图像v_mask和h_mask进行形态学处理。

选择3×9大小的结构算子对图像v_mask进行形态学闭操作，选择9×3的结构算子对图像h_mask进行形态学闭操作；将断裂的集装箱箱号区域的连通域连接起来。

步骤6：提取形态学处理后图像v_mask和h_mask的连通区域。

采用4-邻域连通法标记出经步骤5形态学处理后的图像v_mask和h_mask中的连通区域，并逐一统计出每个连通区域的大小、位置信息。

步骤7：对步骤6中提取出来的每个连通域的大小和位置信息进行判断分析。

对每个连通域的宽度进行判断，如果该连通域的宽度和高度小于一个字符的最小宽度和最小高度(通过先验知识可以获得)就将该连通域排除掉。虽然集装箱箱号的排列方式多样，但对于每种行排列，它们各行的字符数是一定的；对于每种列排列，它们各列的字符数也是一定的。因此，可以通过判断每个连通域包含字符的个数结合各连通域相互之间的位置信息找到最后完整的集装箱字符区域。

实际操作时，对于行定位尝试得到的各个连通域，先找出宽度最大的连通域，如果该连通域包含的字符数为11，则该连通区域在原图片中所对应的区域就是集装箱号码区域；如果该宽度最大的连通域包含的字符数为7，则在该连通域所在位置的上边位置寻找包含四个字符的连通域，这两个连通域所在位置即为集装箱号码区域；如果宽度最大的连通域包含的字符为4，则在该连通域所在位置的上边位置寻找两个包含3个字符的连通域，同时在该连通域的下边位置寻找一个包含1个字符的连通域。对于列定位尝试得到的各个连通域，先找到高度最大的连通域，如果该连通域包含的字符数为11，则该连通区域在原图片中所对应的区域就是集装箱号码区域；如果该宽度最大的连通域包含的字符数为7，则在该连通域所在位置的左边位置寻找包含四个字符的连通域，这两个连通域所在位置即为集装箱号码区域。

步骤8：对得到的集装箱号码区域进行倾斜校正。

提取出集装箱号码区域处的边缘点信息，并将其作为霍夫(Hough)检测的数据进行角度检测。根据霍夫检测的角度值，对集装箱箱号区域作相应的旋转校正。

通过以上步骤，即可定位出集装箱号码在集装箱箱号图像中的位置。

Claims (2)

1.一种基于边缘检测的集装箱号码定位方法，包括以下步骤：

步骤1：采集原始集装箱箱号图像，并将其转换成灰度格式图片；

若采集的原始集装箱箱号图像为RGB格式图片，将其转换成灰度格式图片：

gray＝0.229×R+0.587×G+0.114×B

其中gray表示灰度格式图片中某个像素点的灰度值，R、G和B分别表示RGB格式图片中该像素点的红色、绿色和蓝色三个通道的像素值；

步骤2：对步骤1所得灰度图像进行中值滤波，去除噪声干扰；

步骤3：选择Sobel算子对步骤2中值滤波后的灰度图像分别进行垂直方向边缘检测和水平方向边缘检测，得到集装箱箱号图像的垂直边缘图v_imedge和水平边缘图h_imedge；

步骤4：分别运用垂直边缘图v_imedge和水平边缘图h_imedge进行行定位尝试和列定位尝试，即采用9×9大小的全1的滑动矩阵map逐个边缘点地遍历垂直边缘图v_imedge和水平边缘图h_imedge；

首先计算滑动矩阵map分别在垂直边缘图像v_mask和水平边缘图h_mask中每个遍历像素点所覆盖区域内的边缘点数CNT_v(i，j)和CNT_h(i，j)：

$\mathrm{CNT}\_v(i,j)=\underset{v\∈[j-W/2,j+W/2]}{\underset{u\∈[i-H/2,i+H/2],}{\mathrm{\Σ}}}v\_\mathrm{imedge}(u,v);$

$\mathrm{CNT}\_h(i,j)=\underset{v\∈[j-W/2,j+W/2]}{\underset{u\∈[i-H/2,i+H/2],}{\mathrm{\Σ}}}h\_\mathrm{imedge}(u,v);$

然后判断每个遍历像素点是否属于候选集装箱箱号字符连通区域像素点；对于垂直边缘图像v_mask的当前遍历像素点，若CNT_v(i，j)＞Tv、且 $\mathrm{Tv}=\frac{\mathrm{\β}*W*H}{\mathrm{height}*\mathrm{width}}\underset{i=1}{\overset{\mathrm{height}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}h\_\mathrm{imedge}(i,j),$ 则判定当前遍历像素点属于候选集装箱箱号字符连通区域像素点，否则判定当前遍历像素点不属于候选集装箱箱号字符连通区域像素点；同样，对于水平边缘图像h_mask的当前遍历像素点，若CNT_h(i，j)＞Th、且 $\mathrm{Th}=\frac{\mathrm{\α}*W*H}{\mathrm{height}*\mathrm{width}}\underset{i=1}{\overset{\mathrm{height}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}h\_\mathrm{imedge}(i,j),$ 则判定当前遍历像素点属于候选集装箱箱号字符连通区域像素点，否则判定当前遍历像素点不属于候选集装箱箱号字符连通区域像素点；最后将垂直边缘图像v_mask或水平边缘图h_mask中所有判定为候选集装箱箱号字符连通区域的像素点的像素值设为1，就得到垂直候选集装箱箱号字符连通区域图v_mask和水平候选集装箱箱号字符连通区域图h_mask；步骤4中，W和H分别表示滑动矩阵map的宽度和高度，height和width分别表示垂直边缘图v_imedge或水平边缘图h_imedge的高度和宽度，α和β为两个正整数系数；

步骤5：对步骤4得到的图像v_mask和h_mask进行形态学处理；

选择3×9大小的结构算子对图像v_mask进行形态学闭操作，选择9×3的结构算子对图像h_mask进行形态学闭操作；将断裂的集装箱箱号区域的连通域连接起来；

步骤6：提取形态学处理后图像v_mask和h_mask的连通区域；

采用4-邻域连通法标记出经步骤5形态学处理后的图像v_mask和h_mask中的连通区域，并逐一统计出每个连通区域的大小、位置信息；

步骤7：对步骤6中提取出来的每个连通域的大小和位置信息进行判断分析；

对每个连通域的宽度进行判断，如果该连通域的宽度和高度小于一个字符的最小宽度和最小高度就将该连通域排除掉；通过判断每个连通域包含字符的个数结合各连通域相互之间的位置信息找到最后完整的集装箱字符区域：

对于行定位尝试得到的各个连通域，先找出宽度最大的连通域，如果该连通域包含的字符数为11，则该连通区域在原图片中所对应的区域就是集装箱号码区域；如果该宽度最大的连通域包含的字符数为7，则在该连通域所在位置的上边位置寻找包含四个字符的连通域，这两个连通域所在位置即为集装箱号码区域；如果宽度最大的连通域包含的字符为4，则在该连通域所在位置的上边位置寻找两个包含3个字符的连通域，同时在该连通域的下边位置寻找一个包含1个字符的连通域；对于列定位尝试得到的各个连通域，先找到高度最大的连通域，如果该连通域包含的字符数为11，则该连通区域在原图片中所对应的区域就是集装箱号码区域；如果该宽度最大的连通域包含的字符数为7，则在该连通域所在位置的左边位置寻找包含四个字符的连通域，这两个连通域所在位置即为集装箱号码区域；

步骤8：对得到的集装箱号码区域进行倾斜校正；

提取出集装箱号码区域处的边缘点信息，并将其作为霍夫检测的数据进行角度检测，根据霍夫检测的角度值，对集装箱箱号区域作相应的旋转校正；

通过以上步骤，即可定位出集装箱号码在集装箱箱号图像中的位置。

2.根据权利要求1所述的基于边缘检测的集装箱号码定位方法，其特征在于，步骤4中所述正整数系数α＝β＝5。

Images