CN106203237A - 集装箱拖车编号的识别方法和装置 - Google Patents

Abstract

本发明公开了一种集装箱拖车编号的识别方法和装置。其中，该方法包括：基于预设特征库识别第一图像中的集装箱拖车车头区域，其中，第一图像携带有集装箱拖车编号；对集装箱拖车车头区域进行字符分割，得到多个字符；对多个字符进行分类识别，得到识别结果；组合多个识别结果，得到集装箱拖车编号。采用本发明，解决了现有技术中不能自动识别集装箱拖车编号的问题，实现了对集装箱拖车编号的自动高效且准确的识别。

Description

集装箱拖车编号的识别方法和装置

技术领域

本发明涉及图像处理领域，具体而言，涉及一种集装箱拖车编号的识别方法和装置。

背景技术

在港口作业中，为了方便对集装箱拖车的识别，每个集装箱拖车都有一个编号，以方便记录集装箱拖车在运输过程中的状态。现有技术中，都是工作人员人工获取集装箱拖车编号并做记录，利用该方法记录集装箱拖车编号时，存在人工成本高、工作效率低且人工抄录易出错误等缺陷。

现有技术中还没有关于集装箱拖车编号的智能识别的方法，与之最相近的是一些关于集装箱箱号的智能识别方法。

(1)现有技术中集装箱箱号的定位方法是利用图像处理方法或者形态学方法对采集到的集装箱图像进行处理以获取集装箱箱号的位置，如果成像条件稳定，上述对集装箱箱号进行提取的方法会起到一定的效果。但是，真实环境中的集装箱可能会受不同光照环境和相机曝光参数差异的影响，采集到的集装箱图像的对比度和平均亮度均会有较大的变化，从而影响对集装箱箱号的定位，若在箱面存在污损的情况下，甚至不能对集装箱箱号进行定位。

(2)在确定了集装箱箱号的图像区域之后，对集装箱箱号进行识别的方法主要有两种，一是基于传统的单隐层神经网络训练分类器来实现箱号识别，其缺点是对分类器进行训练需要花费较长的时间；另一种方法是采用多类支持向量机的识别算法来实现箱号识别，该方法的缺点是对原始图像处理后得到的图像信息简单，且如果处理过程中的参数选择不合适，会直接影响识别结果的正确性，在使用该方法时，不仅参数选择上难以取到最优值参数，而且进行预测时的计算量相对较大、计算时间较长。

针对现有技术中不能自动识别集装箱拖车编号的问题，目前尚未提出有效的解决方案。

发明内容

本发明的主要目的在于提供一种集装箱拖车编号的识别方法和装置，以解决现有技术中不能自动识别集装箱拖车编号的问题。

为了实现上述目的，根据本发明实施例的一个方面，提供了一种集装箱拖车编号的识别方法，该方法包括：基于预设特征库识别第一图像中的集装箱拖车车头区域，其中，第一图像携带有集装箱拖车编号；对集装箱拖车车头区域进行字符分割，得到多个字符；对多个字符进行分类识别，得到识别结果；组合多个识别结果，得到集装箱拖车编号。

为了实现上述目的，根据本发明实施例的另一方面，提供了一种集装箱拖车编号的识别装置，该装置包括：第一识别模块，用于基于预设特征库识别第一图像中的集装箱拖车车头区域，其中，第一图像携带有集装箱拖车编号；分割模块，用于对集装箱拖车车头区域进行字符分割，得到多个字符；第二识别模块，用于对多个字符进行分类识别，得到识别结果；第一组合模块，用于组合多个识别结果，得到集装箱拖车编号。

采用本发明的集装箱拖车编号的识别方法，在港口理货过程中，获取经过角度校正后的数字摄相机拍摄到的集装箱拖车的图像，如第一图像，采用图像识别技术定位第一图像中集装箱拖车车头区域，具体地，基于预设特征库识别第一图像中的集装箱拖车车头区域，然后对集装箱拖车车头区域进行字符分割，得到多个字符，并对多个字符进行分类识别，得到识别结果，然后对识别结果进行组合得到集装箱拖车编号。采用本发明，通过图像处理技术对数字摄相机拍摄到的集装箱拖车图像进行处理，从而识别出集装箱拖车编号，解决了现有技术中不能自动识别集装箱拖车编号的问题，实现了对集装箱拖车编号的自动高效且准确的识别。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的集装箱拖车编号的识别方法的流程图；

图2是根据本发明实施例的抓拍到的集装箱拖车的原始图像；

图3是根据本发明实施例的Canny边缘图像的示意图；

图4是根据本发明实施例的经过处理后的Canny边缘图像的示意图；

图5是根据本发明实施例的第一图像的示意图；

图6是根据本发明实施例的集装箱拖车车头的图像样本的示意图；

图7是根据本发明实施例的一个二值化图像的示意图；

图8是根据本发明实施例的另一个二值化图像的示意图；

图9是根据本发明实施例的对二值化图像进行分割后的图像的示意图；

图10是根据本发明实施例的车辆编号字符的识别目标样本的示意图；以及

图11是根据本发明实施例的集装箱拖车编号的识别装置的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本发明实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

集装箱：是指具有一定强度、刚度和规格的专供周转使用的大型装货容器。

集装箱拖车：专门用于运载可卸下的集装箱的专用运输车辆，在集装箱拖车车头上方通常都有拖车车辆编号。

HOG：英文全称是Histogram of Oriented Gradient，中文名称是方向梯度直方图，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。

LBP：英文全称是Local Binary Pattern，中文名称是局部二值模式，是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点，用于纹理特征提取，而且，提取的特征是图像的局部的纹理特征。

Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

线性分类器：在机器学习领域，分类的目标是指将具有相似特征的对象聚集。而一个线性分类器则透过特征的线性组合来做出分类决定，以达到此种目的。对象的特征通常被描述为特征值，而在向量中则描述为特征向量。

Canny算子：Canny边缘检测算子是John F.Canny于1986年开发出来的一个多级边缘检测算法，用于检测图像的边缘。

Sobel算子：是计算机视觉领域的一种重要处理方法，主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。Sobel算子有两个，一个是检测水平边缘的；另一个是检测垂直边缘的。

Hough变换：是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。Hough变换的实质是将图像空间内具有一定关系的像元进行聚类，寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点。

本发明实施例提供了一种集装箱拖车编号的识别方法。

图1是根据本发明实施例的集装箱拖车编号的识别方法的流程图。如图1所示，该方法包括步骤如下：

步骤S102，基于预设特征库识别第一图像中的集装箱拖车车头区域。

其中，第一图像携带有集装箱拖车编号。

步骤S104，对集装箱拖车车头区域进行字符分割，得到多个字符。

步骤S106，对多个字符进行分类识别，得到识别结果。

步骤S108，组合多个识别结果，得到集装箱拖车编号。

采用本发明的集装箱拖车编号的识别方法，在港口理货过程中，获取经过角度校正后的数字摄相机拍摄到的集装箱拖车的图像，如第一图像，采用图像识别技术定位第一图像中集装箱拖车车头区域，具体地，基于预设特征库识别第一图像中的集装箱拖车车头区域，然后对集装箱拖车车头区域进行字符分割，得到多个字符，并对多个字符进行分类识别，得到识别结果，然后对识别结果进行组合得到集装箱拖车编号。采用本发明，通过图像处理技术对数字摄相机拍摄到的集装箱拖车图像进行处理，从而识别出集装箱拖车编号，解决了现有技术中不能自动识别集装箱拖车编号的问题，实现了对集装箱拖车编号的自动高效且准确的识别。

具体地，该方法可以应用于港口理货中，采用数字摄相机对集装箱拖车进行拍摄，以获取包含集装箱拖车车头区域的第一图像，并采用图像识别技术从第一图像定位集装箱拖车车头区域，然后对车头上的拖车编号进行定位，并对集装箱拖车编号进行识别，若集装箱拖车编号为多位数字或者字符，则需要对其中的单个数字或者字符进行逐个识别，然后将多个识别结果进行组合得到集装箱拖车编号，并将最终识别结果(集装箱拖车编号)传递给用户。

通过上述实施例提供的方法，利用摄相机实时监控获取理货现场的集装箱拖车信息，自动记录集装箱拖车编号，大大减少人工户外工作量，并有效地解决了因为人工失误导致的拖车编号记录错误等问题，有效地提升了港口理货效率。

在上述实施例中，在基于预设特征库识别第一图像中的集装箱拖车车头区域之前，集装箱拖车编号的识别方法还可以包括：采集携带有集装箱拖车编号的第二图像；若第二图像中的集装箱拖车车身不呈水平方向，则对第二图像进行旋转校正处理，得到第一图像，其中，第一图像中的集装箱拖车车身呈水平方向。

由于集装箱拖车车头图像一般是通过高处横梁上的相机采集得到的，所以在得到的图像中，车头并不一定是水平状态。图2示出了一张集装箱拖车的抓拍图像(即第二图像)，图像中右下角的圆形标注部分为集装箱拖车编号。

在获取到集装箱拖车车头图像(第二图像)后，首先对如图2示出的第二图像进行旋转校正，得到如图5示出的集装箱拖车车身呈水平方向的图像(第一图像)，然后对车头位置进行检测，当检测到车头后对拖车编号进行定位，最后对定位得到的拖车编号进行识别，得到集装箱拖车编号的识别结果。

通过本发明的上述实施例，对抓拍图像中存在一定倾斜角度的集装箱拖车车身进行角度校正，以便准确识别拖车编号。

根据上述实施例，对第二图像进行旋转校正处理，得到第一图像可以包括：对第二图像进行边缘检测，得到第二图像的边缘图像；获取边缘图像中长度排序位于前N位的直线的水平夹角，其中，N为自然数；基于各个直线之间的平行程度确定边缘图像的倾斜方向；根据各个直线的水平夹角和倾斜方向计算边缘图像在倾斜方向上的水平倾斜角度；按照水平倾斜角度对第二图像进行旋转变换，得到第一图像。

下面结合图2至图5详述上述实施例。

首先，对如图2示出的第二图像进行边缘检测，图3示出示出了对图2所示的第二图像进行Canny边缘提取的结果。在进行Canny边缘提取处理时，首先计算第二图像的Sobel水平梯度和垂直梯度，得到梯度图像，在得到的梯度图像中有较高亮度的梯度有可能是边缘，为了准确的限定出边缘的梯度值范围，Canny算法通过两个阈值(即高阈值和低阈值)限定边缘的梯度值范围，以跟踪图像中以连续曲线形式存在的边缘信息(如图3示出的各个白色的线条即为检测出的边缘)，最终得到如图3所示的二值图像，也即Canny边缘图像。

其中，Canny边缘检测算子是一种多级边缘检测算法，Canny边缘能够尽可能多地标识出图像中的实际边缘，标识出的边缘会与图像中的实际边缘尽可能的接近，且对有效边缘仅标识一次。在本发明中通过使用Canny边缘检测算子检测出图像中的边缘信息，以此来显示图像中车道线与集装箱拖车的边缘。

然后，求Canny边缘图像中主要直线(即边缘图像中长度排序位于前N位的直线，如图4中较粗的白色直线)的水平夹角。在得到的Canny边缘图像中，各车道线之间、各集装箱拖车车身的边缘线之间基本处于平行状态。为了计算集装箱拖车的倾斜角度，在本发明中，可以通过计算车道线或车身边缘线与水平方向的水平夹角来确定集装箱拖车的水平倾斜角度。

具体地，通过Hough直线检测方法对如图3所示的Canny边缘图像中最长的直线进行检测，得到如图4中粗线示出的几条直线。这些直线基本都是地面车道线和车身边缘直线。得到这些直线后，分别求出各直线的水平夹角Ai(i为直线的编号，如夹角A1即表示编号为1的直线的水平夹角)，再根据每条直线之间的平行程度将同一方向上的直线合并，得到一个主方向(即边缘图像的倾斜方向)，该主方向与水平方向的夹角A(即水平倾斜角度)。由于集装箱拖车基本都是沿着车道线方向行驶，因此A即为车身的水平倾斜角度。

获取到车身的水平倾斜角度后，需要对第二图像进行倾斜校正，从而得到第一图像，对第二图像进行倾斜校正可以通过如下方法实现：根据求得的车身的水平倾斜角度A对源图(第二图像)进行旋转变换，得到如图5所示的第一图像，在该图像中，车身为水平状态，图5中示出了水平方向和水平倾斜角度A。图像旋转可以通过最近邻取值的正向映射法或线性插值的方法来实现。

通过上述实施例，可以对抓拍到的存在一定倾斜角度的集装箱拖车图像进行角度校正，有利于进一步地对图像进行准确分割和识别。

在本发明的上述实施例中，基于预设特征库识别第一图像中的集装箱拖车车头区域可以包括：基于预先获取的集装箱拖车车头特征训练检测器；通过检测器采用滑动窗口检测方法对第一图像进行特征识别，得到集装箱拖车车头区域。

具体地，对集装箱拖车编号的定位与识别主要是采用模式识别的方法来实现的。由于集装箱拖车车头一般都具有特定的图像特征(图6示出了部分集装箱拖车车头图像样本)，所以可以利用图像的特定的图像特征来实现对第一图像中集装箱拖车车头区域的检测，具体地检测方法是：对第一图像进行特征提取，然后进行检测器的训练，利用训练后的检测器对第一图像进行特征识别；可选地，可以提取目标(即上述实施例中的第一图像)的LBP特征，利用识别级联的Adaboost分类器训练检测器，并通过训练后的分类器训练检测器对第一图像进行特征识别。其中，上述的图像特征可以是HOG特征、Haar特征以及EGL特征等用于描述目标纹理的特征，分类器训练检测器也可以采用SVM分类器、随机森林分类器等其它结构的分类模型来实现。

通过上述实施例，可以快速确定目标图像中的集装箱拖车车头区域。

进一步地，通过检测器采用滑动窗口检测方法对第一图像进行图像窗口特征识别，得到集装箱拖车车头区域可以包括：获取第一图像的灰度积分图；在灰度积分图上计算局部二值特征；通过检测器采用滑动窗口检测方法对局部二值特征进行图像窗口特征识别，得到识别为车头子区域；组合识别出的所有车头子区域，得到集装箱拖车车头区域。

具体地，在数据库中会预存有足够多的正样本(集装箱拖车车头图像样本，其标签为“车头”)和负样本(不为集装箱拖车车头图像的样本)，在待检测图像(第一图像的灰度积分图)中，按多尺度的窗口以一定步长进行滑动。针对每个检测窗口，采用训练方法中的对应特征提取方法，提取该窗口中的图像特征，然后采用训练方法中对应的分类模型对图像窗口的图像特征进行识别，如果在数据库中找到与该窗口的图像特征对应的图像特征(图像窗口特征)，则确定其分类结果为“车头”(即上述标签“车头”)，并对该窗口进行标注。典型的，在本发明中，图像特征为LBP特征，为了节省计算时间，可先求整个检测图像(第一图像)的灰度积分图，然后在积分图上快速计算LBP特征，再用级联Adaboost分类器对该特征进行类别判断。在完成检测图像(第一图像的灰度积分图)中所有尺度的位置遍历滑动后，在检测图像平面上会获得一些被检测分类器识别为正样本的区域(检测框)，由于拖车车头区域的不同子区域的图像窗口特征不同，所以检测结果是多个检测框(即车头子区域)，最后对所有检测框进行组合合并即可得到集装箱拖车车头目标的检测结果，即确定图像中的集装箱拖车车头区域。

在上述实施例中，对集装箱拖车车头区域进行字符分割，得到多个字符可以包括：基于集装箱拖车车头区域的灰度直方图对集装箱拖车车头区域进行二值化处理，得到二值化图像；使用矩形框标注二值化图像中的各个连通域，得到标注图像；基于标注图像中的矩形框进行字符分割，得到多个字符。

具体地，在获取到集装箱拖车车头区域后，需要对该区域进行分割，得到的分割结果为单个字符。在本发明中，对检出的集装箱拖车车头区域采用基于灰度直方图分析阈值的方法进行二值化处理，图7和图8示出的是按照预设的二值化阈值(即高阀值和低阀值)对集装箱拖车车头区域进行二值化处理后的二值化图像。然后对得到的二值化图像进行连通域分析，可以根据每个字符得到一个连通域，使用矩形框标注每个连通域得到的标注图像如图9所示，然后根据矩形框实现对字符区域的分割，得到的单个字符的图像如图10所示。

进一步地，可以采用机器学习的方法来实现对集装箱拖车编号字符的识别，在进行集装箱拖车字符识别时，本发明中直接对横向车辆编号字符进行识别，所获取的识别目标样本(即包含单个字符的图像)如图10所示。具体地，提取字符块的梯度特征(HOG特征和LBP特征)，然后采用线性分类器模型训练10类数字字符(即数字0至数字9)识别分类器。在实时识别过程中，采用训练好的分类器对各个字符进行识别，最后把各个字符识别结果组合起来，形成拖车编号的识别结果。

需要进一步说明的是，集装箱拖车车头上的编号一般都与背景有较明显的灰度差，所以可以通过分析区域样本的灰度来确定较理想的二值化阈值。

根据本发明的上述实施例，在港口理货过程中，获取数字摄相机拍摄到的集装箱拖车的图像，若该图像存在倾斜(如图2所示的图像)，则通过边缘检测获取如图4所示的边缘图像，并根据边缘图像确定第二图像的水平倾斜角度A，然后根据水平倾斜角度A对如图2示出的第二图像进行角度校正，得到如图5所示的第一图像，然后通过检测器采用滑动窗口检测方法对第一图像进行特征识别，获取集装箱拖车车头区域并对集装箱拖车车头区域进行二值化处理得到如图7所示的二值化图像，在该图像中使用矩形框标注出如图9示出的各个连通域(包含单个字符的区域)，然后根据矩形框对二值化图像就行分割即可得到如图10所示的单个字符的图形，然后分别对图10中的包含单个字符的图像进行识别并将识别结果进行组合即可得出图2示出的集装箱拖车的编号为062。

通过上述实施例，采用图像识别技术，对采集的集装箱图像进行处理，从而自动识别出集装箱拖车的编号，克服了现有技术中的人工抄录易出错的问题，取得了较理想的识别效果，有效地减少了人工成本、提升了工作效率。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明实施例还提供了一种集装箱拖车编号的识别装置。需要说明的是，本发明实施例的集装箱拖车编号的识别装置可以用于执行本发明实施例所提供的集装箱拖车编号的识别方法，本发明实施例的集装箱拖车编号的识别方法也可以通过本发明实施例所提供的集装箱拖车编号的识别装置来执行。

图11是根据本发明实施例的集装箱拖车编号的识别装置的示意图。如图11所示，该识别装置包括：第一识别模块10、分割模块30、第二识别模块50以及第一组合模块70。

其中，第一识别模块，用于基于预设特征库识别第一图像中的集装箱拖车车头区域，其中，第一图像携带有集装箱拖车编号；分割模块，用于对集装箱拖车车头区域进行字符分割，得到多个字符；第二识别模块，用于对多个字符进行分类识别，得到识别结果；第一组合模块，用于组合多个识别结果，得到集装箱拖车编号。

采用本发明的集装箱拖车编号的识别装置，在港口理货过程中，获取经过角度校正后的数字摄相机拍摄到的集装箱拖车的图像，如第一图像，采用图像识别技术定位第一图像中集装箱拖车车头区域，具体地，基于预设特征库识别第一图像中的集装箱拖车车头区域，然后对集装箱拖车车头区域进行字符分割，得到多个字符，并对多个字符进行分类识别，得到识别结果，然后对识别结果进行组合得到集装箱拖车编号。采用本发明，通过图像处理技术对数字摄相机拍摄到的集装箱拖车图像进行处理，从而识别出集装箱拖车编号，解决了现有技术中不能自动识别集装箱拖车编号的问题，实现了对集装箱拖车编号的自动高效且准确的识别。

具体地，该装置可以应用于港口理货中，采用数字摄相机对集装箱拖车进行拍摄，以获取包含集装箱拖车车头区域的第一图像，并采用图像识别技术从第一图像定位集装箱拖车车头区域，然后对车头上的拖车编号进行定位，并对集装箱拖车编号进行识别，若集装箱拖车编号为多位数字或者字符，则需要对其中的单个数字或者字符进行逐个识别，然后将多个识别结果进行组合得到集装箱拖车编号，并将最终识别结果(集装箱拖车编号)传递给用户。

通过上述实施例提供的装置，利用摄相机实时监控获取理货现场的集装箱拖车信息，自动记录集装箱拖车编号，大大减少人工户外工作量，并有效地解决了因为人工失误导致的拖车编号记录错误等问题，有效地提升了港口理货效率。

在上述实施例中，集装箱拖车编号的识别装置还可以包括：采集模块，用于在基于预设特征库识别第一图像中的集装箱拖车车头区域之前，采集携带有集装箱拖车编号的第二图像；校正模块，用于若第二图像中的集装箱拖车车身不呈水平方向，则对第二图像进行旋转校正处理，得到第一图像，其中，第一图像中的集装箱拖车车身呈水平方向。

由于集装箱拖车车头图像一般是通过高处横梁上的相机采集得到的，所以在得到的图像中，车头并不一定是水平状态。图2示出了一张集装箱拖车的抓拍图像(第二图像)，图像中右下角的圆形标注部分为集装箱拖车编号。

通过本发明的上述实施例，对抓拍图像中存在一定倾斜角度的集装箱拖车车身进行角度校正，以便准确识别拖车编号。

根据本发明的上述实施例，校正模块可以包括：检测模块，用于对第二图像进行边缘检测，得到第二图像的边缘图像；第一获取模块，用于获取边缘图像中长度排序位于前N位的直线的水平夹角，其中，N为自然数；确定模块，用于基于各个直线之间的平行程度确定边缘图像的倾斜方向；第一计算模块，用于根据各个直线的水平夹角和倾斜方向计算边缘图像在倾斜方向上的水平倾斜角度；旋转模块，用于按照水平倾斜角度对第二图像进行旋转变换，得到第一图像。

具体地，检测模块通过Hough直线检测方法实现边缘检测。图像旋转可以通过最近邻取值的正向映射法或线性插值的方法来实现。

通过上述实施例，可以对抓拍到的存在一定倾斜角度的集装箱拖车图像进行角度校正，有利于进一步地对图像进行准确分割和识别。

在上述实施例中，第一识别模块可以包括：训练模块，用于基于预先获取的集装箱拖车车头特征训练检测器；第三识别模块，用于通过检测器采用滑动窗口检测方法对第一图像进行特征识别，得到集装箱拖车车头区域。

具体地，第三识别模块对集装箱拖车编号的定位与识别主要是采用模式识别的方法来实现的。由于集装箱拖车车头一般都具有特定的图像特征(图6示出了部分集装箱拖车车头图像样本)，所以可以利用图像的特定的图像特征来实现对第一图像中集装箱拖车车头区域的检测，具体地，检测方法是：对第一图像进行特征提取，然后进行检测器的训练，利用训练后的检测器对第一图像进行特征识别。典型地，可以提取目标(第一图像)的LBP特征，利用识别级联的Adaboost分类器训练检测器，这样就能通过训练后的检测器对第一图像进行特征识别。图像特征也可以是HOG特征、Haar特征、EGL特征等其它描述目标纹理的特征，分类器也可以采用SVM分类器、随机森林分类器等其它结构的分类模型。

通过上述实施例，可以快速确定目标图像中的集装箱拖车车头区域。

进一步地，第三识别模块可以包括：第二获取模块，用于获取第一图像的灰度积分图；第二计算模块，用于在灰度积分图上计算局部二值特征；第四识别模块，用于通过检测器采用滑动窗口检测方法对局部二值特征进行图像窗口特征识别，得到识别为车头子区域；第二组合模块，用于组合识别出的所有车头子区域，得到集装箱拖车车头区域。

根据本发明的上述实施例，分割模块可以包括：处理模块，用于基于集装箱拖车车头区域的灰度直方图对集装箱拖车车头区域进行二值化处理，得到二值化图像；标注模块，用于使用矩形框标注二值化图像中的各个连通域，得到标注图像；分割子模块，用于基于标注图像中的矩形框进行字符分割，得到多个字符。

通过上述实施例，采用图像识别技术，对采集的集装箱图像进行处理，从而自动识别出集装箱拖车的编号，取得了较理想的识别效果，有效地减少了人工成本、提升了工作效率以及杜绝了人工抄录错误。

本实施例中所提供的各个模块与方法实施例对应步骤所提供的使用方法相同、应用场景也可以相同。当然，需要注意的是，上述模块涉及的方案可以不限于上述实施例中的内容和场景，且上述模块可以运行在计算机终端或移动终端，可以通过软件或硬件实现。

从以上的描述中，可以看出，本发明实现了如下技术效果：

采用本发明的集装箱拖车编号的识别方法和装置，在港口理货过程中，获取经过角度校正后的数字摄相机拍摄到的集装箱拖车的图像，如第一图像，采用图像识别技术定位第一图像中集装箱拖车车头区域，具体地，基于预设特征库识别第一图像中的集装箱拖车车头区域，然后对集装箱拖车车头区域进行字符分割，得到多个字符，并对多个字符进行分类识别，得到识别结果，然后对识别结果进行组合得到集装箱拖车编号。采用本发明，通过图像处理技术对数字摄相机拍摄到的集装箱拖车图像进行处理，从而识别出集装箱拖车编号，解决了现有技术中不能自动识别集装箱拖车编号的问题，实现了对集装箱拖车编号的自动高效且准确的识别。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种集装箱拖车编号的识别方法，其特征在于，包括：

基于预设特征库识别第一图像中的集装箱拖车车头区域，其中，所述第一图像携带有集装箱拖车编号；

对所述集装箱拖车车头区域进行字符分割，得到多个字符；

对所述多个字符进行分类识别，得到识别结果；

组合多个所述识别结果，得到所述集装箱拖车编号。

2.根据权利要求1所述的方法，其特征在于，在基于预设特征库识别第一图像中的集装箱拖车车头区域之前，所述方法还包括：

采集携带有所述集装箱拖车编号的第二图像；

若所述第二图像中的集装箱拖车车身不呈水平方向，则对所述第二图像进行旋转校正处理，得到所述第一图像，其中，所述第一图像中的集装箱拖车车身呈水平方向。

3.根据权利要求2所述的方法，其特征在于，对所述第二图像进行旋转校正处理，得到所述第一图像包括：

对所述第二图像进行边缘检测，得到所述第二图像的边缘图像；

获取所述边缘图像中长度排序位于前N位的直线的水平夹角，其中，所述N为自然数；

基于各个所述直线之间的平行程度确定所述边缘图像的倾斜方向；

根据各个所述直线的水平夹角和所述倾斜方向计算所述边缘图像在所述倾斜方向上的水平倾斜角度；

按照所述水平倾斜角度对所述第二图像进行旋转变换，得到所述第一图像。

4.根据权利要求1所述的方法，其特征在于，基于预设特征库识别第一图像中的集装箱拖车车头区域包括：

基于预先获取的集装箱拖车车头特征训练检测器；

通过所述检测器采用滑动窗口检测方法对所述第一图像进行特征识别，得到所述集装箱拖车车头区域。

5.根据权利要求4所述的方法，其特征在于，通过所述检测器采用滑动窗口检测方法对所述第一图像进行图像窗口特征识别，得到所述集装箱拖车车头区域包括：

获取所述第一图像的灰度积分图；

在所述灰度积分图上计算局部二值特征；

通过所述检测器采用滑动窗口检测方法对所述局部二值特征进行图像窗口特征识别，得到识别为车头子区域；

组合识别出的所有所述车头子区域，得到所述集装箱拖车车头区域。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，对所述集装箱拖车车头区域进行字符分割，得到多个字符包括：

基于所述集装箱拖车车头区域的灰度直方图对所述集装箱拖车车头区域进行二值化处理，得到二值化图像；

使用矩形框标注所述二值化图像中的各个连通域，得到标注图像；

基于标注图像中的所述矩形框进行字符分割，得到所述多个字符。

7.一种集装箱拖车编号的识别装置，其特征在于，包括：

第一识别模块，用于基于预设特征库识别第一图像中的集装箱拖车车头区域，其中，所述第一图像携带有集装箱拖车编号；

分割模块，用于对所述集装箱拖车车头区域进行字符分割，得到多个字符；

第二识别模块，用于对所述多个字符进行分类识别，得到识别结果；

第一组合模块，用于组合多个所述识别结果，得到所述集装箱拖车编号。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

采集模块，用于在基于预设特征库识别第一图像中的集装箱拖车车头区域之前，采集携带有所述集装箱拖车编号的第二图像；

校正模块，用于若所述第二图像中的集装箱拖车车身不呈水平方向，则对所述第二图像进行旋转校正处理，得到所述第一图像，其中，所述第一图像中的集装箱拖车车身呈水平方向。

9.根据权利要求8所述的装置，其特征在于，所述校正模块包括：

检测模块，用于对所述第二图像进行边缘检测，得到所述第二图像的边缘图像；

第一获取模块，用于获取所述边缘图像中长度排序位于前N位的直线的水平夹角，其中，所述N为自然数；

确定模块，用于基于各个所述直线之间的平行程度确定所述边缘图像的倾斜方向；

第一计算模块，用于根据各个所述直线的水平夹角和所述倾斜方向计算所述边缘图像在所述倾斜方向上的水平倾斜角度；

旋转模块，用于按照所述水平倾斜角度对所述第二图像进行旋转变换，得到所述第一图像。

10.根据权利要求7所述的装置，其特征在于，所述第一识别模块包括：

训练模块，用于基于预先获取的集装箱拖车车头特征训练检测器；

第三识别模块，用于通过所述检测器采用滑动窗口检测方法对所述第一图像进行特征识别，得到所述集装箱拖车车头区域。

11.根据权利要求10所述的装置，其特征在于，所述第三识别模块包括：

第二获取模块，用于获取所述第一图像的灰度积分图；

第二计算模块，用于在所述灰度积分图上计算局部二值特征；

第四识别模块，用于通过所述检测器采用滑动窗口检测方法对所述局部二值特征进行图像窗口特征识别，得到识别为车头子区域；

第二组合模块，用于组合识别出的所有所述车头子区域，得到所述集装箱拖车车头区域。

12.根据权利要求7至11中任意一项所述的装置，其特征在于，所述分割模块包括：

处理模块，用于基于所述集装箱拖车车头区域的灰度直方图对所述集装箱拖车车头区域进行二值化处理，得到二值化图像；

标注模块，用于使用矩形框标注所述二值化图像中的各个连通域，得到标注图像；

分割子模块，用于基于标注图像中的所述矩形框进行字符分割，得到所述多个字符。