CN107067009A - 一种实时杆号识别方法 - Google Patents
一种实时杆号识别方法 Download PDFInfo
- Publication number
- CN107067009A CN107067009A CN201710045140.4A CN201710045140A CN107067009A CN 107067009 A CN107067009 A CN 107067009A CN 201710045140 A CN201710045140 A CN 201710045140A CN 107067009 A CN107067009 A CN 107067009A
- Authority
- CN
- China
- Prior art keywords
- image
- real
- matching
- dir
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 15
- 238000005452 bending Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 230000009977 dual effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种实时杆号识别方法,该方法至少包括如下步骤:步骤1:通过基于双阈值的canny边缘检测算法提取字符模板。步骤2:对实时采集的杆号图像进行图像预处理。步骤3:对步骤2中的图像进行形状匹配。步骤4:利用自适应策略算法得到正确的杆号结果。本发明利用已知的模板字符与杆号图像通过Shape Context形状匹配算法进行杆号识别和定位,然后通过自适应策略算法得到正确的杆号。实验结果表明,对于不同形状,不同大小的杆号牌,辅以较少的配置就可以实现杆号识别,识别准确率90%以上,具有较好的工程实践意义。
Description
技术领域
本发明涉及图像识别技术,具体地,涉及一种实时铁路供电杆号识别方法。
背景技术
随着我国高铁线路的不断建设,高铁运营里程不断增加,运营速度越来越快,如何保证高速铁路的安全运营已经成为一个重要的课题。为了快速发现问题解决问题,减少检测所需人力,利用图像检测方式对接触网进行监测检测显得越来越重要。而利用图像检测方式,其中一个重要的模块在于将一杆的图像归到正确的杆号下,为此要达到精确归档需要利用图像识别算法对杆号进行识别。
铁路杆号牌不像汽车号牌具有统一的标准。不同线路的号牌样式不一样,有横向号牌、竖向号牌、四位数的号牌、三位数的号牌以及字体大小也不尽相同。这就加大了实时杆号识别的难度。现有的杆号号自动识别方法主要是利用常规的图像识别技术,如图像分割、字符提取、特征提取以及分类识别等进行杆号识别,其存在的问题是算法的适应性差,只能适用于竖向号牌的识别,不能实现横向号牌的识别。因此,这种算法很难应用到实际工程中。
发明内容
本发明的目的就在于克服上述现有技术的缺点和不足,提供一种实时杆号识别方法,能解决不同线路杆号的差异性对识别带来的困难。在应用中,用户只需简单的配置操作就可以实现对不同线路的杆号识别,其具有良好的通用性和较高的准确率。
为了实现上述目的,本发明的技术方案是:
一种实时杆号识别方法,该方法至少包括如下步骤:
步骤1:通过基于双阈值的canny边缘检测算法提取字符模板。
步骤2:对实时采集的杆号图像进行图像预处理。
步骤3:对步骤2中的图像进行形状匹配。
步骤4:利用自适应策略算法得到正确的杆号结果。
上述的实时杆号识别方法,其中,在所述的步骤1中,还包括如下分步骤:
步骤1.1:选择成像质量好的杆号图像。
步骤1.2:框选需要提取的字符。
步骤1.3:提取字符轮廓。
步骤1.4:根据式3-1调整提取的轮廓质量。
其中:n为边缘像素点的个数,TL为边缘像素点个数的最小阈值,TH为边缘像素点个数的最大阈值。
上述的实时杆号识别方法,其中,在所述的步骤1中,提取杆号中出现的0-9内的字符,且同一个字符提取一个或多个模板来匹配字符。
上述的实时杆号识别方法,其中,在所述的步骤2中,还包括如下分步骤:
步骤2.1:利用式3-2对杆号图像进行分割处理。
其中,T为分割阈值。
步骤2.2:根据号牌在图像中的面积大小,设两个面积阈值T1,T2,其中T1<T2,利用式3-3筛选出符合要求的连通区域。
T1<area(i)<T2 式3-3
其中,area(i)为步骤2.1分割结果中的第i个连通区域的面积。
步骤2.3:利用式3-4对步骤2.2的结果进行膨胀处理。
其中,结构元素B为100*100的结构元素。
步骤2.4:利用式3-5对步骤2.2中的目标区域计算平行于坐标轴的包围杆号区域的最小外接矩形,并得到矩形区域的图像,从而将图像所示的矩形区域用于形状匹配。
上述的实时杆号识别方法,其中,在所述的步骤3中,还包括如下分步骤:
步骤3.1:对杆号图像进行边缘提取,并对边缘提取出的轮廓目标进行特征点抽样。
步骤3.2:对特征信息进行计算,设一个目标抽取的特征点数为n,对于边缘任意一个特征点,它与其他n-1个特征点可以构成n-1个特征向量,以n-1个特征向量构成一个列向量,从而对于n个特征点就形成了一个(n-1)*n的特征向量矩阵。
步骤3.3:对字符进行匹配度计算。
上述的实时杆号识别方法,其中,在所述的步骤3.1中,步骤特征点抽样包括如下分步骤:
步骤3.1.1:按从上到下、从左到右的顺序扫描图象,寻找没有标记跟踪结束记号的第一个边界起始点A0,A0是具有最小行和列值的边界点;定义一个扫描方向变量dir,变量dir用于记录上一步中沿着前一个边界点到当前边界点的移动方向,其初始化取值为:
a)对4连通区域取dir=3。
b)对8连通区域取dir=7。
步骤3.1.2:按逆时针方向搜索当前像素的3*3邻域,其起始搜索方向设定如下:
a)对4连通区域取(dir+3)mod 4。
b)对8连通区域,若dir为奇数取(dir+7)mod 8;若dir为偶数去(dir+6)mod 8。
c)在3*3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An,同时更新变量dir为新的方向值。
步骤3.1.3:如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0,则停止搜索,结束跟踪,否则重复步骤3.1.2继续搜索。
步骤3.1.4:由边界点A0、A1、A2、……、An-2构成的边界便为要跟踪的边界。
上述的实时杆号识别方法,其中,所述的特征点的个数为120个。
上述的实时杆号识别方法,其中,在所述的步骤3.3中,还包括如下分步骤:
步骤3.3.1:利用特征点抽取及特征信息计算方法对所有字符模板进行特征信息提取,再利用卡方距离计算模板字符与杆号图像中的字符的匹配代价,计算方法如下:
其中,形状p中pi点的形状直方图用hi(k)表示,形状q中qj点的形状直方图用hj(k)表示。
步骤3.3.2:利用最优匹配算法使整个代价最小,基于这个最优匹配得到整个形状代价,以作为两个形状之间的差别衡量,代价越小,形状匹配度越高,形状代价如下:
步骤3.3.3:利用薄板样条仿射函数变换模型计算弯曲能量相似度。
其中,薄板样条仿射函数f(x,y)在对应点集{xi}和{yi}最小弯曲能量函数为:
其中,
U(r)=r2logr2 式3-10
通过选择a和ω来最小化弯曲能量。
步骤3.3.4:得到杆号图像中每个目标的最优匹配结果,匹配度Score采用如下计算方式:
Score=Dsc+0.3Dbe 式3-11
其中,Dsc表示Shape Context的相似度,Dbe表示弯曲能量相似度。
作为本发明的进一步改进,在计算出匹配度后,利用自适应策略算法对匹配数据去除以得到正确唯一的结果,上述的实时杆号识别方法,在所述的步骤4中,还包括如下分步骤:
步骤4.1:去除低匹配度数据,设阈值T1:
(a)当Score≥T1时,匹配结果有效。
(b)当Score<T1时,匹配结果无效,并去除。
步骤4.2:判断号牌的方向:
(a)分别取出匹配数据的X和Y坐标序列。
(b)对取出的X和Y坐标序列分别做排序处理,结果为{x1,x2,x3…xn},{y1,y2,y3…yn}。
(c)利用下式对步骤(b)得到的结果进行计算,得到{dx1,dx2,dx3…dxn},{dy1,dy2,dy3…dyn}。
dx=xn-xn-1,dy=yn-yn-1 式3-12
(d)设阈值T2,判断(c)步结果中dx,dy小于T2的个数分别为Nx,Ny。
(e)如果Nx≥Ny,号牌为横向号牌,反之则为竖向号牌。
步骤4.3:根据号牌方向,得到号牌结果:
(a)若为横向号牌:根据X坐标对匹配结果由小到大排序。
(b)若为竖向号牌:根据Y坐标对匹配结果由小到大排序。
(c)根据排序结果,将匹配字符组合得到杆号结果。
本发明利用已知的模板字符与杆号图像通过Shape Context形状匹配算法进行杆号识别和定位,然后通过自适应策略算法得到正确的杆号。实验结果表明,对于不同形状,不同大小的杆号牌,辅以较少的配置就可以实现杆号识别,识别准确率90%以上,具有较好的工程实践意义。
附图说明
图1是本发明一种实时杆号识别方法的流程图。
图2是本发明一种实时杆号识别方法的基于Shape Context的图像形状匹配的算法流程图。
图3是本发明一种实时杆号识别方法用于特征信息计算的一个字符的一个特征点的部分特征向量。
具体实施方式
以下结合附图进一步说明本发明的实施例。
请参见附图1及附图2所示,一种实时杆号识别方法,该方法至少包括如下步骤:
步骤1:通过基于双阈值的canny边缘检测算法提取字符模板。
步骤2:对实时采集的杆号图像进行图像预处理。
步骤3:对步骤2中的图像进行形状匹配。
在Shape Context算法中,图像形状不是以区域轮廓来表示,而是由一些离散且分布均匀的特征点来描述,然后针对点集中的每个特征点计算其对应的形状直方图,最后两个形状之间的匹配问题就转化成了两个特征点集之间的匹配度问题。本发明中,将利用得到的所有字符模板与杆号图像中的杆号字符进行匹配,匹配算法的结果为杆号图像中字符中心坐标对应于匹配度最高的字符模板。
步骤4:利用自适应策略算法得到正确的杆号结果。
在所述的步骤1中,还包括如下分步骤:
步骤1.1:选择成像质量较好的杆号图像。
步骤1.2:框选需要提取的字符。
步骤1.3:提取字符轮廓。
步骤1.4:根据式3-1调整提取的轮廓质量。
其中:n为边缘像素点的个数,TL为边缘像素点个数的最小阈值,TH为边缘像素点个数的最大阈值。
在所述的步骤1中,提取杆号中出现的0-9内的字符,且同一个字符可以提取一个或多个模板来匹配字符,根据采集时的角度不同、隧道内外杆号的字体、大小等不同提取不同的模板,提高识别准确率。针对一条线路,在相机角度没有较大变化的时候,模板提取只需人为配置一次。
在所述的步骤2中,还包括如下分步骤:
步骤2.1:利用式3-2对杆号图像进行分割处理。
其中,T为分割阈值。
步骤2.2:根据号牌在图像中的面积大小,设两个面积阈值T1,T2,其中T1<T2,利用式3-3筛选出符合要求的连通区域。
T1<area(i)<T2 式3-3
其中,area(i)为步骤2.1分割结果中的第i个连通区域的面积。
步骤2.3:由于字符一般为黑色,为了分割出的区域包含字符,需要利用式3-4对步骤2.2的结果进行膨胀处理。
其中,结构元素B为100*100的结构元素。
步骤2.4:利用式3-5对步骤2.2中的目标区域计算平行于坐标轴的包围杆号区域的最小外接矩形,并得到矩形区域的图像,从而将图像所示的矩形区域用于形状匹配,匹配的效率将会得到大大提高。
在所述的步骤3中,还包括如下分步骤:
步骤3.1:对杆号图像进行边缘提取,并对边缘提取出的轮廓目标进行特征点抽样。
请参见附图3所示,步骤3.2:对特征信息进行计算,设一个目标抽取的特征点数为n,对于边缘任意一个特征点,它与其他n-1个特征点可以构成n-1个特征向量,以n-1个特征向量构成一个列向量,从而对于n个特征点就形成了一个(n-1)*n的特征向量矩阵。图示为字符“2”的一个特征点的部分特征向量。
步骤3.3:对字符进行匹配度计算。
在所述的步骤3.1中,步骤特征点抽样包括如下分步骤:
步骤3.1.1:按从上到下、从左到右的顺序扫描图象,寻找没有标记跟踪结束记号的第一个边界起始点A0,A0是具有最小行和列值的边界点;定义一个扫描方向变量dir,变量dir用于记录上一步中沿着前一个边界点到当前边界点的移动方向,其初始化取值为:
a)对4连通区域取dir=3;
b)对8连通区域取dir=7。
步骤3.1.2:按逆时针方向搜索当前像素的3*3邻域,其起始搜索方向设定如下:
a)对4连通区域取(dir+3)mod 4;
b)对8连通区域,若dir为奇数取(dir+7)mod 8;若dir为偶数去(dir+6)mod 8;
c)在3*3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An,同时更新变量dir为新的方向值。
步骤3.1.3:如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0,则停止搜索,结束跟踪,否则重复步骤3.1.2继续搜索。
步骤3.1.4:由边界点A0、A1、A2、……、An-2构成的边界便为要跟踪的边界。
特征点的选取是Shape Context算法中至关重要的一步,为了避免计算量过大和特征信息的丢失,优选的特征点个数为120。
在所述的步骤3.3中,还包括如下分步骤:
步骤3.3.1:利用特征点抽取及特征信息计算方法对所有字符模板进行特征信息提取,再利用卡方距离计算模板字符与杆号图像中的字符的匹配代价,计算方法如下:
其中,形状p中pi点的形状直方图用hi(k)表示,形状q中qj点的形状直方图用hj(k)表示。
步骤3.3.2:为了得到字符的最优匹配结果,需要利用最优匹配算法使整个代价最小,基于这个最优匹配得到整个形状代价,以作为两个形状之间的差别衡量,代价越小,形状匹配度越高,形状代价如下:
步骤3.3.3:薄板样条(TPS)变换模型可以把非刚性的映射准确地分解成非仿射性变换和仿射变换,其物理意义是:在二维空间中,如果模板表示成有n个点组成的点集A,待匹配目标是由n个点组成的点集B,点集B中的n个点用TPS变换来模拟形变,从而保证n个点可以正确的匹配。在Shape Context算法中,点集之间一一对应,可以使用TPS变换模型最小化弯曲能量求解点集之间的映射参数及匹配矩阵。薄板样条仿射函数f(x,y)在对应点集{xi}和{yi}最小弯曲能量函数为:
其中,
U(r)=r2logr2 式3-10
通过选择a和ω来最小化弯曲能量。
步骤3.3.4:得到杆号图像中每个目标的最优匹配结果,匹配度Score采用如下计算方式:
Score=Dsc+0.3Dbe 式3-11
其中,Dsc表示Shape Context的相似度,Dbe表示弯曲能量相似度。
同时在结果中给出每个目标字符的中心坐标以及对应匹配度最高的字符。
例如:两个杆号的匹配结果如下表所示,其中Score已做归一化处理。
表3-1
Row | Column | Score | Num |
184 | 85 | 0.99996698 | 7 |
135 | 82 | 0.99528271 | 2 |
88 | 80 | 0.99403226 | 1 |
表3-2
作为本发明的进一步改进,在计算出匹配度后,利用自适应策略算法对匹配数据去除以得到正确唯一的结果,在所述的步骤4中,还包括如下分步骤:
步骤4.1:去除低匹配度数据,设阈值T1:
(a)当Score≥T1时,匹配结果有效;
(b)当Score<T1时,匹配结果无效,并去除。
步骤4.2:判断号牌的方向:
(a)分别取出匹配数据的X和Y坐标序列;
(b)对取出的X和Y坐标序列分别做排序处理,结果为{x1,x2,x3…xn},{y1,y2,y3…yn};
(c)利用下式对步骤(b)得到的结果进行计算,得到{dx1,dx2,dx3…dxn},{dy1,dy2,dy3…dyn};
dx=xn-xn-1,dy=yn-yn-1 式3-12
(d)设阈值T2,判断(c)步结果中dx,dy小于T2的个数分别为Nx,Ny;
(e)如果Nx≥Ny,号牌为横向号牌,反之则为竖向号牌。
步骤4.3:根据号牌方向,得到号牌结果:
(a)若为横向号牌:根据X坐标对匹配结果由小到大排序;
(b)若为竖向号牌:根据Y坐标对匹配结果由小到大排序;
(c)根据排序结果,将匹配字符组合得到杆号结果。
利用自适应策略算法对表3-1、表3-2中的数据进行处理后得到对应的杆号为:127、0025。
本发明从工程应用实际出发,结合传统杆号识别算法存在的问题,提出了一种基于Shape Context的形状匹配实时杆号识别算法。该算法利用已知的模板字符与杆号图像通过Shape Context形状匹配算法进行杆号识别和定位,然后通过自适应策略算法得到正确的杆号。对于不同形状,不同大小的杆号牌,辅以较少的配置就可以实现杆号识别,识别准确率90%以上,在工程实践中得到良好的应用。
综上所述,本发明利用已知的模板字符与杆号图像通过Shape Context形状匹配算法进行杆号识别和定位,然后通过自适应策略算法得到正确的杆号。实验结果表明,对于不同形状,不同大小的杆号牌,辅以较少的配置就可以实现杆号识别,识别准确率90%以上,具有较好的工程实践意义。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构变换,或直接或间接运用附属在其他相关产品的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种实时杆号识别方法,其特征在于:该方法至少包括如下步骤:
步骤1:通过基于双阈值的canny边缘检测算法提取字符模板;
步骤2:对实时采集的杆号图像进行图像预处理;
步骤3:对步骤2中的图像进行形状匹配;
步骤4:利用自适应策略算法得到正确的杆号结果。
2.根据权利要求1所述的实时杆号识别方法,其特征在于:在所述的步骤1中,还包括如下分步骤:
步骤1.1:选择成像质量好的杆号图像;
步骤1.2:框选需要提取的字符;
步骤1.3:提取字符轮廓;
步骤1.4:根据式3-1调整提取的轮廓质量;
其中:n为边缘像素点的个数,TL为边缘像素点个数的最小阈值,TH为边缘像素点个数的最大阈值。
3.根据权利要求2所述的实时杆号识别方法,其特征在于:在所述的步骤1中,提取杆号中出现的0-9内的字符,且同一个字符提取一个或多个模板来匹配字符。
4.根据权利要求1所述的实时杆号识别方法,其特征在于:在所述的步骤2中,还包括如下分步骤:
步骤2.1:利用式3-2对杆号图像进行分割处理;
其中,T为分割阈值;
步骤2.2:根据号牌在图像中的面积大小,设两个面积阈值T1,T2,其中T1<T2,利用式3-3筛选出符合要求的连通区域;
T1<area(i)<T2 式3-3
其中,area(i)为步骤2.1分割结果中的第i个连通区域的面积;
步骤2.3:利用式3-4对步骤2.2的结果进行膨胀处理;
其中,结构元素B为100*100的结构元素;
步骤2.4:利用式3-5对步骤2.2中的目标区域计算平行于坐标轴的包围杆号区域的最小外接矩形,并得到矩形区域的图像,从而将图像所示的矩形区域用于形状匹配;
5.根据权利要求1所述的实时杆号识别方法,其特征在于:在所述的步骤3中,还包括如下分步骤:
步骤3.1:对杆号图像进行边缘提取,并对边缘提取出的轮廓目标进行特征点抽样;
步骤3.2:对特征信息进行计算,设一个目标抽取的特征点数为n,对于边缘任意一个特征点,它与其他n-1个特征点可以构成n-1个特征向量,以n-1个特征向量构成一个列向量,从而对于n个特征点就形成了一个(n-1)*n的特征向量矩阵;
步骤3.3:对字符进行匹配度计算。
6.根据权利要求5所述的实时杆号识别方法,其特征在于:在所述的步骤3.1中,步骤特征点抽样包括如下分步骤:
步骤3.1.1:按从上到下、从左到右的顺序扫描图象,寻找没有标记跟踪结束记号的第一个边界起始点A0,A0是具有最小行和列值的边界点;定义一个扫描方向变量dir,变量dir用于记录上一步中沿着前一个边界点到当前边界点的移动方向,其初始化取值为:
a)对4连通区域取dir=3;
b)对8连通区域取dir=7;
步骤3.1.2:按逆时针方向搜索当前像素的3*3邻域,其起始搜索方向设定如下:
a)对4连通区域取(dir+3)mod 4;
b)对8连通区域,若dir为奇数取(dir+7)mod 8;若dir为偶数去(dir+6)mod 8;
c)在3*3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An,同时更新变量dir为新的方向值;
步骤3.1.3:如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0,则停止搜索,结束跟踪,否则重复步骤3.1.2继续搜索;
步骤3.1.4:由边界点A0、A1、A2、……、An-2构成的边界便为要跟踪的边界。
7.根据权利要求6所述的实时杆号识别方法,其特征在于:所述的特征点的个数为120个。
8.根据权利要求5所述的实时杆号识别方法,其特征在于:在所述的步骤3.3中,还包括如下分步骤:
步骤3.3.1:利用特征点抽取及特征信息计算方法对所有字符模板进行特征信息提取,再利用卡方距离计算模板字符与杆号图像中的字符的匹配代价,计算方法如下:
其中,形状p中pi点的形状直方图用hi(k)表示,形状q中qj点的形状直方图用hj(k)表示;
步骤3.3.2:利用最优匹配算法使整个代价最小,基于这个最优匹配得到整个形状代价,以作为两个形状之间的差别衡量,代价越小,形状匹配度越高,形状代价如下:
步骤3.3.3:利用薄板样条仿射函数变换模型计算弯曲能量相似度;
其中,薄板样条仿射函数f(x,y)在对应点集{xi}和(yi}最小弯曲能量函数为:
其中,
U(r)=r2logr2 式3-10
通过选择a和ω来最小化弯曲能量;
步骤3.3.4:得到杆号图像中每个目标的最优匹配结果,匹配度Score采用如下计算方式:
Score=Dsc+0.3Dbe 式3-11
其中,Dsc表示Shape Context的相似度,Dbe表示弯曲能量相似度。
9.根据权利要求1所述的实时杆号识别方法,其特征在于:在所述的步骤4中,还包括如下分步骤:
步骤4.1:去除低匹配度数据,设阈值T1:
(a)当Score≥T1时,匹配结果有效;
(b)当Score<T1时,匹配结果无效,并去除;
步骤4.2:判断号牌的方向:
(a)分别取出匹配数据的X和Y坐标序列;
(b)对取出的X和Y坐标序列分别做排序处理,结果为{x1,x2,x3…xn},{y1,y2,y3…yn};
(c)利用下式对步骤(b)得到的结果进行计算,得到{dx1,dx2,dx3…dxn},{dy1,dy2,dy3…dyn};
dx=xn-xn-1,dy=yn-yn-1 式3-12
(d)设阈值T2,判断(c)步结果中dx,dy小于T2的个数分别为Nx,Ny;
(e)如果Nx≥Ny,号牌为横向号牌,反之则为竖向号牌;
步骤4.3:根据号牌方向,得到号牌结果:
(a)若为横向号牌:根据X坐标对匹配结果由小到大排序;
(b)若为竖向号牌:根据Y坐标对匹配结果由小到大排序;
(c)根据排序结果,将匹配字符组合得到杆号结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710045140.4A CN107067009B (zh) | 2017-01-13 | 2017-01-13 | 一种实时杆号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710045140.4A CN107067009B (zh) | 2017-01-13 | 2017-01-13 | 一种实时杆号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067009A true CN107067009A (zh) | 2017-08-18 |
CN107067009B CN107067009B (zh) | 2020-04-17 |
Family
ID=59598082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710045140.4A Active CN107067009B (zh) | 2017-01-13 | 2017-01-13 | 一种实时杆号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067009B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112009529A (zh) * | 2020-09-03 | 2020-12-01 | 西南交通大学 | 一种基于接触网支柱杆号图像识别的列车定位方法 |
CN112009528A (zh) * | 2020-09-03 | 2020-12-01 | 西南交通大学 | 一种基于接触网及其附属器件的列车定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063159A (zh) * | 2012-12-31 | 2013-04-24 | 南京信息工程大学 | 一种基于ccd的零件尺寸测量方法 |
CN104680127A (zh) * | 2014-12-18 | 2015-06-03 | 闻泰通讯股份有限公司 | 手势识别方法及系统 |
-
2017
- 2017-01-13 CN CN201710045140.4A patent/CN107067009B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063159A (zh) * | 2012-12-31 | 2013-04-24 | 南京信息工程大学 | 一种基于ccd的零件尺寸测量方法 |
CN104680127A (zh) * | 2014-12-18 | 2015-06-03 | 闻泰通讯股份有限公司 | 手势识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
ELI SABERA ETAL.: "Partial shape recognition by sub-matrix matching for partial", 《PATTERN RECOGNITION》 * |
孙国栋等: "基于形状上下文的列车挡键丢失图像识别算法", 《铁道科学与工程学报》 * |
杨文静等: "基于多帧杆号字符识别的接触网检测系统", 《数据采集与处理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112009529A (zh) * | 2020-09-03 | 2020-12-01 | 西南交通大学 | 一种基于接触网支柱杆号图像识别的列车定位方法 |
CN112009528A (zh) * | 2020-09-03 | 2020-12-01 | 西南交通大学 | 一种基于接触网及其附属器件的列车定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107067009B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN107103323B (zh) | 一种基于图像轮廓特征的目标识别方法 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
CN111784747B (zh) | 一种基于关键点检测和校正的车辆多目标跟踪系统及方法 | |
CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
CN101807257A (zh) | 图像标签信息识别方法 | |
CN108038434B (zh) | 基于多示例学习的视频人脸表情预检测方法 | |
CN112232332B (zh) | 一种基于视频序列的非接触式手掌检测方法 | |
CN110991258B (zh) | 一种人脸融合特征提取方法及系统 | |
CN111783773B (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN109344820A (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
CN111783493A (zh) | 一种批量二维码的识别方法及识别终端 | |
CN111814576A (zh) | 一种基于深度学习的购物小票图片识别方法 | |
CN114741553B (zh) | 基于图像特征的图片搜索方法 | |
CN111275049B (zh) | 一种文字图像骨架特征描述符获取的方法及装置 | |
CN107067009B (zh) | 一种实时杆号识别方法 | |
CN113989308B (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
CN109766850B (zh) | 基于特征融合的指纹图像匹配方法 | |
CN110059600B (zh) | 一种基于指向手势的单行文字识别方法 | |
CN112084840A (zh) | 一种基于三维nmi的指静脉识别方法 | |
CN115690811A (zh) | 一种基于深度学习的点阵字符识别方法 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 | |
CN113537216B (zh) | 一种点阵字体文本行倾斜校正方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |