CN108509950B - 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 - Google Patents

基于概率特征加权融合的铁路接触网支柱号牌检测识别法 Download PDF

Info

Publication number
CN108509950B
CN108509950B CN201810255526.2A CN201810255526A CN108509950B CN 108509950 B CN108509950 B CN 108509950B CN 201810255526 A CN201810255526 A CN 201810255526A CN 108509950 B CN108509950 B CN 108509950B
Authority
CN
China
Prior art keywords
number plate
railway contact
contact net
feature
probability
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.)
Active
Application number
CN201810255526.2A
Other languages
English (en)
Other versions
CN108509950A (zh
Inventor
吴泽彬
詹天明
王轶轩
徐洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing zhiliansen Information Technology Co., Ltd
Original Assignee
Nanjing Zhiliansen Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Zhiliansen Information Technology Co ltd filed Critical Nanjing Zhiliansen Information Technology Co ltd
Priority to CN201810255526.2A priority Critical patent/CN108509950B/zh
Publication of CN108509950A publication Critical patent/CN108509950A/zh
Application granted granted Critical
Publication of CN108509950B publication Critical patent/CN108509950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/62Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63Scene text, e.g. street names
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/254Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/255Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758Involving statistics of pixels or of feature values, e.g. histogram matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于概率特征加权融合的铁路接触网支柱号牌检测识别法,包括对铁路接触网图像内的铁路接触网支柱号牌目标区域进行小目标区域鲁棒自动提取;根据类间方差最大方法对提取的铁路接触网支柱号牌目标区域的进行二值化,得到二值化图像;对二值化图像进行概率特征加权融合的的铁路接触网支柱号牌识别。本发明充分利用小目标区域鲁棒自动提取的特征学习深度卷积神经网络进行小号牌区域自动检测,并采用多特征提取方法提取每个字符特征,根据概率特征加权方法融合不同特征对应结果,得到高精度的铁路接触网支柱号牌识别结果,具有良好的应用前景。

Description

基于概率特征加权融合的铁路接触网支柱号牌检测识别法
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于概率特征加权融合的铁路接触网支柱号牌检测识别法。
背景技术
近年来,中国高铁里程数已经超过2.2万公里,连接了各大城市。但是,随着高铁网络的铺设,铁路接触网的分布越来越广,铁路接触网支柱的数量也越来越多。通过对接触网支柱号牌的识别能够快速确定接触网异常的位置,因此,铁路接触网支柱号牌检测和识别在确保铁路接触网正常工作中起到了重要的作用。
传统的通常对铁路接触网支柱号牌的检测和识别,多通过人工方式,具体为工作人员找到图片或者视频中的号牌,并记录其信息,该方法既耗人力又耗时间。
近年来,有学者尝试借鉴车牌识别的方法进行接触网支柱的号牌识别,车牌识别方法一般分为两个步骤,首先采用形态学变换和连通区域特征进行号牌检测,然后在使用模板匹配进行识别。但是,与车牌识别相比,铁路接触网支柱的号牌识别存在如下几个难点:1)火车在高速运动中摄像头捕捉到的图像质量不高;2)铁路接触网支柱的号牌区域在整个图像中所占的比例特别小;3)铁路接触网支柱的号牌所在区域在不同的图像中呈现的状态和位置差异较大;4)铁路接触网分布在不同的地形,不同的环境之下,在不同的时间存在不同的光照效果。因此,针对常规车牌识别方法不能直接应用于铁路接触网支柱的号牌识别中,需要针对铁路接触网图像的特点,应用模式识别、人工智能、图像处理等先进技术,设计新的铁路接触网号牌自动检测识别技术。
现有的目标检测和字符识别技术,近些年在图像处理领域得到了广泛应用。但是直接应用于铁路接触网支柱号牌识别中仍存在如下几个问题:(1)随着机器学习的快速发展,很多目标检测方法在普通目标检测和识别中得到成功应用,但是,铁路接触网支柱号牌区域在整个图像中所占比例极小,如何自动提取微小的号牌区域是有待解决的问题之一;(2)虽然模板匹配方法和其他的特征提取再匹配方法在字符识别中取得了很高的识别率,但是,铁路接触网支柱号牌区域中存在模糊、异物干扰、扭曲变形等图像降质问题。
通过上述描述,如何准确地提取铁路接触网支柱号牌区域,并进行有效识别是亟待解决的问题。
发明内容
本发明的目的是克服现有的铁路接触网支柱号牌识别存在的问题。本发明的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,充分利用小目标区域鲁棒自动提取的特征学习深度卷积神经网络进行小号牌区域自动检测,并采用多特征提取方法提取每个字符特征,根据概率特征加权方法融合不同特征对应结果,得到高精度的铁路接触网支柱号牌识别结果,具有良好的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
一种基于概率特征加权融合的铁路接触网支柱号牌检测识别法,包括以下步骤,
步骤(A),对铁路接触网图像内的铁路接触网支柱号牌目标区域进行小目标区域鲁棒自动提取,得到铁路接触网支柱号牌目标区域的坐标;
步骤(B),根据类间方差最大方法对提取的铁路接触网支柱号牌目标区域的进行二值化,得到二值化图像;
步骤(C),对二值化图像进行概率特征加权融合的的铁路接触网支柱号牌识别。
前述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,步骤(A),对铁路接触网图像内的铁路接触网支柱号牌目标区域进行小目标区域鲁棒自动提取,包括以下步骤,
(A1),将每个训练样本缩放为一定像素大小的训练样本矩阵;
(A2),将训练样本矩阵和其对应的铁路接触网支柱号牌坐标输入到区域卷积神经网络进行训练并获得对应的参数;
(A3),输入铁路接触网图像到区域卷积神经网络,根据颜色、纹理、总面积、图形规整四种选择方式,选择性搜索出铁路接触网图像中的多个感兴趣区域;
(A4),将找出的感兴趣区域输入到基于区域卷积神经网络进行特征提取,并将区域卷积神经网络返回的结果,输入到支持向量机中给出该感兴趣区域隶属于不同类别的置信度;
(A5),将隶属于号牌区域的置信度大于阈值的坐标保留,得到该坐标对应的铁路接触网支柱号牌目标区域。
前述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,(A1),将每个训练样本缩放为227*227像素大小的训练样本矩阵。
前述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,步骤(C),对二值化图像进行概率特征加权融合的铁路接触网支柱号牌识别,包括以下步骤,
(C1),对二值化图像进行垂直投影,根据投影直方图的局部最小值对二值化图像内字符进行切割;
(C2),将切割出的字符x,提取灰度特征f1(x)和方向梯度直方图特征f2(x);
(C3),将提取的灰度特征f1(x)与模板字符的灰度特征M(x)进行匹配,得到切割出的字符x被分到模板字符各个类别的灰度特征概率p1,m(x),如公式(1)所示,
Figure BDA0001608850390000051
其中,m表示模板字符的第m个类别,Mm(x)表示模板字符第m个类别中的灰度特征,N表示模板字符的总类别个数;
(C4),将提取的方向梯度直方图特征f2(x)与模板字符的方向梯度直方图特征H(x)进行匹配,得到切割出的字符x被分到模板字符各个类别的方向梯度直方图特概率p2,m(x),如公式(2)所示,
Figure BDA0001608850390000052
其中,Hm(x)表示模板字符第个m类别中的方向梯度直方图特征;
(C5),通过K最近邻算法对方向梯度直方图特征f2(x)进行分类,将切割出的字符x对应类别记为p3,m(x);
(C6),根据概率特征加权方法,计算切割出的字符x隶属每个类别的概率,根据最大概率决定切割出的字符类别,如公式(3)所示,
Tm(x)=λ1·p1,m(x)+λ2·p2,m(x)+λ3·p3,m(x) (3)
其中,λi,i=1,2,3为p1,m(x)、p2,m(x)、p3,m(x)对应的分类权重;Tm(x)是切割出的字符x属于模板字符中类别m的概率值;
(C7),将(C1)切割出的所有的字符,在模板字符中对应的类别,按照切割顺序拼接,从而获取铁路接触网支柱号牌对应的字符。
前述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,(A5),所述阈值为0.9。
前述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,所述λi∈[0,1],
Figure BDA0001608850390000061
本发明的有益效果是:本发明的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,充分利用小目标区域鲁棒自动提取的特征学习深度卷积神经网络进行小号牌区域自动检测,并采用多特征提取方法提取每个字符特征,根据概率特征加权方法融合不同特征对应结果,得到高精度的铁路接触网支柱号牌识别结果,适用于铁路接触网支柱号牌识别,并具有以下优点,
(1)在图像质量不高的情况下,通过多种特征概率加权融合的方式确保检测、识别的准确度;
(2)无需预先定位,根据每个可能包含号牌区域的可能性大小来判断铁路接触网支柱号牌目标区域所在的位置,在保证铁路接触网支柱号牌不被遗漏的同时,还能够有效过滤图像中非号牌的区域;
(3)在识别过程加入了多特征融合,以适应各种环境下采集到的图像,并有效的提高了识别精度。
附图说明
图1是本发明的基于概率特征加权融合的铁路接触网支柱号牌检测识别法的流程图;
图2是本发明的对铁路接触网支柱号牌所在目标区域检测的流程图;
图3是本发明的对铁路接触网支柱号牌所在目标区域字符识别的流程图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
如图1所示,本发明的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,包括以下步骤,
步骤(A),对铁路接触网图像内的铁路接触网支柱号牌目标区域进行小目标区域鲁棒自动提取,得到铁路接触网支柱号牌目标区域的坐标,如图2所示,具体包括以下步骤,
(A1),将每个训练样本缩放为一定能够像素大小(优选227*227的像素大小)的训练样本矩阵;
(A2),将训练样本矩阵和其对应的铁路接触网支柱号牌坐标输入到区域卷积神经网络进行训练并获得对应的参数;
(A3),输入铁路接触网图像到区域卷积神经网络,根据颜色、纹理、总面积、图形规整四种选择方式,选择性搜索出铁路接触网图像中的多个感兴趣区域;
(A4),将找出的感兴趣区域输入到基于区域卷积神经网络进行特征提取,并将区域卷积神经网络返回的结果,输入到支持向量机中给出该感兴趣区域隶属于不同类别的置信度;
(A5),将隶属于号牌区域的置信度大于阈值(优选阈值等于0.9)的坐标保留,得到该坐标对应的铁路接触网支柱号牌目标区域;
这里的步骤(A)是对铁路接触网支柱号牌所在目标区域的检测,如图2所示;下面对铁路接触网支柱号牌所在目标区域进行字符识别,如图3所示,具体见步骤(B)-步骤(C),
步骤(B),根据类间方差最大方法对提取的铁路接触网支柱号牌目标区域的进行二值化,得到二值化图像;
步骤(C),对二值化图像进行概率特征加权融合的的铁路接触网支柱号牌识别,包括以下步骤,
(C1),对二值化图像进行垂直投影,根据投影直方图的局部最小值对二值化图像内字符进行切割;
(C2),将切割出的字符x,提取灰度特征f1(x)和方向梯度直方图特征f2(x);
(C3),将提取的灰度特征f1(x)与模板字符的灰度特征M(x)进行匹配,得到切割出的字符x被分到模板字符各个类别的灰度特征概率p1,m(x),如公式(1)所示,
Figure BDA0001608850390000081
其中,m表示模板字符的第m个类别,Mm(x)表示模板字符第m个类别中的灰度特征,N表示模板字符的总类别个数;
(C4),将提取的方向梯度直方图特征f2(x)与模板字符的方向梯度直方图特征H(x)进行匹配,得到切割出的字符x被分到模板字符各个类别的方向梯度直方图特概率p2,m(x),如公式(2)所示,
Figure BDA0001608850390000082
其中,Hm(x)表示模板字符第个m类别中的方向梯度直方图特征;
(C5),通过K最近邻算法对方向梯度直方图特征f2(x)进行分类,将切割出的字符x对应类别记为p3,m(x);
(C6),根据概率特征加权方法,计算切割出的字符x隶属每个类别的概率,根据最大概率决定切割出的字符类别,如公式(3)所示,
Tm(x)=λ1·p1,m(x)+λ2·p2,m(x)+λ3·p3,m(x) (3)
其中,λi,i=1,2,3为p1,m(x)、p2,m(x)、p3,m(x)对应的分类权重,λi∈[0,1]
Figure BDA0001608850390000091
Tm(x)是切割出的字符x属于模板字符中类别m的概率值;
(C7),将(C1)切割出的所有的字符,在模板字符中对应的类别,按照切割顺序拼接,从而获取铁路接触网支柱号牌对应的字符。
综上所述,本发明的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,充分利用小目标区域鲁棒自动提取的特征学习深度卷积神经网络进行小号牌区域自动检测,并采用多特征提取方法提取每个字符特征,根据概率特征加权方法融合不同特征对应结果,得到高精度的铁路接触网支柱号牌识别结果,适用于铁路接触网支柱号牌识别,并具有以下优点,
(1)在图像质量不高的情况下,通过多种特征概率加权融合的方式确保检测、识别的准确度;
(2)无需预先定位,根据每个可能包含号牌区域的可能性大小来判断铁路接触网支柱号牌目标区域所在的位置,在保证铁路接触网支柱号牌不被遗漏的同时,还能够有效过滤图像中非号牌的区域;
(3)在识别过程加入了多特征融合,以适应各种环境下采集到的图像,并有效的提高了识别精度。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.基于概率特征加权融合的铁路接触网支柱号牌检测识别法,其特征在于:包括以下步骤,
步骤(A),对铁路接触网图像内的铁路接触网支柱号牌目标区域进行小目标区域鲁棒自动提取,得到铁路接触网支柱号牌目标区域的坐标;
步骤(B),根据类间方差最大方法对提取的铁路接触网支柱号牌目标区域的进行二值化,得到二值化图像;
步骤(C),对二值化图像进行概率特征加权融合的的铁路接触网支柱号牌识别;
步骤(A),对铁路接触网图像内的铁路接触网支柱号牌目标区域进行小目标区域鲁棒自动提取,包括以下步骤,
(A1),将每个训练样本缩放为一定像素大小的训练样本矩阵;
(A2),将训练样本矩阵和其对应的铁路接触网支柱号牌坐标输入到区域卷积神经网络进行训练并获得对应的参数;
(A3),输入铁路接触网图像到区域卷积神经网络,根据颜色、纹理、总面积、图形规整四种选择方式,选择性搜索出铁路接触网图像中的多个感兴趣区域;
(A4),将找出的感兴趣区域输入到基于区域卷积神经网络进行特征提取,并将区域卷积神经网络返回的结果,输入到支持向量机中给出该感兴趣区域隶属于不同类别的置信度;
(A5),将隶属于号牌区域的置信度大于阈值的坐标保留,得到该坐标对应的铁路接触网支柱号牌目标区域;
步骤(C),对二值化图像进行概率特征加权融合的铁路接触网支柱号牌识别,包括以下步骤,
(C1),对二值化图像进行垂直投影,根据投影直方图的局部最小值对二值化图像内字符进行切割;
(C2),将切割出的字符x,提取灰度特征f1(x)和方向梯度直方图特征f2(x);
(C3),将提取的灰度特征f1(x)与模板字符的灰度特征M(x)进行匹配,得到切割出的字符x被分到模板字符各个类别的灰度特征概率p1,m(x),如公式(1)所示,
Figure FDA0003096631480000021
其中,m表示模板字符的第m个类别,Mm(x)表示模板字符第m个类别中的灰度特征,N表示模板字符的总类别个数;
(C4),将提取的方向梯度直方图特征f2(x)与模板字符的方向梯度直方图特征H(x)进行匹配,得到切割出的字符x被分到模板字符各个类别的方向梯度直方图特概率p2,m(x),如公式(2)所示,
Figure FDA0003096631480000022
其中,Hm(x)表示模板字符第个m类别中的方向梯度直方图特征;
(C5),通过K最近邻算法对方向梯度直方图特征f2(x)进行分类,将切割出的字符x对应类别记为p3,m(x);
(C6),根据概率特征加权方法,计算切割出的字符x隶属每个类别的概率,根据最大概率决定切割出的字符类别,如公式(3)所示,
Tm(x)=λ1·p1,m(x)+λ2·p2,m(x)+λ3·p3,m(x) (3)
其中,λi,i=1,2,3为p1,m(x)、p2,m(x)、p3,m(x)对应的分类权重;Tm(x)是切割出的字符x属于模板字符中类别m的概率值;
(C7),将(C1)切割出的所有的字符,在模板字符中对应的类别,按照切割顺序拼接,从而获取铁路接触网支柱号牌对应的字符。
2.根据权利要求1所述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,其特征在于:(A1),将每个训练样本缩放为227*227像素大小的训练样本矩阵。
3.根据权利要求1所述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,其特征在于:(A5),所述阈值为0.9。
4.根据权利要求1所述的基于概率特征加权融合的铁路接触网支柱号牌检测识别法,其特征在于:所述λi∈[0,1],
Figure FDA0003096631480000031
CN201810255526.2A 2018-03-27 2018-03-27 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 Active CN108509950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810255526.2A CN108509950B (zh) 2018-03-27 2018-03-27 基于概率特征加权融合的铁路接触网支柱号牌检测识别法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810255526.2A CN108509950B (zh) 2018-03-27 2018-03-27 基于概率特征加权融合的铁路接触网支柱号牌检测识别法

Publications (2)

Publication Number Publication Date
CN108509950A CN108509950A (zh) 2018-09-07
CN108509950B true CN108509950B (zh) 2021-07-27

Family

ID=63378645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810255526.2A Active CN108509950B (zh) 2018-03-27 2018-03-27 基于概率特征加权融合的铁路接触网支柱号牌检测识别法

Country Status (1)

Country Link
CN (1) CN108509950B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728269B (zh) * 2019-12-17 2020-08-21 西南交通大学 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN111178363B (zh) * 2019-12-18 2024-02-20 北京旷视科技有限公司 文字识别方法、装置、电子设备以及可读存储介质
CN110766011B (zh) * 2019-12-26 2020-04-28 南京智莲森信息技术有限公司 一种基于深度多级优化的接触网螺母异常识别方法
CN111008619A (zh) * 2020-01-19 2020-04-14 南京智莲森信息技术有限公司 基于深度语义抽取的高铁接触网支柱号牌检测与识别方法
CN113076949B (zh) * 2021-03-31 2023-04-18 成都唐源电气股份有限公司 一种接触网零部件快速定位方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102009668A (zh) * 2010-07-13 2011-04-13 北京交通大学 一种非接触式铁路异物侵限检测系统
CN102902974A (zh) * 2012-08-23 2013-01-30 西南交通大学 一种基于图像的铁路接触网杆柱标识信息的识别方法
CN103914687A (zh) * 2014-03-14 2014-07-09 常州大学 一种基于多通道和多阈值的矩形目标识别方法
CN106599894A (zh) * 2016-12-27 2017-04-26 上海铁路局科学技术研究所 一种基于图像识别的接触网杆号识别方法
CN106960196A (zh) * 2017-03-29 2017-07-18 西安电子科技大学 基于模板匹配和svm的工业视频小数字识别方法
CN107392201A (zh) * 2017-06-09 2017-11-24 中国科学院自动化研究所 接触网支柱的支柱号识别方法、存储介质、处理设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102009668A (zh) * 2010-07-13 2011-04-13 北京交通大学 一种非接触式铁路异物侵限检测系统
CN102902974A (zh) * 2012-08-23 2013-01-30 西南交通大学 一种基于图像的铁路接触网杆柱标识信息的识别方法
CN103914687A (zh) * 2014-03-14 2014-07-09 常州大学 一种基于多通道和多阈值的矩形目标识别方法
CN106599894A (zh) * 2016-12-27 2017-04-26 上海铁路局科学技术研究所 一种基于图像识别的接触网杆号识别方法
CN106960196A (zh) * 2017-03-29 2017-07-18 西安电子科技大学 基于模板匹配和svm的工业视频小数字识别方法
CN107392201A (zh) * 2017-06-09 2017-11-24 中国科学院自动化研究所 接触网支柱的支柱号识别方法、存储介质、处理设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Brazilian License Plate Detection Using Histogram of Oriented Gradients and Sliding Windows";R.F.Prates et al.;《International Journal of Computer Science & Information Technology (IJCSIT)》;20131231;第5卷(第6期);第39-52页 *
"基于SVM分类器的集装箱箱号识别法";安博文 等;《上海海事大学学报》;20110331;第32卷(第1期);第25-29页 *
"基于梯度方向直方图模板匹配的遮挡车辆跟踪方法";李璟 等;《电脑知识与技术》;20110731;第7卷(第19期);第4705-4707页 *
"基于特征加权模糊模板匹配的字符识别";朱颢东 等;《兰州理工大学学报》;20130228;第39卷(第1期);第68-71页 *
"基于自适应投影分割的接触网号牌字符提取";郑巧 等;《信息技术》;20160516(第5期);第58-62页 *

Also Published As

Publication number Publication date
CN108509950A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN110175982B (zh) 一种基于目标检测的缺陷检测方法
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN105373794B (zh) 一种车牌识别方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
KR101403876B1 (ko) 차량 번호판 인식 방법과 그 장치
CN110866430B (zh) 一种车牌识别方法及装置
CN104978567B (zh) 基于场景分类的车辆检测方法
CN105205488B (zh) 基于Harris角点和笔画宽度的文字区域检测方法
CN104778470B (zh) 基于组件树和霍夫森林的文字检测和识别方法
CN109033944B (zh) 一种全天空极光图像分类与关键局部结构定位方法及系统
CN111898627B (zh) 一种基于pca的svm云微粒子优化分类识别方法
CN110334760B (zh) 一种基于resUnet的光学元器件损伤检测方法及系统
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN116030396B (zh) 一种用于视频结构化提取的精确分割方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN112733711A (zh) 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法
CN109753962A (zh) 基于混合网络的自然场景图像中文本区域的处理方法
CN109543498B (zh) 一种基于多任务网络的车道线检测方法
CN115457044A (zh) 基于类激活映射的路面裂缝分割方法
CN111950556A (zh) 一种基于深度学习的号牌印刷质量检测方法
CN109740607B (zh) 字符图像的残缺区域检测和残缺字符图像恢复方法

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
TA01 Transfer of patent application right

Effective date of registration: 20191209

Address after: 210012 floor 3-012, North Building D2, No. 32, Dazhou Road, Yuhuatai District, Nanjing City, Jiangsu Province

Applicant after: Nanjing zhiliansen Information Technology Co., Ltd

Address before: 210014 9 fresh 506 homes in Guanghua Road, Qinhuai District, Nanjing, Jiangsu

Applicant before: Wu Zebin

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant