CN108734158B - 一种实时列车车号识别方法及装置 - Google Patents
一种实时列车车号识别方法及装置 Download PDFInfo
- Publication number
- CN108734158B CN108734158B CN201710243990.5A CN201710243990A CN108734158B CN 108734158 B CN108734158 B CN 108734158B CN 201710243990 A CN201710243990 A CN 201710243990A CN 108734158 B CN108734158 B CN 108734158B
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- real
- character
- calculating
- 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
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别领域,针对现有技术存在的问题,提供一种实时列车车号识别方法包括:车号区域初定位步骤对输入的图像数据通过局部二值模型,计算最优灰度等级,最后得到最优灰度等级对应的整幅的灰度等级值;根据该灰度等级值通过线性的二类分类器从输入图像中定位出包含车号字符的矩形坐标;字符分割步骤采用动态二值化方法与连通成分分析算法将包含车号字符的矩形坐标区域分割为单独的字符;字符识别步骤根据SVM分类器对列车车号进行字符识别。
Description
技术领域
本发明涉及图像识别领域,尤其是一种实时列车车号识别方法及装置。
背景技术
当前列车车号识别主要存在如下的缺点:(1)离线识别,即列车通过后较长时间才报识别结果,离线识别的一个显著缺点为,随着列车数量较多,识别时间越长,当天的列车车号很可能需要第二天才能识别出结果,时间滞后,影响工作;(2)识别车号图像类型单一,市面已有厂家的车号识别要不支持面阵相机图像,要不支持线阵相机图像,较少有同时支持面阵相机和线阵相机的车号识别算法;(3)支持识别车号类型偏少,现有列车车号包括普速电力机车HXD开头的车号、韶山型车号、动车车号、双向来车车号等,已有的列车车号识别不能全部支持以上类型的车号识别;(4)识别率偏低,目前的已有列车车号识别率平均92%,离铁路总公司规定的99%有不小差距。
发明内容
本发明所要解决的技术问题是:针对现有技术存在的问题,提供一种实时列车车号识别方法及装置。本发明从输入图像中快速定位出包含车号字符的矩形坐标,然后动态二值化和连通成分分析方法把包含车号字符的区域分割为单独的字符;然后根据训练好的SVM分类器模型对每个字符进行具体识别,得到列车车号的具体字符。达到本设计要求。
本发明采用的技术方案如下:
一种实时列车车号识别方法包括:
车号区域初定位步骤:对图像采集设备实时输入的图像数据通过局部二值模型,计算最优灰度等级,最后得到最优灰度等级对应的整幅的灰度等级值;根据该灰度等级值通过线性的二类分类器从输入图像中定位出包含车号字符的矩形坐标;
字符分割步骤:采用动态二值化方法与连通成分分析算法将包含车号字符的矩形坐标区域分割为单独的字符;
字符识别步骤:根据SVM分类器对列车车号进行字符识别。
进一步的,所述车号区域初定位步骤具体过程是:
采用LBP模型,计算窗口选择为m*m,计算出IBP图像;
得到特征长度B0*m*m维灰度等级值图像;
其中P为大量训练样本的字符识别平均概率,T为识别时间,T不超过300毫秒;m属于2到4。
进一步的,所述B0=64;m=4。
进一步的,所述二类分类器是线性分类器,并且二类分类器通过SVM分类器实现,二类分类器类型是c-SVM。
进一步的,所述字符分割步骤具体实现过程是:
遍历二值图像,并记下每一行或列中连续的行程和标记的等价对,然后通过等价对对每个像素新的二值化图像进行重新标,然后通过外接矩形框,取出真实的字符区域矩形。
进一步的,所述t是通过线性回归训练得出,具体过程是:
收集n个字符区域矩形图,每张图归一化到P*P尺寸,计算每张图的全局灰度直方图,把灰度直方图输入svm分类器,手动计算每张图对应的t,并作为线性回归分类器的标签,训练SVM分类器模型;
当新来一张车号矩形区域图,归一化到P*P尺寸,计算此图的全局灰度直方图,把灰度直方图输入已经训练好的svm分类器,输出值为参数t;
其中P等于500到1500;n大于等于1000。
一种实时列车车号识别装置包括:
车号区域初定位模块:用于对图像采集设备实时输入的图像数通过局部二值模型,计算最优灰度等级,最后得到最优灰度等级对应的整幅的灰度等级值;根据该灰度等级值通过线性的二类分类器从输入图像中定位出包含车号字符的矩形坐标;
字符分割模块:用于采用动态二值化方法与连通成分分析算法将包含车号字符的矩形坐标区域分割为单独的字符;
字符识别模块:用于根据SVM分类器对列车车号进行字符识别。
进一步的,所述车号区域初定位模块具体过程是:
采用LBP模型,计算窗口选择为m*m,计算出IBP图像;
得到特征长度B0*m*m维灰度等级值图像;
其中P为大量训练样本的字符识别平均概率,T为识别时间,T不超过300毫秒;m属于2到4。
进一步的,所述B0=64;m=4。
进一步的,所述字符分割模块具体实现过程是:
遍历二值图像,并记下每一行或列中连续的行程和标记的等价对,然后通过等价对对每个像素新的二值化图像进行重新标,然后通过外接矩形框,取出真实的字符区域矩形。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明中支持阵列连续图像数据、面阵连续图像数据等输入图像数据,对输入的图像数据通过局部二值模型,计算最优灰度等级,然后从输入图像中定位出包含车号字符的矩形坐标;采用动态二值化方法与连通成分分析算法将包含车号字符的矩形坐标区域分割为单独的字符后对字符识别,快速识别车车号;
本发明方法或者装置支持目前所有列车车号类型识别,并且对于任何时间段拍摄的列车车号进行准确识别。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明原理框图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明相关说明:
1、车号字符指的是数字0-9,大写字母A-Z;
2、对图像采集设备输入的图像数据:指的是包含列车车号的阵列连续图像数据、包含列车车号的面阵连续图像数据;图像分辨率最高2900万像素。图像采集设备实时采集列车车号。
本发明过程说明:
1、列车车号区域初定位过程:主要指从输入图像中快速定位出包含车号字符的矩形坐标,采用局部二值模型LBP+二类分类器进行,具体过程是:
(1)局部二值模型LBP:,是一种纹理描述子,用来度量和提取图像局部的纹理细节。LBP具有计算快,对光照稳健等特性。本发明采用传统LBP模型,即计算窗口选择3*3,距离中心像素为1个像素距离。周围8个像素如果大于中心像素,标记为1,否则为0.这样,得到一个无符号的8位二进制数。最终计算出LBP图像,但LBP图像本身不能直接提取特征,需要提取灰度直方图。本发明没有采用传统的全局直方图而是提取LBP图像的4*4的局部区域直方图,为了在运行时间和识别精度间找到一个最优,本发明没有采用传统的256作为灰度直方图的等级,而是通过训练得出一个最优等级BO。
最优等级BO的计算:本发明通过如下的一个公式计算出最优灰度等级:其中P为大量训练样本的字符识别平均概率,T为识别时间,为了满足实时识别,T我们规定最大不超过300毫秒。最终得出最优的灰度等级B0=64,最后的特征长度为64*4*4=1024维。
(2)SVM分类器:支持向量机(SVM)它是一种二类分类器,其基本模型定义为特征空间上的间隔最大的线性分类器,其学习思想是间隔最大化,最终可转化为一个凸二次规划问题的求解,主要特点是训练样本需求小,与样本的维度无关,只与支持向量有关,良好的过拟合等。本发明的SVM分类器的训练参数设置如下:
Svm-type:c-SVM
kernel_type:linear。
2、字符分割:是指把一串车号字符分割为单独的一个字符,主要采用动态二值化和连通成分分析算法实现。
(1)动态二值化:计算车号矩形区域的均值每个像素图像灰度值方差每个像素新的二值化图为T(x,y)=I(x,y)>var*t?255:0(作用是将像素的灰度图变成黑白图,字符白色,底色黑色或者字符黑色,底色是白色),其中参数t取值范围为0-1之间;
其中参数t,取值范围为0-1之间,由于不同光照的图像,二值化的参数t不确定,为了自适应的得到二值化图,t是通过线性回归训练得出。
其中,参数t的训练:收集大量字符区域矩形图,每张图归一化到100*100尺寸,计算每张图的全局灰度直方图,把灰度直方图输入svm分类器,手动计算每张图对应的t,并作为线性回归分类器的标签,训练SVM分类器模型。
(2)依次遍历二值图像每个像素,并记下每一行或列中连续的行程和标记的等价对,然后通过等价对对原来的图像进行重新标,然后通过外接矩形框,取出真实的字符区域矩形;
参数t的计算:当新来一张车号矩形区域图,归一化到100*100尺寸,计算此图的全局灰度直方图,把灰度直方图输入已经训练好的svm分类器,输出值为参数t。
(2)连通成分分析算法:一次遍历二值图像,并记下每一行(或列)中连续的行程和标记的等价对,然后通过等价对对每个像素新的二值化图像进行重新标,然后通过外接矩形框,取出真实的字符区域矩形。
3、字符识别:是指识别单个字符对应的真实含义,本发明支持识别数字0-9,大写字母A-Z。本发明的字符图像尺寸为45*45,预先收集大量字符图像,计算LBP特征,训练SVM分类器模型。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (8)
1.一种实时列车车号识别方法,其特征在于包括:
车号区域初定位步骤:对图像采集设备实时输入的图像数据通过局部二值模型计算出LBP图像,通过训练计算LBP图像的局部区域直方图最优灰度等级,最后得到最优灰度等级对应的整幅的灰度等级值;根据该灰度等级值通过线性的二类分类器从输入图像中定位出包含车号字符的矩形坐标;所述线性的二类分类器为SVM分类器;
字符分割步骤:采用动态二值化方法与连通成分分析算法将包含车号字符的矩形坐标区域分割为单独的字符;
字符识别步骤:根据SVM分类器对列车车号进行字符识别;其中,所述车号区域初定位步骤具体过程是:
采用LBP局部二值模型,计算窗口选择为m*m,计算出LBP图像;
得到特征长度B0*m*m维灰度等级值图像;
其中P为大量训练样本的字符识别平均概率,T为识别时间,T不超过300毫秒;m属于2到4。
2.根据权利要求1所述的一种实时列车车号识别方法,其特征在于所述B0=64;m=3。
3.根据权利要求1所述的一种实时列车车号识别方法,其特征在于所述二类分类器是线性分类器,并且二类分类器通过SVM分类器实现,二类分类器类型是c-SVM。
5.根据权利要求4所述的一种实时列车车号识别方法,其特征在于所述t是通过线性回归训练得出,具体过程是:
收集n个字符区域矩形图,每张图归一化到P*P尺寸,计算每张图的全局灰度直方图,把灰度直方图输入svm分类器,手动计算每张图对应的t,并作为线性回归分类器的标签,训练SVM分类器模型;
当新来一张车号矩形区域图,归一化到P*P尺寸,计算此图的全局灰度直方图,把灰度直方图输入已经训练好的svm分类器,输出值为参数t;
其中P等于500到1500;n大于等于1000。
6.一种实时列车车号识别装置,其特征在于包括:
车号区域初定位模块:用于对图像采集设备实时输入的图像数据通过局部二值模型,计算最优灰度等级,最后得到最优灰度等级对应的整幅的灰度等级值;根据该灰度等级值通过线性的二类分类器从输入图像中定位出包含车号字符的矩形坐标;
字符分割模块:用于采用动态二值化方法与连通成分分析算法将包含车号字符的矩形坐标区域分割为单独的字符;
字符识别模块:用于根据SVM分类器对列车车号进行字符识别;其中,所述车号区域初定位模块具体过程是:
采用LBP局部二值模型,计算窗口选择为m*m,计算出LBP图像;
得到特征长度B0*m*m维灰度等级值图像;
其中P为大量训练样本的字符识别平均概率,T为识别时间,T不超过300毫秒;m属于2到4。
7.根据权利要求6所述的一种实时列车车号识别装置,其特征在于所述B0=64;m=4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710243990.5A CN108734158B (zh) | 2017-04-14 | 2017-04-14 | 一种实时列车车号识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710243990.5A CN108734158B (zh) | 2017-04-14 | 2017-04-14 | 一种实时列车车号识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734158A CN108734158A (zh) | 2018-11-02 |
CN108734158B true CN108734158B (zh) | 2020-05-19 |
Family
ID=63924476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710243990.5A Active CN108734158B (zh) | 2017-04-14 | 2017-04-14 | 一种实时列车车号识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734158B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840523B (zh) * | 2018-12-29 | 2023-08-22 | 南京睿速轨道交通科技有限公司 | 一种基于图像处理的城轨列车车号识别方法 |
CN111609813B (zh) * | 2020-05-26 | 2021-11-09 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓磨耗测量方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509091A (zh) * | 2011-11-29 | 2012-06-20 | 北京航空航天大学 | 一种飞机尾号识别方法 |
CN103530878A (zh) * | 2013-10-12 | 2014-01-22 | 北京工业大学 | 一种基于融合策略的边缘提取方法 |
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN104616016A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 一种全局与局部特征相结合的纹理特征描述方法 |
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN106529532A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分特征通道与灰度投影的车牌识别系统 |
CN106557740A (zh) * | 2016-10-19 | 2017-04-05 | 华中科技大学 | 一种遥感图像中油库目标的识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060269105A1 (en) * | 2005-05-24 | 2006-11-30 | Langlinais Ashton L | Methods, Apparatus and Products for Image Capture |
US9460367B2 (en) * | 2014-11-26 | 2016-10-04 | Xerox Corporation | Method and system for automating an image rejection process |
-
2017
- 2017-04-14 CN CN201710243990.5A patent/CN108734158B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509091A (zh) * | 2011-11-29 | 2012-06-20 | 北京航空航天大学 | 一种飞机尾号识别方法 |
CN103530878A (zh) * | 2013-10-12 | 2014-01-22 | 北京工业大学 | 一种基于融合策略的边缘提取方法 |
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN104616016A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 一种全局与局部特征相结合的纹理特征描述方法 |
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN106557740A (zh) * | 2016-10-19 | 2017-04-05 | 华中科技大学 | 一种遥感图像中油库目标的识别方法 |
CN106529532A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分特征通道与灰度投影的车牌识别系统 |
Non-Patent Citations (1)
Title |
---|
车号自动识别系统;贾斌;《铁道通信信号》;20050331;第41卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108734158A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
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 | |
CN107066933B (zh) | 一种道路标牌识别方法及系统 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN112819094B (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN110648307A (zh) | 一种利用图像比对技术核对变电站压板状态的方法 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
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 | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN104881665A (zh) | 一种芯片字符识别与校验方法及装置 | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN111260645A (zh) | 基于分块分类深度学习的篡改图像检测方法及系统 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 |
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 |