CN109840523B - 一种基于图像处理的城轨列车车号识别方法 - Google Patents
一种基于图像处理的城轨列车车号识别方法 Download PDFInfo
- Publication number
- CN109840523B CN109840523B CN201811641789.3A CN201811641789A CN109840523B CN 109840523 B CN109840523 B CN 109840523B CN 201811641789 A CN201811641789 A CN 201811641789A CN 109840523 B CN109840523 B CN 109840523B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- character
- output
- layer
- 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
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
- G06V10/26—Segmentation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于图像处理的城轨列车车号识别算法。该算法步骤如下:由相机获取到原始图像,对原始图像进行平滑处理;根据车号字符所在区域的背景颜色,突出车号字符所在区域,并对图像进行二值化;对得到的二值图像进行形态学处理;根据车号字符所在区域的连通域的特点,定位车号字符所在区域;对定位出来的车号字符区域图像进行取反操作,并对取反之后图像的连通域进行分析,根据车号字符自身的连通域特点,分割出单个字符;对分割出来的单个字符进行归一化处理,并进行二值化处理;采用人工神经网络ANN进行车号识别。本发明提高了车号信息采集的准确性,降低了车号采集系统的成本,具有实时性好、车号识别准确率高的优点。
Description
技术领域
本发明属于交通安全工程技术领域,特别是一种基于图像处理的城轨列车车号识别算法。
背景技术
随着我国城市轨道交通的快速发展及多条线路的开通运行,列车在线运行的安全问题也日益显著。如何在列车行进过程中对接触网系统关键部件、列车自身关键设备进行在线监测,发现故障和异常情况并及时处理,引起了各界研究者的广泛关注。在检测到列车某部件及设备出现故障或者发生异常情况时,需要利用图像处理进行车号识别来准确判断列车相关信息,向安全中心发出警报,因此必须建立列车关键部件及设备的安全状态信息与列车信息一一对应的关系,车号信息是列车身份与列车各个部件及设备之间的一个重要纽带。在铁路系统中,车号是列车信息的标志,各个路局按照铁路总公司制定的车号标准规范对列车进行编号,保证了列车车号的唯一性。
传统的列车车号识别系统(ATIS)主要由机车底部的标签(RFID)和地面的标签读取设备组成,列车车型、车种、车号车次等信息都存储在标签里面,但是标签由于各种原因容易丢失、损坏,造成识别不准确不能建立列车与列车设备部件状态一一对应的关系。
发明内容
本发明的目的在于提供一种准确性高、实时性好的基于图像处理的城轨列车车号识别算法。
实现本发明目的的技术解决方案为:一种基于图像处理的城轨列车车号识别算法,包括以下步骤:
步骤1、对原始图像进行预处理:由相机获取到原始图像,首先对原始图像进行平滑处理;然后根据车号字符所在区域的背景颜色,突出车号字符所在区域,并对图像进行二值化;最后对得到的二值图像进行形态学处理;
步骤2、对预处理后的图像进行车号区域定位:对步骤1得到的图像数据进行分析,并根据车号字符所在区域的连通域的特点,定位车号字符所在区域;
步骤3、对含有车号区域的图像进行字符分割:对步骤2定位出来的车号字符区域图像进行取反操作,并对取反之后图像的连通域进行分析,根据车号字符自身的连通域特点,分割出单个字符;
步骤4、对分割后的单个字符进行识别:对步骤3分割出来的单个字符进行归一化处理,并进行二值化处理;然后采用人工神经网络ANN进行车号识别。
进一步地,步骤1中所述对原始图像进行预处理,具体如下:
步骤1.1、使用高斯低通滤波器对原始图像进行滤波,得到滤波之后的图像If;
步骤1.2、根据车号所在区域的背景颜色的不同,通过设置RGB空间中的三个分量的取值范围,对滤波之后的图像进行处理,去除阈值范围之外的区域,将车号所在区域除背景颜色区域外的区域都变成黑色,得到图像Ib(i,j),即:
其中,(i,j)表示图像的像素点坐标,If(i,j)表示坐标(i,j)所在滤波之后图像If上的值,If(i,j)R表示If(i,j)中R分量的值,If(i,j)G表示If(i,j)中G分量的值,If(i,j)B表示If(i,j)中B分量的值,Rmax和Rmin表示车号所在区域背景颜色R分量的最大值和最小值,Gmax和Gmin表示车号所在区域背景颜色G分量的最大值和最小值,Bmax和Bmin表示车号所在区域背景颜色B分量的最大值和最小值;
然后对图像进行二值化,得到二值图像;
步骤1.3、图形的形态学处理:首先对二值图像进行闭操作,然后将像素点数小于整个图像面积的像素点数5%~10%的连通域删除。
进一步地,步骤2中所述对预处理后的图像进行车号区域定位,具体如下:
步骤2.1、对步骤1中的得到的预处理后的图像进行分析,确定连通区域外接矩形的长宽比、连通区域中的像素点数与连通区域外接矩形像素点数的比值;
步骤2.2、计算连通区域每一行的横向跳变次数,在剩余的连通区域中寻找带有车号字符的区域。
进一步地,步骤3中所述对含有车号区域的图像进行字符分割,具体如下:
步骤3.1、将步骤2得到的含有车号字符的二值图像进行取反操作;
步骤3.2、对取反之后的图像进行分析,根据连通区域外接矩形的长宽比、连通区域像素点数与外接矩形像素点数比值定位单个字符,并进行单个字符的分割。
进一步地,步骤4中所述对分割后的单个字符进行识别,具体如下:
步骤4.1、对步骤3得到的单个车号字符进行归一化处理,统一成大小一致的图像,并进行二值化操作;
步骤4.2、训练人工神经网络ANN模型,人工神经网络ANN设置为三层,分别为输入层、隐藏层和输出层,神经元激励函数为Sigmoid,Sigmoid函数表达式为:
其中,σ表示该个神经元的输入,f(σ)表示该个神经元的输出;
设输入层节点数为n,隐含层节点数为l,输出层节点数为m,初始化输入层和隐藏层神经元之间的连接权值ωij、隐藏层和输出层神经元之间的连接权值ωjk,初始化隐藏层函数阈值输出层函数阈值θk,i表示输入层节点编号,j表示隐含层节点编号,k表示输出层节点编号,训练步骤如下:
步骤4.2.1、根据输入xi、输入层与隐藏层间的连接权值ωij和隐藏层函数阈值得到隐藏层的输出hj为:
其中,f为神经元的激励函数;
步骤4.2.2、根据隐藏层的输出hj、连接权值ωjk和输出层函数阈值θk,得到输出层的输出yk为:
其中,f为神经元的激励函数;
步骤4.2.3、设ok为期望输出,计算实际输出与期望输出的误差δk:
δk=ok-yk
步骤4.2.4、根据误差δk更新网络权值ωij和ωjk:
ωjk=ωjk+ηδkhj
其中,η为学习率;
在人工神经网络ANN中,首先将输入层中的信息前向传播送至隐藏层,通过激励函数进行运算,将输出信息送至输出层,正向传播时各层网络权值不变,如果输出结果与预期值有差异则进行反向传播同时修改各层网络权值,反向传播完成后再次进行正向传播,直至差异值小与预设值;
步骤4.3、将步骤4.1中处理好的图像信息载入步骤4.2训练好的人工神经网络ANN模型中进行车号字符的识别,并输出识别出的车号。
本发明与现有技术相比,具有以下优点:(1)利用图像处理进行车号识别来判断列车的相关信息,提高了车号信息采集的准确性,降低了车号采集系统的成本;(2)算法实时性好,能快速得到车号,基于车身与字符颜色得到车号区域,车号区域定位的准确率高。
附图说明
图1为本发明基于图像处理的城轨列车车号识别算法的流程示意图。
图2为本发明中采集到的需要处理的带有车号的原始图。
图3为本发明中对原始图像根据背景颜色进行预处理之后的示意图。
图4为本发明中对原始图像二值化后并进行形态学处理后的示意图。
图5为本发明中对原始图像预处理之后定位到车号区域的示意图。
图6为本发明中首次分割出的含有车号区域的示意图。
图7为本发明中在车号区域定位到单个字符的示意图。
图8为本发明中分割出来的各个单个字符的示意图。
图9为本发明中最终识别出来的结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
结合图1~9,本发明基于图像处理的城轨列车车号识别算法,包括以下步骤:
步骤1、对原始图像进行预处理:由相机获取到原始图像,首先对原始图像进行平滑处理;然后根据车号字符所在区域的背景颜色,突出车号字符所在区域,并对图像进行二值化;最后对得到的二值图像进行形态学处理;
步骤2、对预处理后的图像进行车号区域定位:对步骤1得到的图像数据进行分析,并根据车号字符所在区域的连通域的特点,定位车号字符所在区域;
步骤3、对含有车号区域的图像进行字符分割:对步骤2定位出来的车号字符区域图像进行取反操作,并对取反之后图像的连通域进行分析,根据车号字符自身的连通域特点,分割出单个字符;
步骤4、对分割后的单个字符进行识别:对步骤3分割出来的单个字符进行归一化处理,并进行二值化处理;然后采用人工神经网络ANN进行车号识别。
进一步地,步骤1中所述对原始图像进行预处理,具体如下:
步骤1.1、使用高斯低通滤波器对原始图像进行滤波,得到滤波之后的图像If;
步骤1.2、根据车号所在区域的背景颜色的不同,通过设置RGB空间中的三个分量的取值范围,对滤波之后的图像进行处理,去除阈值范围之外的区域,将车号所在区域背景颜色区域外的区域都变成黑色,得到图像Ib(i,j),即:
其中,(i,j)表示图像的像素点坐标,If(i,j)表示坐标(i,j)所在滤波之后图像If上的值,If(i,j)R表示If(i,j)中R分量的值,If(i,j)G表示If(i,j)中G分量的值,If(i,j)B表示If(i,j)中B分量的值,Rmax和Rmin表示车号所在区域背景颜色R分量的最大值和最小值,Gmax和Gmin表示车号所在区域背景颜色G分量的最大值和最小值,Bmax和Bmin表示车号所在区域背景颜色B分量的最大值和最小值。
然后对图像进行二值化,得到二值图像;
步骤1.3、图形的形态学处理:首先对二值图像进行闭操作,然后将像素点数小于整个图像面积的像素点数5%~10%的连通域删除,以减少对下一步操作的干扰。
进一步地,步骤2中所述对预处理后的图像进行车号区域定位,具体如下:
步骤2.1、对步骤1中的得到的预处理后的图像进行分析;
步骤2.2、根据连通区域外接矩形的长宽比、连通区域中的像素点数与连通区域外接矩形像素点数的比值,以及计算连通区域每一行的横向跳变次数,在剩余的连通区域中寻找带有车号字符的区域。
进一步地,步骤3中所述对含有车号区域的图像进行字符分割,具体如下:
步骤3.1、将步骤2中的得到的含有车号字符的二值图像进行取反操作;
步骤3.2、对取反之后的图像进行分析,根据连通区域外接矩形的长宽比以及连通区域像素点数与外接矩形像素点数比值来定位单个字符,并进行单个字符的分割。
进一步地,步骤4中所述对分割后的单个字符进行识别,具体如下:
步骤4.1、对步骤3中得到的单个车号字符进行归一化处理,统一成大小一致的图像,并进行二值化操作;
步骤4.2、训练人工神经网络ANN模型,人工神经网络ANN设置为三层,分别为输入层、隐藏层和输出层,神经元激励函数为Sigmoid,Sigmoid函数表达式为:
其中,σ表示该个神经元的输入,f(σ)表示该个神经元的输出。
设输入层节点数为n,隐含层节点数为l,输出层节点数为m,初始化输入层、隐藏层和输出层神经元之间的连接权值ωij和ωjk,初始化隐藏层函数阈值输出层函数阈值θk,训练步骤如下:
步骤4.2.1、根据输入x、输入层与隐藏层间的连接权值ωij和隐藏层函数阈值得到隐藏层的输出为:
其中,f为神经元的激励函数。
步骤4.2.2、根据隐藏层的输出hj、连接权值ωjk和输出层函数阈值θk,得到输出层的输出为:
其中,f为神经元的激励函数。
步骤4.2.3、设ok为期望输出,计算实际输出与期望输出的误差:
δk=ok-yk
步骤4.2.4、根据误差δk更新网络权值ωij和ωjk:
ωjk=ωjk+ηδkhj
其中,η为学习率。
在人工神经网络ANN中,首先将输入层中的信息前向传播送至隐藏层,通过激励函数进行运算,将输出信息送至输出层,正向传播时各网络权值不变,如果输出结果与预期值有差异则进行反向传播同时修改各层网络权值,反向传播完成后再次进行正向传播,直至差异值极小;
步骤4.3、将步骤4.1中处理好的图像信息载入步骤4.2训练好的人工神经网络ANN模型中进行车号字符的识别,并输出识别出的车号。
实施例1
本实施例以南京地铁采集到的图像进行处理分析。
如图1所示,一种基于图像处理的城轨列车车号识别算法,包括以下步骤:
步骤1、对原始图像进行预处理,具体如下:
步骤1.1、由相机获取到原始图像,如图2所示,使用高斯低通滤波器对原始图像进行滤波,得到滤波之后的图像If;
步骤1.2、根据车号所在区域的背景颜色的不同,通过设置RGB空间中的三个分量的取值范围,对滤波之后的图像进行处理,去除阈值范围之外的区域,将车号所在区域背景颜色区域外的区域都变成黑色,得到图像Ib(i,j),即:
其中,(i,j)表示图像的像素点坐标,If(i,j)表示坐标(i,j)所在滤波之后图像If上的值,If(i,j)R表示If(i,j)中R分量的值,If(i,j)G表示If(i,j)中G分量的值,If(i,j)B表示If(i,j)中B分量的值,Rmax和Rmin表示车号所在区域背景颜色R分量的最大值和最小值,Gmax和Gmin表示车号所在区域背景颜色G分量的最大值和最小值,Bmax和Bmin表示车号所在区域背景颜色B分量的最大值和最小值。
然后对图像进行二值化,得到二值图像;
步骤1.3、图形的形态学处理:首先对二值图像进行闭操作,然后将像素点数小于整个图像面积的像素点数5%~10%的连通域删除,如图3,图4所示,以减少对下一步操作的干扰;
步骤2、对预处理后的图像进行车号区域定位,具体如下:
步骤2.1、对步骤1得到的预处理后的图像数据进行分析;
步骤2.2、根据连通区域外接矩形的长宽比、连通区域中的像素点数与连通区域外接矩形像素点数的比值以及计算连通区域每一行的横向跳变次数,在剩余的连通区域中寻找带有车号字符的区域,如图5、图6所示;
步骤3、对含有车号区域的图像进行字符分割,具体如下:
步骤3.1、将步骤2中的得到的含有车号字符的二值图像进行取反操作;
步骤3.2、对取反之后的图像进行分析,根据连通区域外接矩形的长宽比以及连通区域像素点数与外接矩形像素点数比值来定位单个字符,并进行单个字符的分割,如图7、图8所示;
步骤4、对分割后的单个字符进行识别,具体如下:
步骤4.1、对步骤3中得到的单个车号字符进行归一化处理,统一成大小一致的图像,并进行二值化操作;
步骤4.2、训练人工神经网络ANN模型,人工神经网络ANN设置为三层,分别为输入层、隐藏层和输出层,神经元激励函数为Sigmoid,Sigmoid函数表达式为:
其中,σ表示该个神经元的输入,f(σ)表示该个神经元的输出。
设输入层节点数为n,隐含层节点数为l,输出层节点数为m,初始化输入层、隐藏层和输出层神经元之间的连接权值ωij和ωjk,初始化隐藏层函数阈值输出层函数阈值θk,训练步骤如下:
步骤4.2.1、根据输入x、输入层与隐藏层间的连接权值ωij和隐藏层函数阈值得到隐藏层的输出为:
其中,f为神经元的激励函数。
步骤4.2.2、根据隐藏层的输出hj、连接权值ωjk和输出层函数阈值θk,得到输出层的输出为:
其中,f为神经元的激励函数。
步骤4.2.3、设ok为期望输出,计算实际输出与期望输出的误差:
δk=ok-yk
步骤4.2.4、根据误差δk更新网络权值ωij和ωjk:
ωjk=ωjk+ηδkhj
其中,η为学习率。
在人工神经网络ANN中,首先将输入层中的信息前向传播送至隐藏层,通过激励函数进行运算,将输出信息送至输出层,正向传播时各层网络权值不变,如果输出结果与预期值有差异则进行反向传播同时修改各层网络权值,反向传播完成后再次进行正向传播,直至差异值极小;
步骤4.3、将步骤4.1中处理好的图像信息载入步骤4.2训练好的人工神经网络ANN模型中进行车号字符的识别,如图9所示,并输出识别出的车号。
Claims (1)
1.一种基于图像处理的城轨列车车号识别方法,其特征在于,包括以下步骤:
步骤1、对原始图像进行预处理:由相机获取到原始图像,首先对原始图像进行平滑处理;然后根据车号字符所在区域的背景颜色,突出车号字符所在区域,并对图像进行二值化;最后对得到的二值图像进行形态学处理;
步骤2、对预处理后的图像进行车号区域定位:对步骤1得到的图像数据进行分析,并根据车号字符所在区域的连通域的特点,定位车号字符所在区域;
步骤3、对含有车号区域的图像进行字符分割:对步骤2定位出来的车号字符区域图像进行取反操作,并对取反之后图像的连通域进行分析,根据车号字符自身的连通域特点,分割出单个字符;
步骤4、对分割后的单个字符进行识别:对步骤3分割出来的单个字符进行归一化处理,并进行二值化处理;然后采用人工神经网络ANN进行车号识别;
步骤1中所述对原始图像进行预处理,具体如下:
步骤1.1、使用高斯低通滤波器对原始图像进行滤波,得到滤波之后的图像If;
步骤1.2、根据车号所在区域的背景颜色的不同,通过设置RGB空间中的三个分量的取值范围,对滤波之后的图像进行处理,去除阈值范围之外的区域,将车号所在区域除背景颜色区域外的区域都变成黑色,得到图像Ib(i,j),即:
其中,(i,j)表示图像的像素点坐标,If(i,j)表示坐标(i,j)所在滤波之后图像If上的值,If(i,j)R表示If(i,j)中R分量的值,If(i,j)G表示If(i,j)中G分量的值,If(i,j)B表示If(i,j)中B分量的值,Rmax和Rmin表示车号所在区域背景颜色R分量的最大值和最小值,Gmax和Gmin表示车号所在区域背景颜色G分量的最大值和最小值,Bmax和Bmin表示车号所在区域背景颜色B分量的最大值和最小值;
然后对图像进行二值化,得到二值图像;
步骤1.3、图形的形态学处理:首先对二值图像进行闭操作,然后将像素点数小于整个图像面积的像素点数5%~10%的连通域删除;
步骤2中所述对预处理后的图像进行车号区域定位,具体如下:
步骤2.1、对步骤1中的得到的预处理后的图像进行分析,确定连通区域外接矩形的长宽比、连通区域中的像素点数与连通区域外接矩形像素点数的比值;
步骤2.2、计算连通区域每一行的横向跳变次数,在剩余的连通区域中寻找带有车号字符的区域;
步骤3中所述对含有车号区域的图像进行字符分割,具体如下:
步骤3.1、将步骤2得到的含有车号字符的二值图像进行取反操作;
步骤3.2、对取反之后的图像进行分析,根据连通区域外接矩形的长宽比、连通区域像素点数与外接矩形像素点数比值定位单个字符,并进行单个字符的分割;
步骤4中所述对分割后的单个字符进行识别,具体如下:
步骤4.1、对步骤3得到的单个车号字符进行归一化处理,统一成大小一致的图像,并进行二值化操作;
步骤4.2、训练人工神经网络ANN模型,人工神经网络ANN设置为三层,分别为输入层、隐藏层和输出层,神经元激励函数为Sigmoid,Sigmoid函数表达式为:
其中,σ表示该个神经元的输入,f(σ)表示该个神经元的输出;
设输入层节点数为n,隐含层节点数为l,输出层节点数为m,初始化输入层和隐藏层神经元之间的连接权值ωij、隐藏层和输出层神经元之间的连接权值ωjk,初始化隐藏层函数阈值输出层函数阈值θk,i表示输入层节点编号,j表示隐含层节点编号,k表示输出层节点编号,训练步骤如下:
步骤4.2.1、根据输入xi、输入层与隐藏层间的连接权值ωij和隐藏层函数阈值得到隐藏层的输出hj为:
其中,f为神经元的激励函数;
步骤4.2.2、根据隐藏层的输出hj、连接权值ωjk和输出层函数阈值θk,得到输出层的输出yk为:
其中,f为神经元的激励函数;
步骤4.2.3、设ok为期望输出,计算实际输出与期望输出的误差δk:
δk=ok-yk
步骤4.2.4、根据误差δk更新网络权值ωij和ωjk:
ωjk=ωjk+ηδkhj
其中,η为学习率;
在人工神经网络ANN中,首先将输入层中的信息前向传播送至隐藏层,通过激励函数进行运算,将输出信息送至输出层,正向传播时各层网络权值不变,如果输出结果与预期值有差异则进行反向传播同时修改各层网络权值,反向传播完成后再次进行正向传播,直至差异值小与预设值;
步骤4.3、将步骤4.1中处理好的图像信息载入步骤4.2训练好的人工神经网络ANN模型中进行车号字符的识别,并输出识别出的车号。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641789.3A CN109840523B (zh) | 2018-12-29 | 2018-12-29 | 一种基于图像处理的城轨列车车号识别方法 |
PCT/CN2019/110230 WO2020134324A1 (zh) | 2018-12-29 | 2019-10-10 | 一种基于图像处理的城轨列车车号识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641789.3A CN109840523B (zh) | 2018-12-29 | 2018-12-29 | 一种基于图像处理的城轨列车车号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840523A CN109840523A (zh) | 2019-06-04 |
CN109840523B true CN109840523B (zh) | 2023-08-22 |
Family
ID=66883529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641789.3A Active CN109840523B (zh) | 2018-12-29 | 2018-12-29 | 一种基于图像处理的城轨列车车号识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109840523B (zh) |
WO (1) | WO2020134324A1 (zh) |
Families Citing this family (8)
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 |
CN110619329B (zh) * | 2019-09-03 | 2022-03-22 | 煤炭科学研究总院 | 基于机载视觉的铁路货运敞车车厢编号及装载状态识别方法 |
CN112070088B (zh) * | 2020-09-14 | 2023-07-18 | 成都主导软件技术有限公司 | 一种列车车号识别系统及服务器 |
CN112070087B (zh) * | 2020-09-14 | 2023-06-02 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN112926563B (zh) * | 2021-02-23 | 2024-01-02 | 辽宁科技大学 | 一种钢卷喷印标记故障诊断系统 |
CN115713758B (zh) * | 2022-11-10 | 2024-03-19 | 国能黄骅港务有限责任公司 | 一种车厢识别方法、系统、装置及存储介质 |
CN116343331B (zh) * | 2023-03-10 | 2024-01-26 | 二十六度数字科技(广州)有限公司 | 一种基于大数据分析的精准营销方法及系统 |
CN117173416B (zh) * | 2023-11-01 | 2024-01-05 | 山西阳光三极科技股份有限公司 | 基于图像处理的铁路货运车号图像清晰化处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN101950354A (zh) * | 2010-09-03 | 2011-01-19 | 西安大唐电信有限公司 | 一种国铁货车车号信息图像识别系统及方法 |
CN106803087A (zh) * | 2017-01-19 | 2017-06-06 | 南京航空航天大学 | 一种车号自动识别方法及系统 |
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别系统 |
CN108734158A (zh) * | 2017-04-14 | 2018-11-02 | 成都唐源电气股份有限公司 | 一种实时列车车号识别方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058856A1 (en) * | 2005-09-15 | 2007-03-15 | Honeywell International Inc. | Character recoginition in video data |
CN101398894B (zh) * | 2008-06-17 | 2011-12-07 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN105354574A (zh) * | 2015-12-04 | 2016-02-24 | 山东博昂信息科技有限公司 | 一种车号识别方法及装置 |
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 |
-
2018
- 2018-12-29 CN CN201811641789.3A patent/CN109840523B/zh active Active
-
2019
- 2019-10-10 WO PCT/CN2019/110230 patent/WO2020134324A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN101950354A (zh) * | 2010-09-03 | 2011-01-19 | 西安大唐电信有限公司 | 一种国铁货车车号信息图像识别系统及方法 |
CN106803087A (zh) * | 2017-01-19 | 2017-06-06 | 南京航空航天大学 | 一种车号自动识别方法及系统 |
CN108734158A (zh) * | 2017-04-14 | 2018-11-02 | 成都唐源电气股份有限公司 | 一种实时列车车号识别方法及装置 |
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109840523A (zh) | 2019-06-04 |
WO2020134324A1 (zh) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840523B (zh) | 一种基于图像处理的城轨列车车号识别方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN104134079B (zh) | 一种基于极值区域和极限学习机的车牌识别方法 | |
Dehghan et al. | View independent vehicle make, model and color recognition using convolutional neural network | |
Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
Sharma et al. | A hybrid technique for license plate recognition based on feature selection of wavelet transform and artificial neural network | |
Wazalwar et al. | A design flow for robust license plate localization and recognition in complex scenes | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
Shaikh et al. | A novel approach for automatic number plate recognition | |
CN111160328A (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
Saunshi et al. | License plate recognition using convolutional neural network | |
CN108647679B (zh) | 一种基于车窗粗定位的车标识别方法 | |
Yang et al. | Character recognition using parallel bp neural network | |
CN107122734A (zh) | 一种基于机器视觉和机器学习的运动车辆检测算法 | |
Sathya et al. | Vehicle license plate recognition (vlpr) | |
CN109086774B (zh) | 基于朴素贝叶斯的彩色图像二值化方法和系统 | |
Patil et al. | Deep learning-based approach for indian license plate recognition using optical character recognition | |
CN111950550A (zh) | 基于深度卷积神经网络的车架号识别系统 | |
Joseph et al. | A Study on Localization Techniques for Automatic License Plate Recognition System | |
CN113903015B (zh) | 车道线识别方法及装置 | |
CN104573692B (zh) | 一种基于模糊退化模型的车牌二值化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |