CN111008619A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111008619A CN111008619A CN202010057696.7A CN202010057696A CN111008619A CN 111008619 A CN111008619 A CN 111008619A CN 202010057696 A CN202010057696 A CN 202010057696A CN 111008619 A CN111008619 A CN 111008619A
- Authority
- CN
- China
- Prior art keywords
- number plate
- speed rail
- rail contact
- contact net
- deep semantic
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title abstract description 33
- 230000001629 suppression Effects 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
- G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
- G06V30/274—Syntactic or semantic context, e.g. balancing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种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,包括对高铁接触网图像进行深层语义信息抽取,得到图像的深层语义信息表征图;在该图上使用卷积核和锚点遍历获得支柱号牌区域,再经过阈值过滤和非极大值抑制得到准确的支柱号牌区域;对该区域进行深层语义信息抽取,得到其深层语义信息特征图;在该图上使用卷积核和锚点遍历寻找号牌中潜在字符;经过阈值过滤和非极大值抑制后根据坐标排序获得字符序列。本发明充分利用了表征图的遍历思想进行号牌区域自动检测以及利用具有鲁棒性且感受野较大的深层语义信息抽取网络进行字符自动识别,得到高精度的高铁接触网支柱号牌识别结果,具有良好的应用前景。
Description
技术领域
本发明涉及图像处理与电气化铁路技术领域,具体涉及一种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。
背景技术
随着高铁营运里程的提高,高铁接触网的覆盖范围也快速增加。通过检测识别接触网支柱号牌能够快速准确定位到接触网异常安全隐患位置。因此,高铁接触网支柱号牌的检测与识别是支撑高铁接触网安全检测的重要前提。
在高铁接触网支柱号牌的检测与识别上,传统方法大多借助于人力,即工作人员在图像中找到接触网支柱号牌,并辨识出其序列记录下来。这样的方式耗时耗力且难以保证精度。
近年来有学者考虑采用图像形态学的方式进行接触网支柱号牌的识别。首先采用形态学变化和连通区域特征筛选进行号牌检测。往往在号牌检测时还会考虑支柱号牌与支柱的相对位置等信息辅助检测。然后再通过模板匹配、聚类等方式进行字符序列识别。这种检测识别方式主要存在以下不足:
1、处理的照片多为火车在高速行驶时拍摄,存在图像退化的情况;
2、接触网支柱号牌的检测识别是为了接触网异常定位服务的,因此图像中的支柱号牌占比很小;
3、火车运行跨度大、时间长,成像结果受天气、光照、地理因素影响极大,图像类型多变。因此,上述的检测识别方式很难适应高铁接触网支柱号牌的检测识别,需要根据高铁接触网图像的特点,结合深度学习、目标检测等先进技术,设计新的高铁接触网号牌检测识别方法。
伴随着深度学习的发展,目标检测和字符识别技术都有了长足的进步。但这类技术直接运用在高铁接触网支柱号牌检测与识别上还存在几个问题:
1、由于接触网支柱号牌在高铁接触网图像中的占比极小,如何保证其特征不被忽略、准确找到支柱号牌仍是一个有待解决的问题;
2、接触网图像的成像条件多变复杂,所获得的图像区别极大,如何设计一个鲁棒的、能够适用于各种情况的接触网支柱号牌检测识别系统是一个困难所在;
3、接触网支柱号牌存在模糊、异物遮挡、曝光过度或不足、扭曲等情况;
4、现有的目标检测、字符识别方式都很难在保证精度的情况下达到实时的检测识别速度,因此如何提高系统的检测识别速度是一个需要继续讨论的问题。
通过上述描述,如何快速准确的定位高铁接触网支柱号牌并进行字符序列识别是一个亟待解决的问题。
发明内容
本发明的目的是克服现有的高铁接触网支柱号牌检测识别方法存在的问题,有效提高高铁接触网支柱号牌检测识别的精度、效率和鲁棒性。本发明充分利用了能够较好地抽取小目标深层语义信息的深层语义信息抽取网络和能够充分理解、识别深层语义信息的卷积层进行小号牌区域的自动检测;并充分利用了对模糊目标语义信息抽取有一定鲁棒性的深层语义信息抽取网络和拥有较大感受野、能够收集足够深层语义信息的卷积层进行接触网支柱号牌字符的自动识别,得到高精度的高铁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:
一种基于深度语义抽取的高铁接触网支柱号牌检测与识别方法,包括以下步骤,
步骤A,对包含高铁接触网支柱号牌区域的高铁接触网图像进行深层语义信息抽取,得到高铁接触网图像的深层语义信息表征图;
步骤B,在高铁接触网图像的深层语义信息表征图上使用3*3大小的卷积核遍历获得可能包含高铁接触网支柱号牌的区域,在遍历时使用由支柱号牌位置信息聚类获得的锚点以提高支柱号牌检测准确性,再经过阈值过滤和非极大值抑制得到准确的接触网支柱号牌位置信息;
步骤C,对提取的高铁接触网支柱号牌区域进行深层语义信息抽取,得到高铁接触网支柱号牌区域的深层语义信息特征图;
步骤D,在高铁接触网支柱号牌区域的深层语义信息特征图上使用5*5大小的卷积核遍历寻找高铁接触网支柱号牌中可能存在的字符,同时使用由字符尺寸聚类获得的锚点进行初定位以提高准确性;
步骤E,对可能存在的字符进行置信度阈值过滤和非极大值抑制,并根据坐标顺序进行拼接获得接触网支柱号牌的字符序列。
前述的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,步骤A,对包含高铁接触网支柱号牌区域的高铁接触网图像进行深层语义信息抽取,包括以下步骤,
步骤A1,将每个训练样本缩放为416*416像素大小的训练样本矩阵;
步骤A2,将训练样本矩阵和其对应的高铁接触网支柱号牌坐标输入到深层语义信息抽取网络进行训练并获得对应的参数;
步骤A3,输入高铁接触网图像到深层语义信息抽取网络,根据网络的输出获得该图像对应的深层语义信息表征图。
前述的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,步骤B,在高铁接触网图像的深层语义信息表征图上使用卷积核遍历并通过阈值过滤和非极大值抑制来寻找接触网支柱号牌,包括以下步骤,
根据聚类获得能够代表大多数高铁接触网支柱号形状的锚点信息;
步骤B2,使用3*3大小的卷积核在深层语义信息表征图上遍历,得到以每个像素点为中心、以每一个锚点为初始形状区域的相对偏移量和该区域包含有高铁接触网支柱号牌的置信度;
步骤B3,将隶属于号牌区域的置信度大于阈值的坐标保留,并通过非极大值抑制,得到该坐标对应的高铁接触网支柱号牌区域。
前述的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,步骤C,对提取的高铁接触网支柱号牌区域进行深层语义信息抽取,包括以下步骤,
步骤C1,将每个训练样本缩放为416*416像素大小的训练样本矩阵;
步骤C2,将训练样本矩阵和其对应的高铁接触网支柱号牌字符坐标信息与类别信息输入到深层语义信息抽取网络进行训练并获得对应的参数;
步骤C3,输入高铁接触网支柱号牌区域图像到深层语义信息抽取网络,根据网络的输出获得该图像对应的深层语义信息表征图。
前述的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,步骤D,在高铁接触网支柱号牌区域的深层语义信息特征图上使用卷积核遍历寻找高铁接触网支柱号牌中可能存在的字符,包括以下步骤,
根据聚类获得能够代表高铁接触网支柱号字符形状的锚点信息;
步骤D2,使用5*5大小的卷积核在深度语义信息表征图上遍历,得到以每个像素点为中心、以每一个锚点为初始形状区域的相对偏移量和该区域包含有高铁接触网支柱号牌字符的置信度。
前述的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,步骤E,对可能存在的字符进行置信度阈值过滤和非极大值抑制,并根据坐标顺序进行拼接,包括以下步骤,
步骤E1,将隶属于各个字符区域的置信度大于阈值的坐标和类别信息保留,并通过非极大值抑制,得到该坐标对应的高铁接触网支柱号牌字符类别;
步骤E2,根据接触网支柱号牌图像的长宽比判断该区域包含的高铁接触网支柱号牌字符方向,并根据坐标的水平顺序或者垂直顺序进行排序拼接,从而获取高铁接触网支柱号牌对应的字符序列。
本发明的有益效果是:本发明的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,充分利用了能够较好的抽取小目标深层语义信息的深层语义信息抽取网络和能够充分理解、识别深层语义信息的卷积层进行小号牌区域的自动检测;并充分利用了对模糊目标语义信息抽取有一定鲁棒性的深层语义信息抽取网络和拥有较大感受野、能够收集足够深层语义信息的卷积层进行接触网支柱号牌字符的自动识别,得到高精度的高铁接触网支柱号牌识别结果,适用于高铁接触网支柱号牌识别,并具有以下优点,
(1)在图像成像质量欠佳的情况下,充分抽取小目标的深层语义信息,准确定位高铁接触网支柱号牌区域;
(2)无需对图像预定位,在图像对应的深层语义信息表征图上遍历,并对每个区域是否包含有接触网支柱号牌分别得到置信度,在保证高铁接触网支柱号牌区域有效检测的同时能够显著提升速度;
(3)在识别过程采用了更大尺寸的卷积核,以扩大感受野、采集到更加丰富的语义信息,有效提高了号牌识别精度。
附图说明
图1是本发明的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的流程图;
图2是本发明的对高铁接触网支柱号牌所在区域检测的流程图;
图3是本发明的对高铁接触网支柱号牌所在区域进行字符识别的流程图;
图4是本发明南京供电段提供的第一个2C图像示意图;
图5是本发明对图4图像进行接触网支柱号牌检测和识别的示意图;
图6是本发明南京供电段提供的第二个2C图像示意图;
图7是本发明对图6图像进行接触网支柱号牌检测和识别的示意图。
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,本发明的基于深度语义抽取的高铁接触网支柱号牌检测与识别方法包括以下步骤,
步骤A,对包含高铁接触网支柱号牌区域的高铁接触网图像进行深层语义信息抽取,如图2所示,包括以下步骤,
步骤A1,将每个训练样本缩放为416*416像素大小的训练样本矩阵;
步骤A2,将训练样本矩阵和其对应的高铁接触网支柱号牌坐标输入到深层语义信息抽取网络进行训练并获得对应的参数;
步骤A3,输入高铁接触网图像到深层语义信息抽取网络,根据网络的输出获得该图像对应的深层语义信息表征图。
步骤B,在高铁接触网图像的深层语义信息表征图上使用卷积核遍历并通过阈值过滤和非极大值抑制来寻找接触网支柱号牌,包括以下步骤,
根据聚类获得能够代表高铁接触网支柱号形状的锚点信息;
步骤B2,使用3*3大小的卷积核在深层语义信息表征图上遍历,得到以每个像素点为中心、以每一个锚点为初始形状区域的相对偏移量和该区域包含有高铁接触网支柱号牌的置信度;
步骤B3,将隶属于号牌区域的置信度大于阈值的坐标保留,并通过非极大值抑制,得到该坐标对应的高铁接触网支柱号牌区域。
这里的步骤A-步骤B是对高铁接触网支柱号牌所在区域的检测,如图2所示;下面对高铁接触网支柱号牌所在区域进行字符识别,如图3所示,具体见步骤C-步骤E,
步骤C,对提取的高铁接触网支柱号牌区域进行深层语义信息抽取,包括以下步骤,
步骤C1,将每个训练样本缩放为416*416像素大小的训练样本矩阵;
步骤C2,将训练样本矩阵和其对应的高铁接触网支柱号牌字符坐标信息与类别信息输入到深层语义信息抽取网络进行训练并获得对应的参数;
步骤C3,输入高铁接触网支柱号牌区域图像到深层语义信息抽取网络,根据网络的输出获得该图像对应的深层语义信息表征图。
步骤D,在高铁接触网支柱号牌区域的深层语义信息特征图上使用卷积核遍历寻找高铁接触网支柱号牌中可能存在的字符,包括以下步骤,
根据聚类获得能够代表高铁接触网支柱号字符形状的锚点信息;
步骤D2,使用5*5大小的卷积核在深度语义信息表征图上遍历,得到以每个像素点为中心、以每一个锚点为初始形状区域的相对偏移量和该区域包含有高铁接触网支柱号牌字符的置信度。
步骤E,对可能存在的字符进行置信度阈值过滤和非极大值抑制,并根据坐标顺序进行拼接,包括以下步骤,
步骤E1,将隶属于各个字符区域的置信度大于阈值的坐标和类别信息保留,并通过非极大值抑制,得到该坐标对应的高铁接触网支柱号牌字符类别;
步骤E2,根据接触网支柱号牌图像的长宽比判断该区域包含的高铁接触网支柱号牌字符方向,并根据坐标的水平顺序或者垂直顺序进行排序拼接,从而获取高铁接触网支柱号牌对应的字符序列。
利用本发明的方案对南京供电段提供的2个2C图像进行接触网支柱号牌检测和识别,其中,图4和图6分别是2个2C图像,图5和图7分别显示了竖号牌和横号牌的检测和识别结果,红色框是支柱号牌区域检测结果,图像右下方是对检测出的区域进行字符识别的结果。从实验结果中可以看出,本发明可以有效地对接触网支柱杆号牌进行识别,经过大量实验和统计表明,号牌区域检测准确率达96%以上,号牌识别率达92%以上。
综上所述,本发明的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,充分利用了能够较好的抽取小目标深层语义信息的深层语义信息抽取网络和能够充分理解、识别深层语义信息的卷积层进行小号牌区域的自动检测;并充分利用了对模糊目标语义信息抽取有一定鲁棒性的深层语义信息抽取网络和拥有较大感受野、能够收集足够深层语义信息的卷积层进行接触网支柱号牌字符的自动识别,得到高精度的高铁接触网支柱号牌识别结果,适用于高铁接触网支柱号牌识别,并具有以下优点,
(1)在图像成像质量欠佳的情况下,充分抽取小目标的深层语义信息,准确定位高铁接触网支柱号牌区域;
(2)无需对图像预定位,在图像对应的深层语义信息表征图上遍历,并对每个区域是否包含有接触网支柱号牌分别得到置信度,在保证高铁接触网支柱号牌有效检测的同时能够显著提升检测速度;
(3)在识别过程采用了更大尺寸的卷积核,以扩大感受野、采集到更加丰富的语义信息,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,这些变化和改进都在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 (6)
1.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,其特征在于:包括以下步骤,
步骤A,对包含高铁接触网支柱号牌区域的高铁接触网图像进行深层语义信息抽取,得到高铁接触网图像的深层语义信息表征图;
步骤B,在高铁接触网图像的深层语义信息表征图上使用3*3大小的卷积核遍历获得可能包含高铁接触网支柱号牌的区域,在遍历时使用由支柱号牌位置信息聚类获得的锚点,再经过阈值过滤和非极大值抑制得到准确的接触网支柱号牌的位置信息;
步骤C,对提取的高铁接触网支柱号牌区域进行深层语义信息抽取,得到高铁接触网支柱号牌区域的深层语义信息特征图;
步骤D,在高铁接触网支柱号牌区域的深层语义信息特征图上使用5*5大小的卷积核遍历寻找高铁接触网支柱号牌中可能存在的字符,同时使用由字符尺寸聚类获得的锚点进行初定位;
步骤E,对可能存在的字符进行置信度阈值过滤和非极大值抑制,并根据坐标顺序进行拼接获得接触网支柱号牌的字符序列。
2.根据权利要求1所述的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,其特征在于:步骤A,对包含高铁接触网支柱号牌区域的高铁接触网图像进行深层语义信息抽取,包括以下步骤,
步骤A1,将每个训练样本缩放为416*416像素大小的训练样本矩阵;
步骤A2,将训练样本矩阵和其对应的高铁接触网支柱号牌坐标输入到深层语义信息抽取网络进行训练并获得对应的参数;
步骤A3,输入高铁接触网图像到深层语义信息抽取网络,根据网络的输出获得该图像对应的深层语义信息表征图。
3.根据权利要求1所述的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,其特征在于:步骤B,在高铁接触网图像的深层语义信息表征图上使用卷积核遍历并通过阈值过滤和非极大值抑制来寻找接触网支柱号牌,包括以下步骤,
步骤B1,根据现有高铁接触网支柱号训练标签进行聚类,计算任意两个标签的相似度,并根据相似度聚类获得能够代表高铁接触网支柱号形状的锚点信息;
步骤B2,使用3*3大小的卷积核在深层语义信息表征图上遍历,得到以每个像素点为中心、以每一个锚点为初始形状区域的相对偏移量和该区域包含有高铁接触网支柱号牌的置信度;
步骤B3,将隶属于号牌区域的置信度大于阈值的坐标保留,并通过非极大值抑制,得到该坐标对应的高铁接触网支柱号牌区域。
4.根据权利要求1所述的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,其特征在于:步骤C,对提取的高铁接触网支柱号牌区域进行深层语义信息抽取,包括以下步骤,
步骤C1,将每个训练样本缩放为416*416像素大小的训练样本矩阵;
步骤C2,将训练样本矩阵和其对应的高铁接触网支柱号牌字符坐标信息与类别信息输入到深层语义信息抽取网络进行训练并获得对应的参数;
步骤C3,输入高铁接触网支柱号牌区域图像到深层语义信息抽取网络,根据网络的输出获得该图像对应的深层语义信息表征图。
5.根据权利要求1所述的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,其特征在于:步骤D,在高铁接触网支柱号牌区域的深层语义信息特征图上使用卷积核遍历寻找高铁接触网支柱号牌中可能存在的字符,包括以下步骤,
步骤D1,根据现有高铁接触网支柱号字符训练标签进行聚类,计算任意两个标签相似度,根据相似度聚类,得到获得能够代表高铁接触网支柱号字符形状的锚点信息;
步骤D2,使用5*5大小的卷积核在深度语义信息表征图上遍历,得到以每个像素点为中心、以每一个锚点为初始形状区域的相对偏移量和该区域包含有高铁接触网支柱号牌字符的置信度。
6.根据权利要求1所述的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,其特征在于:步骤E,对可能存在的字符进行置信度阈值过滤和非极大值抑制,并根据坐标顺序进行拼接,包括以下步骤,
步骤E1,将隶属于各个字符区域的置信度大于阈值的坐标和类别信息保留,并通过非极大值抑制,得到该坐标对应的高铁接触网支柱号牌字符类别;
步骤E2,根据接触网支柱号牌图像的长宽比判断该区域包含的高铁接触网支柱号牌字符方向,并根据坐标的水平顺序或者垂直顺序进行排序拼接,从而获取高铁接触网支柱号牌对应的字符序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057696.7A CN111008619A (zh) | 2020-01-19 | 2020-01-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057696.7A CN111008619A (zh) | 2020-01-19 | 2020-01-19 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111008619A true CN111008619A (zh) | 2020-04-14 |
Family
ID=70120782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010057696.7A Pending CN111008619A (zh) | 2020-01-19 | 2020-01-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767944A (zh) * | 2020-05-27 | 2020-10-13 | 重庆大学 | 一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
CN108154149A (zh) * | 2017-12-08 | 2018-06-12 | 济南中维世纪科技有限公司 | 基于深度学习网络共享的车牌识别方法 |
CN108509950A (zh) * | 2018-03-27 | 2018-09-07 | 吴泽彬 | 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 |
CN110598665A (zh) * | 2019-09-19 | 2019-12-20 | 西南交通大学 | 一种基于车载移动深度学习平台的杆号识别方法 |
-
2020
- 2020-01-19 CN CN202010057696.7A patent/CN111008619A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
CN108154149A (zh) * | 2017-12-08 | 2018-06-12 | 济南中维世纪科技有限公司 | 基于深度学习网络共享的车牌识别方法 |
CN108509950A (zh) * | 2018-03-27 | 2018-09-07 | 吴泽彬 | 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 |
CN110598665A (zh) * | 2019-09-19 | 2019-12-20 | 西南交通大学 | 一种基于车载移动深度学习平台的杆号识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767944A (zh) * | 2020-05-27 | 2020-10-13 | 重庆大学 | 一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法 |
CN111767944B (zh) * | 2020-05-27 | 2023-08-15 | 重庆大学 | 一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898085B (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN103258198B (zh) | 一种表格文档图像中字符提取方法 | |
CN105205488B (zh) | 基于Harris角点和笔画宽度的文字区域检测方法 | |
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及系统 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN107067002A (zh) | 一种动态视频中道路车牌识别方法 | |
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 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN102663760A (zh) | 一种对图像中的车辆挡风镜区域进行定位分割的方法 | |
CN112380982A (zh) | 一种电力行业基建项目进度与质量的一体化监测方法 | |
CN106803087A (zh) | 一种车号自动识别方法及系统 | |
CN111401364B (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN111008619A (zh) | 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 | |
CN109961065A (zh) | 一种海面舰船目标检测方法 | |
CN113642570A (zh) | 一种昏暗环境下矿车车牌识别的方法 | |
CN112528994B (zh) | 一种自由角度车牌检测方法、车牌识别方法和识别系统 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN111104944A (zh) | 一种基于r-fcn的车牌字符检测及分割方法 | |
CN111047646A (zh) | 基于fpga的多目标透镜定位方法及系统 | |
CN114724091A (zh) | 一种输电线路导线异物识别方法及装置 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN110490885B (zh) | 改进的自适应阈值二值化方法及vin码字符分割方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200414 |