CN111985461A - 轨道车辆编号识别方法及系统 - Google Patents

轨道车辆编号识别方法及系统 Download PDF

Info

Publication number
CN111985461A
CN111985461A CN202010669476.XA CN202010669476A CN111985461A CN 111985461 A CN111985461 A CN 111985461A CN 202010669476 A CN202010669476 A CN 202010669476A CN 111985461 A CN111985461 A CN 111985461A
Authority
CN
China
Prior art keywords
area
image
vehicle number
rail vehicle
serial number
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
Application number
CN202010669476.XA
Other languages
English (en)
Inventor
江星星
赵章虎
沈长青
杜贵府
石娟娟
王俊
黄伟国
朱忠奎
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN202010669476.XA priority Critical patent/CN111985461A/zh
Publication of CN111985461A publication Critical patent/CN111985461A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06F18/24—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种轨道车辆编号识别方法及系统,包括：利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；对得到的实际区域的车牌照片中的每位数字进行分割；构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。本发明有效提高车辆编号的识别准确率，而且抗干扰能力强、鲁棒性好。

Description

轨道车辆编号识别方法及系统
技术领域
本发明涉及数字图像处理的技术领域，尤其是指一种轨道车辆编号识别方法及系统。
背景技术
车辆编号识别在交通运输中得到了广泛的应用，其识别的准确性会直接影响到交通的运行状态及其安全状况。现代的车号识别技术主要针对传统汽车，对于轨道车辆车号识别的技术鲜少。由于轨道车辆车头构造的复杂以及图案的复杂性，从现场采集的车头照片包含大量无用信息，采用传统的车号识别技术效果不佳，要判别的区域多，计算量大，从而严重影响了车辆编号的识别。
目前已发展了许多车辆编号识别方法，可是现有方法因为其自身的局限性，如添加过多层后训练误差上升以及梯度消失等问题，导致其应用范围受限。假设输入是x，传统的卷积神经网络考虑训练得到映射f(x)，在得到映射 f(x)的过程中，会出上述问题，从而导致车辆编号的识别准确率低的问题。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中车辆编号的识别准确率低的问题，从而提供一种车辆编号的识别准确率高的轨道车辆编号识别方法及系统。
为解决上述技术问题，本发明的一种轨道车辆编号识别方法，包括如下步骤：利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；对得到的实际区域的车牌照片中的每位数字进行分割；构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。
在本发明的一个实施例中，对所述二值图像进行高帽变换、膨胀操作的方法为：对所述二值图像进行形态学上的高帽变换、膨胀操作：
Figure RE-GDA0002722134780000025
，表示高帽变换模型，其中f表示原始图像，
Figure RE-GDA0002722134780000026
表示结构元素b对原始图像f进行开操作后所得的结果；
Figure RE-GDA00027221347800000211
表示结构元素b对原始图像f进行开操作，其中
Figure RE-GDA0002722134780000028
表示结构元素b对原始图像f进行腐蚀操作，
Figure RE-GDA0002722134780000029
表示结构元素b对腐蚀操作后的图像进行膨胀操作；
Figure RE-GDA00027221347800000210
，表示腐蚀操作，其中使用b对f进行腐蚀，是将b在f上平移，当b的原点平移到x得到bx，若bx包含在f中，则记下这个x点，所有满足上述条件的x点组成的集合就是f被b腐蚀的结果；
Figure RE-GDA0002722134780000021
，表示膨胀操作，其中
Figure RE-GDA0002722134780000022
为b的反射,即相对于自身原点的映象；
Figure RE-GDA0002722134780000023
为b的平移,对b的反射进行位移。b对 f膨胀产生的二值图像是由这样的点(x)组成的集合，如果
Figure RE-GDA0002722134780000024
的原点位移到(x)，并且它与f的交集非空。
在本发明的一个实施例中，对所述二值图像进行中值滤波的方法为：将模版在图中漫游，并将所述模版中心与图中指定像素位置重合；读取模版下各个对应像素的值；找出上述像素值的中值，将所述中值赋给对应模版中心位置的像素。
在本发明的一个实施例中，得到编号所在的实际区域的方法为：根据中值滤波后图像中连通区域获得包含该区域的最小矩形区域；根据车辆编号的特征，初步确定车辆编号可能所在的区域；建立支持向量机模型对样本进行训练，得到二分类的模型，确定出区域中有车辆编号标签以及没有车辆编号标签，得到编号所在的实际区域。
在本发明的一个实施例中，根据车辆编号的特征，初步确定车辆编号可能所在的区域时，根据连通区域获得包含该区域的最小矩形区域，并由该矩形区域的长宽比过滤大部分无效区域。
在本发明的一个实施例中，由该矩形区域的长宽比过滤大部分无效区域时，通过数字的位数判断矩形的长宽比是否在指定范围内，若在范围内，认为是车辆编号可能所在的区域；若否，则认为不是车辆编号所在的区域。
在本发明的一个实施例中，每位数字进行分割的方法为：将车牌图像转化为黑白图像，根据区域内部变换分析，将灰度值为0或255的像素点投影到i轴上，计算i轴上像素值为0的个数count_0以及像素值为255的个数 count_255；以最后一列的count_0和count_255为标准，对之前的每一列进行判断，若第i列的count_0≤α*最后一列的count_0，则进行第i+1列的判断，否则进入下一步；如果第j列(j>i)的count_255>(1-α)*最后一列的count_255，则以该列分割，否则进行第j+1列的判断。
在本发明的一个实施例中，所述深度残差网络模型的构建方法为：在指定输出通道数、步幅的卷基层后增加批量归一层，连接指定步幅的最大池化层；建立残差块；为深度残差网络加入多个输出通道数，均使用两个残差块的模块；加入平均池化层以及全连接层后进行输出。
在本发明的一个实施例中，建立残差块时，采用具有多个相同输出通道数的卷积层，每个卷积层后增加批量归一层以及激活函数，将其与初始输入相加后再通过激活函数计算得到结果。
本发明还提供了一种轨道车辆编号识别系统，包括：图像采集处理模块，用于利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；训练模块，用于通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；分割模块，用于对得到的实际区域的车牌照片中的每位数字进行分割；识别模块，用于构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的轨道车辆编号识别方法及系统，克服了轨道车辆图案复杂车号难以提取的难题，能够智能地提取出轨道车辆的车号，且易操作；使用了对二值图像进行形态学上的高帽变换，选取适当的矩形结构元素对中值滤波后的图像进行形态学上的膨胀操作并进行中值滤波的方法，可以有效的去除复杂图案，留下边缘以及角点，能够过滤掉大多数不存在车号的区域，减少利用SVM(支持向量机)对车号所在区域进一步判断的计算量；使用深度残差网络对车号进行识别，可以更容易的捕捉恒等映射的微小变动，同时加快前向传播的速度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明轨道车辆编号识别方法流程图；
图2是本发明一张地铁车头照片；
图3是本发明进行灰度变换将其转化为二值图像；
图4是本发明对二值图像进行形态学上的操作过程；
图5a是本发明中值滤波的操作过程；
图5b是本发明中值滤波的操作过程；
图6是本发明过滤矩形区域初步获得目标区域；
图7是本发明利用SVM算法最终得到目标区；
图8是本发明最终目标区域中的车号进行分割的操作过程。
具体实施方式
实施例一
如图1所示，本实施例提供一种轨道车辆编号识别方法，包括如下步骤：步骤S1：利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；步骤S2：通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；步骤S3：对得到的实际区域的车牌照片中的每位数字进行分割；步骤S4：构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。
本实施例所述轨道车辆编号识别方法，所述步骤S1中，利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波，从而有利于将彩色图像转换成适合计算机处理的二值图像，继续对图像进行中值滤波处理后，得到的区域反映到原图像，有效的去除复杂图案，留下边缘以及角点，有利于提取图片信息；所述步骤S2中，通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域，从而有利于精确的得到编号所在的实际区域；所述步骤S3中，对得到的实际区域的车牌照片中的每位数字进行分割，从而有利于进一步识别；所述步骤S4中，构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别，可以更容易的捕捉恒等映射的微小变动，同时加快前向传播的速度，有效提高车辆编号的识别准确率，而且抗干扰能力强、鲁棒性好。
如图2所示，下面以从地铁采集到的车头照片为例具体说明：
利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波。如图3和图4所示，对所述二值图像进行高帽变换、膨胀操作的方法为：对所述二值图像进行形态学上的高帽变换、膨胀操作：
Figure RE-GDA0002722134780000051
，表示高帽变换模型，其中f表示原始图像，
Figure RE-GDA0002722134780000052
表示结构元素b对原始图像f进行开操作后所得的结果；
Figure RE-GDA0002722134780000057
表示结构元素b对原始图像f进行开操作，其中
Figure RE-GDA0002722134780000058
表示结构元素b对原始图像f进行腐蚀操作，
Figure RE-GDA0002722134780000059
表示结构元素b对腐蚀操作后的图像进行膨胀操作；
Figure RE-GDA00027221347800000510
表示腐蚀操作，其中使用b对f进行腐蚀，是将b在f上平移，当b的原点平移到x得到bx，若bx包含在f中，则记下这个x点，所有满足上述条件的x点组成的集合就是f被b腐蚀的结果；
Figure RE-GDA0002722134780000054
，表示膨胀操作，其中
Figure RE-GDA0002722134780000055
为b的反射,即相对于自身原点的映象；
Figure RE-GDA0002722134780000056
为b的平移,对b的反射进行位移。b对f膨胀产生的二值图像是由这样的点(x)组成的集合，如果
Figure RE-GDA00027221347800000511
的原点位移到(x)，并且它与f的交集非空。
如图5a和图5b所示，对所述二值图像进行中值滤波的方法为：将模版在图中漫游，并将所述模版中心与图中指定像素位置重合；读取模版下各个对应像素的值；找出上述像素值的中值，将所述中值赋给对应模版中心位置的像素。
得到编号所在的实际区域的方法为：根据中值滤波后图像中连通区域获得包含该区域的最小矩形区域；根据车辆编号的特征，初步确定车辆编号可能所在的区域；建立支持向量机模型对样本进行训练，得到二分类的模型，确定出区域中有车辆编号标签以及没有车辆编号标签，得到编号所在的实际区域，如图7所示。
如图6所示，根据车辆编号的特征，初步确定车辆编号可能所在的区域时，根据连通区域获得包含该区域的最小矩形区域，并由该矩形区域的长宽比过滤大部分无效区域。具体地，通过数字的位数判断矩形的长宽比是否在指定范围内，若在范围内，认为是车辆编号可能所在的区域；若否，则认为不是车辆编号所在的区域，从而初步获得车辆编号可能所在的区域。
本实施例中，所述指定范围为矩形的长宽比大于1.7。
如图8所示，每位数字进行分割的方法为：将车牌图像转化为黑白图像，根据区域内部变换分析，将灰度值为0或255的像素点投影到i轴上，计算 i轴上像素值为0的个数count_0以及像素值为255的个数count_255；以最后一列的count_0和count_255为标准，对之前的每一列进行判断，若第i列的count_0 ≤α*最后一列的count_0，则进行第i+1列的判断，否则进入下一步；如果第j 列(j>i)的count_255>(1-α)*最后一列的count_255，则以该列分割，否则进行第 j+1列的判断。
所述深度残差网络模型的构建方法为：在指定输出通道数、步幅的卷基层后增加批量归一层，连接指定步幅的最大池化层；建立残差块；为深度残差网络加入多个输出通道数，均使用两个残差块的模块；加入平均池化层以及全连接层后进行输出。
具体地，在输出通道数为64、步幅为2的7*7卷基层后增加批量归一层，接步幅为2的3*3的最大池化层；建立残差块时，采用有2个相同输出通道数的3*3卷积层，每个卷积层后增加批量归一层以及ReLU激活函数，将其与初始输入相加后再通过ReLU激活函数计算得到结果；为ResNet加入输出通道数分别为64，128，256，512，均使用两个残差块的模块；加入平均池化层以及全连接层后进行输出。
实施例二
基于同一发明构思，本实施例提供了一种轨道车辆编号识别系统，其解决问题的原理与所述轨道车辆编号识别方法类似，重复之处不再赘述。
本实施例提供一种轨道车辆编号识别系统，包括：
图像采集处理模块，用于利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；
训练模块，用于通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；
分割模块，用于对得到的实际区域的车牌照片中的每位数字进行分割；
识别模块，用于构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种轨道车辆编号识别方法，其特征在于，包括如下步骤：
步骤S1：利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；
步骤S2：通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；
步骤S3：对得到的实际区域的车牌照片中的每位数字进行分割；
步骤S4：构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。
2.根据权利要求1所述的轨道车辆编号识别方法，其特征在于：对所述二值图像进行高帽变换、膨胀操作的方法为：对所述二值图像进行形态学上的高帽变换、膨胀操作：
Figure FDA0002581743600000011
表示高帽变换模型，其中f表示原始图像，
Figure FDA0002581743600000012
表示结构元素b对原始图像f进行开操作后所得的结果；
Figure FDA0002581743600000013
表示结构元素b对原始图像f进行开操作，其中
Figure FDA0002581743600000014
表示结构元素b对原始图像f进行腐蚀操作，
Figure FDA0002581743600000015
表示结构元素b对腐蚀操作后的图像进行膨胀操作；
Figure FDA0002581743600000016
表示腐蚀操作，其中使用b对f进行腐蚀，是将b在f上平移，当b的原点平移到x得到k，若bx包含在f中，则记下这个x点，所有满足上述条件的x点组成的集合就是f被b腐蚀的结果；
Figure FDA0002581743600000017
表示膨胀操作，其中
Figure FDA0002581743600000019
为b的反射，即相对于自身原点的映象；
Figure FDA0002581743600000018
为b的平移，对b的反射进行位移。b对f膨胀产生的二值图像是由这样的点(x)组成的集合，如果
Figure FDA00025817436000000110
的原点位移到(x)，并且它与f的交集非空。
3.根据权利要求1所述的轨道车辆编号识别方法，其特征在于：对所述二值图像进行中值滤波的方法为：将模版在图中漫游，并将所述模版中心与图中指定像素位置重合；读取模版下各个对应像素的值；找出上述像素值的中值，将所述中值赋给对应模版中心位置的像素。
4.根据权利要求1所述的轨道车辆编号识别方法，其特征在于：得到编号所在的实际区域的方法为：根据中值滤波后图像中连通区域获得包含该区域的最小矩形区域；根据车辆编号的特征，初步确定车辆编号可能所在的区域；建立支持向量机模型对样本进行训练，得到二分类的模型，确定出区域中有车辆编号标签以及没有车辆编号标签，得到编号所在的实际区域。
5.根据权利要求4所述的轨道车辆编号识别方法，其特征在于：根据车辆编号的特征，初步确定车辆编号可能所在的区域时，根据连通区域获得包含该区域的最小矩形区域，并由该矩形区域的长宽比过滤大部分无效区域。
6.根据权利要求5所述的轨道车辆编号识别方法，其特征在于：由该矩形区域的长宽比过滤大部分无效区域时，通过数字的位数判断矩形的长宽比是否在指定范围内，若在范围内，认为是车辆编号可能所在的区域；若否，则认为不是车辆编号所在的区域。
7.根据权利要求1所述的轨道车辆编号识别方法，其特征在于：每位数字进行分割的方法为：将车牌图像转化为黑白图像，根据区域内部变换分析，将灰度值为0或255的像素点投影到i轴上，计算i轴上像素值为0的个数count_0以及像素值为255的个数count_255；以最后一列的count_0和count_255为标准，对之前的每一列进行判断，若第i列的count_0≤α*最后一列的count_0，则进行第i+1列的判断，否则进入下一步；如果第j列(j＞i)的count_255＞(1-α)*最后一列的count_255，则以该列分割，否则进行第j+1列的判断。
8.根据权利要求1所述的轨道车辆编号识别方法，其特征在于：所述深度残差网络模型的构建方法为：在指定输出通道数、步幅的卷基层后增加批量归一层，连接指定步幅的最大池化层；建立残差块；为深度残差网络加入多个输出通道数，均使用两个残差块的模块；加入平均池化层以及全连接层后进行输出。
9.根据权利要求8所述的轨道车辆编号识别方法，其特征在于：建立残差块时，采用具有多个相同输出通道数的卷积层，每个卷积层后增加批量归一层以及激活函数，将其与初始输入相加后再通过激活函数计算得到结果。
10.一种轨道车辆编号识别系统，其特征在于，包括：
图像采集处理模块，用于利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；
训练模块，用于通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；
分割模块，用于对得到的实际区域的车牌照片中的每位数字进行分割；
识别模块，用于构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。
CN202010669476.XA 2020-07-13 2020-07-13 轨道车辆编号识别方法及系统 Pending CN111985461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010669476.XA CN111985461A (zh) 2020-07-13 2020-07-13 轨道车辆编号识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669476.XA CN111985461A (zh) 2020-07-13 2020-07-13 轨道车辆编号识别方法及系统

Publications (1)

Publication Number Publication Date
CN111985461A true CN111985461A (zh) 2020-11-24

Family

ID=73437608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010669476.XA Pending CN111985461A (zh) 2020-07-13 2020-07-13 轨道车辆编号识别方法及系统

Country Status (1)

Country Link
CN (1) CN111985461A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554024A (zh) * 2021-07-27 2021-10-26 宁波小遛共享信息科技有限公司 一种车辆的清洁度的确定方法、装置及计算机设备
CN114200838A (zh) * 2021-12-08 2022-03-18 青岛中鸿重型机械有限公司 一种智能电动铲运机控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246551A (zh) * 2008-03-07 2008-08-20 北京航空航天大学 一种快速的车牌定位方法
CN107067002A (zh) * 2017-03-09 2017-08-18 华东师范大学 一种动态视频中道路车牌识别方法
CN107169504A (zh) * 2017-03-30 2017-09-15 湖北工业大学 一种基于扩展非线性核残差网络的手写字符识别方法
EP3300002A1 (en) * 2016-09-22 2018-03-28 Styria medijski servisi d.o.o. Method for determining the similarity of digital images
CN108229463A (zh) * 2018-02-07 2018-06-29 众安信息技术服务有限公司 基于图像的文字识别方法
CN109033940A (zh) * 2018-06-04 2018-12-18 上海依图网络科技有限公司 一种图像识别方法、装置、计算设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246551A (zh) * 2008-03-07 2008-08-20 北京航空航天大学 一种快速的车牌定位方法
EP3300002A1 (en) * 2016-09-22 2018-03-28 Styria medijski servisi d.o.o. Method for determining the similarity of digital images
CN107067002A (zh) * 2017-03-09 2017-08-18 华东师范大学 一种动态视频中道路车牌识别方法
CN107169504A (zh) * 2017-03-30 2017-09-15 湖北工业大学 一种基于扩展非线性核残差网络的手写字符识别方法
CN108229463A (zh) * 2018-02-07 2018-06-29 众安信息技术服务有限公司 基于图像的文字识别方法
CN109033940A (zh) * 2018-06-04 2018-12-18 上海依图网络科技有限公司 一种图像识别方法、装置、计算设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗韦尔•阿蒂恩扎, 北京理工大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554024A (zh) * 2021-07-27 2021-10-26 宁波小遛共享信息科技有限公司 一种车辆的清洁度的确定方法、装置及计算机设备
CN114200838A (zh) * 2021-12-08 2022-03-18 青岛中鸿重型机械有限公司 一种智能电动铲运机控制方法
WO2023103291A1 (zh) * 2021-12-08 2023-06-15 青岛中鸿重型机械有限公司 一种智能电动铲运机控制方法

Similar Documents

Publication Publication Date Title
CN113450596B (zh) 基于船舶轨迹特征点提取的时空dp方法
CN114723681B (zh) 一种基于机器视觉的混凝土裂缝缺陷检测方法
CN111489337B (zh) 一种自动光学检测伪缺陷去除方法及系统
CN102214290B (zh) 车牌定位方法及车牌定位模板训练方法
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
CN111985461A (zh) 轨道车辆编号识别方法及系统
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN112446292B (zh) 一种2d图像显著目标检测方法及系统
CN113159024A (zh) 一种基于改进YOLOv4的车牌识别技术
CN106778736A (zh) 一种鲁棒的车牌识别方法及其系统
CN115424017B (zh) 一种建筑物内外轮廓分割方法、装置及存储介质
CN116740528A (zh) 一种基于阴影特征的侧扫声呐图像目标检测方法及系统
CN112561808B (zh) 一种基于车载激光点云和卫星影像的道路边界线复原方法
CN117058912A (zh) 巡检车检测异常停车方法、装置、存储介质及电子设备
CN116681647A (zh) 一种基于无监督生成式的彩涂板表面缺陷检测方法和装置
JP2004280713A (ja) 車番認識装置
CN113392852B (zh) 一种基于深度学习的车辆检测方法及系统
CN115690704A (zh) 基于LG-CenterNet模型的复杂道路场景目标检测方法及装置
CN117765486A (zh) 模型训练、车道线检测方法、装置、电子设备及存储介质
CN112330660A (zh) 一种基于神经网络的精子尾部检测方法及其系统
CN112990207A (zh) 车牌图像提取方法、装置、系统、存储介质和计算机设备
JP2004145592A (ja) 移動ベクトル抽出装置及び方法及びプログラム及びその記録媒体
CN111724409A (zh) 一种基于密集连接孪生神经网络的目标跟踪方法
CN113705430B (zh) 基于检测模型的表格检测方法、装置、设备及存储介质
KR101312306B1 (ko) 표지판 인식장치, 표지판 인식방법, 및 이미지 인식방법

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201124