CN117132990A - 铁路车厢信息的识别方法、装置、电子设备及存储介质 - Google Patents
铁路车厢信息的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117132990A CN117132990A CN202311106885.9A CN202311106885A CN117132990A CN 117132990 A CN117132990 A CN 117132990A CN 202311106885 A CN202311106885 A CN 202311106885A CN 117132990 A CN117132990 A CN 117132990A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- character
- value
- pixel point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012545 processing Methods 0.000 claims description 87
- 230000008569 process Effects 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 6
- 238000013518 transcription Methods 0.000 abstract description 5
- 230000035897 transcription Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
- G06V30/16—Image preprocessing
-
- 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/147—Determination of region of interest
-
- 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
- G06V30/16—Image preprocessing
- G06V30/162—Quantising the image signal
-
- 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
- G06V30/16—Image preprocessing
- G06V30/164—Noise filtering
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种铁路车厢信息的识别方法、装置、电子设备及存储介质,本发明采用机器识别方式,对采集的车厢图像中的字符进行识别,从而来得出列车的车厢信息,如此,能够对车厢类型、车厢号、载重、自重、容积、换长等详细车厢信息进行精准识别,相比于传统的人工抄录方式,不仅保证了数据的真实性、及时性和准确性,提高了识别精度和识别效率,还减轻了作业人员的劳动强度。
Description
技术领域
本发明属于列车车厢信息识别技术领域,具体涉及一种铁路车厢信息的识别方法、装置、电子设备及存储介质。
背景技术
铁路煤车货场包括煤炭货物的集运、转运、存储、进出物资等环节,货运信息是运输管理工作的关键信息之一,且随着铁路运输的高速发展和货运量的迅速增长,车厢信息识别在货运列车位置追踪和异常状态检测中有着广泛的应用,是货运列车安全运营的重要基础;其中,货运列车车厢侧面印刷有车型、车号、载重、自重、容积、换长、车厢节数等信息,前述信息可在检测到货运列车发生异常情况时,作为货运列车身份的标志,与设备的安全状态信息关联后,向控制中心发出警报;因此,对铁路货车的车厢信息识别,是保证列车安全运行的重要一环。
目前,对于铁路煤车的车厢信息识别,大多采用人工抄录方式进行识别,存在站台作业效率低、容易出错以及作业人员的劳动强度高的问题;因此,如何提供一种效率高以及准确率高的铁路车厢信息的识别方法,已成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种铁路车厢信息的识别方法、装置、电子设备及存储介质,用以解决现有技术采用人工抄录铁路煤车的车厢信息所存在的作业效率低、容易出错以及作业人员劳动强度高的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种铁路车厢信息的识别方法,包括:
获取目标列车的车厢图像,并对所述车厢图像进行质量增强处理,得到质量增强图像;
从质量增强图像中提取出目标区域,并对所述目标区域进行字符分割处理,得到若干待识别字符图像,其中,所述目标区域为所述质量增强图像中含有目标列车车厢信息的区域;
获取字符模板数据库,其中,所述字符模板数据库中存储有若干字符模板图像;
对于若干待识别字符图像中的任一待识别字符图像,将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,以得到所述任一待识别字符图像与各个字符模板图像之间的图像匹配差异度;
将目标字符模板图像对应的字符,作为所述任一待识别字符的识别结果,并在将所有待识别字符图像与各个字符模板图像均进行图像匹配后,得到所有待识别字符图像的识别结果,其中,目标字符模板图像为与所述任一待识别字符图像的图像匹配差异度最低的字符模板图像;
基于各个待识别字符图像的识别结果,得到所述目标列车的车厢信息。
基于上述公开的内容,本发明通过采集目标列车的车厢图像,并通过对车厢图像中的文字进行识别,来得出目标列车的车厢信息;其中,具体识别过程为:先对车厢图像进行质量增强处理,以减少图像模糊以及拍摄时所产生的各种噪声,对图像中字符识别的干扰;在完成质量增强处理后,即可从质量增强图像中提取出含有车厢信息的区域,并对提取出的区域进行字符分割处理,以在处理后,得到若干待识别字符图像;接着,本发明将各个待识别图像与数据库中的每个字符模板图像进行图像匹配,以得出与各个待识别图像匹配差异度最小的字符模板图像;最后,即可将各个匹配差异度最小的字符模板图像所对应的字符,作为字符识别结果,从而基于字符识别结果,来得到目标列车的车厢信息。
通过上述设计,本发明采用机器识别方式,对采集的车厢图像中的字符进行识别,从而来得出列车的车厢信息,如此,能够对车厢类型、车厢号、载重、自重、容积、换长等详细车厢信息进行精准识别,相比于传统的人工抄录方式,不仅保证了数据的真实性、及时性和准确性,提高了识别精度和识别效率,还减轻了作业人员的劳动强度。
在一个可能的设计中,对所述车厢图像进行质量增强处理,得到质量增强图像,包括:
对所述车厢图像分别进行高通滤波处理以及锐化处理,以得到滤波图像和锐化图像;
将所述滤波图像与所述车厢图像进行图像叠加处理,得到叠加图像;
对所述叠加图像进行边缘检测处理,得到第一边缘图像,并将所述第一边缘图像与所述锐化图像进行图像点乘处理,以得到点乘图像;
将所述点乘图像与所述车厢图像进行叠加处理,以在叠加处理后,得到所述质量增强图像。
在一个可能的设计中,对所述车厢图像进行锐化处理,包括:
采用如下公式(1),对所述车厢图像进行锐化处理,得到锐化图像;
上述公式(1)中,f′(x,y)表示所述锐化图像,f(x,y)表示所述车厢图像,表示经过拉普拉斯变换后的车厢图像;
其中,且x,y分别表示所述车厢图像中像素点的像素横坐标和像素纵坐标。
在一个可能的设计中,从质量增强图像中提取出目标区域,包括:
对所述质量增强图像进行边缘检测处理,以得到第二边缘图像;
对于所述第二边缘图像中的第j列的像素点,基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,以得到重置后的第j列的像素点,其中,重置后的第j列的像素点中的任一像素点的像素值为第一目标像素值或第二目标像素值,且所述第一目标像素值对应的像素颜色为黑色,所述第二目标像素值对应的像素颜色为白色;
对重置后的第j列的所有像素点进行第二像素重置处理,以在第二像素重置处理后,得到更新后的第j列的像素点,其中,更新后的第j列的所有像素点的像素值均为第一目标像素值,或更新后的第j列的各个像素点的像素值与所述重置后的第j列的各个像素点的像素值相同;
将j自加1,并重新基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,直至j等于k时,完成所述第二边缘图像中所有像素点的像素值的更新,以得到车厢信息预识别图像,其中,j的初始值为1,且k为所述边缘图像的总列数;
对所述车厢信息预识别图像进行形态学处理,以得到车厢信息感兴趣图像区域;
对所述车厢信息感兴趣图像区域进行文本区域识别处理,以在文本区域识别处理后,得到所述目标区域。
在一个可能的设计中,基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,以得到重置后的第j列的像素点,包括:
对于所述第j列的各个像素点中的第i个像素点,判断所述第i个像素点的像素值是否小于第一像素阈值;
若是,则计算所述第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值,并记录第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值;
判断所述差值的绝对值是否大于或等于预设值;
若是,则将所述第i个像素点的像素值置为第一目标像素值,否则,则将所述第i个像素点的像素值置为第二目标像素值;
将i自加1,并重新判断所述第i个像素点的像素值是否小于第一像素阈值,直至i等于n-1时,得到重置后的第j列的像素点,其中,i的初始值为1,且n为所述边缘图像中第j列内的像素点的总数;
相应的,对重置后的第j列的所有像素点进行第二像素重置处理,以在第二像素重置处理后,得到更新后的第j列的像素点,则包括:
获取对所述第j列的各个像素点进行第一像素重置处理时,记录的第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值;
从记录的各个差值的绝对值中,统计出符合预设条件的差值的绝对值的个数,其中,所述预设条件为差值的绝对值大于第二像素阈值;
判断符合预设条件的差值的绝对值的个数是否处于预设区间;
若否,则将重置后的第j列的所有像素点的像素值置为第一目标像素值。
在一个可能的设计中,将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,包括:
对所述任一待识别字符图像和各个字符模板图像中的各个像素点进行加权处理,以在加权处理后,得到处理后的待识别字符图像和各个处理后的字符模板图像;
对于各个处理后的字符模板图像中的任一处理后的字符模板图像,采用如下公式(2),计算出所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度;
上述公式(2)中,P表示所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度,C(x′,y′)表示所述处理后的待识别字符图像以及所述任一处理后的字符模板图像中,坐标为(x′,y′)的两像素点之间的匹配差异度,X,Y依次表示所述处理后的待识别字符图像的总行数和总列数;
其中,C(x′,y′)采用如下公式(3)计算得到;
上述公式(3)中,w(x′,y′)表示所述处理后的待识别字符图像中,坐标为(x′,y′)的像素点的加权值,wT(x′,y′)表示所述任一处理后的字符模板图像中,坐标为(x′,y′)的像素点的加权值,r表示差异度阈值;
将所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度,作为所述任一待识别字符图像,与指定字符模板图像之间的图像匹配差异度,其中,所述指定字符模板图像为所述任一处理后的字符模板图像对应的字符模板图像。
在一个可能的设计中,对所述任一待识别字符图像中的各个像素点进行加权处理,得到处理后的待识别字符图像,包括:
对于所述任一待识别字符图像中的任一像素点,获取所述任一像素点的像素值,以及所述任一像素点的八邻域区域内的各个像素点的像素值;
基于所述任一像素点的像素值,以及所述任一像素点的八邻域区域内的各个像素点的像素值,并按照如下公式(4),计算出所述任一像素点的加权值;
上述公式(4)中,w表示所述任一像素点的加权值,g表示所述任一像素点的像素值,g(u,h)表示所述任一像素点的八邻域区域内,坐标为(u,h)的像素点的像素值,x′,y′表示所述任一像素点的像素横坐标和像素纵坐标。
第二方面,提供了一种铁路车厢信息的识别装置,包括:
获取单元,用于获取目标列车的车厢图像,并对所述车厢图像进行质量增强处理,得到质量增强图像;
字符分割单元,用于从质量增强图像中提取出目标区域,并对所述目标区域进行字符分割处理,得到若干待识别字符图像,其中,所述目标区域为所述质量增强图像中含有目标列车车厢信息的区域;
获取单元,用于获取字符模板数据库,其中,字符模板数据库中存储有若干字符模板图像;
字符识别单元,对于若干待识别字符图像中的任一待识别字符图像,用于将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,以得到所述任一待识别字符图像与各个字符模板图像之间的图像匹配差异度;
字符识别单元,用于将目标字符模板图像对应的字符,作为所述任一待识别字符的识别结果,并在将所有待识别字符图像与各个字符模板图像均进行图像匹配后,得到所有待识别字符图像的识别结果,其中,目标字符模板图像为与所述任一待识别字符图像的图像匹配差异度最低的字符模板图像;
信息组合单元,用于基于各个待识别字符图像的识别结果,得到所述目标列车的车厢信息。
第三方面,提供了另一种铁路车厢信息的识别装置,以装置为电子设备为例,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述铁路车厢信息的识别方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所述铁路车厢信息的识别方法。
第五方面,提供了一种包含指令的计算机程序产品,当指令在计算机上运行时,使计算机执行如第一方面或第一方面中任意一种可能设计的所述铁路车厢信息的识别方法。
有益效果:
(1)本发明采用机器识别方式,对采集的车厢图像中的字符进行识别,从而来得出列车的车厢信息,如此,能够对车厢类型、车厢号、载重、自重、容积、换长等详细车厢信息进行精准识别,相比于传统的人工抄录方式,不仅保证了数据的真实性、及时性和准确性,提高了识别精度和识别效率,还减轻了作业人员的劳动强度。
附图说明
图1为本发明实施例提供的铁路车厢信息的识别方法的步骤流程示意图;
图2为本发明实施例提供的铁路车厢信息的识别装置的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
参见图1所示,本实施例所提供的铁路车厢信息的识别方法,通过采集铁路货车(如运煤列车)的车厢图像,并利用机器识别方式,来对车厢图像中的字符进行识别,从而来得出铁路货车的车厢信息;如此,相比于传统的人工抄录方式,本方法不仅保证了数据的真实性、及时性和准确性,提高了识别精度和识别效率,还减轻了作业人员的劳动强度;因此,适用于在铁路货车的车厢信息识别领域的大规模应用与推广;在具体应用时,举例本方法可以但不限于在车厢信息识别端侧运行,可选的,举例车厢信息识别端可以但不限于为个人电脑(personal computer,PC)、平板电脑或智能手机,可以理解的,前述执行主体并不构成对本申请实施例的限定,相应的,本方法的运行步骤可以但不限于如下述步骤S1~S6所示。
S1.获取目标列车的车厢图像,并对所述车厢图像进行质量增强处理,得到质量增强图像;在本实施例中,举例可以但不限于采用摄像头来拍摄目标列车的车厢侧面,从而得到车厢图像,其中,摄像头可以但不限于安装在铁路沿线两侧,在列车经过摄像头时,拍摄列车的车厢侧面;更进一步的,也可拍摄列车车厢的视频流,而后,通过对视频流进行逐帧处理,来得到目标列车的车厢图像;另外,由于在拍摄时,受限于环境影响、拍摄设备硬件的影响,拍摄得到的车厢图像可能存在一定的模糊以及噪声,因此,为避免前述不良因素对图像中字符识别的干扰,本实施例还设置有对图像的质量增强步骤,其中,举例可以但不限于采用如下步骤S11~S14,来对车厢图像进行质量增强,从而得到质量增强图像。
S11.对所述车厢图像分别进行高通滤波处理以及锐化处理,以得到滤波图像和锐化图像;在本实施例中,高通滤波处理可增强图像中的边缘部分,有助于后续图像的边缘检测;而图像锐化则可补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,使图像变得清晰;如此,即可得到增强了边缘以及轮廓的两幅图像,而后,即可基于前述两图像,来作为质量增强的基础,进行质量增强处理;可选的,下述公开图像锐化处理的其中一种具体实现方式,如下所示。
在具体应用时,举例可以但不限于采用如下公式(1),来对所述车厢图像进行锐化处理,得到锐化图像。
上述公式(1)中,f′(x,y)表示所述锐化图像,f(x,y)表示所述车厢图像,表示经过拉普拉斯变换后的车厢图像;
其中,且x,y分别表示所述车厢图像中像素点的像素横坐标和像素纵坐标。
由此基于前述公式(1),即可完成车厢图像的锐化处理,得到更为清晰的锐化图像;而在得到锐化图像以及滤波图像后,即可将滤波图像与原图像进行叠加,来得到叠加图像,其中,叠加过程可以但不限于如下述步骤S12所示。
S12.将所述滤波图像与所述车厢图像进行图像叠加处理,得到叠加图像;在具体应用时,将滤波图像与车厢图像进行图像叠加,可得到具有边缘特征的车厢图像,即具有边缘特征,又存在车厢图像中的原本图像信息;如此,即可为后续的边缘检测提供更为精细的图像;其中,边缘检测过程可以但不限于如下述步骤S13所示。
S13.对所述叠加图像进行边缘检测处理,得到第一边缘图像,并将所述第一边缘图像与所述锐化图像进行图像点乘处理,以得到点乘图像;在具体实施时,可以但不限于使用Canny边缘检测算法,来对叠加图像进行边缘检测处理,得到第一边缘图像;同时,本实施例相当于是将第一边缘图像作为掩模图像,然后,将该掩模图像与锐化图像进行点乘,从而来得到感兴趣的区域;同时,前述锐化图像相比于原始车厢图像更为清晰,因此,经过与掩模图像的点乘后,即可得到更为清晰的感兴趣区域的图像;最后,将点乘图像与车厢图像进行叠加处理,即可得到具有清晰细节特征的质量增强图像;其中,点乘图像与车厢图像的叠加过程可以但不限于如下述步骤S14所示。
S14.将所述点乘图像与所述车厢图像进行叠加处理,以在叠加处理后,得到所述质量增强图像;在本实施例中,叠加处理过程与前述步骤S12相同,于此不再赘述。
由此通过前述步骤S11~S14,即可完成车厢图像的去模糊化,得到质量增强图像;当然,为了进一步减少图像中的噪声,举例还可对质量增强图像进行去噪处理,如进行中值滤波等等;当然,具体的去噪方式可根据实际使用而具体设定,在此不限定于前述举例。
在完成车厢图像的质量增强处理后,则可进行图像中字符所在区域的提取,以便后续对提取出的字符进行字符识别,从而得到目标列车的车厢信息;其中,质量增强图像中字符的提取过程可以但不限于如下述步骤S2所示。
S2.从质量增强图像中提取出目标区域,并对所述目标区域进行字符分割处理,得到若干待识别字符图像,其中,所述目标区域为所述质量增强图像中含有目标列车车厢信息的区域;在本实施例中,是先从质量增强图像中提取出含有车厢信息的区域,然后,再对提取出的区域进行字符分割,从而来得到每个字符;最后,通过对每个字符进行字符识别,即可得到目标列车的车厢信息;在具体应用时,含有车厢信息的区域的提取过程可以但不限于如下述步骤S21~S26所示。
S21.对所述质量增强图像进行边缘检测处理,以得到第二边缘图像;在本实施例中,也可采用Canny边缘检测算法,来进行质量增强图像的边缘检测,得到第二边缘图像;而在得到第二边缘图像后,为了更快更准确的定位车厢图像中车厢信息所在的区域,本实施例利用车厢信息的颜色与车厢其余部分的颜色不同的特性,来进行车厢信息所在区域的定位,其中,体现在图像中,则是车厢信息所在区域与车厢其余部分的灰度不同(车厢信息一般采用喷涂方式,且为了突出,其颜色与车厢颜色差别较大);基于此,本实施例则是采用逐点扫描第二边缘图像的方式,来通过第二边缘图像中各像素点的像素值,进行车厢信息所在区域的定位;可选的,定位过程可以但不限于如下述步骤S22~S26所示。
S22.对于所述第二边缘图像中的第j列的像素点,基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,以得到重置后的第j列的像素点,其中,重置后的第j列的像素点中的任一像素点的像素值为第一目标像素值或第二目标像素值,且所述第一目标像素值对应的像素颜色为黑色,所述第二目标像素值对应的像素颜色为白色;在本实施例中,是基于各个像素点的像素值以及相邻像素点的像素值,来对第j列的像素点进行像素重置;其中,重置过程可以但不限于如下述步骤S22a~S22e所示。
S22a.对于所述第j列的各个像素点中的第i个像素点,判断所述第i个像素点的像素值是否小于第一像素阈值;在本实施例中,第一像素阈值可根据目标列车的车厢与车厢信息之间的灰度值差异来具体设置,在此不作具体限定;在具体应用时,当第i个像素点的像素值(指灰度值)小于第一像素阈值后,则需要结合其相邻的下一个像素点的像素值,来判断是否可进行像素重置,其中,第i个像素点与其相邻的下一个像素点的像素值的判断过程,可以但不限于如下述步骤S22b所示。
S22b.若是,则计算所述第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值,并记录第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值;在本实施例中,第i个像素点相当于是第二边缘图像中的第j列第i行的像素点,而第i+1个像素点,则是位于同一列,且下一行的像素点;如此,计算出二者差值的绝对值后,即可将其与预设值进行对比,从而来得出第i个像素点是否可进行像素重置;其中,判断过程以及重置过程可以但不限于如下述步骤S22c和步骤S22d所示。
S22c.判断所述差值的绝对值是否大于或等于预设值;在本实施例中,预设值预先设置在车厢信息识别端内,也可根据实际使用而具体设定,在此不作具体限定。
同时,若第i个像素点和第i+1个像素点的像素值之间的差值的绝对值,大于预设阈值,则需要将第i个像素点的颜色变为黑色,否则,则变为白色;其中,前述重置过程如下述步骤S22d所示。
S22d.若是,则将所述第i个像素点的像素值置为第一目标像素值,否则,则将所述第i个像素点的像素值置为第二目标像素值;在本实施例中,第二边缘图像实质为灰度图像,如此,第一目标像素值实质为0,而第二目标像素值实质则为255。
通过前述步骤S22a~S22d,即可完成第i个像素点的像素重置,而后,以相同原理,进行下一个像素点的像素重置,直至完成第n-1个像素点的像素重置后,即可完成第j列的各个像素点的像素重置;其中,循环重置过程如下述步骤S22e所示。
S22e.将i自加1,并重新判断所述第i个像素点的像素值是否小于第一像素阈值,直至i等于n-1时,得到重置后的第j列的像素点,其中,i的初始值为1,且n为所述边缘图像中第j列内的像素点的总数;在本实施例中,由于第n个像素点由于为边缘点,因此,可不纳入像素重置过程中。
如此通过前述步骤,则完成第二边缘图像中第j列中各个像素点的第一次像素重置,而后,还需根据第一次像素重置过程中的所记录的各个差值,来进行第j列像素点的第二次像素重置;其中,第二次像素重置过程可以但不限于如下述步骤S23所示。
S23.对重置后的第j列的所有像素点进行第二像素重置处理,以在第二像素重置处理后,得到更新后的第j列的像素点,其中,更新后的第j列的所有像素点的像素值均为第一目标像素值,或更新后的第j列的各个像素点的像素值与所述重置后的第j列的各个像素点的像素值相同;在本实施例中,第二像素重置处理过程可以但不限于如下述步骤S23a~S23d所示。
S23a.获取对所述第j列的各个像素点进行第一像素重置处理时,记录的第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值;在本实施例中,相当于是获取在对第j列的每个像素点进行第一像素重置时,步骤S22b中所计算得到的差值的绝对值;如,n=5,那么则存在4个差值绝对值;而后,即可根据4个差值绝对值,来进行第j列中各个像素点的第二像素重置处理;可选的,其具体过程可以但不限于如下述步骤S23b~S23d所示。
S23b.从记录的各个差值的绝对值中,统计出符合预设条件的差值的绝对值的个数,其中,所述预设条件为差值的绝对值大于第二像素阈值;在本实施例中,还是以前述4个差值绝对值为例,相当于是统计出4个差值绝对值中大于第二像素阈值的差值绝对值的个数,然后,再根据统计出的个数,来进行第j列中各个像素点的像素重置;其中,具体重置过程可以但不限于如下述步骤S23c和步骤S23d所示。
S23c.判断符合预设条件的差值的绝对值的个数是否处于预设区间;在具体应用时,预设区间也预先设置在车厢信息识别端内,可根据实际使用而具体设定,在此不作限定;同时,若统计出的符合预设条件的差值的绝对值不处于预设区间,则需要将第j列的各个像素点进行像素重置,反之,则不进行更改,如下述步骤S23d所示。
S23d.若否,则将重置后的第j列的所有像素点的像素值置为第一目标像素值,否则,则保持重置后的第j列的各个像素点的像素值;在本实施例中,在未满足步骤S23c时,则需要将重置后的第j列的所有像素点的像素值置为0;否则,则保持重置后的第j列中的所有像素点的像素值不变。
如此通过步骤S21~S23,即可完成第二边缘图像中第j列内的各个像素点的像素值的更新,而后,以前述原理,进行下一列中像素点的像素值的更新,直至将最后一列中的各个像素点的像素值更新完毕时,即可得到车厢信息定位区域,也就是车厢信息预识别区域,其中,循环过程如下述步骤S24所示。
S24.将j自加1,并重新基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,直至j等于k时,完成所述第二边缘图像中所有像素点的像素值的更新,以得到车厢信息预识别图像,其中,j的初始值为1,且k为边缘图像的总列数。
由此通过前述步骤S21~S24,则可在质量增强图像中完成车厢信息所在区域的粗定位,而后,再采用形态学处理,即可得到车信息感兴趣图像区域;可选的,形态学处理过程如下述步骤S25所示。
S25.对所述车厢信息预识别图像进行形态学处理,以得到车厢信息感兴趣图像区域;在本实施例中,由于车厢信息预识别图像中的字符可能存在断裂、粘连等问题,因此,可以但不限于先进行形态学闭处理,来处理连接字符断裂的问题;而后,再进行形态学开处理,以去除字符粘连问题,如此,即可得到更为清晰化的图像,即得到车厢信息感兴趣图像区域。
在得到车厢信息感兴趣图像区域后,还需从感兴趣图像区域中,提取出仅含有字符的图像,以便减少其余非字符图像对后续字符识别的干扰;其中,本实施例采用文本检测的方法,来进行字符图像的提取,其提取过程可以但不限于如下述步骤S26所示。
S26.对所述车厢信息感兴趣图像区域进行文本区域识别处理,以在文本区域识别处理后,得到所述目标区域;在具体应用时,举例可以但不限于采用MSER(最大稳定极值区域法)算法,来进行文本检测,从而识别出仅含有字符的图像区域(即目标区域);当然,在本实施例中,MSER算法为字符检测的常用算法,其原理不再赘述。
由此通过前述步骤S21~S26,即可从质量增强图像中提取出仅含有车厢信息的图像区域,而后,再对提取出的目标区域进行字符分割,则可得到车厢图像中各个字符的图像区域;同时,在本实施例中,举例可以采用连通区域分析算法将字符分割为不同的区域,然后通过区域的几何特征(如面积、周长、长款比)来过滤掉非字符区域;当然,前述字符分割算法为字符分割领域的常用方法,其原理不再赘述。
在得到车厢图像中各个字符的图像区域后,即可进行字符的识别,其中,本实施例中采用基于标准模板的匹配方法,来进行字符识别,其中,识别过程可以但不限于如下述步骤S3~S6所示。
S3.获取字符模板数据库,其中,所述字符模板数据库中存储有若干字符模板图像;在本实施例中,字符模板数据库中存储的字符模板图像,可以为铁路车厢信息中所包含的字符;如车厢类型、车厢号、载重、自重、容积、换长等字符的模板图像;当然,一个字符模板图像对应一个字符;如此,即可计算前述步骤S2所得到的各个待识别字符图像,与各个字符模板图像之间的差异度,来得出与其差异最小的字符模板图像,从而将差异最小的字符模板图像对应的字符,作为该待识别字符图像的识别结果;可选的,字符识别过程如下述步骤S4所示。
S4.对于若干待识别字符图像中的任一待识别字符图像,将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,以得到所述任一待识别字符图像与各个字符模板图像之间的图像匹配差异度;在本实施例中,举例可以但不限于采用如下步骤S41~S43,来计算出该任一待识别字符图像与各个字符模本图像之间的匹配差异度。
S41.对所述任一待识别字符图像和各个字符模板图像中的各个像素点进行加权处理,以在加权处理后,得到处理后的待识别字符图像和各个处理后的字符模板图像;在本实施例中,以任一待识别字符图像为例,来具体阐述其内部各个像素点的加权处理过程,可以但不限于如下述步骤S41a和步骤S41b所示。
S41a.对于所述任一待识别字符图像中的任一像素点,获取所述任一像素点的像素值,以及所述任一像素点的八邻域区域内的各个像素点的像素值;在本实施例中,对于前述任一待识别字符图像中边缘的像素点,其八邻域区域中不存在的像素点的像素值用0代替;如此,在得到任一像素点以及其八邻域区域内各个像素点的像素值后,则可进行该任一像素点的加权值的计算,其中,计算过程可参见下述步骤S42a。
S41b.基于所述任一像素点的像素值,以及所述任一像素点的八邻域区域内的各个像素点的像素值,并按照如下公式(4),计算出所述任一像素点的加权值。
上述公式(4)中,w表示所述任一像素点的加权值,g表示所述任一像素点的像素值,g(u,h)表示所述任一像素点的八邻域区域内,坐标为(u,h)的像素点的像素值,x′,y′表示所述任一像素点的像素横坐标和像素纵坐标。
由此通过前述公式(4),即可计算出该任一像素点的加权值,而后,以相同方法,即可计算出该任一待识别字符图像中其余各个像素点的加权值,以及各个字符模板图像中各个像素点的加权值;同时,为减少噪声点的影响,当任一像素点的加权值小于预设权值时,可将该任一像素点的加权值重置为0;在本实施例中,举例预设权重可以但不限于为5。
在基于前述步骤S41及其子步骤,得到该任一待识别字符图像和各个字符模本图像中各个像素点的加权值后,则可基于像素点的加权值,来计算图像间的匹配差异度,其中,计算过程如下述步骤S42所示。
S42.对于各个处理后的字符模板图像中的任一处理后的字符模板图像,采用如下公式(2),计算出所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度。
上述公式(2)中,P表示所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度,C(x′,y′)表示所述处理后的待识别字符图像以及所述任一处理后的字符模板图像中,坐标为(x′,y′)的两像素点之间的匹配差异度,X,Y依次表示所述处理后的待识别字符图像的总行数和总列数;
其中,C(x′,y′)采用如下公式(3)计算得到;
上述公式(3)中,w(x′,y′)表示所述处理后的待识别字符图像中,坐标为(x′,y′)的像素点的加权值,wT(x′,y′)表示所述任一处理后的字符模板图像中,坐标为(x′,y′)的像素点的加权值,r表示差异度阈值;在本实施例中,举例差异度阈值可以但不限于为4,即两个像素点之间的加权值差值小于等于4,可认定两个像素点相匹配;否则,则匹配。
在本实施例中,相当于是将该处理后的待识别字符图像中的像素点,与前述任一处理后的字符模板图像中的像素点进行一一匹配,从而来计算出两幅图像中各个像素点之间的匹配差异度;最后,求其所有像素点的匹配差异度,来得到两幅图像间的图像匹配差异度;如此,在得到处理后的待识别字符图像与前述任一处理后的字符模板图像之间的匹配差异度后,相当于就得到了该任一待识别字符图像,与所述任一处理后的字符模板图像对应字符模板图像之间的图像匹配差异度;其中,具体处理过程如下述步骤S43所示。
S43.将所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度,作为所述任一待识别字符图像,与指定字符模板图像之间的图像匹配差异度,其中,所述指定字符模板图像为所述任一处理后的字符模板图像对应的字符模板图像。
由此通过前述步骤S41~S43,即可计算出所述任一待识别字符与各个字符模板图像之间的图像匹配差异度,而后,即可将差异度最小的字符模板图像对应的字符,作为该任一待识别字符图像的字符识别结果;同时,以前述相同方法,则可得出其余各个待识别字符图像的字符识别结果,其中,匹配差异度的具体确定过程如下述步骤S5所示。
S5.将目标字符模板图像对应的字符,作为所述任一待识别字符的识别结果,并在将所有待识别字符图像与各个字符模板图像均进行图像匹配后,得到所有待识别字符图像的识别结果,其中,目标字符模板图像为与所述任一待识别字符图像的图像匹配差异度最低的字符模板图像;通过前述步骤S5,即可得出各个待识别字符图像的识别结果;而后,即可利用各个识别结果,来得到目标列车的车厢信息,如下述步骤S6所示。
S6.基于各个待识别字符图像的识别结果,得到所述目标列车的车厢信息;在本实施例中,可以但不限于利用各个待识别字符图像的识别结果,来组成目标列表的车厢信息。
由此通过前述步骤S1~S6所详细描述的铁路车厢信息的识别方法,本发明通过采集铁路货车的车厢图像,并利用机器识别方式,来对车厢图像中的字符进行识别,从而来得出铁路货车的车厢信息;如此,相比于传统的人工抄录方式,本方法不仅保证了数据的真实性、及时性和准确性,提高了识别精度和识别效率,还减轻了作业人员的劳动强度;因此,适应于在铁路货车的车厢信息识别领域的大规模应用与推广。
如图2所示,本实施例第二方面提供了一种实现实施例第一方面中所述的铁路车厢信息的识别方法的硬件装置,包括:
获取单元,用于获取目标列车的车厢图像,并对所述车厢图像进行质量增强处理,得到质量增强图像。
字符分割单元,用于从质量增强图像中提取出目标区域,并对所述目标区域进行字符分割处理,得到若干待识别字符图像,其中,所述目标区域为所述质量增强图像中含有目标列车车厢信息的区域。
获取单元,用于获取字符模板数据库,其中,字符模板数据库中存储有若干字符模板图像。
字符识别单元,对于若干待识别字符图像中的任一待识别字符图像,用于将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,以得到所述任一待识别字符图像与各个字符模板图像之间的图像匹配差异度。
字符识别单元,用于将目标字符模板图像对应的字符,作为所述任一待识别字符的识别结果,并在将所有待识别字符图像与各个字符模板图像均进行图像匹配后,得到所有待识别字符图像的识别结果,其中,目标字符模板图像为与所述任一待识别字符图像的图像匹配差异度最低的字符模板图像。
信息组合单元,用于基于各个待识别字符图像的识别结果,得到所述目标列车的车厢信息。
本实施例提供的装置的工作过程、工作细节和技术效果,可以参见实施例第二方面,于此不再赘述。
如图3所示,本实施例第三方面提供了另一种铁路车厢信息的识别装置,以装置为电子设备为例,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的铁路车厢信息的识别方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;具体地,处理器可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现,同时,处理器也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中,处理器可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制,例如,所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的铁路车厢信息的识别方法的指令的存储介质,即所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如实施例第一方面所述的铁路车厢信息的识别方法。
其中,所述存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的铁路车厢信息的识别方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种铁路车厢信息的识别方法,其特征在于,包括:
获取目标列车的车厢图像,并对所述车厢图像进行质量增强处理,得到质量增强图像;
从质量增强图像中提取出目标区域,并对所述目标区域进行字符分割处理,得到若干待识别字符图像,其中,所述目标区域为所述质量增强图像中含有目标列车车厢信息的区域;
获取字符模板数据库,其中,所述字符模板数据库中存储有若干字符模板图像;
对于若干待识别字符图像中的任一待识别字符图像,将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,以得到所述任一待识别字符图像与各个字符模板图像之间的图像匹配差异度;
将目标字符模板图像对应的字符,作为所述任一待识别字符的识别结果,并在将所有待识别字符图像与各个字符模板图像均进行图像匹配后,得到所有待识别字符图像的识别结果,其中,目标字符模板图像为与所述任一待识别字符图像的图像匹配差异度最低的字符模板图像;
基于各个待识别字符图像的识别结果,得到所述目标列车的车厢信息。
2.根据权利要求1所述的方法,其特征在于,对所述车厢图像进行质量增强处理,得到质量增强图像,包括:
对所述车厢图像分别进行高通滤波处理以及锐化处理,以得到滤波图像和锐化图像;
将所述滤波图像与所述车厢图像进行图像叠加处理,得到叠加图像;
对所述叠加图像进行边缘检测处理,得到第一边缘图像,并将所述第一边缘图像与所述锐化图像进行图像点乘处理,以得到点乘图像;
将所述点乘图像与所述车厢图像进行叠加处理,以在叠加处理后,得到所述质量增强图像。
3.根据权利要求2所述的方法,其特征在于,对所述车厢图像进行锐化处理,包括:
采用如下公式(1),对所述车厢图像进行锐化处理,得到锐化图像;
上述公式(1)中,f′(x,y)表示所述锐化图像,f(x,y)表示所述车厢图像,表示经过拉普拉斯变换后的车厢图像;
其中,且x,y分别表示所述车厢图像中像素点的像素横坐标和像素纵坐标。
4.根据权利要求1所述的方法,其特征在于,从质量增强图像中提取出目标区域,包括:
对所述质量增强图像进行边缘检测处理,以得到第二边缘图像;
对于所述第二边缘图像中的第j列的像素点,基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,以得到重置后的第j列的像素点,其中,重置后的第j列的像素点中的任一像素点的像素值为第一目标像素值或第二目标像素值,且所述第一目标像素值对应的像素颜色为黑色,所述第二目标像素值对应的像素颜色为白色;
对重置后的第j列的所有像素点进行第二像素重置处理,以在第二像素重置处理后,得到更新后的第j列的像素点,其中,更新后的第j列的所有像素点的像素值均为第一目标像素值,或更新后的第j列的各个像素点的像素值与所述重置后的第j列的各个像素点的像素值相同;
将j自加1,并重新基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,直至j等于k时,完成所述第二边缘图像中所有像素点的像素值的更新,以得到车厢信息预识别图像,其中,j的初始值为1,且k为所述边缘图像的总列数;
对所述车厢信息预识别图像进行形态学处理,以得到车厢信息感兴趣图像区域;
对所述车厢信息感兴趣图像区域进行文本区域识别处理,以在文本区域识别处理后,得到所述目标区域。
5.根据权利要求4所述的方法,其特征在于,基于所述第j列的各个像素点的像素值,对所述第j列的各个像素点进行第一像素重置处理,以得到重置后的第j列的像素点,包括:
对于所述第j列的各个像素点中的第i个像素点,判断所述第i个像素点的像素值是否小于第一像素阈值;
若是,则计算所述第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值,并记录第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值;
判断所述差值的绝对值是否大于或等于预设值;
若是,则将所述第i个像素点的像素值置为第一目标像素值,否则,则将所述第i个像素点的像素值置为第二目标像素值;
将i自加1,并重新判断所述第i个像素点的像素值是否小于第一像素阈值,直至i等于n-1时,得到重置后的第j列的像素点,其中,i的初始值为1,且n为所述边缘图像中第j列内的像素点的总数;
相应的,对重置后的第j列的所有像素点进行第二像素重置处理,以在第二像素重置处理后,得到更新后的第j列的像素点,则包括:
获取对所述第j列的各个像素点进行第一像素重置处理时,记录的第i个像素点的像素值与第i+1个像素点的像素值之间的差值的绝对值;
从记录的各个差值的绝对值中,统计出符合预设条件的差值的绝对值的个数,其中,所述预设条件为差值的绝对值大于第二像素阈值;
判断符合预设条件的差值的绝对值的个数是否处于预设区间;
若否,则将重置后的第j列的所有像素点的像素值置为第一目标像素值。
6.根据权利要求1所述的方法,其特征在于,将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,包括:
对所述任一待识别字符图像和各个字符模板图像中的各个像素点进行加权处理,以在加权处理后,得到处理后的待识别字符图像和各个处理后的字符模板图像;
对于各个处理后的字符模板图像中的任一处理后的字符模板图像,采用如下公式(2),计算出所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度;
上述公式(2)中,P表示所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度,C(x′,y′)表示所述处理后的待识别字符图像以及所述任一处理后的字符模板图像中,坐标为(x′,y′)的两像素点之间的匹配差异度,X,Y依次表示所述处理后的待识别字符图像的总行数和总列数;
其中,C(x′,y′)采用如下公式(3)计算得到;
上述公式(3)中,w(x′,y′)表示所述处理后的待识别字符图像中,坐标为(x′,y′)的像素点的加权值,wT(x′,y′)表示所述任一处理后的字符模板图像中,坐标为(x′,y′)的像素点的加权值,r表示差异度阈值;
将所述处理后的待识别字符图像与所述任一处理后的字符模板图像之间的图像匹配差异度,作为所述任一待识别字符图像,与指定字符模板图像之间的图像匹配差异度,其中,所述指定字符模板图像为所述任一处理后的字符模板图像对应的字符模板图像。
7.根据权利要求6所述的方法,其特征在于,对所述任一待识别字符图像中的各个像素点进行加权处理,得到处理后的待识别字符图像,包括:
对于所述任一待识别字符图像中的任一像素点,获取所述任一像素点的像素值,以及所述任一像素点的八邻域区域内的各个像素点的像素值;
基于所述任一像素点的像素值,以及所述任一像素点的八邻域区域内的各个像素点的像素值,并按照如下公式(4),计算出所述任一像素点的加权值;
上述公式(4)中,w表示所述任一像素点的加权值,g表示所述任一像素点的像素值,g(u,h)表示所述任一像素点的八邻域区域内,坐标为(u,h)的像素点的像素值,x′,y′表示所述任一像素点的像素横坐标和像素纵坐标。
8.一种铁路车厢信息的识别装置,其特征在于,包括:
获取单元,用于获取目标列车的车厢图像,并对所述车厢图像进行质量增强处理,得到质量增强图像;
字符分割单元,用于从质量增强图像中提取出目标区域,并对所述目标区域进行字符分割处理,得到若干待识别字符图像,其中,所述目标区域为所述质量增强图像中含有目标列车车厢信息的区域;
获取单元,用于获取字符模板数据库,其中,字符模板数据库中存储有若干字符模板图像;
字符识别单元,对于若干待识别字符图像中的任一待识别字符图像,用于将所述任一待识别字符图像与所述字符模板数据库中的每个字符模板图像进行图像匹配,以得到所述任一待识别字符图像与各个字符模板图像之间的图像匹配差异度;
字符识别单元,用于将目标字符模板图像对应的字符,作为所述任一待识别字符的识别结果,并在将所有待识别字符图像与各个字符模板图像均进行图像匹配后,得到所有待识别字符图像的识别结果,其中,目标字符模板图像为与所述任一待识别字符图像的图像匹配差异度最低的字符模板图像;
信息组合单元,用于基于各个待识别字符图像的识别结果,得到所述目标列车的车厢信息。
9.一种电子设备,其特征在于,包括:依次通信相连的存储器、处理器和收发器,其中,存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7任意一项所述的铁路车厢信息的识别方法。
10.一种计算机可读存储介质,其特征在于,计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7任意一项所述的铁路车厢信息的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106885.9A CN117132990A (zh) | 2023-08-29 | 2023-08-29 | 铁路车厢信息的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106885.9A CN117132990A (zh) | 2023-08-29 | 2023-08-29 | 铁路车厢信息的识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132990A true CN117132990A (zh) | 2023-11-28 |
Family
ID=88862523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311106885.9A Pending CN117132990A (zh) | 2023-08-29 | 2023-08-29 | 铁路车厢信息的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132990A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744681A (zh) * | 2024-02-19 | 2024-03-22 | 煤炭科学研究总院有限公司 | 货运列车车型车号识别方法及装置 |
-
2023
- 2023-08-29 CN CN202311106885.9A patent/CN117132990A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744681A (zh) * | 2024-02-19 | 2024-03-22 | 煤炭科学研究总院有限公司 | 货运列车车型车号识别方法及装置 |
CN117744681B (zh) * | 2024-02-19 | 2024-05-07 | 煤炭科学研究总院有限公司 | 货运列车车型车号识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN101739548B (zh) | 人眼检测方法及系统 | |
Kumar et al. | Automatic vehicle number plate recognition system using machine learning | |
CN111652869A (zh) | 基于深度学习的板坯空洞识别方法、系统、介质及终端 | |
CN117132990A (zh) | 铁路车厢信息的识别方法、装置、电子设备及存储介质 | |
WO2024037408A1 (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
Shah et al. | OCR-based chassis-number recognition using artificial neural networks | |
CN109344801A (zh) | 一种物体检测方法及装置 | |
CN114708547A (zh) | 车辆重识别方法、装置、计算机设备、存储介质 | |
CN111767915A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN113744316A (zh) | 一种基于深度神经网络的多目标跟踪方法 | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
Zhang et al. | An integrated approach for vehicle detection and type recognition | |
CN111429376A (zh) | 高低精度融合的高效数字图像处理方法 | |
Shanthakumari et al. | Mask RCNN and Tesseract OCR for vehicle plate character recognition | |
Cheng et al. | License plate recognition via deep convolutional neural network | |
CN116434346B (zh) | 无人值守商店内顾客行为的检测方法、装置及存储介质 | |
CN108647679B (zh) | 一种基于车窗粗定位的车标识别方法 | |
CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
CN115546746A (zh) | 一种高速行驶轨道车辆裂纹检测方法及装置 | |
CN112818987B (zh) | 一种公交电子站牌屏显内容识别纠正方法及系统 | |
CN114399671A (zh) | 目标识别方法及装置 | |
CN114187583A (zh) | 一种用于集装箱、平板车装车组合标识的快速识别方法 | |
US20210012472A1 (en) | Adaptive video subsampling for energy efficient object detection | |
CN115082326A (zh) | 视频去模糊的处理方法、边缘计算设备及中心处理器 |
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 |