面向復(fù)雜工業(yè)環(huán)境的鐵路油罐車車號(hào)定位與識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種鐵路油罐車車號(hào)定位與識(shí)別方法。
【背景技術(shù)】
[0002] 隨著我國經(jīng)濟(jì)的不斷發(fā)展，工業(yè)生產(chǎn)水平及人們生活水平的不斷提高，各種車輛、 號(hào)牌出現(xiàn)在人們生活及工業(yè)生產(chǎn)現(xiàn)場等各個(gè)領(lǐng)域。怎樣有效的進(jìn)行管理以及高速的獲取字 符信息成為不得不考慮的問題。字符區(qū)域的定位與識(shí)別廣泛地應(yīng)用在智能交通管理中的車 牌識(shí)別、集裝箱號(hào)識(shí)別等領(lǐng)域。而這些都為區(qū)分不同的車體以及進(jìn)行有效的管理提供了方 便。字符區(qū)域的定位與識(shí)別將會(huì)越來越多的出現(xiàn)在生活當(dāng)中，為生活帶來方便。
[0003] 現(xiàn)在對車牌識(shí)別或者對集裝箱號(hào)等識(shí)別的方法大多數(shù)采用基于紋理的方法、基于 邊緣的方法或者是基于學(xué)習(xí)的方法。這些定位方法都有各自的適用條件，很難在鐵路油罐 車車號(hào)定位上達(dá)到很好的定位效果。常用的鐵路油罐車有四種車型分別為:G 6Qk、GQ7Q、G70k、 G70T，而車號(hào)區(qū)域分布在罐體上和鐵路油罐車的車架上，并且所有字符都是存在斷裂的噴碼 字符，再加上鐵路油罐車長期在室外易受油污、光照等因素的影響為我們的定位帶來困難。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種對鐵路油罐車車號(hào)區(qū)域具有較好的定位效果的面向 復(fù)雜工業(yè)環(huán)境的鐵路油罐車車號(hào)定位與識(shí)別方法。
[0005] 本發(fā)明的目的是這樣實(shí)現(xiàn)的：
[0006] 步驟一，利用攝像頭獲取鐵路油罐車彩色圖像；
[0007] 步驟二，由彩色圖像得到灰度圖像以及灰度圖像的反色圖像，同時(shí)由彩色圖像得 到LAB顏色模型圖像；
[0008] 步驟三，對灰度圖像及其反色圖像進(jìn)行最大穩(wěn)定極值區(qū)域(MSER)檢測獲得極值區(qū) 域(MSER+和MSER-);
[0009] 步驟四，由所得到的極值區(qū)域利用相鄰極值區(qū)域的高度比值、形心角度、距離對不 符合的極值區(qū)域進(jìn)行篩除，并進(jìn)一步對RGB圖像和LAB圖像進(jìn)行均值計(jì)算得到符合條件的1 對極值區(qū)域，并將這樣的1對極值區(qū)域作為1個(gè)有效區(qū)域?qū)Γ?br>[0010] 步驟五，判斷2個(gè)有效區(qū)域?qū)κ欠翊嬖谥睾系臉O值區(qū)域，若存在則將這2個(gè)有效區(qū) 域?qū)喜?個(gè)三聯(lián)體區(qū)域；
[0011] 步驟六，以每1個(gè)三聯(lián)體區(qū)域?yàn)?個(gè)序列，對相鄰的2個(gè)序列進(jìn)行判斷，若滿足線性 距離估計(jì)及序列條件，則合并為1個(gè)新的序列，并將新的序列與下1個(gè)序列進(jìn)行比較判斷，得 到的最終序列為文本區(qū)域；
[0012] 步驟七，利用4點(diǎn)矯正對輸出的文本區(qū)域進(jìn)行傾斜矯正；
[0013] 步驟八，對傾斜矯正后的文本區(qū)域進(jìn)行分割，將分割出的字符送到訓(xùn)練好的分類 器進(jìn)行識(shí)別，所述分類器是采用如下方法得到的：收集大量鐵路油罐車車號(hào)區(qū)域圖片，并利 用4點(diǎn)矯正對圖片進(jìn)行傾斜矯正以及對圖片進(jìn)行亮度均衡和去噪預(yù)處理，對每個(gè)字符進(jìn)行 分割得到樣本集，提取每個(gè)字符的Hog特征利用支持向量機(jī)進(jìn)行訓(xùn)練。
[0014] 本發(fā)明還可以包括：
[0015] 1、1個(gè)有效區(qū)域?qū)M足的條件為:2個(gè)極值區(qū)域外接矩形的高度比值小于0.4、形心 角度介于±0.85之間、距離小于2.2以及2個(gè)極值區(qū)域的均值差滿足閾值條件。
[0016] 2、所述閾值設(shè)定于60~111之間。
[0017] 3、分類器的生成方法中拍攝收集不少于50幅鐵路油罐車車號(hào)區(qū)域圖片，并對圖片 進(jìn)行傾斜矯正、去噪、亮度均衡化操作，然后對字符進(jìn)行分割作為樣本集，其中G、Q、K、T、0~ 9每個(gè)字符不少于40個(gè)樣本。
[0018]本發(fā)明的方法主要包括：
[0019] S1.利用架設(shè)好的攝像頭獲取鐵路油罐車圖片，對灰度化后的圖片進(jìn)行最大穩(wěn)定 極值區(qū)域(MSER)檢測獲得極值區(qū)域。
[0020] S2.對相鄰2個(gè)極值區(qū)域進(jìn)行篩選，若其滿足2個(gè)極值區(qū)域外接矩形的高度比值小 于0.4、形心角度介于±0.85之間、距離小于2.2以及2個(gè)極值區(qū)域的均值差滿足閾值條件， 滿足以上操作的2個(gè)極值區(qū)域?yàn)?個(gè)有效區(qū)域?qū)Α?br>[0021] S3.以2個(gè)相鄰的有效區(qū)域?qū)M合為1個(gè)三聯(lián)體區(qū)域，三聯(lián)體區(qū)域就是包含3個(gè)極值 區(qū)域的區(qū)域。
[0022] S4.對相鄰的2個(gè)三聯(lián)體區(qū)域進(jìn)行篩選，如果相鄰的2個(gè)三聯(lián)體區(qū)域不存在重合區(qū) 域且滿足共線條件則這樣的三聯(lián)體區(qū)域?yàn)?個(gè)有效序列，若干個(gè)序列組合成文本區(qū)域。 [0023] S5.通過實(shí)地拍攝收集不少于50幅鐵路油罐車車號(hào)區(qū)域圖片，并對圖片進(jìn)行傾斜 矯正、去噪、亮度均衡化操作，然后對字符進(jìn)行分割作為樣本集，其中G、Q、K、T、0~9每個(gè)字 符不少于40個(gè)樣本。利用支持向量機(jī)提取字符的Hog特征進(jìn)行訓(xùn)練，得到1個(gè)能夠識(shí)別鐵路 油罐車車號(hào)字符的分類器。
[0024] S1具體包括：
[0025] S1.1這里分別對灰度圖像及其反色圖像進(jìn)行極值區(qū)域檢測。并稱對灰度圖像進(jìn)行 的極值區(qū)域檢測為MSER+，對其反色圖像進(jìn)行的極值區(qū)域檢測稱為MSER-。
[0026] S2具體包括：
[0027] S2.1對原始輸入圖像分別進(jìn)行變換得到RGB(R紅色、G綠色、B藍(lán)色，RGB圖像即為灰 度圖像）圖像和LAB(L亮度、A包括的顏色是從深綠色到灰色再到亮粉紅色、B是從亮藍(lán)色到 灰色再到黃色）圖像。
[0028] S2.2對RGB圖像(RGB圖像即為灰度圖像）中相鄰2個(gè)極值區(qū)域進(jìn)行均值差計(jì)算，若 其均值差小于設(shè)定的閾值則對這2個(gè)極值區(qū)域予以保留。
[0029] S2.3上面判斷所用閾值的設(shè)定通過實(shí)驗(yàn)確定，其值介于60~111之間。
[0030] S2.4分別得到LAB圖像的A、B 2個(gè)通道中相鄰2個(gè)極值區(qū)域的均值，若其均值滿足 歐氏距離公式且滿足S2.2的條件則這樣的2個(gè)極值區(qū)域?yàn)?個(gè)有效區(qū)域?qū)Α?br>[0031] S3具體包括：
[0032] S3.1組合成1個(gè)三聯(lián)體區(qū)域的2個(gè)有效區(qū)域?qū)Ρ仨氂?個(gè)重合的極值區(qū)域。
[0033] S3.2 2個(gè)相鄰的三聯(lián)體區(qū)域不能有重合的極值區(qū)域。
[0034] S4具體包括：
[0035] S4.1這里假設(shè)1個(gè)序列只包含3個(gè)極值區(qū)域。
[0036] S4.2由于每個(gè)序列由3個(gè)極值區(qū)域組成，假設(shè)2個(gè)相鄰的序列中每個(gè)序列的3個(gè)極 值區(qū)域的最頂端的垂直距離差異與最低端的垂直距離差異以及水平方向的距離差異滿足 閾值條件，這樣的2個(gè)相鄰序列為有效序列。
[0037] S4.3若干個(gè)這樣的序列組成文本區(qū)域。
[0038] S5具體包括：
[0039] S5.1由于拍攝角度的影響罐車車號(hào)區(qū)域存在傾斜，這里利用4點(diǎn)矯正對得到的文 本區(qū)域進(jìn)行傾斜矯正。
[0040] S5.2由于字符存在斷裂，這里利用字符的高度及字符的寬度相對于字符區(qū)域的比 值對單個(gè)字符進(jìn)行分割。并根據(jù)每個(gè)斷裂的字符都包含2個(gè)波峰這一特點(diǎn)利用投影法進(jìn)行 驗(yàn)證。
[0041] S5.3利用訓(xùn)練得到的支持向量機(jī)分類器對鐵路油罐車車號(hào)字符進(jìn)行識(shí)別。
[0042] 本發(fā)明利用最大穩(wěn)定極值區(qū)域的特性獲得極值區(qū)域并對所得極值區(qū)域進(jìn)行有效 區(qū)域?qū)Φ奶崛?，由有效區(qū)域?qū)喜⒊扇?lián)體區(qū)域進(jìn)而得到區(qū)域序列的文本提取方法，利用4 點(diǎn)矯正和支持向量機(jī)對文本進(jìn)行矯正與識(shí)別。本方法對鐵路油罐車車號(hào)區(qū)域具有較好的定 位效果。
【附圖說明】
[0043]圖1:本發(fā)明流程圖。
[0044] 圖2:MSER檢測效果圖。
[0045] 圖3:極值區(qū)域的外接矩形圖。
[0046]圖4:定位效果圖。
[0047]圖5:識(shí)別效果圖。
【具體實(shí)施方式】
[0048] 下面結(jié)合附圖舉例對本發(fā)明做更詳細(xì)的描述。
[0049] 如圖1所示，本發(fā)明面向復(fù)雜工業(yè)環(huán)境的鐵路油罐車車號(hào)定位與識(shí)別方法具體實(shí) 施步驟如下；
[0050] S1.對圖像進(jìn)行MSER區(qū)域檢測獲得極值區(qū)域。具體步驟如下：
[0051] S1.1對輸入圖像進(jìn)行灰度化，并對灰度化后的圖像進(jìn)行反色處理，在后續(xù)處理中 將會(huì)對這2個(gè)通道進(jìn)行單獨(dú)處理。
[0052] S1.2以一定的步長t從0到255取閾值，在不同閾值下對圖像進(jìn)行MSER區(qū)域檢測，得 到極值區(qū)域，為了讓MSER既能檢測到淺色背景深色字體的區(qū)域，又能檢測深色背景淺色字 體的區(qū)域，需要對圖像進(jìn)行反轉(zhuǎn)再進(jìn)行極值區(qū)域檢測，得到兩種極值區(qū)域MSER+和MSER-。
[0053] 假設(shè)Qi表示閾值為i時(shí)的某1個(gè)連通區(qū)域，△為灰度閾值的微小變化量，q(i)為閾 值為i時(shí)的區(qū)域&的變化率，當(dāng)q(i)為局部極小值時(shí)則&為最大穩(wěn)定極值區(qū)域。