一种车号自动识别方法及系统与流程

本发明涉及图像识别领域，更确切的说，涉及轨道交通中一种车号自动识别系统及其方法。

背景技术：

目前我国铁路运营里程不断扩大，铁路交通日益发达，我国已经成为铁路运营大国，保有量位居世界前列。车号是的重要标志，在调度、检修、车辆编组、车辆追踪等方面有重要的作用。车型车号涂装在车身上，形成车号标记，用以对车型车号进行人工识别。进行日常检修时，各个部件运行状态的提取与存储过程都需要以车型车号作为索引，来达到对整体情况的准确掌握；与此同时，还需要能够迅速将同一辆以往的检测情况从数据库中调出来进行比较。传统的车号识别方法是人工识别，人工识别不仅存在效率低、精度低、劳动强度高等缺点，而且识别过程不可避免地掺杂人为因素，直接影响识别的准确率，因此迫切需要车号自动识别设备，实现对车号的动态识别。目前国内外针对车号识别的算法很多，大多是按照图像预处理、车号定位、车号识别等算法步骤进行。

虽然车号的图像处理不太受重视，但这方面的研究还是一直在进行。铁道部于上世纪90年代开展了车号自动识别系统(ATIS)工程建设。在此期间，哈尔滨铁路局科研所于1997年自主研制出了一套HTK196型铁路车号自动识别系统，该系统是基于射频识别(RFID)技术来实现车号的自动识别。一般情况下该系统能自动抄录列车车号，但其准确性依赖于列车上安装的RFID电子标签，安装电子标签虽然保证了车号读取速度，识别率高，但配套设备复杂，造价较高，电子标签容易损坏、丢失，对其运行环境及设备维护要求较高。如图1所示。

1998年，清华大学的王少杰等人为解决车号字符断裂、粘连、缺损等问题，提出以车型车号的编制规则为判断的准则，通过建立分割搜索树来实现以识别指导分割，获得了较好的效果，最终系统的识别准确率在90％左右。但该文对车号字符明暗程度不一的情况，未作研究和分析。

2000年，上海交通大学的赵雪春等人研究货车车号的识别，提出以识别结果为指导的智能字符分割方案。对字符大小一致、二值化质量较好，只出现字符粘连和断裂、没有出现字符笔画缺失的情况下，车号区域定位正确率大于99.8％，字符识别正确率大于96.5％。这种方法主要是以识别结果判定分割正误，解决的是粘连、断裂字符的分割问题。

北京科技大学的王志明等人利用单程分裂与归并的图像分割算法对集装箱号进行了识别，提出了一种基于图像分割和区域性分析的集装箱号字符定位和识别方法。该方法首先基于灰度相似性运用改进的单程分裂与归并算法对图像进行自适应阈值分割，同时统计各个区域的灰度、形状、边缘强度等特征；然后根据字符区域特征，利用一定规则来滤除非字符区域；最后定位出字符区域，再根据字符的区域性进行二值化，并采用神经网络与模板匹配相结合的方法进行了识别。主要解决的是多行字符的定位问题，对于同一字符灰度不一致的情况，没有分析处理。

技术实现要素：

针对现有技术中存在的问题，本发明的目的是提供一种车号自动识别方法及系统，具有识别效率高、识别正确率高、信息化程度高、人工依赖程度低等特点。

为了实现本发明的目的，本发明的技术方案如下：

一种车号自动识别方法，包括以下步骤：

步骤一、图像采集：当进线以后，车轮触发传感器产生信号，相机和光源接收外触发信号完成车号图像的采集；

步骤二、车号定位：对采集的图像进行预处理，获得包含车号的RIO区域，再消除光斑或光照过暗的一些干扰，对车号进行粗定位、精确定位，完成车号定位；

步骤三、车号识别：车号字符分割，同时记录分割数目number，检验分割数目number是否满足实际车号字符数目；实现车号识别；检验识别结果是否满足车型先验知识；

步骤四、数据传输：将车号定位与识别结果传输到终端设备上存储和显示。

进一步的，步骤一中，通常一组图像为30至60张，完整车号图像为1至3张；

步骤二进一步包括以下步骤：

第2.1步：图像预处理，根据先验知识裁剪采集的图像，得到包含车号的RIO区域，根据车号的颜色与车身背景的差异性，提取颜色分量，将彩色图像变为单通道图像；

第2.2步：消除光斑或光照过暗的一些干扰；

第2.3步：将得到的图像进行数学形态学处理，根据车号的高度、宽度以及高宽比等先验知识对车号进行粗定位；

第2.4步：倾斜校正，得到倾斜校正后的粗定位图像；

第2.5步：去除粗定位图像中的噪点，得到精确定位的车号图像。

步骤2.2中消除光斑或光照过暗的一些干扰的方法为采用基于单通道图像的均值和方差的二值化方法：

对图像中的的每一个点，在它的R×R邻域内，计算邻域里的均值和方差，然后用下式计算阈值，进行二值化：

T(x,y)＝m(x,y)+K×s(x,y)

上式中m(x,y)表示邻域里的均值，s(x,y)表示邻域里的方差，K为修正系数。

步骤2.4中倾斜校正为：将粗定位得到的车号图像再次进行数学形态学处理，进行边缘检测，然后采用霍夫变换检测最长线段，得到车号倾斜角度θ，进行仿射变换对粗定位图像进行倾斜校正。

对图像进行数学形态学处理，采用先膨胀运算，后腐蚀运算的方法。

步骤三进一步包括以下步骤：

第3.1步：车号字符分割，将精确定位的车号图像采用最小外接矩形进行字符分割，设定先验知识，即车号字符的高度h、宽度w和高宽比ratio，将满足先验知识的分割字符保存至数组中，同时记录分割数目number；

第3.2步：检验分割数目number是否满足实际车号字符数目，如不满足，则为残缺车号，返回步骤二，对下一张图像重新进行车号定位，直到发现完整车号；

第3.3步：字符归一化处理；

第3.4步：遍历分割字符数组，采用图像模板匹配和特征提取算法实现车号自动识别；

第3.5步：检验识别结果是否满足车型先验知识，不满足则返回步骤二和步骤三，对下一张图像重新进行车号定位和识别。

一种车号自动识别系统，包括车轮传感器、相机、光源和处理单元，所述处理单元包括：

车号定位模块：用于对采集的图像进行预处理，获得包含车号的RIO区域，再消除光斑或光照过暗的一些干扰，对车号进行粗定位、精确定位，完成车号定位；

车号识别模块：用于车号字符分割，同时记录分割数目number；检验分割数目number是否满足实际车号字符数目；实现车号识别；检验识别结果是否满足车型先验知识；

所述相机和光源安装在轨道的一侧，所述车轮传感器传递触发信号至所述相机和所述光源，所述相机将图像信息传递给所述处理单元。

进一步的，所述相机采用工业CCD相机，所述光源采用LED闪光光源，或者区域光源。

进一步的，所述相机和所述光源各设多个，所述相机和所述光源与轨道间的距离是等距离或不等距离；所述光源与地面的距离是等距离，所述相机与地面的距离是不等距离。

进一步的，所述相机和所述光源各设1个或多个，所述光源和所述相机密闭在一个盒子里，安装在轨道的一侧，盒子底部距离地面高度2～3m，距离轨道中心的距离为2～4m。

进一步的，所述处理单元还包括先验知识模块，用于根据先验知识裁剪采集的图像，得到包含车号的RIO区域；设定车号字符的高度h、宽度w和高宽比ratio先验知识，对车号进行粗定位，并在车号字符分割时，将满足先验知识的分割字符保存至数组中；检验车号识别结果是否满足车型先验知识。

本发明的有益效果为：(1)本发明的车号自动识别系统结构紧凑，安装方便；识别正确率高，识别速率快；系统集成程度较高，智能程度较高，从而降低了人工依赖程度。(2)本发明的车号自动识别方法克服了复杂光照条件下的识别问题；RIO区域是车号出现的大致区域，经过对采集图像的裁剪得到，节省算法处理时间。本发明解决了图像采集时光斑对于车号区域的影响，实现了复杂光照条件下车号字符明暗程度不一的二值化问题；实现了较高的识别正确率；

附图说明

图1是现有的一种加装电子标签的车号识别系统结构示意图。

图2是本发明实施例的相机和光源的安装示意图。

图3是本发明实施例的车号自动识别系统的安装示意图。

图4是本发明实施例的处理单元的工作流程图。

图5是本发明实施例的处理单元中车号定位原理流程图。

图6是本发明实施例的处理单元中车号识别原理流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实施例对本发明作进一步详细说明。

实施例1：

本实施例的车号自动识别系统，包括相机2、光源3、车轮传感器1和处理单元，相机2和光源3的安装示意图如图2所示，相机2为500万像素工业CCD相机，延迟时间1500μS，曝光时间2000μS。光源3为LED闪光光源，光源3单个功率250W，相机2和光源3各设2个，相机2和光源3封装在密闭的盒子4里，相机2和光源3与轨道间的距离是等距离，光源3与地面的距离是等距离，两相机2与地面的距离是不等距离，上下摆放，盒子4宽为30cm，高为40cm，盒子4底部距离地面高度2.6m，盒子4由一根支柱5支撑，处理单元为车号定位识别系统。

实施例2：

本实施例的车号自动识别系统现场安装示意图如图3所示，所述拍摄装置安装在轨道的一侧，相机2和光源3封装在密闭的盒子4里，盒子4由一根支柱5支撑，所述支柱5距离轨道中心的距离为2.8m，所述车轮传感器1传递触发信号至相机2和光源3，相机2将图像信息传递给处理单元。

实施例3：

所述处理单元，即车号定位识别系统工作流程如图4所示，主要分为图像预处理、车号图像粗定位、车号图像精确定位、车号图像倾斜校正、车号图像分割和车号图像识别。

具体的，所述处理单元中定位系统的原理流程图如图5所示，步骤包括：

步骤1：图像预处理，根据车号出现的大致区域将图像进行裁剪，得到ROI区域，根据车号的颜色与车身背景的差异性，提取颜色分量，将彩色图像变为单通道图像；

步骤2：采用基于均值和方差的局部二值化方法，消除光斑等一些干扰，原理如下：

一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

二值化是进行识别前非常重要的一步，二值化的结果将直接影响到车号的定位与识别。通常二值化的方法分为全局二值化和局部自适应二值化。全局二值化方法对于光照均匀，拍摄良好的图像具有很好地效果。在实际应用中，如在复杂光照条件下，在应对光斑或局部光照过暗时，全局二值化，在表现图像细节方面存在很大缺陷。为了弥补这个缺陷，本发明实例中，对步骤1得到的单通道图像采用基于局部均值和方差的自适应二值化算法，算法原理如下：对图像中的的每一个点，在它的R×R邻域内，计算邻域里的均值和方差，然后用下式计算阈值，进行二值化：

T(x,y)＝m(x,y)+K×s(x,y)

上式中m(x,y)表示邻域里的均值，s(x,y)表示邻域里的方差，K为修正系数。在本发明实施例中，取31×31的邻域，修正系数K＝1.0。

步骤3：将二值图像进行数学形态学处理，根据车号的高度、宽度以及高宽比等先验知识对车号进行粗定位；

步骤4：将粗定位得到的车号图像再次进行数学形态学处理，进行边缘检测，然后采用霍夫变换检测最长线段，并计算其倾斜角度θ，根据倾斜角度θ对粗定位图像进行仿射变换，这样就得到了倾斜校正后的粗定位图像；

形态学处理：

膨胀运算是在二值图像中“加粗”或“加长”操作，将二值图像边界处的背景点并入前景点。主要用于填补图像中的小“空洞”和图像边界的凹陷区域，使图像边界向周围扩张。

腐蚀运算是在二值图像中“收缩”及“变细”操作，为了消除二值图像的边界点，使图像的边界向内收缩。

本发明实施例当中采用先膨胀，后腐蚀，对图像进行形态学处理。

步骤5：去除粗定位图像中的噪点，这样就得到了精确定位的车号图像；

具体的，所述处理单元中识别系统的原理流程图如图6所示，步骤包括：

步骤1：车号字符分割，将精确定位的车号图像采用最小外接矩形进行字符分割，设定先验知识，即字符的高度h、宽度w和高宽比ratio，将满足先验知识的分割字符保存至数组中，同时记录分割数目number；

步骤2：检验分割数目number是否满足实际车号字符数目，如不满足，则为残缺车号，对下一张图像重新进行车号定位，直到发现完整车号；

步骤3：字符归一化处理，将分割得到的字符归一化为高度40行，宽度30列；

步骤4：遍历分割字符数组，采用图像模板匹配和特征提取算法实现车号自动识别；

步骤5：检验识别结果是否满足车型先验知识，如HX系列，对下一张图像重新进行车号定位和识别。

以上的实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。