一种复杂背景下的铁路货运车辆车号定位方法

针对复杂背景下铁路货运车辆车号定位复杂、定位准确率低的问题,提出一种采用ResNet50作为基本特征提取网络,同时引入空残差块对学习样本进行多层特征融合,构造了一种新的特征提取网络和改进算法,提高目标检测网络的特征表达能力,实现了快速车号目标检测。实验数据集采用自建数据集,并通过三个对比实验验证了该方法的可靠性。当IoU阈值为0.5时,改进算法的平均精度值为97.1%,分别比F⁃VGG和F⁃ResNet50高9.4%和6.8%,同时采用改进算法对我国铁路常用不同车型货运车辆进行车号定位测试实验,从实验结果可以看出优化方法没有误分类或漏检。改进后的算法可以提高复杂背景下铁路货运车辆车号的定位精度,具有较强的泛化能力,对实现复杂背景下车辆车号快速定位具有一定的参考意义。

非限制场景下铁路机车车号定位检测方法

针对传统铁路机车车号定位检测模型泛化性较低,不适用于多种检测应用场景等问题,提出一种适用于非限制场景、基于YOLO(You Only Look Once)v4-tiny模型的铁路机车车号定位检测方法。文章采用空洞卷积代替标准卷积,增大机车车号特征提取感受野,提升传统YOLOv4-tiny模型的检测精度;建立铁路机车车号数据集(RLND,Railway Locomotive Number Dataset),用于模型训练,并对模型的检测效果进行验证。验证结果表明,该方法对铁路机车车号的定位检测精度为99.44%,检测速度为50帧/s,能够应对非限制场景下的机车车号定位检测需求。

基于图像的铁路货车车号定位与识别

针对铁路货车车号特征,提出一种基于图像处理的车号定位与识别方法.该方法首先对车号区域图像进行预处理并粗定位出车号区域,然后采用改进的Soble算子边缘检测技术与投影法和铁路货车车号先验知识相结合对车号区域进行精确定位,最后通过对字符进行分割和归一化处理,在粗网格特征提取字符特征的基础上采用模板匹配法快速实现了车号识别.实验结果表明,该方法对铁路货车各种车型车号区域定位和识别具有较高的准确率.

一种新的货运列车车号定位方法

货运列车车号定位是车号识别的关键步骤,在铁路货运物流管理方面有重要意义。为了适应室外复杂环境下的货运列车车号定位,对图像进行了图像增强处理,进行了二值化。对二值图进行形态学处理和连通域滤波,获得车号候选区域,利用水平投影法和连通域分析定位各块车号的大致位置,采用扫描线精确定位每部分车号。实验结果表明,对于不同的车型是鲁棒的,并且定位的准确率达到97%以上,基本满足了实际应用的需要。

面向铁路货车车号定位的Faster R-CNN卷积神经网络

为了解决传统算法对于铁路货运列车车号识别准确率不高问题,提出了一种面向铁路货车车号定位的Faster R-CNN神经网络。通过调整特征提取网络的相关尺寸参数及连接方式增强了最后一层卷积特征图的细节特征。并采用k-means++聚类算法求取车号区域长宽比改进anchor尺寸设计,使目标检测框与实际车号区域更加贴合。实验过程中,采用了数据增广、dropout方法提升网络的鲁棒性。结果显示,改进Faster R-CNN网络在铁路货车车号定位精度达到了93.15%,召回率90.76%,综合F1指标91.94%,也说明该方法能够对铁路货车车号准确定位,并为车号识别过程提供可靠的数据支持。

视觉注意力机制在货运列车车号定位中的应用

为了定位货运列车车厢上的车号信息,提出并实现一种基于视觉注意力机制的定位新方法.该方法利用眼动跟踪技术获取真实眼动数据,结合提炼的车厢图像显著特征,建立车号注意力机制模型,并利用该模型预测车号显著区域,最后采用图像处理技术完成车号区域的分析定位.实验表明,相比传统基于灰度的处理方法,该算法更能适应不同光照条件下各类车厢的车号定位,具有更好的鲁棒性和普适性.

基于数学形态学与投影法的高速列车车号定位研究

目前对高速列车车号定位与识别的研究还比较少,为了快速准确地定位出高速列车车号,提出了一种基于数学形态学和投影法的高速列车车号快速定位方法。对采集的高速列车车号图像进行灰度化、图像增强、图像去噪、二值化、滤波处理、数学形态学、投影法等一系列运算,将高速列车车号图像分割为多个独立的连通区域;根据高速列车车号区域面积的变化范围,排除较小和较大的非车号区域,标记剩下的区域,对车号进行粗定位;应用投影法对粗定位车号区域进行处理,获得精确车号位置。结果表明,该方法具有准确率高、速度快、鲁棒性好的特点。

基于图像处理的铁路货车车号定位与识别方法

对于铁路货车车号的特征,本文给出了一种基于图像处理的铁路货车车号定位与识别方法。其先是对车号位置图像实现预处理并粗定位出车号位置,接着应用改进的Soble算子进行边缘检测与投影法以及铁路货车车号先验知识相结合对车号区域实现了精准定位,最终应用模板匹配法快速实现了对车号的识别。最后的实验结果证明,这一方法对铁路货车各类车型车号区域定位以及识别都有着很高的准确率。

面向多复杂场景环境的敞车车号辨识研究

针对现有敞车车号定位识别方法存在的环境适应性差、定位和识别精度低的问题,本文提出一种面向多种复杂环境下的敞车车号精准定位和识别的方法。搭建融合多尺度特征信息的敞车车号定位模型框架,在此基础上,融合多尺度金字塔特征进行深度可分离卷积的敞车车号特征提取网络设计。提出基于改进卷积循环神经网络的车号定位识别模型,主要针对识别网络模型结构进行设计。通过不同环境下采集的敞车车厢图片对本文提出的方法进行验证。结果表明:本文提出的车号定位方法的准确率为0.94,车号识别的准确率为0.97。

基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法

精准识别铁路车号可以为煤厂装车提供依据,从而保证装车环节高效顺利地完成。为此,提出了基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法。首先,利用高速摄像机设备采集原始的车号图像,并利用索贝尔算子检测图像边界;然后,根据列车车号的字体笔画宽度特点,采笔画宽度变换算法定位确定图像中的车号区域,并利用LBP算法提取车号区域内的特征;最后,将提取的特征输入到深度信任网络模型中,在训练网络模型并不断更新参数后,准确识别车号图像。实验表明:该方法能够精准识别乌东选煤厂铁路列车车号图像。在深度信任网络模型中,当受限玻尔兹曼机网络为4层、隐含层节点个数为128个时,该模型的分类识别能力最强,训练损失最小,性能最佳。

面向精确定位的列车车号文本定位与识别

针对现有文本定位方法应用于列车车号易出现定位边界不紧凑、面积占比小的车号漏检率高的问题,提出一种面向小尺度目标精确定位的列车车号定位与识别方法.其基于CTPN改进,在文本定位阶段,首先采用VGG16网络提取特征并融合多尺度的特征图,以利于定位小车号区域;其次采用区域建议网络生成候选区域,对其进行分类回归,分类过程设计了困难样本挖掘策略,即保留只包含半个数字的正样本,回归过程设计了边界敏感的细粒度文本框回归策略,以确保水平边界紧凑;最后连接候选区域,输出定位结果.文本识别阶段采用基于注意机制的文本识别方法.通过在Caffe环境验证车号检测数据集,结果表明,车号定位方法相对经典的文本定位方法提高0.11,车号整体识别F1分数为0.81.

一种新的货运列车车号区域定位算法

准确定位货运列车车号字符区域是列车车号识别的必要前提,传统的基于图形处理的车号定位算法,在车厢图像中车厢车号区域光照阴影,煤炭污渍,轻微遮挡等情况下存在难以准确定位的问题。本文提出了一种新的货运列车车号区域定位算法,用大量样本数据基于深度学习框架训练车号区域定位模型,并经过试验证明该算法定位准确率可以达到95.44%。

基于图像处理的城轨列车车号识别系统

针对现有射频识别标签易脱落损坏导致丢失车号的问题,提出了基于图像处理的城轨列车车号识别系统。利用工业相机拍摄城轨列车侧面车号,再采用加速稳健特征算法和变换不变低秩纹理方法对拍摄到的图片进行车号定位、校正、分割操作,利用Visual Geometry Group-16(VGG-16)网络模型对分割好的车号字符进行识别。试验结果表明,该系统具有鲁棒性好、识别准确率高等特点,能够满足城轨列车车号获取的要求。

列车车号视频识别系统

数字图像识别技术正成为当前全球的热门话题,将图像识别技术成功地运用到实践中意义重大。文中针对现有货运列车车号识别系统的不足,提出了基于计算机视觉技术的货运列车车号识别的新方法。给出了系统的硬件组成与软件总体结构,说明了硬件系统设计和设备选型的方法;阐述了车号区域定位、车号字符分割与车号识别等关键技术的实现方法。软件模型由C#编程实现,实验结果表明该系统能够自动判断火车到达与离开,能采集清晰的图像,并实现列车车号的自动识别,准确地输出车号识别结果。

列车车号识别综述

依据列车车号识别的一般步骤,分别对列车车号定位、列车车号字符分割和列车车号识别当中所运用的技术方法展开了论述,并对该方法下的实验结果进行了表述。首先论述了基于多种方法相结合的列车车号定位方法和基于深度学习的列车车号定位方法;其次论述了基于投影法的列车车号字符分割方法和基于连通域分析法的列车车号字符分割方法;然后论述了基于模板匹配、BP神经网络、支持向量机、卷积神经网络和循环神经网络的列车车号识别方法;最后对影响列车车号识别的若干因素进行了说明以及对新的、更优的列车车号识别方法进行了展望。

一种基于时空相关分析的货运列车车号识别方法研究

提出一种基于时空相关分析的货运列车车号识别方法,该方法包括车号定位、片段聚类与车号识别3部分。基于连通体分析技术,提出利用货运列车车号字符间特定的几何比例关系有效地定位车号区域;在车号定位基础上,利用视频序列时空冗余信息建立帧信息补正模型,对部分定位错误帧图像进行补正并通过片段聚类方法将包含相同内容的车号视频序列进行切分;利用概率神经网络训练车号联合识别决策器,对可能包含同一车号的多帧图像进行联合识别,有效提高车号识别的准确率。通过在实际货运列车视频数据集上进行测试验证,本文算法对所有帧图像的平均车号识别准确率高于90%,优于传统基于静态图像处理的车号识别方法。