基于深度学习的铁路货车车号识别

【摘要】：为保证电气化铁路的安全稳定运行,需加强铁路运输系统的管理,而铁路货车车号的准确记录是实现运输系统有效管理的重要前提。目前铁路列车所携带的电子标签,能够扫描和识别车号,但电子标签存在遗失、复制、假冒、阻塞等隐患,使电子标签不能成为真实可靠的车号识别方式。因此,本文提出以图像识别铁路货车车号为研究目标,来辅助验证电子标签的识别结果。本文基于深度学习,设计一个铁路货车车号自动识别系统,该系统包括图像预处理、利用深度学习网络实现车号字符定位与识别,以及识别后处理等部分。具体内容如下:(1)提出一种增强原车号图像对比度的预处理方法,解决了因照明不足造成图像亮度低的问题。将原图像的RGB颜色空间转换为YCb Cr颜色空间,提取该空间的Y亮度分量进行限制对比度的自适应均衡化,进而提高目标信息与背景之间的对比度,之后转换回RGB颜色空间,得到增强的图像。(2)应用YOLOv3目标定位算法,实现车号字符所在目标区域的定位。根据车号图像数据样本,对YOLOv3的锚点框大小及数量进行改进,经过多次调整训练,得到适用于铁路货车车号字符定位的YOLOv3网络。(3)设计一个卷积神经网络模型,实现车号字符的识别功能。将标注的车号字符图像样本,放入卷积神经网络中进行训练,得到货车车号字符的识别网络。在测试阶段,将货车车号图像定位出的字符图像,输入到该网络进行自动识别。(4)在识别后处理中,针对车号字符的漏检情况,提出一种缺失字符的侦测算法。根据定位出的车号字符与车号行,以及相邻字符框之间的关系,筛选字符定位结果中出现漏检的情况,进行字符增补,改善字符漏检,提高系统的整体识别率。本文对987张车号图像进行实验,得到90.65%的整体辨识率。与目前相关文献提出的Faster R-CNN、CTPN和BP等货车车号定位识别方法进行测试对比分析,表明本货车车号识别系统具有较高的准确度。此外,本文对于系统的每个处理结果,均列出详细的实验数据。