一種適用于軌道沿線復(fù)雜場景下的桿號定位和識別方法
【專利摘要】本發(fā)明涉及一種適用于軌道沿線復(fù)雜場景下的桿號定位和識別方法，本發(fā)明首先對采集軌道沿線的場景圖像進行縮小和中值濾波的預(yù)處理，然后用維數(shù)較大的sobel濾波器尋找邊緣，再通過霍夫變換檢測最強邊緣，即確定電線桿的位置，然后利用號碼牌共生矩陣紋理特征，將數(shù)字區(qū)域具體定位出來；接著進行桿號的數(shù)字識別，將圖像進行濾波、二值化和分割得到每個數(shù)字圖像的64維特征，用訓(xùn)練模型進行識別，并在號碼牌識別完成以后，會對所有識別結(jié)果進行重新處理，根據(jù)號碼牌所特有的性質(zhì)，進行號碼牌自校正，通過自校正，使得號碼牌的識別率得到90%以上。
【專利說明】 一種適用于軌道沿線復(fù)雜場景下的桿號定位和識別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種適用于軌道沿線復(fù)雜場景下的桿號定位和識別方法。

【背景技術(shù)】
[0002]隨著鐵路總體規(guī)模的不斷提高，速度不斷加快，運行間隔不斷縮短，導(dǎo)致了鐵路的安全性越來越重要，檢測任務(wù)越來越重。傳統(tǒng)的靠人工沿線檢查的方式已經(jīng)遠遠不能適應(yīng)鐵路的快速發(fā)展，而使用機器視覺已經(jīng)是大勢所趨。
[0003]為確保聞速鐵路運營秩序，提聞供電安全性、可罪性，鐵道部構(gòu)建了聞速鐵路供電安全檢測監(jiān)測系統(tǒng)(6C系統(tǒng))，以下統(tǒng)稱6C系統(tǒng)。其目的是對高速鐵路的牽引供電系統(tǒng)進行全方位、全覆蓋的綜合檢測監(jiān)測，主要功能包括對高速接觸網(wǎng)懸掛參數(shù)和弓網(wǎng)運行參數(shù)的檢測，對接觸網(wǎng)懸掛、腕臂結(jié)構(gòu)、附屬線索和零部件的檢測，對接觸網(wǎng)參數(shù)的實時檢測，對動車組受電弓滑板狀態(tài)及接觸網(wǎng)特殊斷面和地點的實時監(jiān)測，對接觸網(wǎng)運行參數(shù)和供電設(shè)備參數(shù)的實時在線檢測等，為高鐵供電設(shè)備的安全運行、運行狀態(tài)和參數(shù)的綜合分析、設(shè)備的維修提供技術(shù)依據(jù)。桿號識別系統(tǒng)的適用范圍是指系統(tǒng)是否可以在不同的成像條件下正常運行。比較常見的因素有天氣條件是否惡略，自然光線是否充足，桿號樣式是否一致等等。一般來說機器視覺系統(tǒng)都是在室內(nèi)進行，鮮有室外。室外的困難在于，天氣情況不可控，環(huán)境光線不可控。除此之外，桿號與相機距離不固定，桿號樣式不固定等都增加了機器識別的難度。目前市場上尚未發(fā)現(xiàn)有桿號識別的相關(guān)軟件產(chǎn)品，鐵路局對桿號的識別只能通過人工對成千上萬的圖片進行識別。人工檢測效率低，內(nèi)容枯燥，容易疲憊，檢測結(jié)果受人工影響比較大。常見的目標定位主要有車牌定位，但是車牌定位時背景一般為地面，且車牌自身顏色比較特別，在桿號識別技術(shù)中，桿號定位是至關(guān)重要的一步。這是因為在自然場景中，背景復(fù)雜多樣，對桿號的定位就變得異常困難。


【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是提供一種適用于軌道沿線復(fù)雜場景下的桿號定位和識別方法，以解決目前桿號定位和識別中分別存在的定位困難和識別效率低的問題。
[0005]本發(fā)明為解決上述技術(shù)問題而提供一種適用于軌道沿線復(fù)雜場景下的桿號定位方法，該定位方法包括以下步驟:
[0006]1)采集軌道沿線的場景圖像，并對采集的場景圖像進行預(yù)處理，使圖像便于分割和識別；
[0007]2)對預(yù)處理后的圖像進行邊緣提取，確定電線桿區(qū)域；
[0008]3)利用號碼牌共生矩陣紋理特征，將桿號的數(shù)字區(qū)域定位出來。
[0009]所述步驟1)中的預(yù)處理包括圖像縮放和濾波兩個步驟，其中圖像縮放是根據(jù)圖像中電線桿的寬度進行縮放。
[0010]所述步驟2)包括以下步驟:
[0011]A.對預(yù)處理后的圖像進行邊緣提??；
[0012]B.采用霍夫變換求取所提取邊緣的最大直線，并計算直線角度；
[0013]C.根據(jù)所求最大直線的位置反推到初始采集圖像位置，以所求直線為中心，左右各擴展一倍電線桿寬度，得到初步電線桿區(qū)域；
[0014]D.將步驟C中得到圖像按照步驟計算的角度進行旋轉(zhuǎn)，使電線桿在圖像中處于豎直方向；
[0015]E.根據(jù)數(shù)值投影用局部極大值確定電線桿的左邊緣和右邊緣，左右邊緣之間的區(qū)域稱之為電線桿區(qū)域。
[0016]所述步驟3)中的共生矩陣表示的是兩個位置的像素聯(lián)合概率密，用于反應(yīng)圖像灰度關(guān)于方向、相鄰間隔和變化幅度的綜合信息，f(x, y)為一幅二維數(shù)字圖象，其大小為MXN，灰度級別為Ng，則滿足一定空間關(guān)系的灰度共生矩陣為:
[0017]P(i, j)=# { (xl, yl), (x2, y2) e MXN | f (xl, yl)=i, f (x2, y2)=j }
[0018]其中#(x)表示集合x中的元素個數(shù)，P為NgXNg的矩陣，若(xl，yl)與(x2，y2)間距離為d，兩者與坐標橫軸的夾角為Θ，各種間距及角度的灰度共生矩陣P(i，j, d，θ )。
[0019]本發(fā)明為解決上述技術(shù)問題還提供了一種適用于軌道沿線復(fù)雜場景下的桿號識別方法，該識別方法包括以下步驟:
[0020]1)采集軌道沿線的場景圖像，并對采集的場景圖像進行預(yù)處理，使圖像便于分割和識別；
[0021]2)對預(yù)處理后的圖像進行邊緣提取，確定電線桿區(qū)域；
[0022]3)利用號碼牌共生矩陣紋理特征，將桿號的數(shù)字區(qū)域定位出來；
[0023]4)將定位出來的數(shù)字圖像進行濾波、二值化和分割得到每個數(shù)字圖像的64維特征，用訓(xùn)練模型進行識別，確定桿號。
[0024]所述的識別方法還包括對所識別出的桿號進行自校正的步驟，該步驟根據(jù)人工確定的起始桿號生成正確的桿號序列，然后與實際識別出的桿號進行匹配，對于實際中漏掉的桿號進行插值，并推算出漏檢桿號對應(yīng)的幀數(shù)。
[0025]所述步驟1)中的預(yù)處理包括圖像縮放和濾波兩個步驟，其中圖像縮放是根據(jù)圖像中電線桿的寬度進行縮放，使縮放后的電線桿寬度為。
[0026]所述步驟2)包括以下步驟:
[0027]A.對預(yù)處理后的圖像進行邊緣提?。?br> [0028]B.采用霍夫變換求取所提取邊緣的最大直線，并計算直線角度；
[0029]C.根據(jù)所求最大直線的位置反推到初始采集圖像位置，以所求直線為中心，左右各擴展一倍電線桿寬度，得到初步電線桿區(qū)域；
[0030]D.將步驟C中得到圖像按照步驟計算的角度進行旋轉(zhuǎn)，使電線桿在圖像中處于豎直方向；
[0031]E.根據(jù)數(shù)值投影用局部極大值確定電線桿的左邊緣和右邊緣，左右邊緣之間的區(qū)域稱之為電線桿區(qū)域；
[0032]F.對確定的電線桿區(qū)域進行共生矩陣計算，找到紋理特征最相近的區(qū)域。
[0033]所述步驟3)中的桿號識別包括以下步驟:
[0034]a.采集圖像的桿號區(qū)域進行整理，作為訓(xùn)練樣本；
[0035]b.對圖像進行二值化處理；
[0036]c.將二值化后的圖像進行水平投影，切割出每個數(shù)字圖像；
[0037]d.將切割出來的每個數(shù)字圖像縮放成8*8大小，提取64維特征，用訓(xùn)練模型進行識別。
[0038]所述步驟d中的訓(xùn)練模型是通過離線訓(xùn)練得到，所述離線訓(xùn)練包括以下步驟:
[0039]a)采集圖像的桿號區(qū)域圖像進行人工整理，作為訓(xùn)練樣本；
[0040]b)采用最大類間方差法將圖進行二值化；
[0041]c)將二值化的圖像進行水平投影，切割出每個數(shù)字圖像，搜集0-9共10類數(shù)字圖像；
[0042]d)將切割出來的10類數(shù)字圖像縮放成8*8大小，提取64維特征，通過支持向量機對特征進行訓(xùn)練，得到每個數(shù)字的訓(xùn)練模型。
[0043]本發(fā)明的有益效果是:本發(fā)明采集軌道沿線的場景圖像，首先對整張圖像進行縮小和中值濾波的預(yù)處理，然后用維數(shù)較大的sobel濾波器尋找邊緣，再通過霍夫變換檢測最強邊緣，即確定電線桿的位置，然后利用號碼牌共生矩陣紋理特征，將數(shù)字區(qū)域具體定位出來；接著進行桿號的數(shù)字識別，將圖像進行濾波、二值化和分割得到每個數(shù)字圖像的64維特征，用訓(xùn)練模型進行識別，并在號碼牌識別完成以后，會對所有識別結(jié)果進行重新處理，根據(jù)號碼牌所特有的性質(zhì)，進行號碼牌自校正，通過自校正，使得號碼牌的識別率得到90%以上。

【專利附圖】

【附圖說明】
[0044]圖1是本發(fā)明的適用于軌道沿線復(fù)雜場景下桿號識別方法的流程圖；
[0045]圖2是本發(fā)明實施例中電線桿區(qū)域與號碼牌區(qū)域的示意圖；
[0046]圖3是本發(fā)明實施例中桿號定位的流程圖；
[0047]圖4是本發(fā)明實施例中桿號識別的流程圖；
[0048]圖5是本發(fā)明實施例中桿號識別的離線訓(xùn)練流程圖；
[0049]圖6是本發(fā)明實施例中桿號識別的在線識別流程圖。

【具體實施方式】
[0050]下面結(jié)合附圖對本發(fā)明的【具體實施方式】作進一步的說明。
[0051]本發(fā)明的一種適用于軌道沿線復(fù)雜場景下桿號定位方法的實施例
[0052]本發(fā)明首先采用圖像濾波、形態(tài)學(xué)等手段對圖片進行預(yù)處理，然后依據(jù)邊緣特征以及紋理特征將桿號定位出來，在進行桿號的數(shù)字識別，在整段數(shù)據(jù)識別完成以后，通過后處理提高識別率。整個過程如圖3所示，主要包括以下步驟:
[0053]1.采集軌道沿線的場景圖像，并對采集的場景圖像進行預(yù)處理，使圖像便于分割和識別。
[0054]該預(yù)處理過程首先根據(jù)圖像中電線桿的寬度進行縮放，使縮放后電線桿寬度為10?20即可，一般縮小倍數(shù)為2的整數(shù)倍，由于圖像中背景復(fù)雜，干擾較多，但是電線桿一般寬度比較大，通過縮小(本質(zhì)上是抽取樣本點)，可以達到小的雜質(zhì)消失的效果，因此對提高定位質(zhì)量十分關(guān)鍵；對縮小后的圖像進行中值濾波。
[0055]2.桿號定位
[0056]該步驟包括對與處理后的圖像進行邊緣提取，邊緣提取采用sobel實現(xiàn)，卷積核的大小適當加大；對sobel提取的邊緣，用霍夫變換求取最大直線，并計算直線角度。根據(jù)所求的位置反推到初始采集圖像位置，并以所求直線為中心，左右各擴展一倍電線的桿寬度，得到初步電線桿區(qū)域，即圖像預(yù)處理對圖像的一些處理，只是用來定位電線桿的位置，由于在圖像預(yù)處理的過程中，圖像本身信息丟失巨大，在更精確定位的時候，要采用原始圖像中部分區(qū)域。根據(jù)計算出來的角度進行旋轉(zhuǎn)，將電線桿矯正為豎直方向，在實際圖片采集過程中，由于火車上下顛簸和實際電線桿也有傾斜情況，因此圖片中電線桿的站立角度不一致，需要將其同一旋轉(zhuǎn)到豎直方向。在旋轉(zhuǎn)到豎直方向后，用sobel提取邊緣，用豎直投影用局部極大值得到電線桿的左邊緣和右邊緣，在左右邊緣之間的區(qū)域稱之為電線桿區(qū)域，如圖2所示，電線桿區(qū)域越準確，范圍越小，對后續(xù)號碼牌區(qū)域查找的干擾就越少。
[0057]對通過上述過程得到的圖像進行共生矩陣計算，找到紋理特征最相近區(qū)域，共生矩陣用兩個位置的像素的聯(lián)合概率密度來定義，即反應(yīng)亮度的分布特性，也反映具有同樣亮度或接近亮度的像素之間的位置分布特性，是有關(guān)圖像亮度變化的二階統(tǒng)計特征，它是定義一組紋理特征的基礎(chǔ)，一幅圖像的灰度共生矩陣能夠反映出圖像灰度關(guān)于方向、相鄰間隔和變化幅度的綜合信息，它是分析圖像的局部模式和它們排列規(guī)則的基礎(chǔ)。
[0058]本發(fā)明的一種適用于軌道沿線復(fù)雜場景下桿號識別方法
[0059]本實施例中的識別方法首先采用圖像濾波、形態(tài)學(xué)等手段對圖片進行預(yù)處理，然后依據(jù)邊緣特征以及紋理特征將桿號定位出來，在進行桿號的數(shù)字識別，在整段數(shù)據(jù)識別完成以后，通過后處理提高識別率。整個過程如圖1所示，主要包括以下步驟:
[0060]1.采集軌道沿線的場景圖像，并對采集的場景圖像進行預(yù)處理，使圖像便于分割和識別。
[0061]該預(yù)處理過程首先根據(jù)圖像中電線桿的寬度進行縮放，使縮放后電線桿寬度為10?20即可，一般縮小倍數(shù)為2的整數(shù)倍，由于圖像中背景復(fù)雜，干擾較多，但是電線桿一般寬度比較大，通過縮小(本質(zhì)上是抽取樣本點)，可以達到小的雜質(zhì)消失的效果，因此對提高定位質(zhì)量十分關(guān)鍵；對縮小后的圖像進行中值濾波。
[0062]2.桿號定位
[0063]該步驟如圖3所示，包括對與處理后的圖像進行邊緣提取，邊緣提取采用sobel實現(xiàn)，卷積核的大小適當加大；對sobel提取的邊緣，用霍夫變換求取最大直線，并計算直線角度。根據(jù)所求的位置反推到初始采集圖像位置，并以所求直線為中心，左右各擴展一倍電線的桿寬度，得到初步電線桿區(qū)域，即圖像預(yù)處理對圖像的一些處理，只是用來定位電線桿的位置，由于在圖像預(yù)處理的過程中，圖像本身信息丟失巨大，在更精確定位的時候，要采用原始圖像中部分區(qū)域。根據(jù)計算出來的角度進行旋轉(zhuǎn)，將電線桿矯正為豎直方向，在實際圖片采集過程中，由于火車上下顛簸和實際電線桿也有傾斜情況，因此圖片中電線桿的站立角度不一致，需要將其同一旋轉(zhuǎn)到豎直方向。在旋轉(zhuǎn)到豎直方向后，用sobel提取邊緣，用豎直投影用局部極大值得到電線桿的左邊緣和右邊緣，在左右邊緣之間的區(qū)域稱之為電線桿區(qū)域，如圖2所示，電線桿區(qū)域越準確，范圍越小，對后續(xù)號碼牌區(qū)域查找的干擾就越少。
[0064]對通過上述過程得到的圖像進行共生矩陣計算，找到紋理特征最相近區(qū)域，共生矩陣用兩個位置的像素的聯(lián)合概率密度來定義，即反應(yīng)亮度的分布特性，也反映具有同樣亮度或接近亮度的像素之間的位置分布特性，是有關(guān)圖像亮度變化的二階統(tǒng)計特征，它是定義一組紋理特征的基礎(chǔ)，一幅圖像的灰度共生矩陣能夠反映出圖像灰度關(guān)于方向、相鄰間隔和變化幅度的綜合信息，它是分析圖像的局部模式和它們排列規(guī)則的基礎(chǔ)。
[0065]一幅圖像的灰度共生矩陣能反映出圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像的局部模式和它們排列規(guī)則的基礎(chǔ)。
[0066]設(shè)f (X，y)為一幅二維數(shù)字圖象，其大小為MXN，灰度級別為Ng，則滿足一定空間關(guān)系的灰度共生矩陣為
[0067]P(i, j)=# { (xl, yl), (x2, y2) e MXN | f (xl, yl)=i, f (x2, y2)=j }
[0068]其中#(x)表示集合x中的元素個數(shù)，顯然P為NgXNg的矩陣，若(xl，yl)與(x2，y2)間距離為d，兩者與坐標橫軸的夾角為Θ，則可以得到各種間距及角度的灰度共生矩陣 P(i，j，d，θ)。
[0069]號碼區(qū)域的紋理特征，需要事先截取大量的號碼牌區(qū)域，進行計算平均而得到。本實例中主要使用共生矩陣的方差和相關(guān)性這兩個特征。
[0070]在進行圖像匹配搜索的時候，首先確定電線桿的寬度，再估計號碼牌區(qū)域的寬度，根據(jù)固定的高寬比，從而將號碼牌區(qū)域高度確定，進一步將d確定，Θ為90。。從左到右，從上到下，依次計算共生矩陣，尋找滿足閾值的地方，將桿號區(qū)域確定。
[0071]3.桿號識別
[0072]該過程包括離線訓(xùn)練和在線識別兩部分，流程圖參見圖4、圖5、圖6。離線訓(xùn)練階段主要包含以下步驟:首先對采集圖像的桿號區(qū)域圖像進行人工整理，作為訓(xùn)練樣本?’然后用最大類間方差法將圖像二值化；接著圖像分割，對圖像進行水平投影，切割出每個數(shù)字圖像，需要搜集0-9共10類數(shù)字圖像；最后對切出來的數(shù)字，把數(shù)字圖像縮放成8*8大小，提取64維特征，通過支持向量機對特征進行訓(xùn)練，得到每個數(shù)字的訓(xùn)練模型。
[0073]在線識別階段主要包含以下步驟:在線識別時，首先進行圖像去噪。通過中值濾波把圖像噪聲去除。然后進行步驟31所述的圖像二值化操作，接著進行步驟31所述的圖像分割操作。最后對切出來的數(shù)字提取步驟31所述的64維特征，用訓(xùn)練模型進行識別。在本實例中，對于識別錯誤的數(shù)字作為樣本，再次訓(xùn)練，更新模型以提高識別率。
[0074]4.后處理
[0075]在正常情況下，桿號之間差2的整數(shù)倍，即同為奇數(shù)或偶數(shù)，桿號的增減性一致，要么遞增，要么遞減，對大量桿號進行統(tǒng)計，得到前段桿號的奇偶性和增減性，將錯誤桿號進行丟棄。本實例中，選擇200個識別結(jié)果。如果篩選后的結(jié)果與篩選前結(jié)果相比，數(shù)量減少巨大，說明該段結(jié)果識別可能存在問題，不進行處理，以防止出錯，在本實例中閾值設(shè)為70%，也就是至少70%的結(jié)果被保留下來才會進行處理。根據(jù)人工確定的起始桿號，自動生成正確的桿號序列。然后與實際檢測到的桿號進行匹配，對于實際中漏掉的桿號，進行插值，并推算出漏檢桿號對應(yīng)的幀數(shù)。匹配的時候，要分情況處理。比如應(yīng)該0126，但是識別結(jié)果為0166。由于結(jié)果相差巨大，所以直接判定識別結(jié)果為錯誤結(jié)果。在本實例中要求兩者相差不超過20。比如應(yīng)該0126，但是識別結(jié)果為0128。出現(xiàn)這種情況時，匹配過程要考慮兩種可能，a)0128是正確的，插入0126b)0128是錯誤的。在分辨這兩種可能的時候，一般需要特殊處理，延后給出判定結(jié)果。也就是還需要對這個結(jié)果后面數(shù)個結(jié)果進行判斷，在本實例中采用15個識別結(jié)果。
[0076]本發(fā)明所提出的適用于軌道沿線復(fù)雜場景下的桿號識別方法，通過巧妙的縮放變換，中值濾波，大濾波核邊緣檢測，霍夫變換直線檢測都一系列方法，快速準確的將電線桿區(qū)域定位。之后在電線桿區(qū)域內(nèi)，通過紋理檢測來尋找具體的號碼牌區(qū)域，這些為號碼牌的識別奠定基礎(chǔ)。在號碼牌識別完成以后，會對所有識別結(jié)果進行重新處理。根據(jù)號碼牌所特有的性質(zhì)，進行號碼牌自校正，通過自校正，使得號碼牌的識別率得到90%以上。
[0077]以上所述僅為本發(fā)明的較佳實施例，并不局限本發(fā)明的專利保護范圍，故舉凡運用本發(fā)明說明書及圖式內(nèi)容所為的等效變化，均同理皆包含于本發(fā)明的權(quán)利保護范圍內(nèi)。
【權(quán)利要求】
1.一種適用于軌道沿線復(fù)雜場景下的桿號定位方法，其特征在于，該定位方法包括以下步驟: 1)采集軌道沿線的場景圖像，并對采集的場景圖像進行預(yù)處理，使圖像便于分割和識別； 2)對預(yù)處理后的圖像進行邊緣提取，確定電線桿區(qū)域； 3)利用號碼牌共生矩陣紋理特征，將桿號的數(shù)字區(qū)域定位出來。
2.根據(jù)權(quán)利要求1所述的適用于軌道沿線復(fù)雜場景下的桿號定位方法，其特征在于，所述步驟I)中的預(yù)處理包括圖像縮放和濾波兩個步驟，其中圖像縮放是根據(jù)圖像中電線桿的寬度進行縮放。
3.根據(jù)權(quán)利要求1所述的適用于軌道沿線復(fù)雜場景下的桿號定位方法，其特征在于，所述步驟2)包括以下步驟: A.對預(yù)處理后的圖像進行邊緣提?。? B.采用霍夫變換求取所提取邊緣的最大直線，并計算直線角度； C.根據(jù)所求最大直線的位置反推到初始采集圖像位置，以所求直線為中心，左右各擴展一倍電線桿寬度，得到初步電線桿區(qū)域； D.將步驟C中得到圖像按照步驟計算的角度進行旋轉(zhuǎn)，使電線桿在圖像中處于豎直方向； E.根據(jù)數(shù)值投影用局部極大值確定電線桿的左邊緣和右邊緣，左右邊緣之間的區(qū)域稱之為電線桿區(qū)域。
4.根據(jù)權(quán)利要求1所述的適用于軌道沿線復(fù)雜場景下的桿號定位方法，其特征在于，所述步驟3)中的共生矩陣表示的是兩個位置的像素聯(lián)合概率密，用于反應(yīng)圖像灰度關(guān)于方向、相鄰間隔和變化幅度的綜合信息，f(x, y)為一幅二維數(shù)字圖象，其大小為MXN，灰度級別為Ng，則滿足一定空間關(guān)系的灰度共生矩陣為:
P(i, j) =# { (xl, yl), (x2, y2) e MXN I f (xl, yl)=i, f (x2, y2)=j } 其中#(x)表示集合X中的元素個數(shù)，P為NgXNg的矩陣，若(xl，yl)與(x2，y2)間距離為d，兩者與坐標橫軸的夾角為Θ，各種間距及角度的灰度共生矩陣p(i，j，d，θ)。
5.一種適用于軌道沿線復(fù)雜場景下的桿號識別方法，其特征在于，該識別方法包括以下步驟: 1)采集軌道沿線的場景圖像，并對采集的場景圖像進行預(yù)處理，使圖像便于分割和識別； 2)對預(yù)處理后的圖像進行邊緣提取，確定電線桿區(qū)域； 3)利用號碼牌共生矩陣紋理特征，將桿號的數(shù)字區(qū)域定位出來； 4)將定位出來的數(shù)字圖像進行濾波、二值化和分割得到每個數(shù)字圖像的64維特征，用訓(xùn)練模型進行識別，確定桿號。
6.根據(jù)權(quán)利要求5所述的適用于軌道沿線復(fù)雜場景下的桿號識別方法，其特征在于，所述的識別方法還包括對所識別出的桿號進行自校正的步驟，該步驟根據(jù)人工確定的起始桿號生成正確的桿號序列，然后與實際識別出的桿號進行匹配，對于實際中漏掉的桿號進行插值，并推算出漏檢桿號對應(yīng)的幀數(shù)。
7.根據(jù)權(quán)利要求5或6所述的適用于軌道沿線復(fù)雜場景下的桿號識別方法，其特征在于，所述步驟I)中的預(yù)處理包括圖像縮放和濾波兩個步驟，其中圖像縮放是根據(jù)圖像中電線桿的寬度進行縮放。
8.根據(jù)權(quán)利要求5或6所述的適用于軌道沿線復(fù)雜場景下的桿號識別方法，其特征在于，所述步驟2)包括以下步驟: A.對預(yù)處理后的圖像進行邊緣提取； B.采用霍夫變換求取所提取邊緣的最大直線，并計算直線角度； C.根據(jù)所求最大直線的位置反推到初始采集圖像位置，以所求直線為中心，左右各擴展一倍電線桿寬度，得到初步電線桿區(qū)域； D.將步驟C中得到圖像按照步驟計算的角度進行旋轉(zhuǎn)，使電線桿在圖像中處于豎直方向； E.根據(jù)數(shù)值投影用局部極大值確定電線桿的左邊緣和右邊緣，左右邊緣之間的區(qū)域稱之為電線桿區(qū)域； F.對確定的電線桿區(qū)域進行共生矩陣計算，找到紋理特征最相近的區(qū)域。
9.根據(jù)權(quán)利要求5或6所述的適用于軌道沿線復(fù)雜場景下的桿號識別方法，其特征在于，所述步驟3)中的桿號識別包括以下步驟: a.采集圖像的桿號區(qū)域進行整理，作為訓(xùn)練樣本； b.對圖像進行二值化處理； c.將二值化后的圖像進行水平投影，切割出每個數(shù)字圖像； d.將切割出來的每個數(shù)字圖像縮放成8*8大小，提取64維特征，用訓(xùn)練模型進行識別。
10.根據(jù)權(quán)利要求9所述的適用于軌道沿線復(fù)雜場景下的桿號識別方法，其特征在于，所述步驟d中的訓(xùn)練模型是通過離線訓(xùn)練得到，所述離線訓(xùn)練包括以下步驟: a)采集圖像的桿號區(qū)域圖像進行人工整理，作為訓(xùn)練樣本； b)采用最大類間方差法將圖進行二值化； c)將二值化的圖像進行水平投影，切割出每個數(shù)字圖像，搜集0-9共10類數(shù)字圖像； d)將切割出來的10類數(shù)字圖像縮放成8*8大小，提取64維特征，通過支持向量機對特征進行訓(xùn)練，得到每個數(shù)字的訓(xùn)練模型。
【文檔編號】G06K9/54GK104298993SQ201410010810
【公開日】2015年1月21日 申請日期:2014年1月9日 優(yōu)先權(quán)日:2014年1月9日
【發(fā)明者】張晨民, 趙慧琴, 彭天強 申請人:鄭州金惠計算機系統(tǒng)工程有限公司