楊世鳳，張 旺，張立洲，郭忠吉，王慧聰

(天津科技大學(xué)電子信息與自動化學(xué)院，天津300222)

隨著人工智能、計(jì)算機(jī)等相關(guān)技術(shù)的快速發(fā)展，世界各國逐漸將其應(yīng)用于鐵路運(yùn)輸行業(yè)．提高鐵路運(yùn)輸效率、加強(qiáng)鐵路運(yùn)行安全、提高智能化服務(wù)已經(jīng)成為當(dāng)今社會發(fā)展趨勢[1]．因此，高速鐵路的安全運(yùn)行已成為鐵路智能化發(fā)展的熱點(diǎn)．動車組的智能化管理系統(tǒng)與維護(hù)已成為鐵路運(yùn)行安全的重要保障，且動車組車號是準(zhǔn)確追蹤動車位置的信息基礎(chǔ)[2]．

傳統(tǒng)人工抄寫列車車號效率低下，已不能滿足鐵路高速發(fā)展的需求，信息化智能化管理識別動車車號已成為趨勢．目前國內(nèi)外列車識別主要分為兩種：一種是基于機(jī)器視覺的圖像識別方法，即對攝像機(jī)采集的車號區(qū)域進(jìn)行圖像處理、識別；另一種是 RFID方法(radio frequency identification，RFID)，即地面標(biāo)簽讀取設(shè)備(AEI)讀取每列列車上的電子標(biāo)簽，獲取列車信息[3-5]．由于 RFID方法識別列車車號所需的設(shè)備昂貴，并且存在射頻標(biāo)簽不完善導(dǎo)致識別率低下的問題[6]，因此采用機(jī)器視覺技術(shù)對圖像進(jìn)行識別，既可以消除人工抄寫記錄車號所產(chǎn)生的弊端，又可以避免RFID方法產(chǎn)生的問題[7]．

NI具有支持各種工業(yè)與科學(xué)相機(jī)、擴(kuò)展軟件降低應(yīng)用開發(fā)和維護(hù)成本、支持各種工業(yè)協(xié)議、廣泛的機(jī)器視覺硬件選擇以及豐富的函數(shù)庫選擇等特征，NI的IMAQ Vision函數(shù)庫為圖像處理提供了完整的應(yīng)用功能，具有高性能且簡便易用特點(diǎn)．因此，本文采用 NI公司的 LabVIEW 軟件作為開發(fā)平臺，調(diào)用IMAQ專業(yè)控件及Vision Assistant函數(shù)庫，提出一種基于LabVIEW和IMAQ的動車車號識別系統(tǒng)．

1 動車車號識別系統(tǒng)組成

動車車號識別系統(tǒng)包含硬件數(shù)據(jù)采集與軟件圖像識別．硬件數(shù)據(jù)采集是指硬件設(shè)備對過往動車各車節(jié)車廂的列車信息進(jìn)行數(shù)據(jù)采集與分析；圖像識別是指采用虛擬軟件對采集的圖像預(yù)處理、車號定位、字符分割與字符識別，最后完成動車車號的智能化識別系統(tǒng)，系統(tǒng)整體框圖如圖1所示．

圖1 硬件采集系統(tǒng)Fig. 1 Hardware acquisition system

車位識別系統(tǒng)包含ZR新型車輪傳感器與STM32微型處理技術(shù)，當(dāng)列車經(jīng)過時，將列車車速與車輪信息轉(zhuǎn)換成輪對間距，根據(jù)軸距表或雙轉(zhuǎn)向架對稱算法，查出車輛信息并發(fā)出列車順位等控制命令，同時觸發(fā)線陣相機(jī)PCI-1429采集卡，控制采集頻率[8]．

2 圖像處理與識別

由于采集的圖像中無模式匹配的參照物，因此圖像的定位會出現(xiàn)不定性因素，采集的原始圖像如圖 2所示．該系統(tǒng)的難點(diǎn)在于圖像二值化算法的選擇與閾值的設(shè)定，動車車號在圖像中的準(zhǔn)確定位、分割與提取，以及車號字符識別．

圖2 原始圖像Fig. 2 Original image

2.1 圖像預(yù)處理

全局自動閾值是計(jì)算整個圖像中的灰度值，然后強(qiáng)調(diào)二值化的閾值，而局部閾值是根據(jù)當(dāng)前像素點(diǎn)周圍領(lǐng)域的灰度值來計(jì)算合適的閾值．因此，在一些照明不均勻的機(jī)械視覺與圖像處理環(huán)境中，使用局部閾值要比手動閾值或自動閾值效果好．圖像二值化執(zhí)行結(jié)果如圖3所示．

圖3 二值化圖像(局部圖)Tab. 3 Binary image(local graph)

組內(nèi)方差算法為自動閾值，其閾值取值比較接近灰度級的中間水平，處理之后的圖像目標(biāo)和噪點(diǎn)都比較容易突出，計(jì)算量小；而NIblack算法在高像素、背景區(qū)域不均勻的圖像中，分割處理容易生成噪點(diǎn)，目標(biāo)區(qū)域明顯，迭代計(jì)算復(fù)雜[9]．針對組內(nèi)方差和NIblack算法產(chǎn)生的問題，本文提出了背景校正算法，該算法結(jié)合圖像分割中的局部和全局閾值的方法，擁有計(jì)算速度不依賴于窗口大小的優(yōu)點(diǎn)[10]，算法流程如圖4所示．

圖4 背景校正算法Tab. 4 Background correction algorithm

背景校正圖像計(jì)算公式為式(1)：

式中：I( i , j)為原始圖像．m ( i , j)為像素點(diǎn)(i , j)的局部閾值，由式(2)得出；T ( i , j)為局部樣品的平均值，k為偏差系數(shù)，ω( i , j)為方差．偏差系數(shù)k的最優(yōu)解由計(jì)算式(3)獲得．

經(jīng)研究表明，針對不均勻的照明，窗口尺寸越小，圖像細(xì)分的越細(xì)，但噪聲更為敏感，圖像處理速度慢，因此將窗口大小設(shè)置為 2倍的動車車號尺寸，效果最佳．當(dāng)窗口尺寸 k為 800×200時，圖像二值化效果最佳，如圖5所示，程序如圖6所示．

圖5 二值化局部圖Tab. 5 Binary local graph

圖6 背景校正程序框圖Tab. 6 Background correction flow diagram

2.2 動車車號粗定位與裁剪

對采集的圖像進(jìn)行粒子分析，眾多數(shù)據(jù)分析表明：動車車號集中在圖像像素在(430，560)區(qū)域，運(yùn)用 Bounding react top算法去除區(qū)間外圖像以及區(qū)間外黏連在區(qū)間內(nèi)的圖像；基本形態(tài)學(xué)膨脹與腐蝕算法結(jié)合使用，清除圖像中的殘余干擾源；高級形態(tài)學(xué)去除小目標(biāo)像素，確保處理的圖像中只保存車號部分，進(jìn)而確定動車車號在圖像中的位置[11]．基本形態(tài)學(xué)膨脹運(yùn)算公式見式(7)，基本形態(tài)學(xué)腐蝕運(yùn)算公式見式(8)．

式中： f( i , j)為原始圖像，g ( i , j)為結(jié)構(gòu)元素，預(yù)處理之后的圖像如圖7所示．

圖7 動車車號粗定位圖Tab. 7 Rough location of train number

除首尾列車車節(jié)，采集的車節(jié)圖像均包含兩個動車車號，采用IVA Coordinate System Manager 2.vi函數(shù)定位原圖中車號的位置，并將其在原圖中裁剪提取，結(jié)果如圖8所示，裁剪程序如圖9所示．

圖8 原始圖像中裁剪的動車車號Tab. 8 Train number clipped from original image

圖9 動車車號裁剪程序框圖Tab. 9 Train number clipping

2.3 邊緣檢測算法

由于裁剪出的車號圖像存在干擾源且圖像邊界與背景色區(qū)分不明顯，因此采用邊緣檢測-拉普拉斯濾波器進(jìn)行圖像濾波，以鞏固邊緣、減少誤差．該算法主要應(yīng)用于提取輪廓和輪廓細(xì)節(jié)，公式模式是adcd×bcda，如圖10所示；其中：a、b、c、d為整數(shù)，x為一個大于周圍系數(shù)絕對值之和的一個值，即．濾波之后圖像清晰，同時高亮顯示所有光強(qiáng)有顯著變化的地方[12]，如圖11所示．

圖10 邊緣檢測-拉普拉斯濾波器算法Tab. 10 Edge detection-Laplace filter

圖11 邊緣檢測濾波圖Tab. 11 Edge detection filter

濾波之后的圖像再次運(yùn)用背景校正對圖像進(jìn)行二值化；高級形態(tài)學(xué)算法去除接觸邊界粒子與去除小目標(biāo)粒子，得清晰的車號圖，如圖12所示．

圖12 二值化車號圖片Tab. 12 Binary image of train number

2.4 字符間距分割算法

車號識別不需要漢字，因此采用改進(jìn)的投影法和最大間距算法將數(shù)字、英文字符與漢字區(qū)分開[13]．投影法是字符在投影圖上都有相應(yīng)的投影模塊[14]．改進(jìn)的投影算法對圖像進(jìn)行垂直投影與水平投影，并結(jié)合字符最大間距算法，提出字符間距分割算法[15]，進(jìn)而從原圖中將動車車號裁切而出，分割提取如圖 13所示，字符間距分割算法流程如圖14所示．

圖13 類型不同的車號Tab. 13 Different types of train number

圖14 字符間距分割算法Tab. 14 Character spacing segmentation algorithm

2.5 字符識別

在進(jìn)行字符識別之前，需要對識別的字符進(jìn)行訓(xùn)練，創(chuàng)建字符數(shù)據(jù)庫．采用 IMAQ OCR Read Text 3.VI函數(shù)對字符進(jìn)行識別，粗定位的車號經(jīng)字符間距分割算法，已無其他干擾源．因此，將 ROI區(qū)域直接為提取圖像的大小，經(jīng) OCR字符識別，最終以字符串的形式識別出來，程序如圖15所示．

圖15 OCR字符識別程序Tab. 15 Binary local graph

3 智能動車識別界面及實(shí)驗(yàn)結(jié)果

動車車號自動識別系統(tǒng)包含狀態(tài)監(jiān)控、傳感器通信檢測、報警監(jiān)控、遠(yuǎn)程調(diào)控、模擬與真實(shí)過車、查看歷史與生成報表等，將列車車速、車節(jié)、圖像等各種信息進(jìn)行數(shù)據(jù)存儲與實(shí)時顯示，軟件界面如圖 16所示．

圖16 動車信息采集界面Tab. 16 Interface recognition system

對運(yùn)動速度在 10～150km/h的動車，采用線陣CCD相機(jī)對其進(jìn)行線陣掃描，采集圖像，經(jīng)過對8056個采集的圖像進(jìn)行自動化智能識別，統(tǒng)計(jì)結(jié)果見表 1．測試結(jié)果表明，此系統(tǒng)運(yùn)行穩(wěn)定，滿足了動車智能化和動車安全提出的識別車號與車速等設(shè)計(jì)要求，達(dá)到了預(yù)期的目的．

表1 字符識別準(zhǔn)確率統(tǒng)計(jì)表Tab. 1 Statistical table of character recognition accuracy

4 結(jié) 語

針對動車車號識別技術(shù)現(xiàn)有問題，本研究提出一種基于 LabVIEW 和 IMAQ的動車車號自動識別系統(tǒng)．實(shí)驗(yàn)結(jié)果表明：該方法有效，系統(tǒng)穩(wěn)定性可靠，能夠自動識別過往動車車號并將動車車速、車節(jié)等詳細(xì)信息進(jìn)行顯示與存儲．但該方法不具備普遍性，只適用識別動車車號，還需要深度研究便于移植，以適用于各類列車．