用于動(dòng)車組故障檢測(cè)的車號(hào)識(shí)別算法

方 凱

（中國(guó)鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

用于動(dòng)車組故障檢測(cè)的車號(hào)識(shí)別算法

方 凱

（中國(guó)鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

列車車號(hào)是其身份的唯一標(biāo)識(shí)，動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TEDS）根據(jù)列車車號(hào)在圖像庫(kù)中找尋該列車拍攝的歷史圖像，以其比對(duì)現(xiàn)場(chǎng)采集圖像，從而實(shí)現(xiàn)對(duì)運(yùn)行列車狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。然而動(dòng)車組目前尚未安裝射頻識(shí)別電子標(biāo)簽，鑒于此，利用視頻分析技術(shù)對(duì)動(dòng)車組車號(hào)圖像進(jìn)行自動(dòng)識(shí)別成為亟需解決的問(wèn)題。文章提出一種基于語(yǔ)義共生概率的模板匹配算法對(duì)車號(hào)字符進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，本算法對(duì)車號(hào)的識(shí)別正確率和有效性滿足鐵路總公司的相關(guān)要求，保障了TEDS的工作效果。

動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)；車牌定位分割；模板匹配；車號(hào)識(shí)別

高速鐵路已成為當(dāng)今旅客出行的重要交通工具，如何實(shí)時(shí)監(jiān)測(cè)高速鐵路動(dòng)車組的運(yùn)行安全顯得尤為重要。現(xiàn)有的監(jiān)控方式為入庫(kù)地溝式靜態(tài)監(jiān)控，缺乏運(yùn)行過(guò)程中的動(dòng)態(tài)監(jiān)控，這將導(dǎo)致動(dòng)車組可能長(zhǎng)距離帶病行進(jìn)，從而增加事故發(fā)生的概率。高速行進(jìn)中的動(dòng)車，其關(guān)鍵部件易受到石塊等異物的強(qiáng)力撞擊，加之由于長(zhǎng)期承受傳動(dòng)力及制動(dòng)力，其螺栓可能發(fā)生不同程度的松動(dòng)，因此行進(jìn)中的動(dòng)態(tài)監(jiān)控對(duì)于保障動(dòng)車運(yùn)營(yíng)安全起到至關(guān)重要的作用。鑒于此，鐵路部門提出了動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TEDS，Trouble of moving EMU Detection System）[1～3]。該系統(tǒng)需要通過(guò)車輛的車號(hào)標(biāo)識(shí)和索引，在列車圖像庫(kù)中找尋其歷史圖像，實(shí)現(xiàn)圖像異常分析和預(yù)警。然而，目前動(dòng)車組并未安裝射頻識(shí)別電子標(biāo)簽，很難自動(dòng)依據(jù)列車車號(hào)尋找其相應(yīng)的歷史列車圖像。鑒于此，利用視頻分析技術(shù)對(duì)動(dòng)車組車號(hào)圖像進(jìn)行動(dòng)識(shí)別成為亟需解決的問(wèn)題。

1 車號(hào)識(shí)別算法

本文提出一種用于動(dòng)車組故障檢測(cè)的車號(hào)識(shí)別算法，其車號(hào)識(shí)別流程如圖1所示，步驟是：（1）自適應(yīng)綜合列車車號(hào)圖像的灰度水平差分值和灰度垂直差分值，定位分割圖像中的列車車號(hào)區(qū)域；（2）對(duì)該區(qū)域進(jìn)行Hough變換，得到其傾斜角度并進(jìn)行相應(yīng)的水平校正；（3）結(jié)合特定領(lǐng)域知識(shí)，采用一種基于語(yǔ)義共生概率的模板匹配算法對(duì)車號(hào)字符進(jìn)行識(shí)別。鑒于車號(hào)作為車輛唯一標(biāo)識(shí)的特性，通過(guò)識(shí)別得到的車號(hào)信息在動(dòng)車圖像庫(kù)中找尋其歷史圖像，與現(xiàn)場(chǎng)采集的列車圖像進(jìn)行故障比對(duì)，實(shí)現(xiàn)列車運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和自動(dòng)報(bào)警。

圖1 動(dòng)車組車號(hào)識(shí)別流程

1.1 車號(hào)定位分割

車號(hào)區(qū)域的準(zhǔn)確定位是車號(hào)字符識(shí)別的前提條件。本文基于灰度圖像水平差分和垂直差分圖像的相關(guān)特點(diǎn)，從列車圖像中進(jìn)行車號(hào)區(qū)域的定位和分割。

（1）對(duì)圖像進(jìn)行預(yù)處理，采用中值濾波剔除其中的噪聲點(diǎn)，并結(jié)合直方圖均衡化對(duì)其進(jìn)行顏色均衡；（2）采用自適應(yīng)閾值法二值化圖像，提取其灰度水平差分和垂直差分；（3）根據(jù)水平方向的灰度差分直方圖粗定位車號(hào)字符區(qū)域；（4）利用垂直差分圖像，投影映射的相關(guān)特征對(duì)車號(hào)候選區(qū)域進(jìn)行精細(xì)定位，從而得到準(zhǔn)確的車號(hào)水平和垂直范圍。

車號(hào)圖像中，字符區(qū)域與無(wú)字符區(qū)域的灰度特征存在相對(duì)較大的差值，而且車號(hào)圖像區(qū)域較之其他區(qū)域具有更豐富的邊緣特征。為此，對(duì)列車車號(hào)灰度圖像進(jìn)行水平差分累加運(yùn)算，以突出邊緣信息：

其中，f(x,y) 為圖像灰度值，HD(x,y) 表示差分累加結(jié)果，x、y 分別為圖像橫、縱坐標(biāo)值，d 為偏移量。

將累加得到的差分圖像進(jìn)行二值化處理，可以得到邊緣圖像，具體方法如下：

其中，T為圖像二值化的閾值。

以動(dòng)車組車號(hào)圖像CRH380E 為例，圖2 顯示了車號(hào)圖像的二值化處理流程，以及腐蝕操作后的圖像。

圖2 動(dòng)車組車號(hào)定位圖像處理流程

1.2 車號(hào)傾斜校正

基于已經(jīng)定位的車號(hào)字符區(qū)域，進(jìn)行Hough變換，得到圖像中的兩條平行線，計(jì)算平行線的斜率；根據(jù)所得斜率確定水平傾斜角度，進(jìn)行上下邊界的水平校正，如圖3所示。

圖3 動(dòng)車組車號(hào)傾斜校正處理流程

Hough變換旨在將圖像空間映射到變換后的參數(shù)空間中。如圖像空間中的一條直線，在Hough變換后的二維圖像空間里表示為：x·cosθ+y·sinθ=ρ，其中，ρ 和θ（0＜θ＜2π）為參數(shù)，即一條處于圖像空間中的直線被映射到參數(shù)空間中的一點(diǎn)（ρ，θ）。基于這一點(diǎn)，將直線的檢測(cè)問(wèn)題轉(zhuǎn)換為參數(shù)空間尋找局部最大值的問(wèn)題。一般車號(hào)的水平傾斜角度不會(huì)超過(guò)一個(gè)范圍（±25。），這樣可以縮短Hough變換的計(jì)算時(shí)間，也在一定上程度了提高了校正的準(zhǔn)確性。

1.3 車號(hào)字符識(shí)別

1.3.1 車號(hào)字符分割

我們將圖像的各列像素?cái)?shù)據(jù)進(jìn)行疊加得到水平方向上的投影，將圖像各行的像素進(jìn)行疊加，得到豎直方向上的投影，如圖4所示。從圖中可以看出，水平方向上，車號(hào)區(qū)域的投影呈現(xiàn)出“波峰-波谷”多次交替現(xiàn)象，此外，與波峰各不相同的特征對(duì)比，各個(gè)波谷所處的位置大體一致。這在實(shí)際情況下也不難解釋：車號(hào)的字符有各種變化，從而使得各個(gè)峰值的變換各異；而字符中間的空白區(qū)域卻全是背景（除非存在污漬），因此其水平投影的位置基本保持一致。同理可見(jiàn)，豎直投影也會(huì)呈現(xiàn)出相似的特征。由此可知，依據(jù)車號(hào)區(qū)域的水平投影和豎直投影可以很好地將車號(hào)字符進(jìn)行分割。

圖4 圖像在水平方向上的投影

1.3.2 車號(hào)字符識(shí)別

對(duì)于車號(hào)數(shù)據(jù)，相鄰車號(hào)字符之間存在很強(qiáng)的上下文語(yǔ)義相關(guān)性[4～6]。傳統(tǒng)的模板匹配算法[4]僅考慮了特征域中模板圖像與目標(biāo)圖像的相似性，而將圖像在空間域中的語(yǔ)義關(guān)系完全忽略掉。為了彌補(bǔ)傳統(tǒng)方法的上述缺陷，本文基于特定領(lǐng)域知識(shí)，改進(jìn)了模板圖像和目標(biāo)圖像的相似性定義方法，從而得到一種更加準(zhǔn)確的模板匹配算法。實(shí)驗(yàn)結(jié)果表明，本算法能高效地完成字符模板匹配，并且針對(duì)目標(biāo)圖像出現(xiàn)遮擋問(wèn)題、油跡污染、光照情況不可控的情況仍可達(dá)到比較高的故障識(shí)別率。

1.3.3 基于語(yǔ)義共生概率的模板匹配算法

本文提出一種基于語(yǔ)義共生概率的模板匹配算法，該算法不僅考慮到車號(hào)字符與模板在特征域上的相似性，而且還結(jié)合了CRH動(dòng)車組的車號(hào)排序規(guī)則[7]，分析鄰近字符的語(yǔ)義共現(xiàn)概率關(guān)系。

（1）利用平均絕對(duì)差算法[8～9]（MAD，Mean Absolute Differences）衡量車號(hào)字符圖像u與字符模板庫(kù)中第k個(gè)字符vk的匹配程度：

對(duì)兩幅圖像進(jìn)行歸一化，形成一個(gè)大小為N · N的圖像。模板匹配是將模板vk疊放在車號(hào)字符圖像u上，通過(guò)比較vk和u的相似性，完成模板匹配過(guò)程。該方法利用圖像本身具有的灰度統(tǒng)計(jì)信息來(lái)衡量圖像之間的相似程度，精度較高，但對(duì)于尺度變化、旋轉(zhuǎn)以及不均勻光照等因素比較敏感。

（2）根據(jù)CRH動(dòng)車組的車號(hào)排序規(guī)則，構(gòu)建鄰域字符u和u+1之間的共生概率p(u,u+1)。動(dòng)車組的型號(hào)和編號(hào)規(guī)則如圖5所示。

圖5 CRH動(dòng)車組車號(hào)編號(hào)規(guī)則

由上述規(guī)則可以看出，“C”“R”“H”3個(gè)字符的共生概率相對(duì)較大，而“C”“S”的共生概率就比較小。綜合考慮車號(hào)字符與模板圖像在特征與相似性以及車號(hào)字符鄰域之間的語(yǔ)義共生概率，本文定義了模板圖像與任一字符圖像的相似性衡量函數(shù)，其中，vk和u與公式（3）定義一致，u+1為字符u的鄰域字符：

基于語(yǔ)義共生概率的模板匹配算法旨在結(jié)合上下文語(yǔ)義特征，在目標(biāo)圖像中尋找匹配區(qū)域。這里以字符“8”和“B”為例，當(dāng)其鄰域字符出現(xiàn)“3”，即使其特征域中更相似于“B”，結(jié)合特定領(lǐng)域的共生概率p(u,vk)，共同約束也將其匹配到“8”；反之亦然。具體流程算法實(shí)現(xiàn)如表1所示：（1）利用平均絕對(duì)差算法（MAD）和衡量法計(jì)算字符與模板圖像庫(kù)中的每個(gè)模板視覺(jué)特征相似性D(u,vk)。（2）根據(jù)CRH動(dòng)車組的車號(hào)排序規(guī)則，構(gòu)建字符之間的語(yǔ)義共生概率p(u,u+1)。（3）基于語(yǔ)義共生概率的模板匹配算法，完成車號(hào)字符的識(shí)別。

表1 基于上下文語(yǔ)義信息的模板匹配算法流程

2 實(shí)驗(yàn)研究

從多個(gè)方面對(duì)用于動(dòng)車組故障檢測(cè)的車號(hào)識(shí)別算法性能進(jìn)行評(píng)估：（1）利用TEDS軌邊車號(hào)采集像機(jī)采集的車號(hào)圖像進(jìn)行算法性能的評(píng)價(jià)；（2）考察模板匹配算法的閾值對(duì)識(shí)別性能的影響；（3）分析傳統(tǒng)模板算法與基于特定領(lǐng)域知識(shí)的模板匹配算法的性能比較；（4）利用圖示的方式，展示TEDS中本算法的車號(hào)識(shí)別性能。

2.1 模板匹配性能

為了評(píng)價(jià)模板匹配的性能，我們使用SR=[BG∩BM]/[BG∪BM]衡量準(zhǔn)確性，其中，BG和BM分別表示模板圖像在目標(biāo)圖像的準(zhǔn)確位置和匹配位置，如圖6 所示。為了很好地評(píng)價(jià)本算法，本文將數(shù)據(jù)集隨機(jī)劃分5 次并重復(fù)相應(yīng)的實(shí)驗(yàn)，取多次實(shí)驗(yàn)的平均值。算法軟件運(yùn)行環(huán)境為：Matlab7.0 和Windows XP；硬件環(huán)境是：Pentium-4 3.0 G 計(jì)算機(jī)、1 G 內(nèi)存。平均匹配準(zhǔn)確率定義為：，N是運(yùn)行次數(shù)。匹配準(zhǔn)確率接近于99.8%。

圖6 模板圖像在目標(biāo)圖像中的準(zhǔn)確位置和匹配位置的3種相互關(guān)系

2.2 閾值參數(shù)的性能影響

本節(jié)分析模板匹配算法的閾值參數(shù)對(duì)于故障識(shí)別性能的影響，具體的性能比較如表2所示。不難看出，閾值對(duì)故障識(shí)別性能確實(shí)有一定的影響，當(dāng)模板匹配選取較小的閾值時(shí)，車號(hào)識(shí)別準(zhǔn)確性較低。主要原因是閾值較低時(shí)，依賴特征相似性很難得到準(zhǔn)確的字符模板圖像，因此借助特定領(lǐng)域知識(shí)，更難得到準(zhǔn)確字符。而隨著模板匹配的閾值逐步增加，車號(hào)識(shí)別準(zhǔn)確率也在穩(wěn)步提升。但當(dāng)閾值大于一定值后，閾值繼續(xù)增加，識(shí)別性能增加不大。模板匹配采用較低的閾值時(shí)，雖然降低了漏報(bào)的可能性，但是卻提高了誤報(bào)率；而當(dāng)閾值較高時(shí)，其漏報(bào)率將會(huì)增加，也在一定程度上降低了算法的性能。為此，綜合分析上述兩個(gè)閾值，本算法選取較好的故障識(shí)別性能閾值參數(shù)，即模板匹配算法選取閾值為0.8。

表2 不同閾值對(duì)車號(hào)識(shí)別率的影響

2.3 算法性能比較

對(duì)比分析傳統(tǒng)模板匹配算法與基于特定領(lǐng)域知識(shí)的模板匹配算法的車號(hào)識(shí)別性能。從表3中可以看出，傳統(tǒng)的模板匹配算法雖然可以進(jìn)行車號(hào)識(shí)別，但是其準(zhǔn)確率還有待提高，主要原因是由于拍攝的光線、天氣、油污等問(wèn)題，使得單純依賴于特征相似性的字符識(shí)別準(zhǔn)確率較低，而且其性能在很大程度上受到模板的影響，且匹配計(jì)算量大，速度慢，實(shí)時(shí)性不強(qiáng)。本文提出的一種基于語(yǔ)義共生概率的模板匹配算法，通過(guò)自適應(yīng)融合特征域相似性和空間域語(yǔ)義共生關(guān)系，進(jìn)行車號(hào)字符匹配，從表中可以看出對(duì)于所有的匹配閾值，其字符匹配性能均有所提升，因此可以在很大程度上提升動(dòng)車運(yùn)行過(guò)程中的安全監(jiān)控質(zhì)量。

表3 不同模板匹配算法對(duì)車號(hào)識(shí)別率的影響

2.4 車號(hào)字符識(shí)別性能

本文算法的識(shí)別性能如圖7所示。

圖7 車號(hào)識(shí)別結(jié)果

我們將所提出的車號(hào)識(shí)別算法運(yùn)用于動(dòng)車組動(dòng)態(tài)故障檢測(cè)。每輛車的平均處理時(shí)間為5 min，圖8為檢測(cè)結(jié)果示例圖。

圖8 動(dòng)車組動(dòng)態(tài)故障檢測(cè)結(jié)果示例圖

3 結(jié)束語(yǔ)

本文提出了一種基于語(yǔ)義共生概率的模板匹配算法，用于動(dòng)車組運(yùn)行故障的車號(hào)識(shí)別系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，本算法對(duì)車號(hào)的識(shí)別正確率和有效性都滿足鐵路總公司的相關(guān)要求，保障了TEDS的工作效果。

[1]李 駿.動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TEDS）設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2012.JUN L.The Design and Implementation of TEDS System[D].Beijing:Beijing University of Posts and Telecommunications,2012.

[2]許艷峰.動(dòng)車組故障軌邊圖像自動(dòng)檢測(cè)系統(tǒng)圖像對(duì)比算法研究[J].鐵路計(jì)算機(jī)應(yīng)用,2013，22（5）：23-26.XU Y F.Research on image contrasting algorithm for TEDS [J].Railway Computer Application,2013,22(5):23-26.

[3]趙俊彥,任崇巍.關(guān)于動(dòng)車組故障對(duì)邊圖像檢測(cè)系統(tǒng)的設(shè)計(jì)[J].鐵道機(jī)車車輛,2011，31（6）：19-22.ZHAO J Y.Design of EMU Fault Imagine Edge Detection System [J].Railway Locomotive &Car,2011,31(6):19-22.

[4]周景超，陳 鋒.車牌字符分割的研究和實(shí)現(xiàn)[J].計(jì)算機(jī)工程，2006，32（5）：239-243.ZHOU J C.Study and Implementation of Vehicle Plate Characteristics Segment[J].Computer Engineering,2006,32(5):239-243.

[5]王少杰，朱志剛.貨運(yùn)列車車型車號(hào)自動(dòng)分割和識(shí)別算法[J].模式識(shí)別與人工智能，1998，11（3）：328-334.WANG S J.Automatic segmentation and recognition of freight train characters[J].Pattern Recognition and Artificial Intelligence,1998,11(3):328-334.

[6]劉祖勝，方 凱，劉碩研.用于動(dòng)車組故障檢測(cè)的圖像識(shí)別算法[J].鐵路計(jì)算機(jī)應(yīng)用,2015，12（24）：1-4.LIU Z S.Image recognition algorithm for EMU trouble detection[J].Railway Computer Application.2015,12(24):1-4.

[7]陳春雷，王陽(yáng)萍.基于視頻列車車號(hào)識(shí)別系統(tǒng)的研究[J].蘭州交通大學(xué)學(xué)報(bào).2007，26（6）：99-103.CHEN C L.Research on Recognition System of Train Character Based on Video[J].Journal of Lanzhou Jiaotong University,2007,26(6).

[8]YU Z.Object Matching Using Deformable Templates [J].IEEE Trans.On Pattern Analysis and Machine Intelligence,1996,18(3):267-278.

[9]陳 智.圖像匹配技術(shù)研究 [D].武漢：華中師范大學(xué)，2006.CHEN Z.Research on image matching technology [D].Wuhan:Central China Normal University,2006.

責(zé)任編輯 楊琍明

表3 列車交路優(yōu)化方案

5 結(jié)束語(yǔ)

不同于單線獨(dú)立運(yùn)營(yíng)場(chǎng)景，互聯(lián)互通下網(wǎng)絡(luò)化行車交路更為復(fù)雜，運(yùn)營(yíng)組織更靈活。本文選取兩條互聯(lián)互通的城市軌道交通線路作為研究對(duì)象，提出了交路方案的設(shè)計(jì)思路，并以候車時(shí)間最小化、換乘客流最小化、企業(yè)運(yùn)營(yíng)成本最小化為目標(biāo)建立了交路方案多目標(biāo)優(yōu)化模型，通過(guò)簡(jiǎn)化處理可以利用計(jì)算機(jī)優(yōu)化軟件進(jìn)行求解。最后，通過(guò)實(shí)際案例分析驗(yàn)證了模型的有效性。雖然研究對(duì)象界定為兩條線路互聯(lián)互通，但為更復(fù)雜的多線路互聯(lián)互通網(wǎng)絡(luò)化列車交路方案的后續(xù)研究奠定了基礎(chǔ)。

參考文獻(xiàn):

[1]付慧伶，聶 磊，楊 浩.基于備選集的高速鐵路列車開(kāi)行方案優(yōu)化方法研究[J].鐵道學(xué)報(bào)，2010，32（6）：1-8.

[2]王艷艷.城市軌道交通列車交路方案優(yōu)化模型研究[J].西華大學(xué)學(xué)報(bào)，2013，32（5）：42-44.

[3]凌 俊，胡 雄，何紅弟.城市軌道交通非高峰期列車交路方案優(yōu)化[J].鐵道科學(xué)與工程學(xué)報(bào)，2015，12（1）：190-195.

[4]王媛媛，倪少權(quán).城市軌道交通大小交路模式列車開(kāi)行方案的優(yōu)化[J].鐵道學(xué)報(bào)，2013，35（7）：1-8.

責(zé)任編輯 陳 蓉

Train identifcation algorithm for EMU trouble detection

FANG Kai
( Institute of Computing Technologies,China Academy of Railway Sciences,Beijing 100081,China)

The train number is a unique identifcation of the train.The Trouble of moving EMU Detection System (TEDS) is aimed to detect the trouble of moving EMU images based on the matching between present image and previous one which searches in the image database of the train number.However the RFID electronic tag does not installed in the EMU.Hence,the EMU train number recognition has become urgent to solve the problem.The article proposed a template matching algorithm based on semantic symbiosis probability to identify the train number.The experimental results showed that the correct rate and effectiveness of the proposed approach could conform with the regulation of China Railways,ensure the effect of TEDS.

TEDS;train number location and segmentation;template matching;train identifcation

U266.2∶U284.55

A

1005-8451（2016）05-0014-05

2015-10-08

中國(guó)鐵道科學(xué)研究院基金資助項(xiàng)目（2013YJ05）。

方 凱，副研究員。