集裝箱箱號(hào)字符識(shí)別算法研究

曹林根，宓 超

上海海事大學(xué) 物流工程學(xué)院，上海 201306

如今，隨著全球經(jīng)濟(jì)一體化的發(fā)展，越來越多的國際貿(mào)易、貨物運(yùn)輸依賴于集裝箱，港口集裝箱的吞吐量增速加快[1]。準(zhǔn)確、快速地提取集裝箱箱號(hào)對(duì)于集裝箱智能化管理以及運(yùn)輸顯得至關(guān)重要。為此，許多工程師和研究人員提出一些用于集裝箱箱號(hào)自動(dòng)識(shí)別技術(shù)：如射頻識(shí)別（Radio Frequency Identification，RFID）[2]、無線傳感器網(wǎng)絡(luò)（Wireless Sensor Network，WSN）[3]等。然而，在目前的集裝箱智能化管理系統(tǒng)中，基于計(jì)算機(jī)視覺的集裝箱箱號(hào)自動(dòng)識(shí)別（Automatic Container-Code Recognition，ACCR）逐步成為現(xiàn)代化港口箱號(hào)識(shí)別的主流方式，因其無需增加額外附件且成本較低。

集裝箱箱號(hào)采用了ISO 6346國際標(biāo)準(zhǔn)，其由3個(gè)部分組成[4]，4個(gè)大寫箱主英文字母、6位分類數(shù)字號(hào)和1個(gè)校驗(yàn)碼。這11 個(gè)ISO 字符是作為集裝箱的唯一標(biāo)識(shí)代碼，典型集裝箱箱號(hào)圖像如圖1所示。

圖1 集裝箱箱號(hào)圖像示例Fig.1 Example of container number image

通常，集裝箱箱號(hào)自動(dòng)識(shí)別（ACCR）系統(tǒng)關(guān)鍵技術(shù)包括箱號(hào)區(qū)域定位與傾斜校正、箱號(hào)字符分割、箱號(hào)字符識(shí)別3個(gè)部分[5]，圖2為集裝箱箱號(hào)自動(dòng)識(shí)別（ACCR）系統(tǒng)的流程圖。一些研究人員和工程師圍繞這3 部分進(jìn)行了大量的研究，并取得了眾多研究成果，其中箱號(hào)區(qū)域定位與傾斜校正是箱號(hào)自動(dòng)識(shí)別系統(tǒng)的關(guān)鍵。目前集裝箱箱號(hào)定位方法可以分為基于邊緣與滑動(dòng)窗[6]、基于數(shù)學(xué)形態(tài)學(xué)[7]、基于連通域分析的方法[8]；基于邊緣與滑動(dòng)窗的箱號(hào)字符定位方法是利用邊緣檢測(cè)算子檢測(cè)出箱號(hào)字符邊緣信息，并結(jié)合滑動(dòng)窗尋找具有區(qū)分度的字符描述特征來實(shí)現(xiàn)箱號(hào)字符區(qū)域定位，雖定位效果好，但描述特征會(huì)受到光照、陰影等影響。基于數(shù)學(xué)形態(tài)學(xué)箱號(hào)字符定位方法適用于堆場(chǎng)和碼頭等背景較復(fù)雜的場(chǎng)合，但其面對(duì)光照不均以及拍攝距離變化容易導(dǎo)致定位失敗?；谶B通域分析箱號(hào)字符定位方法是利用最大穩(wěn)定極值（MSER）來初步區(qū)分字符與背景區(qū)域，在通過連通域分析篩選箱號(hào)字符區(qū)域。取得不錯(cuò)的定位效果，對(duì)于褪色以及生銹問題具有魯棒性，但會(huì)受到光照不均的影響。此外，在圖像采集過程中，由于相機(jī)的位置以及集裝箱的停靠位置的不確定性，使得圖像中的箱號(hào)存在水平或者垂直傾斜，進(jìn)而影響字符的準(zhǔn)確分割以及識(shí)別。常用的傾斜校正方法有基于分塊質(zhì)心法[9]、基于投影分析法[10]、基于外接矩形法[11]和Hough變換法[12]，但上述方法主要關(guān)注于水平傾斜校正，而且相對(duì)于車牌、箱號(hào)的傾斜校正更加復(fù)雜。定位出的傾斜箱號(hào)區(qū)域除了目標(biāo)字符外，還有距離很近的干擾字符，這導(dǎo)致了大多數(shù)依靠對(duì)箱號(hào)字符進(jìn)行直線擬合得到傾斜角度，進(jìn)而實(shí)現(xiàn)校正的方法往往不盡人意。文獻(xiàn)[9]為了排除干擾字符的影響，檢測(cè)出箱號(hào)的前4個(gè)大寫英文字母的水平傾斜角度來代替整體的傾斜角度，進(jìn)而實(shí)現(xiàn)箱號(hào)的水平校正，雖校正精度較高，但前4 個(gè)大寫英文字母有斷裂，污漬以及字母與數(shù)字錯(cuò)開時(shí)，該方法校正結(jié)果也不太理想。旋轉(zhuǎn)投影法[13]是箱號(hào)垂直校正的常用方法，該方法雖垂直傾斜角度檢測(cè)精度高，但對(duì)最佳傾斜角的求取是一個(gè)尋優(yōu)的過程，計(jì)算復(fù)雜度高且運(yùn)行時(shí)間長。對(duì)于校正后的箱號(hào)字符利用投影法可以有效進(jìn)行字符分割，箱號(hào)字符識(shí)別階段，常用的識(shí)別方法主要有模板匹配法[14]和神經(jīng)網(wǎng)絡(luò)法[15-16]，基于模板匹配方法實(shí)現(xiàn)簡單且處理速度快，但干擾性能差，基于神經(jīng)網(wǎng)絡(luò)方法分類能力強(qiáng)且容錯(cuò)性好，但關(guān)鍵在于網(wǎng)絡(luò)參數(shù)取值比較敏感以及字符識(shí)別環(huán)節(jié)前的圖像處理的效果。

圖2 傳統(tǒng)集裝箱箱號(hào)自動(dòng)識(shí)別流程圖Fig.2 Flow diagram of automatic recognition of traditional container number

近年來，因深度學(xué)習(xí)可以直接依靠訓(xùn)練字符數(shù)據(jù)來實(shí)現(xiàn)字符的識(shí)別[17]，受到當(dāng)下大量學(xué)者研究；Wang 等[18]采用一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法Faster-RCNN對(duì)集裝箱箱號(hào)字符進(jìn)行檢測(cè)和識(shí)別。Wang等[19]則采用改進(jìn)的Faster-RCNN 和區(qū)域生成網(wǎng)絡(luò)（RPN）實(shí)現(xiàn)箱號(hào)檢測(cè)，最后采用改進(jìn)的CNN 對(duì)目標(biāo)字符進(jìn)行識(shí)別?；谏疃葘W(xué)習(xí)的字符識(shí)別方法擬合能力比較強(qiáng)，通過合理的網(wǎng)絡(luò)設(shè)計(jì)或者改進(jìn)，可以對(duì)大小不一的字符串進(jìn)行識(shí)別。盡管如此，但對(duì)于箱號(hào)斷裂或者傾斜較大，則會(huì)影響其特征提取的準(zhǔn)確度以及字符識(shí)別效果。同時(shí)傾斜校正作為箱號(hào)自動(dòng)識(shí)別系統(tǒng)的關(guān)鍵技術(shù)，傳統(tǒng)方法上傾斜校正精度不佳，使得箱號(hào)識(shí)別率低于深度學(xué)習(xí)。

為此，本文結(jié)合已有的研究成果以及圖像采集環(huán)境和箱號(hào)自身的特點(diǎn)，采用一種改進(jìn)型的差分邊緣檢測(cè)粗定位算法，通過處理光照不均箱號(hào)圖像的二值化分割實(shí)現(xiàn)箱號(hào)快速粗定位，并利用改進(jìn)的最小二乘法和梯度下降投影的字符矯正及分割算法，有效排除干擾字符影響的同時(shí)實(shí)現(xiàn)傾斜箱號(hào)的精確定位與分割；最后采用BP神經(jīng)網(wǎng)絡(luò)對(duì)箱號(hào)字符進(jìn)行識(shí)別，并與傳統(tǒng)算法、深度學(xué)習(xí)算法進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果表明，本文方法在能夠提高箱號(hào)識(shí)別速度的同時(shí)，實(shí)現(xiàn)了箱號(hào)識(shí)別的高檢測(cè)率與低錯(cuò)誤率。

1 集裝箱箱號(hào)定位

實(shí)際采集的箱號(hào)圖像，受到光照不均、箱號(hào)污損和箱號(hào)傾斜等因素的影響，不利于對(duì)箱號(hào)字符信息的提取，故首先采用一種改進(jìn)型的差分邊緣檢測(cè)粗定位算法。

1.1 改進(jìn)型差分邊緣檢測(cè)圖像二值化算法

依據(jù)公式對(duì)集裝箱灰度圖像進(jìn)行差分邊緣提取運(yùn)算：

式中，像素點(diǎn)的新灰度值為相鄰右下像素點(diǎn)灰度差值的絕對(duì)值和。

依據(jù)公式對(duì)邊緣圖像進(jìn)行二值化：

式中，Threshold為動(dòng)態(tài)閾值。

新型差分邊緣檢測(cè)圖像二值化算法過程如下：

（1）設(shè)集裝箱圖像的尺寸為M×N，則圖像共有N行M列；初始化閾值Threshold=1 與邊緣檢測(cè)數(shù)Numcount=M×N。

（2）邊緣檢測(cè)數(shù)Numcount=0，初始條件Threshold=1，若Numcount/M/N>b，則進(jìn)行步驟（2），不滿足，則停止遍歷圖像。

（3）遍歷集裝箱圖像，根據(jù)公式（1）提取圖像邊緣，公式（2）中若G(x,y) >Threshold，則依據(jù)公式（2）進(jìn)行集裝箱邊緣圖像二值化操作，則out(x,y)=255，且邊緣檢測(cè)數(shù)Numcount+1。

（4）動(dòng)態(tài)閾值Threshold+a，繼續(xù)進(jìn)行步驟（2）、（3），檢測(cè)滿足條件的圖像邊緣。

（5）對(duì)邊緣二值圖像進(jìn)行區(qū)域填充，得到集裝箱二值化圖。

通過大量集裝箱箱號(hào)圖像樣本實(shí)驗(yàn)，a=0.07～0.08，b=3，可以得到理想的二值化圖像。

1.2 集裝箱箱號(hào)粗定位算法

采用加權(quán)平均法將彩色集裝箱圖像轉(zhuǎn)換為灰度圖像[20]，利用改進(jìn)型的差分邊緣檢測(cè)圖像二值化算法實(shí)現(xiàn)集裝箱圖像二值化。

對(duì)二值化圖像中若干個(gè)連通區(qū)域取輪廓操作，依據(jù)連通域輪廓外接橢圓長軸、短軸、長軸與短軸之間最大值、長軸與短軸之間最小值、輪廓面積等參數(shù)，去除非箱號(hào)區(qū)域，保留感興趣的箱號(hào)區(qū)域。

經(jīng)過連通域分析后得到的是單個(gè)箱號(hào)字符候選區(qū)域，對(duì)連通分量進(jìn)行聚類，在聚類算法中，類別的相似度衡量是體現(xiàn)聚類算法有效性的關(guān)鍵。進(jìn)而掃描圖像中所有的箱號(hào)字符候選區(qū)域，獲取其最小外接矩形的面積、寬度、中心坐標(biāo)以及相鄰最近矩形頂點(diǎn)坐標(biāo)，利用參數(shù)關(guān)系對(duì)相同類別進(jìn)行聚類[21]。同時(shí)對(duì)未能聚合的箱號(hào)區(qū)域，采用形態(tài)學(xué)閉運(yùn)算對(duì)箱號(hào)區(qū)域聚合，進(jìn)而實(shí)現(xiàn)箱號(hào)的粗定位，集裝箱箱號(hào)粗定位過程如圖3所示。

圖3 集裝箱箱號(hào)粗定位過程示例Fig.3 Example of rough locating process of container number

1.3 基于改進(jìn)的最小二乘法集裝箱箱號(hào)精定位算法

由于圖像采集環(huán)境的不確定性和拍攝角度等影響，粗定位后的箱號(hào)字符存在傾斜，而且除了箱號(hào)字符外，還有距離很近的干擾字符；直接采用投影法無法精確定位出箱號(hào)，還會(huì)影響后續(xù)箱號(hào)字符分割。故首先采用改進(jìn)的最小二乘法實(shí)現(xiàn)水平傾斜校正，在進(jìn)行投影精確定位。

為了擬合最佳直線，提高水平傾斜角檢測(cè)的精確度，本文利用箱號(hào)字符列中心點(diǎn)作為特征點(diǎn)，并利用距離擬合對(duì)較遠(yuǎn)干擾數(shù)據(jù)點(diǎn)進(jìn)行剔除。

最小二乘法擬合直線原理如下：

設(shè)直線方程為y=ax+b，其中b為截距，a為斜率。根據(jù)最小二乘法的性質(zhì)，擬合出的直線應(yīng)該與輸入數(shù)據(jù)的偏差平方和最小，即目標(biāo)函數(shù)為：

當(dāng)求得式最小時(shí)，只需要對(duì)直線參數(shù)求偏導(dǎo)，參數(shù)a、b滿足：

即有：

求出a和b的值，則得到擬合直線，改進(jìn)的最小二乘法原理和實(shí)現(xiàn)過程如下：

（1）示意圖如圖4，dt為第t次定義為去除干擾點(diǎn)的閾值，dt=h×dt_max，其中dt_max為第t次直線擬合后，最遠(yuǎn)的數(shù)據(jù)點(diǎn)到直線的距離，h為比例系數(shù)。

圖4 數(shù)據(jù)點(diǎn)擬合直線示意圖Fig.4 Data point fitting line diagram

（2）總的數(shù)據(jù)點(diǎn)n與保留的有效數(shù)據(jù)點(diǎn)ns的關(guān)系為ns=n×p，其中p為比例系數(shù)，設(shè)定數(shù)據(jù)點(diǎn)到擬合直線的距離dn大于dt，則剔除，剔除數(shù)據(jù)為y，剩余數(shù)據(jù)g=n-y，每次通過最小二乘法擬合直線為Lt。

具體實(shí)現(xiàn)過程：首先，設(shè)定比例參數(shù)h和p，對(duì)數(shù)據(jù)n采用最小二乘法擬合直線Lt；然后，dt=h×dt_max，若dn≥dt，干擾點(diǎn)剔除，若dn≤dt，予以保留；其次，若g≤ns，則停止擬合，此時(shí)擬合的直線Lt為最佳，若g>ns，重復(fù)前一個(gè)步驟，繼續(xù)擬合直線Lt+1；最后，多次進(jìn)行直線擬合，得到最佳擬合直線Lt+1。圖5為改進(jìn)的最小二乘法流程圖。

圖5 改進(jìn)的最小二乘法流程圖Fig.5 Improved least square method flow diagram

改進(jìn)的最小二乘法精確定位具體實(shí)現(xiàn)過程：

（1）對(duì)于混合傾斜集裝箱箱號(hào)二值化圖，通過種子填充算法進(jìn)行字符連通域標(biāo)記，確定每個(gè)連通域外接矩形的左上頂點(diǎn)坐標(biāo)(xn_0,yn_0)與右下頂點(diǎn)坐標(biāo)(xn_2,xn_2)（n=1,2,…,k，k為連通域個(gè)數(shù)）。

（2）設(shè)每個(gè)字符連通域外接矩形大小M×N，設(shè)X、Y代表字符每列中心的橫坐標(biāo)與縱坐標(biāo)，每列的中心坐標(biāo)可以為(Xm,Ym)，其中(m=1,2,…,M)。

（3）尋找字符每列像素縱坐標(biāo)的最大值ymax與最小值ymin，若ymax=ymin，則列中心點(diǎn)的縱坐標(biāo)為Ym=ymin，否則列中心點(diǎn)的縱坐標(biāo)為Ym=ymin+(ymax-ymin)/2。

（4）將列中心點(diǎn)坐標(biāo)移入直角坐標(biāo)系中，利用改進(jìn)的最小二乘法擬合直線。

（5）得到最佳擬合直線的傾斜角α后，利用仿射變換實(shí)現(xiàn)水平傾斜校正。

（6）采用投影法精確定位出箱號(hào)。

通過使用40 幅圖像對(duì)上述方法進(jìn)行實(shí)驗(yàn)，本文的研究對(duì)象比例參數(shù)h=0.80～0.82，p=0.8，直線擬合最佳，集裝箱箱號(hào)精定位過程如圖6所示。

圖6 集裝箱箱號(hào)精定位過程示例Fig.6 Example of container number precise locating process

2 集裝箱箱號(hào)分割及識(shí)別

2.1 基于梯度下降投影的箱號(hào)字符矯正及分割算法

精確定位出的箱號(hào)在垂直方向上存在傾斜，這種傾斜是圖像坐標(biāo)相對(duì)于X軸Y方向的錯(cuò)切。若字符過于傾斜的情況下，會(huì)造成字符在某一方向上的粘連，不利于字符分割，同時(shí)后期采用神經(jīng)網(wǎng)絡(luò)識(shí)別容易引起誤識(shí)別，例如1和7。所以，本文提出基于梯度下降投影的字符矯正及分割算法，通過不同的步長對(duì)精確定位出的箱號(hào)邊緣圖像旋轉(zhuǎn)并投影，利用目標(biāo)函數(shù)對(duì)應(yīng)的投影負(fù)梯度方向，找出最小投影長度所對(duì)應(yīng)旋轉(zhuǎn)角度。進(jìn)而實(shí)現(xiàn)垂直傾斜校正。公式（7）為：

為了避免梯度算法陷入局部最優(yōu)，本文選取了合適的角度范圍，使得字符校正在該范圍內(nèi)僅存在一個(gè)谷底。梯度下降投影的字符矯正及分割算法具體實(shí)現(xiàn)過程如下：

（1）判斷箱號(hào)垂直傾斜的方向，設(shè)步長ηt=α°，字符個(gè)數(shù)為n，第j個(gè)字符的投影長度為Lj，ηt下投影總長度為，則，計(jì)算原箱號(hào)字符投影總長L0，將箱號(hào)圖像旋轉(zhuǎn)±ηt，分別計(jì)算Lα°與L-α°，若Lα°

（2）設(shè)定初始的投影總長L0，步長ηt=β°，收斂條件σ，角度θ。投影梯度計(jì)算?f(L)；更新L，L(i+1)=L(i)-β f′(L(i))，用更新后的L(i+1)來計(jì)算f(L(i+1))，比較f(L(i+1))與f(L(i))的大小關(guān)系，若f(L(i+1))-f(L(i))>σ，重復(fù)以上步驟，否則停止，并記錄角度label。

（3）設(shè)定步長ηt=κ°，在[label-5°,label+5°]范圍內(nèi)重復(fù)步驟（2）中找尋最小f(L)對(duì)應(yīng)的label。

（4）設(shè)定步長ηt=λ°，在[label-1.5°,label+1.5°]范圍內(nèi)重復(fù)步驟（2）中找尋最小f(L)對(duì)應(yīng)的傾斜角φ，錯(cuò)切變換實(shí)現(xiàn)垂直傾斜校正。

（5）投影法進(jìn)行字符分割。

梯度下降投影字符矯正算法如下所示：

圖7 為垂直校正結(jié)果圖，圖8 為投影法分割出的箱號(hào)字符圖像。

圖7 垂直校正結(jié)果圖Fig.7 Vertical correction result diagram

圖8 箱號(hào)字符分割圖Fig.8 Container number character segmentation diagram

2.2 BP神經(jīng)網(wǎng)絡(luò)箱號(hào)字符識(shí)別

箱號(hào)字符需要識(shí)別的計(jì)算量不是很大，故采用BP神經(jīng)網(wǎng)絡(luò)算法。利用訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)字符識(shí)別。首先將單個(gè)箱號(hào)字符進(jìn)行歸一化與細(xì)化處理，并采用13 點(diǎn)特征法提取字符特征。網(wǎng)絡(luò)訓(xùn)練的BP 算法是一個(gè)迭代過程。它被反復(fù)應(yīng)用于一組輸入輸出對(duì)，稱為訓(xùn)練集，直到輸出誤差達(dá)到理想的小值。BP 神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層等3 個(gè)層面[22]。其結(jié)構(gòu)如圖9所示。

圖9 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.9 Structure diagram of BP neural network

本文設(shè)計(jì)兩個(gè)三層BP神經(jīng)網(wǎng)絡(luò)分別實(shí)現(xiàn)集裝箱箱號(hào)中數(shù)字與字母的識(shí)別，這樣可以避免一些易混淆的數(shù)字和字母的識(shí)別，如S 與5，B 與8 等。其輸入層神經(jīng)元數(shù)目均為128，在本程序中，對(duì)于數(shù)字網(wǎng)絡(luò)采用8421 碼對(duì)0～9進(jìn)行編碼，但由于選用S形函數(shù)作為傳輸函數(shù)，則輸出永遠(yuǎn)達(dá)不到0 或1，只能接近，進(jìn)而采用（0.1，0.1，0.1，0.1）輸出向量來表示輸出“0”，（0.9，0.1，0.1，0.9）輸出向量來表示輸出“9”，其他數(shù)字同理，而字母網(wǎng)絡(luò)，其目標(biāo)字符為A～Z 這26 個(gè)字母，由于它的范圍在24和25之間，所以它的輸出層神經(jīng)元數(shù)目為5，其中識(shí)別字母的BP 神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)目設(shè)為32，識(shí)別數(shù)字的BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目設(shè)為12。

在BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，數(shù)字網(wǎng)絡(luò)最小均方誤差設(shè)為0.001，訓(xùn)練步長為0.012，動(dòng)量因子為0.1，最大迭代數(shù)為10 000 次，字母網(wǎng)絡(luò)最小均方誤差設(shè)為0.001 4，訓(xùn)練步長為0.012，動(dòng)量因子為0.3，最大迭代數(shù)為14 000次。利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)箱號(hào)字符進(jìn)行識(shí)別過程中，將1～4個(gè)字符送到字母網(wǎng)絡(luò)，5～11個(gè)字符送到數(shù)字網(wǎng)絡(luò)中。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)樣本均采集于蘇州太倉港閘口車道出入口處，其中選取1 050 張實(shí)驗(yàn)樣本，所測(cè)試樣本包含了晝、夜樣本，分辨率為1 920×1 080，且包含了不同的集裝箱箱型，光照條件，傾斜角度以及不同的自然環(huán)境下的樣本。通過對(duì)箱號(hào)定位與分割后，將字符數(shù)據(jù)分成兩組：一組用作樣本集訓(xùn)練，將訓(xùn)練結(jié)果作為標(biāo)準(zhǔn)模板；另一組作為測(cè)試樣本集。本文算法在Intel Core i5-8300H處理器2.30 GHz CPU 和8 GB 內(nèi)存的計(jì)算機(jī)上，用MATLAB R2017b編程實(shí)現(xiàn)。

為了驗(yàn)證本文提出的箱號(hào)定位算法及整體識(shí)別算法性能，其中定位部分與文獻(xiàn)[23]的基于MSER 和連通域分析方法、文獻(xiàn)[24]的基于頂帽變換和灰度跳變特征方法進(jìn)行對(duì)比，整體識(shí)別部分與文獻(xiàn)[25]中的Yolov3算法、文獻(xiàn)[26]的基于壓縮感知的識(shí)別方法進(jìn)行對(duì)比。均在相同箱號(hào)圖像、相同仿真實(shí)驗(yàn)環(huán)境下進(jìn)行，同時(shí)以箱號(hào)定位成功率、字符識(shí)別成功率以及平均檢測(cè)時(shí)間作為性能評(píng)估準(zhǔn)則，具體實(shí)驗(yàn)結(jié)果如表1所示。

表1 箱號(hào)識(shí)別實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)Table 1 Statistical results of container number recognition experiments

由表1可以看出，本文的定位率和文獻(xiàn)[23]、文獻(xiàn)[24]相比較高，說明本文定位算法具有較好的抗干擾性能。原因在于本文采用改進(jìn)型的差分邊緣檢測(cè)算法，增強(qiáng)了對(duì)較低對(duì)比度和光照不均情況的處理能力，同時(shí)可以有效排除箱號(hào)傾斜下非箱號(hào)區(qū)域字符的干擾。而文獻(xiàn)[23]采用最大穩(wěn)定極值區(qū)域（MSER）方法對(duì)于不同傾斜且多光照背景下箱號(hào)定位容易失敗，文獻(xiàn)[24]采用OTSU進(jìn)行二值化，不能適應(yīng)于較低對(duì)比度或背景較復(fù)雜的情況，而且對(duì)于光照不均魯棒性較差。但本文還存在一定的定位錯(cuò)誤，主要在于某些字符對(duì)比度太低或者光照太強(qiáng)導(dǎo)致邊緣檢測(cè)不出而無法形成連通域。從平均檢測(cè)時(shí)間來看，本文算法滿足實(shí)際應(yīng)用中的實(shí)時(shí)性要求。由于本文的傾斜校正方法精度較高，字符分割正確率可達(dá)到98.5%，圖10為集裝箱箱號(hào)粗定位和分割示例。

圖10 集裝箱箱號(hào)粗定位和分割示例Fig.10 Example of rough location and segmentation of container number

從箱號(hào)整體識(shí)別實(shí)驗(yàn)結(jié)果表明，本文的總體檢測(cè)精度為95.7%，Yolov3 算法[25]的為91%，文獻(xiàn)[26]的方法為90.9%，可見本文綜合識(shí)別率相對(duì)較高，因?yàn)閅olov3 算法雖可實(shí)現(xiàn)端到端的識(shí)別，但面對(duì)箱號(hào)圖像的傾斜與偏轉(zhuǎn)魯棒性不佳，同時(shí)未對(duì)集裝箱圖像進(jìn)行多尺度融合，較低對(duì)比度圖像識(shí)別效果也不好。文獻(xiàn)[26]雖對(duì)箱號(hào)背景顏色具有魯棒性，但對(duì)傾斜與偏轉(zhuǎn)箱號(hào)定位以及較失真字符分割效果較差。而本文對(duì)于傾斜與偏轉(zhuǎn)箱號(hào)的校正精度較高，保證了分割出的箱號(hào)字符含有更多的結(jié)構(gòu)信息，且采用字母與數(shù)字分開識(shí)別策略，使得字符識(shí)別效果較好。圖11為Yolov3和本文方法識(shí)別結(jié)果示例。

圖11 Yolov3和本文方法識(shí)別結(jié)果示例Fig.11 Yolov3 and illustration of recognition results of proposed method

4 結(jié)論

針對(duì)集裝箱圖像采集環(huán)境和箱號(hào)自身的特點(diǎn)，研究了箱號(hào)識(shí)別系統(tǒng)中的關(guān)鍵技術(shù)問題。對(duì)于箱號(hào)圖像光照不均問題，采用了一種改進(jìn)型的差分邊緣檢測(cè)粗定位算法；然后利用改進(jìn)的最小二乘法有效地解決箱號(hào)偏轉(zhuǎn)難以精確定位的問題，接著運(yùn)用基于梯度下降投影字符矯正及分割算法，實(shí)現(xiàn)對(duì)傾斜箱號(hào)的校正和分割，最后采用BP神經(jīng)網(wǎng)絡(luò)對(duì)箱號(hào)字符進(jìn)行識(shí)別。實(shí)驗(yàn)測(cè)試結(jié)果表明本文提出的算法精度高、魯棒性好、識(shí)別速度符合實(shí)時(shí)性的要求，具有一定實(shí)用價(jià)值。