基于LabVIEW和IMAQ的動車車號自動識別

2020-06-23 08:39:10楊世鳳張立洲郭忠吉王慧聰

天津科技大學學報 2020年3期

楊世鳳，張旺，張立洲，郭忠吉，王慧聰

(天津科技大學電子信息與自動化學院，天津300222)

隨著人工智能、計算機等相關技術的快速發展，世界各國逐漸將其應用于鐵路運輸行業．提高鐵路運輸效率、加強鐵路運行安全、提高智能化服務已經成為當今社會發展趨勢[1]．因此，高速鐵路的安全運行已成為鐵路智能化發展的熱點．動車組的智能化管理系統與維護已成為鐵路運行安全的重要保障，且動車組車號是準確追蹤動車位置的信息基礎[2]．

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

NI具有支持各種工業與科學相機、擴展軟件降低應用開發和維護成本、支持各種工業協議、廣泛的機器視覺硬件選擇以及豐富的函數庫選擇等特征，NI的IMAQ Vision函數庫為圖像處理提供了完整的應用功能，具有高性能且簡便易用特點．因此，本文采用 NI公司的 LabVIEW 軟件作為開發平臺，調用IMAQ專業控件及Vision Assistant函數庫，提出一種基于LabVIEW和IMAQ的動車車號識別系統．

1 動車車號識別系統組成

動車車號識別系統包含硬件數據采集與軟件圖像識別．硬件數據采集是指硬件設備對過往動車各車節車廂的列車信息進行數據采集與分析；圖像識別是指采用虛擬軟件對采集的圖像預處理、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，系統整體框圖如圖1所示．

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

車位識別系統包含ZR新型車輪傳感器與STM32微型處理技術，當列車經過時，將列車車速與車輪信息轉換成輪對間距，根據軸距表或雙轉向架對稱算法，查出車輛信息并發出列車順位等控制命令，同時觸發線陣相機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不定性因素，采集的原始圖像如圖 2所示．該系統的難點在于圖像二值化算法的選擇與閾值的設定，動車車號在圖像中的準確定位、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 圖像預處理

全局自動閾值是計算整個圖像中的灰度值，然后強調二值化的閾值，而局部閾值是根據當前像素點周圍領域的灰度值來計算合適的閾值．因此，在一些照明不均勻的機械視覺與圖像處理環境中，使用局部閾值要比手動閾值或自動閾值效果好．圖像二值化執行結果如圖3所示．

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

組內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和噪點都比較容易突出，計算量小；而NIblack算法在高像素、背景區域不均勻的圖像中，分割處理容易生成噪點，目標區域明顯，迭代計算復雜[9]．針對組內方差和NIblack算法產生的問題，本文提出了背景校正算法，該算法結合圖像分割中的局部和全局閾值的方法，擁有計算速度不依賴于窗口大小的優點[10]，算法流程如圖4所示．

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

背景校正圖像計算公式為式(1)：

式中：I( i , j)為原始圖像．m ( i , j)為像素點(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，ω( i , j)為方差．偏差系數k的最優解由計算式(3)獲得．

經研究表明，針對不均勻的照明，窗口尺寸越小，圖像細分的越細，但噪聲更為敏感，圖像處理速度慢，因此將窗口大小設置為 2倍的動車車號尺寸，效果最佳．當窗口尺寸 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

對采集的圖像進行粒子分析，眾多數據分析表明：動車車號集中在圖像像素在(430，560)區域，運用 Bounding react top算法去除區間外圖像以及區間外黏連在區間內的圖像；基本形態學膨脹與腐蝕算法結合使用，清除圖像中的殘余干擾源；高級形態學去除小目標像素，確保處理的圖像中只保存車號部分，進而確定動車車號在圖像中的位置[11]．基本形態學膨脹運算公式見式(7)，基本形態學腐蝕運算公式見式(8)．

式中： f( i , j)為原始圖像，g ( i , j)為結構元素，預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，采集的車節圖像均包含兩個動車車號，采用IVA Coordinate System Manager 2.vi函數定位原圖中車號的位置，并將其在原圖中裁剪提取，結果如圖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分不明顯，因此采用邊緣檢測-拉普拉斯濾波器進行圖像濾波，以鞏固邊緣、減少誤差．該算法主要應用于提取輪廓和輪廓細節，公式模式是adcd×bcda，如圖10所示；其中：a、b、c、d為整數，x為一個大于周圍系數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用背景校正對圖像進行二值化；高級形態學算法去除接觸邊界粒子與去除小目標粒子，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，因此采用改進的投影法和最大間距算法將數字、英文字符與漢字區分開[13]．投影法是字符在投影圖上都有相應的投影模塊[14]．改進的投影算法對圖像進行垂直投影與水平投影，并結合字符最大間距算法，提出字符間距分割算法[15]，進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．