地鐵車輛車號識別系統(tǒng)的研究與應用

楊樹旺

（中鐵第一勘察設計院集團有限公司，陜西西安 710043）

1 引言

伴隨計算機及信息技術(shù)的發(fā)展，以全自動駕駛車輛為代表的新技術(shù)為城市軌道交通注入新的活力。為提高全自動駕駛車輛檢修作業(yè)的信息化水平，完善車輛檢修基地的信息化建設，將全自動駕駛車輛基地自動駕駛區(qū)綜合管控系統(tǒng)所產(chǎn)生的監(jiān)測數(shù)據(jù)與對應車輛進行綁定，即可形成特定車輛的專屬“病例”檔案，便于檢修管理決策以及車輛性能改進。而要實現(xiàn)上述目標，就必須完成車輛編號的自動識別。

車輛編號自動識別技術(shù)的實現(xiàn)主要經(jīng)歷了射頻技術(shù)與電子標簽結(jié)合、圖像識別技術(shù)等階段，但由于涉及車輛結(jié)構(gòu)改造以及易受異物影響等原因，使用效果均不理想。隨著大數(shù)據(jù)技術(shù)的發(fā)展，深度學習技術(shù)逐漸在車號識別研究領(lǐng)域有所應用。胡路路、張亮等采用目標檢測算法、文字檢測網(wǎng)絡（Connectionist Text Proposal Network，CTPN）模型實現(xiàn)了車輛編號的識別，準確率超過95%。但該種方法模型迭代次數(shù)極高，需要大量的樣本數(shù)據(jù)提高識別準確率。

2 車號識別系統(tǒng)技術(shù)簡介

本文基于深度學習、目標檢測、機器視覺和光學字符識別（Optical Character Recognition，OCR）等技術(shù)，研發(fā)新型車號識別系統(tǒng)。該系統(tǒng)利用車輛標志與編號相對位置固定的特點，大幅減少模型訓練所需的樣本數(shù)量。

2.1 深度學習技術(shù)

深度學習是機器學習的分支，是一種以人工神經(jīng)網(wǎng)絡為架構(gòu)，對資料進行表征學習的算法。本系統(tǒng)使用的深度學習技術(shù)框架為Darknet。Darknet深度學習框架支持中央處理器（Central Processing Unit，CPU）和圖形處理器（Graphics Processing Unit，GPU）計算，且支持開源計算機視覺庫（Open Source Computer Vision Library，OpenCV）和共享內(nèi)存并行編程（Open Multi-Processing，OpenMP），同時Darknet框架具有結(jié)構(gòu)清晰，源代碼查看、修改方便的優(yōu)點。

2.2 目標檢測技術(shù)

目標檢測是計算機視覺及影像處理中的術(shù)語，指的是讓計算機去分析1張圖片或者1段視頻流中的物體，并標記出來。本系統(tǒng)使用YOLO目標檢測算法，其算法示意圖如圖1所示。YOLO算法將輸入圖像縮放成統(tǒng)一大小的尺寸，利用整張圖片作為輸入進行特征的提取，將最后的特征圖劃分為S×S個網(wǎng)格，每個網(wǎng)格可以看成是1個候選框，每個候選框包含了4維位置坐標信息和1維目標類別置信度，然后分別對每個網(wǎng)格進行目標分類和邊框回歸，實現(xiàn)目標搜索。

2.3 機器視覺技術(shù)

機器視覺是配備有感測視覺儀器（如自動對焦相機或傳感器）的檢測機器，可用于檢測產(chǎn)品缺陷、判斷并選擇特定物體，或用于測量尺寸等，大量應用于工廠自動化檢測及機器人產(chǎn)業(yè)中。

2.4 光學字符識別技術(shù)

OCR是指對文本資料的圖像文件進行分析識別處理，獲取文字及版面信息的過程。本系統(tǒng)使用開源算法Tesseract。支持Tesseract 的Leptonica組件有著優(yōu)越的圖像分析性能，保證文字識別的精度。除此之外，Tesseract還具有多平臺的可移植性，擁有龐大的Unicode字符識別庫。OCR 檢測與文本識別主要包含圖像預處理、版面分析、圖像切分、特征提取與模型訓練、識別后處理等，其流程如圖2所示。

3 系統(tǒng)工作流程

基于上述技術(shù)，本文研發(fā)的基于深度學習目標檢測的車號識別系統(tǒng)主要由高速攝像頭、光電反射車感器、邊緣計算機及信息傳輸模塊組成，工作流程如圖3所示。

（1）在列檢庫司機登車平臺端部，采用可調(diào)節(jié)吊桿機構(gòu)吊裝車號識別攝像機，使其能夠在車輛經(jīng)過時在同一畫面中拍攝到車輛的標志（LOGO）和車號，車號識別攝像機安裝位置如圖4所示。在該股道車輛入庫位置部署1臺邊緣計算機和1個光電反射車感器，地鐵車輛經(jīng)過時觸發(fā)車感器，邊緣計算機通過車感器檢測到車輛到來，觸發(fā)攝像頭錄制短視頻。

（2）邊緣計算機內(nèi)置檢測程序，使用深度學習目標檢測技術(shù)逐幀檢測視頻是否拍到車輛LOGO，如果沒有檢測到則判定為車感器誤觸發(fā)；如果檢測到車輛LOGO，則通過檢測程序計算得到LOGO在圖像上的位置和像素尺寸大小。

（3）根據(jù)車頭正面LOGO與車號之間的相對位置和大小比例關(guān)系（預置在檢測程序中），基于機器視覺技術(shù)計算出車號在圖像上的位置和大小，找到車號位置，圖像裁減后使用OCR算法進行文本識別，得到車號數(shù)據(jù)。由于攝像頭不可能安裝在車頭正前方，車號圖像會有變形，裁減車號位置的圖像后，可通過透視變換矯正圖像，以改善圖像變形對識別結(jié)果的影響。

（4）邊緣計算機按照通信協(xié)議要求將車號數(shù)據(jù)、車感器被觸發(fā)的時間以及邊緣計算機編號通過網(wǎng)絡發(fā)送給上級服務器。上級服務器據(jù)此形成特定車輛的位置記錄。

地鐵車輛的車頭部分標識了車輛編號及車輛LOGO，如圖5所示。不同車輛的車號不同，但LOGO的位置及形狀固定不變。系統(tǒng)在策略上的與眾不同之處在于，不直接識別車號，而是先識別出LOGO，根據(jù)LOGO與車號之間的位置關(guān)系，找到車號所在區(qū)域，然后再識別車號。由于LOGO是固定不變的目標，相比車號的識別準確度會更高，深度學習時所需要的樣本更少，訓練速度更快。

4 系統(tǒng)現(xiàn)場測試結(jié)果

依托南寧地鐵那洪車輛基地的建設，實施全自動駕駛車輛基地作業(yè)綜合管控系統(tǒng)。其中停車列檢庫的車號識別系統(tǒng)安裝完畢后，在現(xiàn)場進行為期2個月的調(diào)試測試，數(shù)據(jù)統(tǒng)計結(jié)果如圖6所示。

由圖6可知，測試前期識別成功率曲線波動較大，成功識別車號數(shù)量較少；隨著調(diào)試過程的推進，識別成功率逐漸上升，并趨于穩(wěn)定，但仍有個別數(shù)據(jù)波動產(chǎn)生。通過故障分析顯示，個別股道未能成功識別車號的原因均為車感器未被觸發(fā)、攝像機未拍攝錄像等硬件設備原因，除此之外，在硬件設備正常運轉(zhuǎn)、攝像機正常工作的其余股道，車號識別系統(tǒng)均正確識別出所在股道的車輛車號。在調(diào)試后期，系統(tǒng)的識別準確率也趨于穩(wěn)定。

5 結(jié)論

當前國內(nèi)城市軌道交通發(fā)展迅速，本文從全自動駕駛車輛基地自動駕駛區(qū)綜合管控系統(tǒng)的實際需求出發(fā)，綜合深度學習、目標檢測、機器視覺以及光學字符識別技術(shù)，利用地鐵車輛車號與車輛標志相對位置不變的特點，開發(fā)了地鐵車輛的車號識別系統(tǒng)。經(jīng)過現(xiàn)場安裝測試，證明其能夠成功識別車輛編號，準確率及可靠性均達到使用要求，可為解決傳統(tǒng)地鐵車輛檢修基地車號識別問題提供有效的解決方法，為持續(xù)推進車輛基地運用檢修管理信息化提供有力保障。