鐵路車號CMOS圖像傳感信息智能識別方法

摘 要：CMOS傳感器在采集鐵路車號圖像過程中存在多種外界因素的混合干擾，圖像重復區域增多，增加了鐵路車號識別復雜度。為此提出基于CMOS傳感器的鐵路車號識別方法。利用CMOS傳感器采集多種因素干擾條件下的鐵路車號圖像，利用深度卷積神經網絡對鐵路車號圖像重復區域進行檢測，剔除無用矩形框，確定有效的車號區域。利用維納濾波器對鐵路車號預選框區域去噪處理，有效避免干擾因素對于鐵路車號圖像質量的不利影響。搭建鐵路車號識別模型，利用多任務學習方法對該模型進行訓練，將去噪處理后的圖像輸入該模型中，得到鐵路車號識別結果。實驗結果表明：所提方法的鐵路車號識別精度高和時間短，實際應用效果好。

關鍵詞：CMOS傳感器；鐵路車號；智能識別；維納濾波器；多任務學習

中圖分類號：U271; TP391.41文獻標志碼：B文章編號：1671-5276（2024）03-0275-05

Intelligent Recognition Method of Railway Vehicle Number CMOS Image Sensing Information

Abstract：Rearding the increases of image repetition area and complexity of railway vehicle number recognition caused by mixed interferences of various external factors in the process of collecting railway vehicle number image with CMOS sensor， a railway vehicle number recognition method based on CMOS sensor is proposed. The CMOS sensor is used to collect the railway vehicle number image under the interference of various factors， and the deep convolution neural network is applied to detect the duplicate area of the railway vehicle number image， eliminate the useless rectangular frame， and determine the effective vehicle number area. With the Wiener filter， the railway vehicle number pre-selection frame area is de-noised to effectively avoid the adverse impact of interference factors on the railway vehicle number image quality. A railway vehicle number recognition model is built， trained by multi-task learning method， input the de-noised image to get the railway vehicle number recognition results. The experimental results show that the train number recognition by the proposed method has high accuracy and short time with good practical application effect.

Keywords：CMOS sensor; train number; intelligent identification; Wiener filter; mult-task learning

0 引言

通過識別鐵路車號可實時獲取包括運行位置、速度等一系列數據的車輛信息，對車輛進行動態化追蹤，從而實現鐵路車輛的綜合化管理［1］。每輛列車均有獨立的車牌編號，利用相關傳感器采集車輛信息，對車輛多參數進行識別，可以減少人工采集上報的工作量，提供更加可靠準確的數據信息。不僅如此，還能夠直接將控制任務指令發送到執行終端，對列車執行減速或者機械修理等操作，有利于加強車輛管理效率與管理水平［2］。

在已有的鐵路車號識別研究中，艾鑫等［3］基于圖像文本識別方法通過網絡提取車輛小尺度牌號信息特征并進行多特征尺度融合，定位車號所屬區域。對車號進行分類回歸，利用邊界敏感文本框識別車號信息，以此制定控制管理與機械維修策略；李猛坤等［4］提出一種移動邊緣計算識別法，通過車聯網實現列車視頻采集，利用移動邊緣計算方法對車聯網視頻采集邊緣進行分離卷積核計算，在對視頻內車號區域進行數學形態處理后提取車號信息，實現鐵路車號識別。

當前的識別硬件多采用的是CMOS傳感器，其所處環境較為復雜，車號圖像采集結果受到多種因素的干擾，導致圖像噪聲分量大幅度增加，使得鐵路車號識別過程存在較大困難，因此提出針對CMOS傳感器的鐵路車號識別方法。

1 鐵路車號目標檢測

CMOS傳感器的使用，不僅可以省去現場抄寫車輛編號的步驟，同時可以根據車號信息識別，從而完成對列車車號的獲取，實現列車安全運行追蹤判定和機械控制［5-6］。

利用馬氏距離定義和觀測列車距離信息：

式中：zi表示CMOS傳感器信號采集周期內第i個目標列車的觀測值；zkk－1表示在k－1時刻目標列車距離預測值；Sk表示兩個相鄰傳感器之間的協方差矩陣。可將m行n列矩陣中的指定元素看作是CMOS傳感器在m行n列中的協方差［7］。

將滿足CMOS傳感器距離觀測條件的列車序列集合表示為

式中：z表示CMOS傳感器觀測值序列集合中的單位元素，當列車序列出現在式（2）中所涉及到的區域范圍內時，證明列車車號正處于有效識別范圍內，C表示對應的限定閾值［8］。

當CMOS傳感器同時采集鐵路車號序列圖像時，通常會出現冗余，需要先對CMOS傳感器采集到的圖像進行融合處理，其中鐵路車號圖像序列表達式為

xk=fk（xk－1，uk－1，vk－1）（3）

式中：{xk，k=0，1，2，…，k}表示一個離散時間內的狀態矢量序列，k表示圖像序列總量；uk－1表示目標車輛機械控制輸入向量；{vk－1，k=0，1，2，…，k}表示正態分布的車輛序列分離獨立變量。

由于所處環境較為復雜，CMOS傳感器信號受多種因素的混合干擾，導致鐵路圖像車號區域出現重復，影響車號識別。對此需要對鐵路車號重復區域進行檢測，剔除無用矩形框，確定有效的車號區域。將數字和字母作為檢測目標，定位具體車號位置，為后續識別奠定良好基礎。

為了精確定位出預選框，預選框精度定義如式（1）所示。

式中xy、vk、C1、C2表示不同的預選框。

在實際操作中，采用預選框的面積來計算重合度，則計算公式為

式中：S1表示預選框C1的面積；S2表示預選框C2的面積；Sn表示兩個區域重合的面積。

針對車號區域的檢測，采用深度卷積神經網絡提取預選框并進行打分。深度卷積神經網絡模型如圖1所示。

具體步驟如下。

1）用nxn的滑動窗口掃描，通過卷積層1映射到一個低維的特征向量，然后采用ReLU（rectified linear units）為每個滑窗位置考慮k種可能的參考窗口。

2）通過卷積層2（兩個并行卷積層），即reg窗口回歸層和cls窗口分類層，分別用于產生預選框（bounding-box）和對預選框進行打分（判定是否為前景或背景）［9-10］。

預選框輸入到主網絡中的ROI池化層，會從中剔除沒有用的矩形框，從而對預選框進行優化。而非極大值抑制法是一個較好的方法，在剔除無用矩形框上有較好的效果。

非極大值抑制法的思路如下：

以9個預選框為例，根據預選框的概率將其從小到大排序為A、B、C、D、E、F、G、H、I。

a）從最大的概率框I開始，分別計算A到H的矩形框與I框的重疊度，將其與某個設定的閾值進行比較。

b）剔除那些重疊度超過設定閾值的矩形框（例如B、C、F），此時對保留下來的I框進行標記。

c）從余下的矩形框A、D、E、G、H中，選定概率最大的H框，計算A、D、E、G與H的重疊度，將其與某個設定的閾值進行比較。剔除超過設定閾值的矩形框，對保留的H框進行標記。重復上述步驟，直到所有需要保留的矩形框均被標記，從而實現鐵路車號目標檢測。

2 鐵路車號預選框區域去噪

維納濾波法是Norbert Wiener于1942年提出的以最小均方誤差為準則的最佳線性濾波方法。維納濾波器［11-12］的輸入與輸出關系如圖2所示。

將式（8）代入式（7）得到

式中：Rm（i）表示圖像帶噪信號的自相關函數；Rn（i）表示圖像預選框帶噪信號與圖像預選框有效信號的互相關函數。按照最小均方誤差的原則，令導數大于0，得到如下的維納-霍夫方程：

將式（11）變換到z域，則有

重復上述過程，得到鐵路車號預選框區域去噪結果：

從維納-霍夫方程中得到的h（i），能夠使濾波器對圖像預選框區域達到最佳的去噪效果。

3 鐵路車號識別方法

利用關聯維數識別顏色、大小、形狀等圖像參數，將圖像全方位覆蓋尺寸相同的格子，通過分析車號參數出現在某個柵格的概率，再通過計算信息熵，明確穩定性。信息熵計算公式如下：

式中：x表示格子邊長；i表示格子；n表示格子總數量；Pi表示異常信號出現在格子i的概率。

信息維數計算公式為

式中DI表示信息維數。

關聯維數的計算方式與信息維數極為相仿，同樣是先計算車號參數出現在單元格內的概率，再以該單元格為中心，與鄰域單元格交換數據信息，形成數據關聯網絡，結合數據關聯網絡搭建鐵路車號識別模型，該模型的具體描述如下：

式中Pr（x）表示參數識別函數。

采用多任務學習方法對于鐵路車號識別模型進行訓練，訓練集的具體描述如下：

（xij，yij）brj=1（17）

式中：xij表示第i個鐵路車號參數識別任務的第j個樣本；yij表示xij對應的樣本標簽。多任務學習方法的目標在于獲取一個預測函數，具體如下：

fi（xij）=vTixij+bi（18）

式中：bi表示第i個鐵路車號參數識別任務參數；vTi表示bi對應的權重。為了保證為不同任務的模型參數應該盡可能相似，需要構建多任務分類模型。

式中：L（Y，wTkX）表示損失函數；λ1、λ2表示相似度度量函數；wk、wi、wj表示不同的預測模型參數。

結合多任務分類模型，搭建聯合特征學習模型，該模型的描述如下：

式中：U表示特征描述參數，W21，2表示wi2的l1，2范數，則鐵路車號識別模型訓練目標函數如下：

式中：P、QT分別表示不同的正則項參數；yi表示識別模型輸出誤差；XTi表示參數權重參數。

4 仿真實驗

4.1 實驗設置

1）數據集介紹

訓練數據集為本文手工標注的7 000張車號區域圖像，針對其中的車號進行可編輯的文本標注，從中選取測試數據集共2 109張車號區域，與訓練集沒有交集。

2）實驗配置

實驗環境為Ubuntu 16.04，GPU的型號是NVIDIA GeForce TITAN X，實驗框架為caffe框架。在訓練和測試階段，輸入車號區域均需要歸一化為32像素，寬度同比例縮放。隱藏層特征數設置為256，解碼器特征數設置為512，Batchsize大小為64，訓練一共迭代20 000次，學習率初始值為1。

4.2 實驗結果分析

本文主要利用CMOS傳感器采集鐵路車號圖像，將車號區域作為目標，如圖3所示。當使用深度卷積神經網絡提取預選框后，最終獲取的預選框仍然較多，如圖4所示。利用維納濾波器對鐵路車號預選框區域進行去噪處理，處理后的結果如圖5所示。

將去噪處理后的圖像輸入至訓練好的鐵路車號識別模型中，得到鐵路車號識別結果，如表1所示。

在列車駛入過程中的相同位置上分別利用本文方法、文獻［3］方法和文獻［4］方法對列車車號進行識別，識別精度進行比較，結果如圖6所示。

從圖6可以看出，3種方法對車號識別精度隨著距離的增加而下降。通過比較可知，當車距增加到500m時，對比方法對列車的識別精度相對較低，而本文方法的準確度相對更高。

不同方法下的鐵路車號識別時間對比如圖7所示。從圖7中可以看出，本文方法能夠在保證識別精度的同時，使得識別時間更短，說明該方法能夠精準、快速地識別鐵路車號的多參數，實際應用效果好。

5 結語

本文在CMOS傳感器的基礎上采集鐵路車號圖像，在圖像中設置鐵路車號預選框并對該區域去噪處理，將處理結果輸入訓練好的識別模型中，得到鐵路車號識別結果。實驗結果表明：實驗及數據分析證明了本文方法的可靠性，識別精度、識別耗時以及傳感器信號延時效果均比較理想，可以在鐵路車號識別與機械設備管理領域得到廣泛應用。

參考文獻：

［1］ 張濟民，宗振海，周和超，等. 獨立旋轉輪對軌道車輛自適應導向控制研究［J］. 機械工程學報，2022，58（4）：232-239.

［2］ 李權福，張鍇，何應德，等. 一種新型鐵路貨車車號標簽質量狀態自動檢測方法［J］. 機械設計與制造工程，2021，50（12）：81-84.

［3］ 艾鑫，鄒琪，羅常津. 面向精確定位的列車車號文本定位與識別［J］. 計算機輔助設計與圖形學學報，2020，32（11）：1863-1870.

［4］ 李猛坤，柯正軒，于定榮，等. 基于移動邊緣計算的車聯網車牌號碼識別算法［J］. 計算機工程與設計，2021，42（11）：3151-3157.

［5］ 陳復揚，姜斌，沙宇. 基于分布式光纖振動傳感器的鐵路安全監測算法［J］. 物聯網學報，2020，4（3）：106-111.

［6］ 張瑞國，申燕飛，曾興興，等. 基于紅外測距傳感器的鐵路貨車車載電子稱重方法［J］. 內燃機與配件，2020（7）：257-260.

［7］ 門永林，李士佩，臧鐵剛. 基于雙排傳感器的轉軸式自動循跡列車控制策略［J］. 機械制造與自動化，2022，51（6）：180-184.

［8］ 金鵬，黃浩，劉檢華，等. 多傳感器信息融合的鐵路扣件缺陷檢測方法［J］. 機械工程學報，2021，57（20）：38-46.

［9］ 孫浩，陳進，雷琳，等. 深度卷積神經網絡圖像識別模型對抗魯棒性技術綜述［J］. 雷達學報，2021，10（4）：571-594.

［10］ 段恩澤，方鵬，王紅英，等. 基于深層卷積神經網絡的肉兔圖像分割與體質量估測［J］. 農業機械學報，2021，52（6）：259-267.

［11］ 吳孟禮，陳躍斌，吳海鋒，等. 抵御SSDF攻擊的維納濾波器檢測算法研究［J］. 計算機工程，2020，46（11）：187-193.

［12］ 杜社會，肖啟國，羅昌友，等. 基于AR模型的維納濾波器設計分析［J］. 信息技術與信息化，2020（9）：159-161.