一种基于组合灰狼优化支持向量机的车号识别方法技术

本发明专利技术公开了一种基于组合灰狼优化支持向量机的车号识别方法。所述方法为如下步骤：S1.采集现实条件下不同复杂车厢背景下的铁路货运车号区域图像，通过定位、分割对车号字符目标区域进行标记、提取；S2.对铁路货运车号字符图像进行归一化、灰度化；S3.对灰度图像提取方向梯度直方图特征(HOG)，并对HOG特征采用主成分分析法(PCA)进行降维；S4.将字符图像特征，输入一组灰狼优化支持向量机分类器(GWO

【技术实现步骤摘要】
一种基于组合灰狼优化支持向量机的车号识别方法
(一)

[0001]本专利技术涉及图像识别领域，具体是设计一种基于组合灰狼优化支持向量机的车号识别方法。
(二)
技术介绍

[0002]铁路货运车号通常由字母、数字组合而成，字母字符代表货车车型、货车材质或结构，数字字符分别代表货车的载重和车号编码信息。铁路货运车号是记录货车车型、结构、载重及车号编码信息的唯一标识，在铁路货运列车管理、货车追踪、货车列检等方面起到至关重要的作用，因而关于字符识别的研究被广泛用于铁路货运车号的识别应用中。随着深度学习技术的不断发展，利用计算机强大的算力，实现端到端的识别模式越来越普及。但基于深度学习的算法也有着训练样本多、模型结构复杂、训练周期长等问题。
[0003]现有基于深度学习的铁路货运车号字符识别方法需要大量的训练样本，而且对目标图像特征语义解释度不高，现有工作存在的问题是模型训练时间长和对计算机硬件的算力要求高。因此，有必要提供一种基于组合灰狼优化支持向量机的车号识别方法解决上述技术问题。本专利技术相比较于深度学习的方法，具有训练样本需求小、训练周期短、对硬件设备算力要求小，识别速度快，识别准确率高的特点。
(三)
技术实现思路

[0004]本专利技术的目的在于解决现有深度学习识别方法的不足，提供一种基于组合灰狼优化支持向量机的车号识别方法，训练样本需求小、训练周期短、对硬件设备算力要求小，识别速度快，识别准确率高。
[0005]实现本专利技术目的具体方法，包括以下四个步骤：
[0006]S1.采集现实条件下不同复杂车厢背景下的铁路货运车号区域图像，通过定位、分割对车号字符目标区域进行标记、提取，采集数字0
‑
9的字符样本和字母A、B、C、E、K、T、P的字符样本，共17类字符图像；
[0007]S2.所有车号字符图像的尺寸归一化为32
×
16，并进行灰度化；
[0008]S3.提取车号字符图像方向梯度直方图特征HOG，并对HOG特征采用主成分分析法PCA进行降维；
[0009]S4.将降维后的HOG特征，输入一组灰狼优化支持向量机分类器(GWO
‑
SVM)进行多分类，将铁路货运车号字符分为易区分的数字和字母字符，以及易混淆的数字和字母字符，共四类；再串联两组GWO
‑
SVM，分别对铁路货运车号字符中的数字和字母字符进行分类识别。
[0010]进一步地，步骤S2具体为：
[0011]将车号字符图像中分解的彩色图像R、G、B三个分量进行加权平均得到灰度值。
[0012]本专利技术考虑到铁路货运车号字符图像具有较强的边缘、纹理等几何特征，而HOG特征表达的是图像的梯度特征，它计算了一幅图像局部的梯度，然后进行统计，得到直方图，
可以很好地反映图像轮廓信息的变化，根据这种特征，可以得到所需要识别的目标的形状和轮廓。因此，本专利技术选用铁路货运车号字符的梯度方向直方图特征(HOG)作为铁路货运车号字符的识别模型的数值型特征。
[0013]进一步地，步骤S3中，提取铁路货运车号字符图像的HOG特征，具体包括：
[0014]S31.为了使得环境的影响降至最小，包括光照和阴影的影响，采用Gamma校正法，对不同的颜色进行归一化处理，于此同时还可以降噪；
[0015]S32.为了捕捉图像的轮廓信息，求取图像像素水平和垂直方向上的梯度，分别按照水平和垂直方向进行计算，把求取的梯度向量的幅值和方向角数据记录下来；
[0016]S33.在求取梯度的条件下，根据一定尺寸的大小把图像分块，即称细胞单元cells(设定每个细胞单元的大小为8
×
8)，针对不同的梯度个数，计算并统计每个细胞单元cell的梯度直方图；
[0017]S34.选取每块4
×
4个cell单元为一块，将每个块block内所有的梯度直方图结合起来便可得到每块的HOG特征,最后把图像全部的block的HOG特征结合起来就得到了整个图像的HOG特征。
[0018]S35.为了消除数据间的大量冗余，提高图像处理的效率，对提取的HOG特征进行降维，本文采用主元分析法(PCA)完成HOG特征向量的降维操作，采用该方法既可消除特征间的冗余信息，降低特征空间的维数，也能保留图像识别所需的信息。针对所述HOG特征矩阵，对数据进行去均值和方差归一化，计算PCA协方差矩阵，对HOG特征矩阵进行降维，得到降维后的特征矩阵。
[0019]本专利技术是一种基于组合灰狼优化支持向量机的车号识别方法。由于惩罚因子C和核参数g是SVM分类模型的关键参数，惩罚因子C和核参数g的不同取值，对SVM模型的分类性能有很大的影响。灰狼优化(GWO)算法，具有结构简单、收敛速度快、全局性好等优点，很适合SVM的参数寻优。本方法选用GWO实现对SVM惩罚因子C和核参数g的迭代寻优，提高模型分类的准确率，防止参数陷入局部最优解，并将优化后的SVM分类器应用到车号字符的分类识别中；将字符图像特征，输入一组灰狼优化支持向量机分类器(GWO
‑
SVM)进行多分类，将铁路货运车号字符分为易区分的数字和字母字符，以及易混淆的数字和字母字符，共四类；再串联两组GWO
‑
SVM，分别对铁路货运车号字符中的数字和字母字符进行分类识别。最终，相比较于深度学习，本方法具有训练样本需求小、训练周期短、对硬件设备算力要求小，识别速度快，识别准确率高的特点。
(四)附图说明
[0020]图1为基于组合灰狼优化支持向量机的铁路货运车号字符识别的流程图；
[0021]图2为HOG特征提取的流程图；
[0022]图3为组合GWO
‑
SVM模型识别铁路货运车号字符结构图；
[0023]图4为GWO优化SVM惩罚因子C和核参数g的流程图；
[0024]图5为GWO
‑
SVM区分易混淆的字母和数字字符结果图；
[0025]图6为GWO
‑
SVM识别字母字符结果图；
[0026]图7为GWO
‑
SVM识别数字字符结果图；
(五)具体实施方式
[0027]下为使本专利技术的目的、技术方案更加清楚明确，下面将结合附图和实施例对本专利技术的具体实施方式进一步说明，但不是对本专利技术的限定。
[0028]参考图1，本专利技术实施例提供一种基于组合灰狼优化支持向量机的车号识别方法，包括步骤：
[0029]S1.采集现实条件下不同复杂车厢背景下的铁路货运车号区域图像，通过定位、分割对车号字符目标区域进行标记、提取，采集数字0
‑
9的字符样本和字母A、B、C、E、K、T、P的字符样本，共17类字符图像；
[0030]S2.所有车号字符图像的尺寸归一化为32
×
16，并进行灰度化；
[0031]S3.提取车号字符图像方向梯度直方图特征HOG，并对HOG特征采用主成分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合灰狼优化支持向量机的车号识别方法，其特征在于，所述步骤包括：S1.采集现实条件下不同复杂车厢背景下的铁路货运车号区域图像，通过定位、分割对车号字符目标区域进行标记、提取，采集数字0
‑
9的字符样本和字母A、B、C、E、K、T、P的字符样本，共17类字符图像；S2.所有车号字符图像的尺寸归一化为32
×
16，并进行灰度化；S3.提取车号字符图像方向梯度直方图特征HOG，并对HOG特征采用主成分分析法PCA进行降维；S4.将降维后的HOG特征，输入一组灰狼优化支持向量机分类器(GWO
‑
SVM)进行多分类，将铁路货运车号字符分为易区分的数字和字母字符，以及易混淆的数字和字母字符，共四类；再串联两组GWO
‑
SVM，分别对铁路货运车号字符中的数字和字母字符进行分类识别。2.根据权利要求1所述的一种基于组合灰狼优化支持向量机的车号识别方法，其特征在于：步骤S2具体为：将车号字符样本图像中分解的彩色图像R、G、B三个分量进行加权平均得到灰度值。加权平均灰度化公式为：I(x,y)＝I(x,y,1)
·
0.299+I(x,y,2)
·
...

【专利技术属性】
技术研发人员：胡鸿志，陈超，胡严太，周志高，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：