基于模板匹配和特征匹配的集装箱箱号识别算法
来源:用户上传
作者:
摘要：为实现对集装箱箱号的正确识别，提出一种基于模板匹配和特征匹配的识别算法。对采集到的集装箱图像进行预处理，得到改善后的集装箱二值化图像;采用数学形态学操作使字符域连通，计算字符连通域的宽高比得到集装箱箱号区域;利用投影检测方法实现对箱号字符的分割;运用模板匹配算法与特征匹配算法相结合的分类方法对集装箱箱号字符进行识别。该算法用MATLAB进行编程，完成对集装箱箱号的自动定位、分割和识别。提出的方法可正确识别出集装箱箱号，识别率达到93%，识别时间为130～150 ms，可提高码头的工作效率。
关键词：集装箱; 模板匹配; 特征匹配; 数学形态学; 字符识别
中图分类号： U695.22;TP391.4
文献标志码： A
Abstract：In order to achieve correct recognition of container code， a recognition algorithm based on template matching and feature matching is proposed. The collected container pictures are preprocessed to obtain the improved container binary images; the mathematical morphological operation is used to connect the character domain， and the aspect ratio of the connected domain is calculated to get the container code area; the projection detection method is used to achieve character segmentation; the classification method combining the template matching algorithm and the feature matching algorithm is used to recognize the container code characters. The algorithm is programmed with MATLAB to achieve automatic positioning， segmentation and recognition of container codes. The proposed method correctly recognizes container codes， the recognition rate reaches 93%， and the identification time is between 130 ms and 150 ms. The method can improve the working efficiency of terminals.
Key words：container; template matching; feature matching; mathematical morphology; character recognition
0 引 言
集裝箱是主要的物流装备，“十三五”期间，上海港的集装箱年吞吐量预计达到4 200万TEU左右。集装箱箱号是集装箱的唯一标识，实现对集装箱箱号的正确识别是提高集装箱管理效率的有效途径。识别集装箱箱号的传统手工方法有很多缺点，如速度慢、错误率高等，因此国内外学者在对箱号识别方面做了很多研究。宓超等[1]提出了基于模板匹配的集装箱箱号识别方法，该方法对集装箱箱号的识别率高，但当箱号噪声较大时，箱号识别会发生错误;胡婷[2]提出了基于人工神经网络（artificial neural networks，ANNs）的集装箱箱号识别方法，该方法对箱号的识别率高，但训练时间长，需要进行大量试验;安博文等[3]提出了基于支持向量机（support vector machine，SVM）分类器的集装箱箱号识别方法，此方法虽然稳定性较好，对箱号的识别率高，但是需要大量的训练样本。本文提出一种基于模板匹配和特征匹配的集装箱箱号识别方法。该方法通过采集的集装箱图像建立字符模板库和相似字符的特征模板库，在对箱号进行识别时，首先对箱号进行模板匹配，再对模板匹配得到的相似字符进行特征匹配，最终得到箱号识别结果。本文提出的识别方法选取相似字符之间差异较大的特征作为特征模板库的特征向量，能够避免模板匹配对相似字符的误识别;同时模板匹配不像SVM方法那样需要大量的训练样本，也不像神经网络方法那样需要大量的训练时间，可提高识别的效率。
1 集装箱箱号的特征
根据ISO标准，集装箱箱号由3个部分组成[4]：4个大写英文字母、6位数字和1个校验码。虽然在这11个ISO字符旁边可能有其他字符，但是这11个ISO字符被认为是集装箱的唯一代码。ISO标准仅规定集装箱上的代码类型、字符和背景，而没有规定集装箱箱号的位置、字体类型和字号。典型集装箱箱号示例见图1。
集装箱箱号的特征[5]总结如下：
①不同的集装箱箱号位置可能不同，箱号的字体类型和字体颜色也可能不同。
②同一集装箱箱号灰度接近，由大小相对一致的印刷体组成，箱号字符与背景之间对比强烈。
③集装箱箱号字符有多种排列模式，例如：水平排成1行;水平排成2行;竖直排成1列。
④采用竖直排列模式的集装箱箱号宽高比范围为1/10～1/8。
本文主要描述应用于竖直排列模式的方法。只要把集装箱图像旋转180°，再调整几个参数，该方法就可以适用于水平排列模式。 2 集装箱箱号的识别过程
下面通过处理一幅集装箱图像来说明集装箱箱号的识别过程。
集装箱箱号的识别过程包括4个步骤（或模块）：集装箱图像预处理、集装箱箱号定位、集装箱箱号分割、集装箱箱号字符识别。
集装箱箱号识别的各个模块是相互关联的，前一个模块的处理会影响后续模块运行的效果，因此有针对各个模块的处理算法。
2.1 集装箱图像预处理
集装箱图像的预处理模块是整个识别系统中的第1个模块，在预处理模块中对集装箱图像进行灰度化、平滑、二值化操作，其目的是改善图像质量，提高箱号识别的精度和速度。
2.1.1 图像灰度化操作
2.1.2 图像平滑操作
图像平滑操作是为了降低噪声对集装箱图像中箱号区域的影响。系统采用中值滤波对集装箱灰度图像进行平滑操作，滤除噪声，让集装箱图像灰度与实际物体的灰度最大程度地匹配。中值滤波采用空域平滑算法[7]。中值滤波的原理：首先将箱号区域像素值按从小到大的顺序排列，然后选出处于中间位置的像素值作为图像的输出灰度。中值滤波器是一个滑动窗口，滑动窗口中含有奇数个像素值，窗口正中间的像素值为窗口中所有像素值的中值。对于1个3×3的集装箱灰度图像，其中值滤波示意图见图3。
4 结束语
集装箱箱号的自动识别对现代集装箱管理系统非常重要，对集装箱箱号自动识别系统的研究要考虑算法的实时性和鲁棒性。本系统通过对采集的集装箱图像进行预处理，能够自动准确地定位到箱号区域，对箱号区域字符进行分割，并能正确快速地识别出箱号字符。
在研究的过程中发现，对于污损过大和曝光过度的集装箱箱号，采用本文的方法无法正确识别。未来将尝试由一台或多台摄像机采集集装箱在不同位置或不同时间的图像（集装箱箱号图像在一张图像中可能是清晰的，在另一张图像中可能是模糊的），然后将这些图像整合或融合至同一幅集装箱图像中，从而提高集装箱箱号自动识别的性能。
参考文献：
[1]宓超， 沈阳， 宓为建. 裝卸机器视觉及应用[M]. 上海： 上海科学技术出版社， 2016： 147-151.
[2]胡婷. 基于神经网络的集装箱字符识别的研究[D]. 武汉： 武汉理工大学， 2012.
[3]安博文， 李丹， 庞然. 基于SVM分类器的集装箱箱号识别法[J]. 上海海事大学学报， 2011， 32（1）： 25-29.
[4]孙凌红. 集装箱箱号智能识别算法研究[D]. 武汉： 武汉理工大学， 2012.
[5]陈子宜. 基于机器视觉的集装箱箱号识别[D]. 上海： 上海交通大学， 2014.
[6]张铮， 徐超， 任淑霞， 等. 数字图像处理与机器视觉[M]. 2版. 北京： 人民邮电出版社， 2014： 58-89.
[7]孙正. 数字图像处理与识别[M]. 北京： 机械工业出版社， 2014： 69-74.
[8]陈莉. 数字图像处理算法研究[M]. 北京： 科学出版社， 2016： 97-113.
[9]GONZALEZ R C， WOODS R E. 数字图像处理[M]. 阮秋琦， 阮宇智， 译. 3版. 北京： 电子工业出版社， 2011： 402-437.
[10]谷秋頔. 基于模板匹配的车牌字符识别及其判别函数的研究[D]. 太原： 中北大学， 2012.
[11]冼允廷， 路小波， 施毅， 等. 基于投影二分法的车牌字符分割方法[J]. 交通与计算机， 2007（5）： 69-72.
[12]陈默， 何小海， 吴炜， 等. 结合独立与连续字符识别的集装箱号识别技术[J]. 四川大学学报（工程科学版）， 2011， 43（S1）： 39-145. DOI： 10.15961/j.jsuese.2011.s1.025.
[13]姜瑾， 张桂林， 许慧慧. 基于投影特征曲线匹配的车牌字符识别算法[J]. 计算机与数字工程， 2007（6）： 20-22.
[14]陈丹. 集装箱图像识别与定位系统研究与实现[D]. 成都： 西南交通大学， 2013.
（编辑 贾裙平）
转载注明来源:https://www.xzbu.com/4/view-14798123.htm
