[发明专利]基于多分类支持向量机的集装箱箱号识别方法

说明书

技术领域

本发明属于图像处理技术领域，涉及模式识别技术，特别涉及集装箱箱号识别方法。

背景技术

集装箱是一种综合性的大型周转货箱，全球所有的集装箱都具有一个唯一的箱号与之对应。集装箱箱号通常用不同于箱体本身颜色的油漆印刷于集装箱箱体两侧和后侧。由于每个集装箱都具有一个唯一的箱号与之对应，所以对集装箱的识别就可以归结为对箱号的识别。

本发明中集装箱箱号识别是指利用计算机视觉技术来完成对集装箱箱号的识别。集装箱箱号识别系统一般要求能实时识别通过卡口的集装箱箱号并通过计算机检索系统查询集装箱的信息。通常，集装箱箱号识别方法可以分为四个过程：图像采集、箱号定位、箱号字符分割和字符识别，而如何进行精确的字符识别是影响集装箱箱号识别系统识别率高低的一个关键问题。

全球的集装箱有统一的编号标准：箱号由四个大写英文字母表示公司简称，六个阿拉伯数字表示编号，最后还有一个被框起来的数字校验位。

虽然集装箱箱号识别可以借鉴现有的一些计算机字符识别方法，但集装箱箱号字符识别具有自身的特点：小字符集(数字和字母)、箱号字体没有统一的印刷标准(箱号字体的印刷因集装箱所属公司而有所不同)、干扰和几何变形较多(如集装箱背面还存在着很多非箱号的其他字符)、甚至出现箱号破损的情况。而且集装箱箱号字符识别要求更高的识别率，上下文字符也没有语义和概率上的相关性。

现有的计算机字符识别主要有以下几种方法：

1.模板匹配的方法，利用字符轮廓、骨干、网络或者投影等特征，与标准字符比对分类。但是，由于实际应用中存在的干扰和变形，实用中常常没有很高的识别率。

2.按字符特征分类的方法，找出能够区别字符集中字符的特征集，如：字符像素比例、孔洞数、字形结构、笔画特征等。由于特征算法的实现困难，而且同样由于噪声干扰的问题，这一方法的识别率不高。

3.神经网络的方法是目前比较成功的方法。但是存在输入数据选择和网络结构设计等问题。

发明内容

本发明的目的是提供一种基于多分类支持向量机的集装箱箱号识别方法。本发明基于多分类支持向量机，利用其良好的分类能力，直接对提取出来的字符分类，相比于其他同领域的方案具有更高的识别率。

为方便描述本发明内容，这里首先对一些术语进行必要的定义：

定义1.集装箱箱号。对应于全球唯一的集装箱，由4个大写英文字母和7个阿拉伯数字组成，共11个字符。其中4个字母分为箱主(经营人代码)和设备识别码两部分，7个数字分为序号和校验码两部分。

定义2.灰度图像的二值化。在灰度图像中，常采用一个字节表示一个像素点，其灰度级为0～255，其二值化方法为构造用一个二进制位表示一个像素点的图像，设置二值化阈值T，将大于T的像素点设置为1，小于等于T的点设为0。

本发明技术方案如下：

基于多分类支持向量机的集装箱箱号识别方法，如图1所示，包括多分类支持向量机的训练过程和使用多分类支持向量机进行集装箱箱号的识别过程：

一、多分类向量机的训练过程，包括如下步骤：

步骤1：采集足够多的集装箱箱号字符图像；然后对集装箱箱号字符图像进行二值化处理，并归一化成宽度为M个像素、高度为N个像素大小的尺寸。归一化后的二值化集装箱箱号字符图像集记为图像集Train。

步骤2：将步骤1所得的图像集Train分成字母图像集Train_C_I和数字图像集Train_N_I，其中字母图像集Train_C_I包括26个子集，数字图像集Train_N_I包括10个子集。

步骤3：计算步骤2所得各个图像集中所有图像的特征向量，得到字母特征向量集Train_C_V和数字特征向量集Train_N_V，其中字母特征向量集Train_C_V包括26个子集，数字特征向量集Train_N_V包括10个子集。所述特征向量为一个M×N+1维的行向量，其中前M×N维由每幅图像的灰度值按行依次排列成，第M×N+1维是区别36个子集的标签。

步骤4：将字母特征向量集Train_C_V中所有特征向量组合成字母特征向量矩阵Train_C_V_M，同时将数字特征向量集Train_N_V中所有特征向量组合成数字特征向量矩阵Train_N_V_M。

步骤5：建立两个多分类支持向量机分类器SV_C和SV_N。