[发明专利]基于层次聚类和深度学习的箱号识别方法

权利要求书

1.基于层次聚类和深度学习的箱号识别方法，其特征在于：识别步骤如下：

步骤1，首先通过单个字符检测算法得到候选字符区域；

步骤2，通过字符过滤和字符合并得到真正的集装箱号码字符；

步骤3，集装箱号码字符通过层次聚类算法得到候选的文本行；

步骤4，过文本行过滤得到最终的集装箱箱号文本行；

步骤5，对文本行中的单个字符采用深度学习技术进行识别，最终得到箱号的识别结果。

2.根据权利要求1所述的基于层次聚类和深度学习的箱号识别方法，其特征在于：单个字符检测利用最大稳定极值区域(MSER)算法得到候选的字符区域，MSER算法基于分水岭思想，其公式表示为Q_i为第i个连通区域的面积，Δ为阈值的微小变化，v(i)小于阈值时，认为该区域为MSER；实际使用的时候，需要原图做一次MSER，原图取反后再做一次MSER，两次的结果取并。

3.根据权利要求2所述的基于层次聚类和深度学习的箱号识别方法，其特征在于：所述单个字符检测算法还需要通过字符过滤规则进行过滤，字符过滤的规则如下：

步骤11，利用字符区域的高宽比、宽高比、最小面积、最大面积、最小高度、最大高度过滤非字符区域。满足规则的，即认为是字符区域，不满足，则是非字符区域。

步骤12，取出字符区域对应的灰度图像，利用方差特征过滤非字符区域。满足规则，即认为是字符区域，不满足，则是非字符区域。

步骤13，利用致密度(Solidity)特征过滤非字符区域，公式如下：

whiteNumber为MSER区域白色前景点的数目，contourNumber代表MSER区域白色前景点最小凸多边形的面积。

步骤14，利用Extent特征过滤非字符区域，公式如下：

whiteNumber为MSER区域白色前景点的数目，rectArea代表MSER区域白色前景点最小外接矩形的面积。

步骤15，利用离心率特征过滤非字符区域。

步骤16提取MSER区域对应的灰度图像，提取方向梯度直方图(Hog)特征，然后利用线性支持向量机分类器过滤非字符区域。

4.根据权利要求3所述的基于层次聚类和深度学习的箱号识别方法，其特征是：经过字符过滤后，如果两个字符之间有重叠，则需要利用合并规则进行合并。假如有两个MSER对应的外接矩形，分别为box1和box2。如果box1∩box2/box1∪box2＞th，th为对应的门限，则舍弃掉面积较小的mser。

5.根据权利要求1所述的基于层次聚类和深度学习的箱号识别方法，其特征是：经过字符检测、字符过滤、字符合并之后，会得到真正的字符区域，因为集装箱号码是以文本行的形式存在的，所以要使相邻的单个字符能够连起来，生成相应的文本行。

6.根据权利要求1所述的基于层次聚类和深度学习的箱号识别方法，其特征是：文本行的生成基于下列的假设：

(1)集装箱号里面的字母和数字位于一条直线上。

(2)集装箱号里面的字母和数字的的高度是一致的。

(3)集装箱号里面的字母和数字间隔是相等的。

7.根据权利要求6所述的基于层次聚类和深度学习的箱号识别方法，其特征是：生成文本行的步骤：

步骤31，寻找相邻的字符对，连接相邻字符的中心形成线段。

步骤32，对相邻的字符对线段进行聚类。

步骤33，根据聚类结果生成文本行。

8.根据权利要求7所述的基于层次聚类和深度学习的箱号识别方法，其特征是：相邻字符对的形成条件：

步骤311，两字符中心点的Y(或X)坐标小于两者高度较小值th倍，th为对应的门限。

步骤312，两字符高度较小值和较大值的比值小于th，th为对应的门限

步骤313，两字符之间的间隔小于两字符高度较小值的th倍，th为对应的门限

步骤314，设A，B为两个字符，A和B应该互不包含，即th为对应的门限。