[发明专利]一种利用深度学习技术识别火车票的方法

说明书

本发明公开一种利用深度学习技术识别火车票的方法，涉及图像检测技术领域，包括：采集带有真实火车票的图像；标注采集图像中所有的火车票并生成XML文件，随后将所有图像划分为训练集、验证集、测试集；利用计算机视觉技术，对采集图像进行预处理和数据增广；基于Keras开源框架，以Faster‑RCNN为技术核心，搭建深度学习神经网络；将增广后数据送入深度学习神经网络进行大规模训练，直到深度学习神经网络的输出结果与标注数据具有较高的匹配度，将该深度学习神经网络作为最优网络模型输出并部署于车站验票口位置。本发明可以实现火车票的自动识别，无需人工检票。

技术领域

本发明涉及计算机图像检测技术领域，具体的说是一种利用深度学习技术识别火车票的方法。

背景技术

21世纪是“信息世纪”，工业产业与社会生活的信息化程度直接决定了一个国家的综合国力。因此，我国自迈入新世纪以来，信息化建设始终是政府的工作重心之一。其中，随着我国交通建设的发展，交通枢纽的票务检验迫切需要信息化管理来支撑起日益增长的业务需求，效率低下的人力检票方式已经捉襟见肘。

目前，随着计算机图像检测技术的发展，图像检测也开始应用于检票领域。传统的目标检测速度慢且模型复杂，基于深度学习的目标检测的诞生吸引了很多研究者，其效果提升得益于Ross Girshick等人提出的R-CNN。R-CNN是结合了区域提名方法和卷积神经网络CNN的目标检测方法，通过生成region proposal,即图像检测的bounding box完成选择性搜索，使用CNN完成对每个bounding box的图像检测，每个bounding box可以使用回归提高质量，解决了多目标检测的问题，但也有训练网络需要大量时间这样的缺点。Ross还提出了Fast R-CNN，解决了R-CNN的缺点，建立更快的目标检测算法，将图像而不是regionproposal输入到CNN产生卷积特征图谱。前两种算法使用Selective research这样耗时、影响网络表现的过程寻找region proposal。Shaoqing Ren提出的Faster R-CNN使用了一种淘汰掉selective search算法的目标检测算法，使得网络可以学习region proposal。与前者不同，图像作为输入传递进提供了卷积特征图谱的卷积网络，另一个网络用来预测region proposal，预测结果在标清目标域的RoI pooling layer中重新定义并且预测bounding box的补偿值。该算法的高效性使其更适用于实时目标检测。

基于此，我们设计研发了一种利用深度学习技术识别火车票的方法，该方法能够准确高速识别出图中火车票的位置，大大提升了检票效率。

发明内容

本发明针对目前技术发展的需求和不足之处，提供一种利用深度学习技术识别火车票的方法。

本发明的一种利用深度学习技术识别火车票的方法，解决上述技术问题采用的技术方案如下：

一种利用深度学习技术识别火车票的方法，该方法的实现过程包括：

S1、采集带有真实火车票的图像；

S2、以VOC数据集的格式为标准，标注出S1阶段采集图像中所有的火车票并生成XML文件；

S3、利用计算机视觉技术，对S1阶段采集图像进行预处理和数据增广，同时，对标注文件也做出对应变换；

S4、将S2阶段标注完成的所有图像划分为训练集、验证集、测试集；

S5、基于Keras开源框架，以Faster-RCNN为技术核心，搭建深度学习神经网络；

S6、将S3阶段获得的增广数据送入S5阶段搭建的深度学习神经网络进行大规模训练，直到深度学习神经网络的输出结果与S2阶段标注数据具有较高的匹配度，将该深度学习神经网络作为最优网络模型输出；