[发明专利]一种基于DPN与Faster RCNN的火车票图像生成方法

说明书

本发明提供一种基于DPN与Faster RCNN的火车票图像生成方法，属于计算机图像检测领域，该方法实现过程包括：采集含有火车票的原始图像；标注出步骤S1所采集到原始图像中的火车票，并保存成xml文件作为标签使用；对所获得的原始图像与标签进行数据增强；搭建Faster RCNN深度学习网络模型，将增强后的数据集随机分为训练集、验证集与测试集进行训练；依据模型在验证集与测试集上的表现情况，对Faster RCNN进行调优，获得Faster RCNN在测试集上的表现最优模型；利用DPN网络结构，训练一个用于数据增强的模型，形成最佳的行动策略；使用已训练完毕的DPN网络生成火车票图像。本发明能解决传统人工检票方式效率低下，容易漏检误检的缺陷，为火车票验票的深度学习模型提供海量的数据支撑。

技术领域

本发明涉及深度学习理论中的计算机图像检测领域，人工智能算法中的效用理论，具体地说是一种基于DPN与Faster RCNN的火车票图像生成方法。

背景技术

车票检验技术是各大交通枢纽最为重要的技术之一。火车站、汽车站、船坞、机场等关键交通枢纽均依靠车票检验技术保证车次人流的有序运行。现有车票均以纸质形式发售，以人工检验与标记的方式来实现验票。近年来，我国交通网络基础设施不断完善，尤其在高铁与动车的建设方面，取得了举世瞩目的成就。以“和谐号”、“复兴号”为排头兵，带领着我国经济高速发展。然而，在耀眼光芒的背后，高速铁路所带来的问题也日益凸显。载客量的提升极大地挑战了各城市交通枢纽的客流吞吐能力。每逢节假日，火车站、汽车站等地的旅客数量激增，工作人员往往需要增加人手来加快进站验票的速度，避免候车室过于拥挤。但这种人工检票的方式不仅耗费人力物力，且效率低下，而且容易漏检误检。近十年来出现了自动检票机、身份证验票等自动化验票功能，但依然无法摆脱纸质车票。纸质车票在未来很长的一段时间内依然会占据一席之地。若利用人工智能技术，对传统验票方式进行改造，可以大大加快检票速度，提升交通枢纽的客流量吞吐能力。

车票检测问题大体可以分为两类。一类是从图像中抽取火车票，另外一类是从火车票中抽取有效信息。无论是哪一类问题，深度学习都是目前除了电子化车票之外，以软件为载体的最佳解决方案。但深度学习所需要的巨大的数据量是难以获取的。尤其是各类票据作为带有个人信息的隐私物品，对其进行大规模收集整理将会遇到极大的阻力。为了获得足够进行训练的数据量，利用计算机图形学相关知识进行图像生成是成本相对较低的解决方案。

图像生成方法隶属于计算机图形学(Computer Graphic，CG)的范畴。萨瑟兰在1963年完成的关于人机通信图形系统的博士论文，为计算机图形学的未来发展奠定了基础。后来计算机图形学从在显示屏上进行简单的点、线、面显示开始，历经长足发展，到目前的光线追踪技术，虚拟现实技术等等，产生了。随着近年来人工智能的兴起，计算机图形学也发起了“人工智能革命”。尤其以Generative adversarial network(GAN)为代表，与深度学习结合的图像生成方法可以快速生成非常真实的CG图像。

发明内容

本发明的技术任务是针对现有技术的不足，使用人工智能算法代替人工检票的方式，提出了一种基于Dynamic Planning Network(DPN)与Faster Region ConvolutionalNeural Network(Faster RCNN)的火车票图像生成方法，为火车票验票的深度学习模型提供海量的数据支撑。

本发明解决其技术问题所采用的技术方案是：

一种基于DPN与Faster RCNN的火车票图像生成方法，该方法的实现过程包括：

S1.采集含有火车票的原始图像，图像来源不限且鼓励收集不同来源的图像；

S2.标注出步骤S1所采集到原始图像中的火车票，并保存成xml文件作为标签使用；