[发明专利]一种基于卷积循环神经网络的集装箱箱号识别方法

说明书

本发明公开了一种基于卷积循环神经网络的集装箱箱号识别方法，所述方法包括如下步骤：步骤1：采集集装箱样本图像，根据集装箱样本图像构建循环卷积神经网络模型，对循环卷积神经网络模型训练后得到分类器；步骤2：计算图像透视变换矩阵；步骤3：利用步骤2得到的图像透视变换矩阵对待检测集装箱图像进行透视变换得到视变换后的图像；步骤4：使用步骤1的分类器对透视变换后的图像进行字符识别得到字符识别结果；步骤5：利用集装箱箱号规则对字符识别结果进行核对校验，输出最终的箱号检测结果。本发明对神经网络结构和参数进行优化，具有更高的识别率和可靠性；对图像进行透视变换，提高不同角度安装摄像头应用该方法的鲁棒性。

技术领域

本发明属于集装箱箱号识别技术领域，尤其涉及一种基于卷积循环神经网络的集装箱箱号识别方法。

背景技术

集装箱箱号是集装箱的唯一身份标识，是智慧港口、集装箱自动化系统的重要基础信息。基于光学字符识别的箱号识别系统，无需对集装箱增加额外设备，只需获取包含集装箱箱号的图像即可实现，已成为现代化港口箱号识别的主流。

目前较为流行的光学字符识别算法主要分为两种，一种是基于模板匹配的算法，另一种是基于神经网络的算法。前者方法较为简单易于实现，但由于集装箱箱体的凹凸折纹、光照或恶劣天气等因素的影响，其准确率和可靠性较低。后者具有一定的自学习能力，尤其近年来随着深度学习算法和硬件的飞速发展，基于神经网络的字符识别受到越来越多的关注。

然而实际应用场景下，我们所能获取的集装箱箱号图像通常还受摄像头安装位置影响，图像存在较大角度的透视变形，传统的基于神经网络无法直接得到较好的结果。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种基于卷积循环神经网络的集装箱箱号识别方法，对神经网络结构和参数进行优化，具有更高的识别率和可靠性；对图像进行透视变换，提高不同角度安装摄像头应用该方法的鲁棒性。

本发明目的通过以下技术方案予以实现：一种基于卷积循环神经网络的集装箱箱号识别方法，所述方法包括如下步骤：步骤1：采集集装箱样本图像，根据集装箱样本图像构建循环卷积神经网络模型，对循环卷积神经网络模型训练后得到分类器；步骤2：计算图像透视变换矩阵；步骤3：利用步骤2得到的图像透视变换矩阵对待检测集装箱图像进行透视变换得到视变换后的图像；步骤4：使用步骤1的分类器对透视变换后的图像进行字符识别得到字符识别结果；步骤5：利用集装箱箱号规则对字符识别结果进行核对校验，输出最终的箱号检测结果。

上述基于卷积循环神经网络的集装箱箱号识别方法中，在步骤1中，采集集装箱样本图像，根据集装箱样本图像构建循环卷积神经网络模型，对循环卷积神经网络模型训练后得到分类器包括如下步骤：(11)采集集装箱样本图像；(12)将集装箱样本图像缩放至高度32像素和宽度160像素的第二样本图像；将第二样本图像输入卷积神经网络，其中，卷积神经网络包括7层卷积层和4层最大池化；卷积神经网络输出512个特征图，每个特征图高度为1，宽度为40；(13)从步骤(12)得到的特征图中提取特征向量，其中，每个特征向量在特征图上按列从左到右生成，每一列包含512维特征，即第i个特征向量是所有特征图第i列像素的连接，共产生40个特征向量；(14)循环神经网络采用两层各256单元的双向长短型网络，在双向长短型网络的每个时间步传入一个特征向量，其中，时间步的数量为40个，每个时间步输出40个长度为37(26个英文字母+10个阿拉伯数字+1个空字符，其中空字符用“-”表示)的向量，40个向量构成后验概率矩阵；(15)由后验概率矩阵计算损失函数，其中，损失函数定义为概率的负最大似然函数；(16)通过损失函数对卷积循环神经网络进行训练，达到设定的学习次数100000和精度0.0001时完成训练，得到分类器。