專利名稱：基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及模式識(shí)別技術(shù)，特別涉及集裝箱箱號(hào)識(shí)別方法。
背景技術(shù)：
集裝箱是一種綜合性的大型周轉(zhuǎn)貨箱，全球所有的集裝箱都具有一個(gè)唯一的箱號(hào) 與之對(duì)應(yīng)。集裝箱箱號(hào)通常用不同于箱體本身顏色的油漆印刷于集裝箱箱體兩側(cè)和后側(cè)。 由于每個(gè)集裝箱都具有一個(gè)唯一的箱號(hào)與之對(duì)應(yīng)，所以對(duì)集裝箱的識(shí)別就可以歸結(jié)為對(duì)箱 號(hào)的識(shí)別。本發(fā)明中集裝箱箱號(hào)識(shí)別是指利用計(jì)算機(jī)視覺技術(shù)來完成對(duì)集裝箱箱號(hào)的識(shí)別。 集裝箱箱號(hào)識(shí)別系統(tǒng)一般要求能實(shí)時(shí)識(shí)別通過卡口的集裝箱箱號(hào)并通過計(jì)算機(jī)檢索系統(tǒng) 查詢集裝箱的信息。通常，集裝箱箱號(hào)識(shí)別方法可以分為四個(gè)過程圖像采集、箱號(hào)定位、箱 號(hào)字符分割和字符識(shí)別，而如何進(jìn)行精確的字符識(shí)別是影響集裝箱箱號(hào)識(shí)別系統(tǒng)識(shí)別率高 低的一個(gè)關(guān)鍵問題。全球的集裝箱有統(tǒng)一的編號(hào)標(biāo)準(zhǔn)箱號(hào)由四個(gè)大寫英文字母表示公司簡(jiǎn)稱，六個(gè) 阿拉伯?dāng)?shù)字表示編號(hào)，最后還有一個(gè)被框起來的數(shù)字校驗(yàn)位。雖然集裝箱箱號(hào)識(shí)別可以借鑒現(xiàn)有的一些計(jì)算機(jī)字符識(shí)別方法，但集裝箱箱號(hào)字 符識(shí)別具有自身的特點(diǎn)小字符集(數(shù)字和字母)、箱號(hào)字體沒有統(tǒng)一的印刷標(biāo)準(zhǔn)(箱號(hào)字 體的印刷因集裝箱所屬公司而有所不同)、干擾和幾何變形較多(如集裝箱背面還存在著 很多非箱號(hào)的其他字符)、甚至出現(xiàn)箱號(hào)破損的情況。而且集裝箱箱號(hào)字符識(shí)別要求更高的 識(shí)別率，上下文字符也沒有語義和概率上的相關(guān)性。現(xiàn)有的計(jì)算機(jī)字符識(shí)別主要有以下幾種方法1.模板匹配的方法，利用字符輪廓、骨干、網(wǎng)絡(luò)或者投影等特征，與標(biāo)準(zhǔn)字符比對(duì) 分類。但是，由于實(shí)際應(yīng)用中存在的干擾和變形，實(shí)用中常常沒有很高的識(shí)別率。2.按字符特征分類的方法，找出能夠區(qū)別字符集中字符的特征集，如字符像素 比例、孔洞數(shù)、字形結(jié)構(gòu)、筆畫特征等。由于特征算法的實(shí)現(xiàn)困難，而且同樣由于噪聲干擾的 問題，這一方法的識(shí)別率不高。3.神經(jīng)網(wǎng)絡(luò)的方法是目前比較成功的方法。但是存在輸入數(shù)據(jù)選擇和網(wǎng)絡(luò)結(jié)構(gòu)設(shè) 計(jì)等問題。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法。本發(fā)明 基于多分類支持向量機(jī)，利用其良好的分類能力，直接對(duì)提取出來的字符分類，相比于其他 同領(lǐng)域的方案具有更高的識(shí)別率。為方便描述本發(fā)明內(nèi)容，這里首先對(duì)一些術(shù)語進(jìn)行必要的定義定義1.集裝箱箱號(hào)。對(duì)應(yīng)于全球唯一的集裝箱，由4個(gè)大寫英文字母和7個(gè)阿拉伯?dāng)?shù)字組成，共11個(gè)字符。其中4個(gè)字母分為箱主(經(jīng)營(yíng)人代碼)和設(shè)備識(shí)別碼兩部分，7 個(gè)數(shù)字分為序號(hào)和校驗(yàn)碼兩部分。定義2.灰度圖像的二值化。在灰度圖像中，常采用一個(gè)字節(jié)表示一個(gè)像素點(diǎn)，其 灰度級(jí)為0 255，其二值化方法為構(gòu)造用一個(gè)二進(jìn)制位表示一個(gè)像素點(diǎn)的圖像，設(shè)置二值 化閾值T，將大于T的像素點(diǎn)設(shè)置為1，小于等于T的點(diǎn)設(shè)為0。本發(fā)明技術(shù)方案如下基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法，如圖1所示，包括多分類支持向 量機(jī)的訓(xùn)練過程和使用多分類支持向量機(jī)進(jìn)行集裝箱箱號(hào)的識(shí)別過程一、多分類向量機(jī)的訓(xùn)練過程，包括如下步驟步驟1 采集足夠多的集裝箱箱號(hào)字符圖像；然后對(duì)集裝箱箱號(hào)字符圖像進(jìn)行二 值化處理，并歸一化成寬度為M個(gè)像素、高度為N個(gè)像素大小的尺寸。歸一化后的二值化集 裝箱箱號(hào)字符圖像集記為圖像集Train。步驟2 將步驟1所得的圖像集Train分成字母圖像集Train_C_I和數(shù)字圖像集 Train_N_I，其中字母圖像集Train_C_I包括26個(gè)子集，數(shù)字圖像集Train_N_I包括10個(gè) 子集。步驟3 計(jì)算步驟2所得各個(gè)圖像集中所有圖像的特征向量，得到字母特征向量集 Train_C_V和數(shù)字特征向量集Train_N_V，其中字母特征向量集Train_C_V包括26個(gè)子集， 數(shù)字特征向量集Train_N_V包括10個(gè)子集。所述特征向量為一個(gè)MXN+1維的行向量，其 中前MXN維由每幅圖像的灰度值按行依次排列成，第MXN+1維是區(qū)別36個(gè)子集的標(biāo)簽。步驟4 將字母特征向量集Train_C_V中所有特征向量組合成字母特征向量矩陣 Train_C_V_M,同時(shí)將數(shù)字特征向量集Train_N_V中所有特征向量組合成數(shù)字特征向量矩 陣 Train_N_V_M。步驟5 建立兩個(gè)多分類支持向量機(jī)分類器SV。和SVN。構(gòu)建兩個(gè)多分類支持向量機(jī)，分別采用字母特征向量矩陣Train_C_V_M和數(shù)字特 征向量矩陣Train_N_V_M進(jìn)行訓(xùn)練，得到兩個(gè)多分類支持向量機(jī)分類器SV。和SVN。二、使用多分類支持向量機(jī)進(jìn)行集裝箱箱號(hào)識(shí)別的過程，具體包括以下步驟步驟6 采集待識(shí)別集裝箱箱號(hào)圖像，經(jīng)定位、分割處理后得到11個(gè)的待識(shí)別的集 裝箱箱號(hào)字符圖像；再對(duì)11個(gè)待識(shí)別的集裝箱箱號(hào)字符圖像進(jìn)行步驟1所述的二值化和歸 一化處理。步驟7 計(jì)算11個(gè)歸一化后的二值化待識(shí)別集裝箱箱號(hào)字符圖像的特征向量，并 將11個(gè)特征向量按待識(shí)別集裝箱箱號(hào)字符圖像在待識(shí)別集裝箱箱號(hào)中的位置順序依次定 義為Xi、X2、、…、xn。所述特征向量由每幅圖像的灰度值按行依次排列成。步驟8 對(duì)11個(gè)特征向量進(jìn)行分類識(shí)別。由于集裝箱箱號(hào)由11個(gè)字符組成，11個(gè)字符中，前4個(gè)字符為英文字母，后7個(gè) 字符為阿拉伯?dāng)?shù)字；所以對(duì)X1 X4這4個(gè)特征向量，采用多分類支持向量機(jī)分類器SVc進(jìn) 行識(shí)別，得到待識(shí)別集裝箱箱號(hào)第1至第4個(gè)的標(biāo)簽，進(jìn)而得到待識(shí)別集裝箱箱號(hào)第1至第 4個(gè)字符識(shí)別結(jié)果；對(duì)X5 X11這7個(gè)特征向量，采用多分類支持向量機(jī)分類器SVn進(jìn)行識(shí) 別，得到待識(shí)別集裝箱箱號(hào)第5至第11個(gè)的標(biāo)簽，進(jìn)而得到待識(shí)別集裝箱箱號(hào)第5至第11 個(gè)字符識(shí)別結(jié)果。
需要說明的是1、步驟1中，采集集裝箱箱號(hào)字符圖像時(shí)，應(yīng)當(dāng)在各種光照條件下采集，且保證每 種字符的采集數(shù)量在20個(gè)以上；對(duì)集裝箱箱號(hào)字符圖像進(jìn)行二值化處理時(shí)，圖像灰度等級(jí) 按255級(jí)灰度計(jì)算，二值化閾值的取值范圍為[90，130]；歸一化后的二值化集裝箱箱號(hào)字 符圖像寬度M為16像素，高度N為32像素。2、本發(fā)明所述的多分類支持向量機(jī)，對(duì)于內(nèi)核函數(shù)并沒有特別的限定，但若采用 徑向基核函數(shù)，會(huì)使得最終的識(shí)別準(zhǔn)確率更高。3、考慮到多分類支持向量機(jī)的特性，本發(fā)明在多分類向量機(jī)的訓(xùn)練過程中，采集 集裝箱箱號(hào)字符圖像時(shí)，所采集的各種字符圖像的數(shù)量應(yīng)基本一致，以保證各字符平等地 參與訓(xùn)練，從而減少由于訓(xùn)練次數(shù)差異帶來的識(shí)別偏差。本發(fā)明的有益效果是本發(fā)明創(chuàng)新性地將支持向量機(jī)應(yīng)用于集裝箱箱號(hào)識(shí)別，利用其良好的分類能力， 直接對(duì)提取出來的字符分類，相比于其他同領(lǐng)域的方案具有更高的識(shí)別率。本發(fā)明區(qū)別對(duì) 待集裝箱箱號(hào)字符的前4位和后7位字符，將字符二值化圖像特征向量分成兩個(gè)集合，分別 構(gòu)造兩個(gè)多分類支持向量機(jī)，并在識(shí)別過程中采用不同的支持向量機(jī)對(duì)需要識(shí)別的集裝箱 箱號(hào)字符進(jìn)行逐一識(shí)別，大大減少了計(jì)算量。


本發(fā)明提供的基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法的流程示意圖。
具體實(shí)施例方式基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法，如圖1所示，包括多分類支持向 量機(jī)的訓(xùn)練過程和使用多分類支持向量機(jī)進(jìn)行集裝箱箱號(hào)的識(shí)別過程一、多分類向量機(jī)的訓(xùn)練過程，包括如下步驟步驟1 采集足夠多的集裝箱箱號(hào)字符圖像；然后對(duì)集裝箱箱號(hào)字符圖像進(jìn)行二 值化處理，并歸一化成寬度為M個(gè)像素、高度為N個(gè)像素大小的尺寸。歸一化后的二值化集 裝箱箱號(hào)字符圖像集記為圖像集Train。步驟2 將步驟1所得的圖像集Train分成字母圖像集Train_C_I和數(shù)字圖像集 Train_N_I，其中字母圖像集Train_C_I包括26個(gè)子集，數(shù)字圖像集Train_N_I包括10個(gè) 子集。步驟3 計(jì)算步驟2所得各個(gè)圖像集中所有圖像的特征向量，得到字母特征向量集 Train_C_V和數(shù)字特征向量集Train_N_V，其中字母特征向量集Train_C_V包括26個(gè)子集， 數(shù)字特征向量集Train_N_V包括10個(gè)子集。所述特征向量為一個(gè)MXN+1維的行向量，其 中前MXN維由每幅圖像的灰度值按行依次排列成，第MXN+1維是區(qū)別36個(gè)子集的標(biāo)簽。步驟4 將字母特征向量集Train_C_V中所有特征向量組合成字母特征向量矩陣 Train_C_V_M,同時(shí)將數(shù)字特征向量集Train_N_V中所有特征向量組合成數(shù)字特征向量矩 陣 Train_N_V_M。步驟5 建立兩個(gè)多分類支持向量機(jī)分類器SV。和SVN。構(gòu)建兩個(gè)多分類支持向量機(jī)，分別采用字母特征向量矩陣Train_C_V_M和數(shù)字特
5征向量矩陣Train_N_V_M進(jìn)行訓(xùn)練，得到兩個(gè)多分類支持向量機(jī)分類器SV。和SVN。二、使用多分類支持向量機(jī)進(jìn)行集裝箱箱號(hào)識(shí)別的過程，具體包括以下步驟步驟6 采集待識(shí)別集裝箱箱號(hào)圖像，經(jīng)定位、分割處理后得到11個(gè)的待識(shí)別的集 裝箱箱號(hào)字符圖像；再對(duì)11個(gè)待識(shí)別的集裝箱箱號(hào)字符圖像進(jìn)行步驟1所述的二值化和歸
一化處理。步驟7 計(jì)算11個(gè)歸一化后的二值化待識(shí)別集裝箱箱號(hào)字符圖像的特征向量，并 將11個(gè)特征向量按待識(shí)別集裝箱箱號(hào)字符圖像在待識(shí)別集裝箱箱號(hào)中的位置順序依次定 義為Xi、X2、…、xn。所述特征向量由每幅圖像的灰度值按行依次排列成。步驟8 對(duì)11個(gè)特征向量進(jìn)行分類識(shí)別。由于集裝箱箱號(hào)由11個(gè)字符組成，11個(gè)字符中，前4個(gè)字符為英文字母，后7個(gè) 字符為阿拉伯?dāng)?shù)字；所以對(duì)X1 X4這4個(gè)特征向量，采用多分類支持向量機(jī)分類器SVc進(jìn) 行識(shí)別，得到待識(shí)別集裝箱箱號(hào)第1至第4個(gè)的標(biāo)簽，進(jìn)而得到待識(shí)別集裝箱箱號(hào)第1至第 4個(gè)字符識(shí)別結(jié)果；對(duì)X5 X11這7個(gè)特征向量，采用多分類支持向量機(jī)分類器SVn進(jìn)行識(shí) 別，得到待識(shí)別集裝箱箱號(hào)第5至第11個(gè)的標(biāo)簽，進(jìn)而得到待識(shí)別集裝箱箱號(hào)第5至第11 個(gè)字符識(shí)別結(jié)果。需要說明的是1、步驟1中，采集集裝箱箱號(hào)字符圖像時(shí)，應(yīng)當(dāng)在各種光照條件下采集，且保證每 種字符的采集數(shù)量在20個(gè)以上；對(duì)集裝箱箱號(hào)字符圖像進(jìn)行二值化處理時(shí)，圖像灰度等級(jí) 按255級(jí)灰度計(jì)算，二值化閾值的取值范圍為[90，130]；歸一化后的二值化集裝箱箱號(hào)字 符圖像寬度M為16像素，高度N為32像素。2、本發(fā)明所述的多分類支持向量機(jī)，對(duì)于內(nèi)核函數(shù)并沒有特別的限定，但若采用 徑向基核函數(shù)，會(huì)使得最終的識(shí)別準(zhǔn)確率更高。3、考慮到多分類支持向量機(jī)的特性，本發(fā)明在多分類向量機(jī)的訓(xùn)練過程中，采集 集裝箱箱號(hào)字符圖像時(shí)，所采集的各種字符圖像的數(shù)量應(yīng)基本一致，以保證各字符平等地 參與訓(xùn)練，從而減少由于訓(xùn)練次數(shù)差異帶來的識(shí)別偏差。經(jīng)試驗(yàn)驗(yàn)證，本發(fā)明對(duì)英文字母字符識(shí)別率達(dá)到98. 98%，對(duì)數(shù)字字符識(shí)別率達(dá)到 99. 57 %，各字符統(tǒng)計(jì)平均識(shí)別率98. 60 %。
權(quán)利要求
基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法，包括多分類支持向量機(jī)的訓(xùn)練過程和使用多分類支持向量機(jī)進(jìn)行集裝箱箱號(hào)的識(shí)別過程一、多分類向量機(jī)的訓(xùn)練過程，包括如下步驟步驟1采集足夠多的集裝箱箱號(hào)字符圖像；然后對(duì)集裝箱箱號(hào)字符圖像進(jìn)行二值化處理，并歸一化成寬度為M個(gè)像素、高度為N個(gè)像素大小的尺寸；歸一化后的二值化集裝箱箱號(hào)字符圖像集記為圖像集Train；步驟2將步驟1所得的圖像集Train分成字母圖像集Train_C_I和數(shù)字圖像集Train_N_I，其中字母圖像集Train_C_I包括26個(gè)子集，數(shù)字圖像集Train_N_I包括10個(gè)子集；步驟3計(jì)算步驟2所得各個(gè)圖像集中所有圖像的特征向量，得到字母特征向量集Train_C_V和數(shù)字特征向量集Train_N_V，其中字母特征向量集Train_C_V包括26個(gè)子集，數(shù)字特征向量集Train_N_V包括10個(gè)子集；所述特征向量為一個(gè)M×N+1維的行向量，其中前M×N維由每幅圖像的灰度值按行依次排列成，第M×N+1維是區(qū)別36個(gè)子集的標(biāo)簽；步驟4將字母特征向量集Train_C_V中所有特征向量組合成字母特征向量矩陣Train_C_V_M，同時(shí)將數(shù)字特征向量集Train_N_V中所有特征向量組合成數(shù)字特征向量矩陣Train_N_V_M；步驟5建立兩個(gè)多分類支持向量機(jī)分類器SVC和SVN；構(gòu)建兩個(gè)多分類支持向量機(jī)，分別采用字母特征向量矩陣Train_C_V_M和數(shù)字特征向量矩陣Train_N_V_M進(jìn)行訓(xùn)練，得到兩個(gè)多分類支持向量機(jī)分類器SVC和SVN；二、使用多分類支持向量機(jī)進(jìn)行集裝箱箱號(hào)識(shí)別的過程，具體包括以下步驟步驟6采集待識(shí)別集裝箱箱號(hào)圖像，經(jīng)定位、分割處理后得到11個(gè)的待識(shí)別的集裝箱箱號(hào)字符圖像；再對(duì)11個(gè)待識(shí)別的集裝箱箱號(hào)字符圖像進(jìn)行步驟1所述的二值化和歸一化處理；步驟7計(jì)算11個(gè)歸一化后的二值化待識(shí)別集裝箱箱號(hào)字符圖像的特征向量，并將11個(gè)特征向量按待識(shí)別集裝箱箱號(hào)字符圖像在待識(shí)別集裝箱箱號(hào)中的位置順序依次定義為X1、X2、…、X11；所述特征向量由每幅圖像的灰度值按行依次排列成；步驟8對(duì)11個(gè)特征向量進(jìn)行分類識(shí)別；由于集裝箱箱號(hào)由11個(gè)字符組成，11個(gè)字符中，前4個(gè)字符為英文字母，后7個(gè)字符為阿拉伯?dāng)?shù)字；所以對(duì)X1～X4這4個(gè)特征向量，采用多分類支持向量機(jī)分類器SVC進(jìn)行識(shí)別，得到待識(shí)別集裝箱箱號(hào)第1至第4個(gè)的標(biāo)簽，進(jìn)而得到待識(shí)別集裝箱箱號(hào)第1至第4個(gè)字符識(shí)別結(jié)果；對(duì)X5～X11這7個(gè)特征向量，采用多分類支持向量機(jī)分類器SVN進(jìn)行識(shí)別，得到待識(shí)別集裝箱箱號(hào)第5至第11個(gè)的標(biāo)簽，進(jìn)而得到待識(shí)別集裝箱箱號(hào)第5至第11個(gè)字符識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法，其特征在 于，步驟1中采集集裝箱箱號(hào)字符圖像時(shí)，應(yīng)當(dāng)在各種光照條件下采集，且保證每種字符 的采集數(shù)量在20個(gè)以上；對(duì)集裝箱箱號(hào)字符圖像進(jìn)行二值化處理時(shí)，圖像灰度等級(jí)按255 級(jí)灰度計(jì)算，二值化閾值的取值范圍為[90，130]；歸一化后的二值化集裝箱箱號(hào)字符圖像 寬度M為16像素，高度N為32像素。
3.根據(jù)權(quán)利要求1所述的基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法，其特征在 于，所述多分類支持向量機(jī)采用徑向基核函數(shù)的多分類支持向量機(jī)。
全文摘要
基于多分類支持向量機(jī)的集裝箱箱號(hào)識(shí)別方法，屬于圖像處理技術(shù)領(lǐng)域。本發(fā)明首先采集集裝箱箱號(hào)字符圖像，經(jīng)二值化和歸一化處理后分成字母圖像集和數(shù)字圖像集；然后構(gòu)建兩個(gè)多分類支持向量機(jī)，分別采用字母圖像集的特征向量矩陣和數(shù)字圖像集的特征向量矩陣進(jìn)行訓(xùn)練，得到兩個(gè)多分類支持向量機(jī)分類器SVC和SVN；在箱號(hào)識(shí)別過程中，將待識(shí)別集裝箱箱號(hào)分割成11個(gè)字符圖像，經(jīng)二值化和歸一化處理后，將計(jì)算所得的第1至第4個(gè)特征向量輸入到多分類支持向量機(jī)分類器SVC進(jìn)行識(shí)別，第5至第11個(gè)特征向量輸入到多分類支持向量機(jī)分類器SVN進(jìn)行識(shí)別。本發(fā)明創(chuàng)新性地將支持向量機(jī)應(yīng)用于集裝箱箱號(hào)字符識(shí)別，相比于其他同領(lǐng)域的技術(shù)方案具有更高的識(shí)別率和較小的計(jì)算量。
文檔編號(hào)G06K9/66GK101894277SQ201010202168
公開日2010年11月24日 申請(qǐng)日期2010年6月13日 優(yōu)先權(quán)日2010年6月13日
發(fā)明者蘇俊人, 解梅, 馬爭(zhēng) 申請(qǐng)人:電子科技大學(xué)