基于深度学习技术的地铁车辆车号识别系统研究

2020-09-22周纪武于新生

运输经理世界 2020年13期

文/周纪武、于新生

1 前言

随着轨道交通与人工智能行业的快速发展，地铁车辆的维护需求正在逐步增大，而车号统计又是维护过程中必不可少的一环。目前，地铁车号主要采用人工统计或者RFID 射频技术进行统计。传统以人工为主的地铁车辆车号统计方式耗时长、人工效率低，长时间统计极可能会出现视觉疲劳引起的误统计；而RFID 射频技术过于依赖电子标签，当电子标签破损、脱落、水封或者磁化时，会引起车号无法识别的问题，需要频繁维护[1]。

为解决现有两种技术的缺陷，进一步加快地铁车辆车号识别效率、提高精度、降低人力成本，实现地铁车辆维护系统的健康管理，基于深度学习技术的地铁车辆识别技术顺势而生。该技术可以以不停车的方式，自动完成获取车体的高清图像，还可以通过深度学习等技术实现地铁车号识别。

本系统不但具备自动启动、故障自诊断、车号智能识别、智能信息处理等功能，而且识别精度高、运算速度快，可实现在线实时检测，提供并记录地铁车号识别结果，同时本系统也可以提供丰富的数据接口和完整的信息管理功能，真正实现系统的智能化、平台化、大数据化。

2 技术实现

2.1 设计理念

为加强对地铁车辆的维护，提高车号识别效率与精度，本系统利用线阵相机等硬件设备对车辆以通过式自动采集车身外观图像，再采用深度学习等技术进行车号识别，提高工作人员工作效率，保障行车安全，发挥科技保安全、减员增效的作用。

2.2 图像采集说明

基于深度学习技术的地铁车辆车号识别系统采集图像简单易懂，前端采集设备分别安装于轨道左右两侧，分别实现左侧车号和右侧车号图像的全景扫描。右侧设备与左侧设备相同，如图1 所示。

图1 车号图像采集示意图

通过安装在轨道两侧的2 组高清线阵图像采集模块，可以实现对两侧车厢的全景图像采集，然后对每一节车厢的车号区域进行智能识别，最后将识别结果上传至数据平台。

2.3 主要核心技术原理

首先采用YOLO_V3 目标检测网络模型分别对地铁两侧车身车号区域实现精准定位，其次，再利用YOLO_V3 模型对每个车号区域进行字符分割，然后采用支持向量机（SVM）实现列车车号识别，最后充分利用识别出的两侧车号进行校验，并把最终车号返回给数据平台，具体算法原理流程如图2 所示[2]。

图2 车号识别算法流程图

2.3.1 深度学习目标检测模型（YOLO_V3）

YOLO_V3 是深度学习中常用的一种实时性的目标检测模型，具有精度高、速度快、多尺度检测以及小目标检测等优势。

Darknet-53 是一个专门为YOLO_V3 设计的深度学习框架，其主要用来提取图像的特征。Darknet-53网络结构如图3 所示，主要包括5 个残差模块，具体实现流程如下：

图3 Darknet-53 模型结构

第一步将256×256×3 大小的输入图像经过3×3×32 的卷积层处理后，得到256×256×32 大小的输出；第二步将第一步中的输出经过步长为2 的3×3×64 大小的卷积层处理后，得到128×128×64 大小的输出；第三步将第二步中的输出经过1 个残差块处理得到新的128×128×64 大小的输出；第四步将第三步中的输出经过步长为2 的3×3×128 大小的卷积层处理后，得到64×64×128 大小的输出；第五步将第四步中的输出经过2 个残差块处理得到新的64×64×128 大小的输出；第六步将第五步中的输出经过步长为2 的3×3×256 大小的卷积层处理后，得到32×32×256 大小的输出；第七步将第六步中的输出经过8 个残差块处理得到新的32×32×256 大小的输出；第八步将第七步中的输出经过步长为2 的3×3×512 大小的卷积层处理后，得到16×16×512 大小的输出；第九步将第八步中的输出经过8 个残差块处理得到新的16×16×512 大小的输出；第十步将第九步中的输出经过步长为2 的3×3×1024 大小的卷积层处理后，得到8×8×1024 大小的输出；第十一步将第十步中的输出经过4 个残差块处理得到新的8×8×1024 大小的输出；最后再通过池化全连接层以及softmax 回归得到图像特征图。

YOLO_V3 网络结构是在Darknet-53 网络上增加了YOLO 层，可实现多尺度检测的功能，YOLO_V3 网络结构如图4 所示。

图4 YOLO_V3 模型结构

由YOLO-V3 模型结构图可知，其分别从Darknet-53 框架结构的最后三个残差块获取的特征图中进行多尺度检测。首先，将Darknet-53 最后输出的13×13×1024 大小的特征图经过5 个卷积层进行二次特征提取后拿去检测目标；其次，再将前一步二次特征提取后的特征图上采样与Darknet-53 结构中倒数第二个残差块获取的特征图合并，经过5 个卷积层进行二次特征提取后拿去检测目标；最后，再将前一步二次特征提取后的特征图上采样与Darknet-53 结构中倒数第二个残差块获取的特征图合并，经过5 个卷积层进行二次特征提取后拿去检测目标。

2.3.2 支持向量机（SVM）

支持向量机（SVM）属于监督学习算法中的一种，主要用于模式识别领域中的数据分类问题，其最大的优点就是适用于小样本且泛化性能好。

标准支持向量机是一种线性二分类模型，基本思想是使分类间隔最大化。如图5 所示，黑点和白点分别代表两个不同的类别，x 代表输入向量（特征向量），w 是权重向量，b 代表偏置项。SVM 的目标就是寻找一个分类超平面，它能正确分类每一个样本（黑白点）；与此同时，它还要使每一类样本中距离超平面最近的样本到超平面的距离尽可能远。

图5 SVM 二分类原理

在标准SVM 中引入松弛变量和惩罚因子后可以处理线性不可分问题，但此时SVM 仍然是一个线性分类器，只是允许错分样本的存在。只有当SVM 使用核函数时，才是真正意义上的非线性分类器。使用核函数可以将非线性特征向量映射到更高维空间，并使其在该空间中线性可分，进而实现非线性数据分类。比较常用的核函数主要有线性核函数、多项式核函数以及径向基核函数等[3]。

若想使用SVM 解决多分类问题，主要采用一对最大响应方案或者一对一投票淘汰方案。对于k 分类问题，一对最大响应方案就是训练k 个分类器，每个类分别作为正样本，其他所有剩余类作为负样本，进行分类时分别计算每个分类器的输出值，输出值最大的作为最终分类结果；而一对一投票淘汰方案则是训练k×（k-1）/2 个分类器，得到投票数最多的结果作为最终分类结果[4]。

2.3.3 车号识别算法

本算法通过非接触式的方式实现列车在动态过程中的侧面车号识别，以高精度、高速率识别为设计理念，利用车体侧面高清彩色图像并结合深度学习YOLO_V3 目标检测模型以及SVM 多分类等技术，自动获取地铁车号信息，实现地铁无人值守、远程监控与办公，为列车进出站以及维护提供基本信息。地铁车号识别算法如下：

图像采集系统开启，分别获取地铁左右两侧车身彩色图片；采用YOLO_V3 检测模型精确定位地铁车身全部车号区域位置，定位结果如图6 所示；采用YOLO_V3 检测模型精确定位车号区域的每个地铁车号字符，定位结果如图7 所示；采用支持向量机（SVM）识别每一个字符；对获取到的全部车号结果校验；校验结果返回平台[5]。