一种结合双线性插值和PerlinNoise的地形生成算法

潘彦丰

摘 要：为提高火车票识别精度和效率，将图像处理技术和BP神经网络结合，提出了一种基于图像处理和BP神经网络的火车票号识别算法。首先，通过图像预处理、目标区域的定位、二值化、倾斜校正和字符分割，提取火车票的身份证号码特征信息，建立特征信息库;之后，将特征信息库作为BP神经网络的输入，数字和字符类别作为BP神经网络的输出，建立BP神经网络的火车票号识别模型。研究结果表明，与模板匹配和SVM相比，提出的方法可以有效提高火车票号的识别精度和效率，识别精度高达97.7%，从而为火车票号识别提供新的方法。

关键词：神经网络;二值化;字符分割

中图分类号：TP391.1      文献标识码：A

Abstract：In order to improve the accuracy and efficiency of train ticket identification， an algorithm based on image processing and BP neural network is proposed by combining image processing technology with BP neural network. Firstly， through image preprocessing， target location， binarization， skew correction and character segmentation， the identity card number feature information of train ticket is extracted and the feature information database is established， a train ticket recognition model based on BP neural network is established， in which the feature database is the input of BP neural network and the types of numbers and characters are the output of BP neural network. The results show that compared with template matching and SVM， the proposed method can effectively improve the accuracy and efficiency of train ticket recognition， and the recognition accuracy is up to 97.7% ， thus providing a new method for train ticket recognition.

Key words： neural network; binary; character segmentation

目前国内火车站已全面实现购票实名制验证和上车前火车票机器验票，然而火车票机器验票仅可以验证该票的合法性，持票人是否与身份证和票相符，则要通过人工方法才能进行确认，浪费大量人力成本，同时具有劳动强度高和识别率低的缺点[1]。随着图像识别技术的发展，基于图像识别应用已日益广泛。常见的包括支持向量机模型、高斯混合模型、基于纹理特征等图像识别和特征提取算法，但由于技术复杂、环境多变等因素，传统的支持向量机的图像分类技术识别准确率不到50%[2]。而部分学者研究将卷积神经网络结合推荐方法相完成图像特征提取，准确度有提升但性能下降明显[3]。如何将图像识别技术的算法进行改进提升识别的正确率的同时也不影响性能，成为研究热点所在。随着图像处理技术和光学字符识别技术（Optical Character Recognition，OCR）的发展[4]，使得识别乘客、火车票和身份证信息三者是否一致的软件成为可能，为实现火车票相关信息的识别，本文将图像处理技术和神经网络结合起来，提出一种基于图像处理和神经网络的火车票识别算法。通过火车票目标区域的定位、二值化、倾斜校正以及分割，提取火车票身份证号码特征信息，建立特征信息库，之后运用BP神经网络进行火车票识别。研究结果表明，与模板匹配和SVM相比，提出的方法可以有效提高火车票的识别精度和效率，从而证明该方法的有效性和可靠性。

1 識别框架

针对新版火车票进行识别，新版火车票如图1所示。对于火车票重点识别项主要步骤包括对图像进行预处理、票面字符的提取、关键字符筛选、火车票核心特征项提取以及火车票识别等。整体的流程图2所示。

图像预处理主要由车票的二维码定位、二维码角点提取和火车票图像倾斜校正几部分组成。

1.1 火车票定位

结合火车票的图像特征，根据火车票的二维码所在位置能够精确地进行火车票定位。

1.2 二值化

二值化就是将图像灰度变成0和255的过程，主要目的是将图像分为目标和背景[5]，消除图像中不必要的灰度信息，加快图像处理速度。通常图像二值化方法主要有局部阈值法和全局阈值法，但二者可能损失图像的许多信息，为了控制火车票图像信息的损失，本文运用基于熵的图像二值化方法，二维码分割效果如图3所示。

1.3 倾斜方式和校正

一般地，倾斜的二维码图像可以被看成一个近似的平行四边形，倾斜方式包括水平倾斜、垂直倾斜和混合倾斜[6]，如图4所示。

3.1 不同训练集比例

首先采集500张车票样本的图像数据集合，按照20%到40%的测试采样比率对500张车票图像数据集进行训练，其余的车票作为测试样本，经训练并测试后的BP神经网络识别检测准确率如图10所示。

根据图10显示，在训练样本选择20%、30%、40%的比率时，BP神经网络识别检测准确率分别为95.2%、97.1%和97.7%，随着训练样本所占比例的增加识别准确率呈现增加趋势。

3.2 不同算法对比

为了说明SVM、模板匹配和BP神经网络所设置实验训练样本的比率采用20%、30%以及40%时，其对应的识别准确率结果对比如表1所示。

对比表1中的不同的训练样本比率下的识别准确率可以发现，BP神经网络应用于火车票识别的最佳准确率为96.74%，平均准确率也达到了96.61%，效果明显高于其他的方法，具有很大的优势。

3.3 不同算法效率对比

表2展示了不同算法的执行效率对比，由表中数据可以发现，本文提出的使用BP神经网络进行火车票识别的使用在精度为96.54%时，仅仅用了504秒，对比其他两种算法，精度上分别提高了7.51%、4.18%，但是使用时间却减少了6.6 s和4.47 s，从而进一步证明运用BP神经网络进行火车票识别的有效性和可靠性。

4 结 论

为提高火车票识别精度和效率，将图像处理技术和BP神经网络结合，提出一种基于图像处理和BP神经网络的火车票识别算法。通过火车票目标区域的定位、二值化、倾斜校正以及分割，提取火车票身份证号码特征信息，建立特征信息库，之后运用BP神经网络进行火车票识别。研究结果表明，与模板匹配和SVM相比，提出的方法可以有效提高火车票的识别精度和效率，从而证明该方法的有效性和可靠性。

参考文献

[1] 薛圣利， 蔡启仲， 杨海林， 等.基于OpenCV的火车票识别算法[J]. 广西科技大学学报， 2016， 27（2）：46-51.

[2] 吴萍， 胡瑞敏， 艾浩军. 火车票查询系统中语音识别的研究及实现[J]. 计算机工程与应用， 2003（33）：227-229.

[3] GUAN H， KASAHARA R， YANO T. Traffic light recognition and dangerous driving events detection from surveillance video of vehicle camera[J]. Electronic Imaging， 2017（4）：3-10.

[4] BRASIL R H， MACHADO A M C. Automatic detection of red light running usingvehicular cameras[J]. IEEE Latin America Transactions， 2017， 15（1）：81-86.

[5] 韩雪， 粟慧龙. 基于Android卧铺车厢车票识别APP的系统设计[J]. 数字技术与应用， 2017（10）：162-163.

[6] 葛露露， 沈苑苑， 左海山， 等. 基于车票识别的铁路客运站旅客引导系统[J]. 石家庄铁道大学学报（自然科学版）， 2014， 27（1）：69-73.

[7] 陈超， 毛坚桓， 刘寅， 等. 基于卷积神经网络的铁路货运网站验证码识别[J]. 指挥信息系统与技术， 2016， 7（4）：91-96.

[8] 罗骏，朱晋， 李智强. 基于SCILAB实现人脸识别火车票预售系统[J]. 电子技术， 2013，5（7）： 65-67.

[9] 刘永玲， 路勇， 王梦. 基于UHF频段RFID技术的实名制火车票研究[J]. 微型机与应用， 2012， 31（14）：44-46.

[10]吕行军， 韩宪忠， 王克俭， 等. 基于最大方差阈值法的火车票图像二值化处理[J]. 计算机应用与软件， 2012， 29（7）：249-253.

[11]HUANG Guang-bin . An insight into extreme learning machines： random neurons， random features and kernels[J]. Cognitive Computation， 2014， 6（3）：376-390.

[12]邱曉欢， 吴啟超. 一种基于改进EAST网络和改进CRNN网络的火车票站名识别系统[J]. 南方职业教育学刊， 2019， 54（6）：85-92.