基于深度学习的高效火车号识别
来源期刊:工程科学学报2020年第11期
论文作者:王志明 刘志辉 黄洋科 邢宇翔
文章页码:1525 - 1533
关键词:模式识别;火车号识别;深度学习;神经网络;目标检测;模型剪枝;
摘 要:基于高性能的YOLOv3目标检测算法,提出一种分阶段高效火车号识别算法.整个识别过程分为两个阶段:第一阶段在低分辨率全局图像中检测出火车号区域位置;第二阶段在局部高分辨率图像中检测出组成火车号的字符,根据字符的空间位置关系搜索得到12位火车号,并利用每个字符的识别置信度及火车号编码规则进行校验得到最终火车号.另外,本文提出一种结合批一化因子和滤波器相关度的剪枝算法,通过对两个阶段检测模型的剪枝,在保证识别准确率不降(实验中略有提升)的条件下降低了存储空间占用率和计算复杂度.在现场采集的1072幅火车号图像上的实验结果表明,本文提出的火车号识别算法达到了96.92%的整车号识别正确率,平均识别时间仅为191 ms.
王志明1,刘志辉1,黄洋科1,邢宇翔2
1. 北京科技大学计算机与通信工程学院2. 清华大学工程物理系
摘 要:基于高性能的YOLOv3目标检测算法,提出一种分阶段高效火车号识别算法.整个识别过程分为两个阶段:第一阶段在低分辨率全局图像中检测出火车号区域位置;第二阶段在局部高分辨率图像中检测出组成火车号的字符,根据字符的空间位置关系搜索得到12位火车号,并利用每个字符的识别置信度及火车号编码规则进行校验得到最终火车号.另外,本文提出一种结合批一化因子和滤波器相关度的剪枝算法,通过对两个阶段检测模型的剪枝,在保证识别准确率不降(实验中略有提升)的条件下降低了存储空间占用率和计算复杂度.在现场采集的1072幅火车号图像上的实验结果表明,本文提出的火车号识别算法达到了96.92%的整车号识别正确率,平均识别时间仅为191 ms.
关键词:模式识别;火车号识别;深度学习;神经网络;目标检测;模型剪枝;