基于對比度受限直方圖均衡化的夜間接觸網支柱號牌識別方法研究*

劉家軍 鐘鳴睿 秦梓軒

(西安理工大學電氣工程學院 西安 710048)

1 引言

接觸網支柱號是電氣化鐵路檢修作業的重要定位依據，在接觸網檢修掛接地線作業中，支柱號和區段名可以確定作業票中的作業位置。在夜間掛接地線時，由于存在人為因素，錯掛、漏掛的現象時有發生，這使得現場保護作用降低，作業人員處于危險的工作環境。因此，引入掛接地線監測裝置[1-2]對現場進行監測，通過掛接地線監測裝置識別支柱號牌，將識別結果反饋給調度，調度人員利用可視化界面[3]監測掛接位置，可以有效地保護作業人員的人身安全，提高檢修作業的智能化水平。

目前，接觸網支柱號牌識別的研究有很多，文獻[4-5]用梯度直方圖(Histogram of oriented gradient, HOG)和支持向量機提取支柱號牌，由于梯度的存在，算法對低照度或者惡劣天氣情況下產生的噪點相當敏感。文獻[6]使用 LeNet－5卷積神經網絡識別接觸網支柱號牌，這種方法需要考慮不同字符的特征提取和歸類，獲取各種情況下的接觸網支柱號牌樣本困難，導致后續識別準確率受影響。文獻[7]結合卷積神經網絡(Convolutional neural networks, CNN)和支持向量數據描述(Support vector data description,SVDD)進行異常號牌檢測，這種方法對號牌遮擋和號牌缺損檢測有較好的效果。但是，這些研究大都關注晝間光線充足時號牌的識別。由于接觸網檢修作業有時需要在夜間進行[8]，接觸網支柱號牌圖像的采集容易受光線干擾，特別是夜間圖像對比度差，影響號牌的識別。因此，研究夜間接觸網支柱號的識別具有一定的現實意義。

為此，本文提出一種基于CLAHE 變換的夜間接觸網支柱號牌的識別方法，使用CLAHE 變換、平滑直方圖和最小區域法，對號牌進行兩級提取和識別；再用支柱號分布規律進行驗證。試驗結果表明，本文提出的識別方法在準確性上明顯提高，特別在夜間等光線不佳的情況下依然保持較高的準確性。

2 支柱特征區域提取

2.1 低照度優化

當掛接地線監測裝置在夜間采集接觸網支柱號牌圖像時，圖像對比度差并且含有噪聲，使用基于CLAHE 變換的低照度圖像優化方法結合中值濾波有較好的效果[9-10]，可以使原始圖像中大量相近灰度區域延展開來，達到將圖像中微小灰度變化顯現出來的目的，增強圖像整體對比度效果，使圖像更加清晰，同時中值濾波可以平滑圖像，保護圖像細節，效果如圖1 所示。

圖1 改進的低照度優化

相較于白天，夜間接觸網支柱號牌與背景灰度變化大幅度縮小，所以，通過CLAHE 優化后，號牌區域細節更加清晰，易提取性大幅增強。具體優化流程如下所示。

(1) 分割圖像：將圖像等分為M塊，假設每個區域大小為(a,b)。

(2) 計算灰度閾值：將區域內的像素均分到對應的灰度分布中，得到各等級的像素均值Ma，表達式為

式中，mx·my為小區域內的像素數，Mg為小區域內包含的灰度級數量。

式中，C為截取限制倍數，T為閾值。

(3) 限制子塊像素：通過灰度閾值限制每個子塊，將多余部分像素按灰度級平均分配，得到直方圖分布

式中，Sc為總像素數，Me為每一級像素個數。

(4) 均衡處理：使用直方圖均衡化每個區域。(5) 插值運算：為避免塊狀效應，對區域內的點運用雙線性插值處理，使得各點的映射由附近4 個點對應區域的映射關系決定，如圖2 所示，A1、A2、A3、A4對應的灰度值分別為V1(i)、V2(i)、V3(i)、V4(i)，表達式如下

圖2 雙線性插值

(6) 圖像平滑：使用中值濾波，平滑圖像。

2.2 號牌提取

一般而言，其他領域的號牌提取多利用卷積神經網絡或者機器學習方法，此類方法需要大量樣本，在訓練時需要投入適量的正負樣本防止模型泛化。由于接觸網支柱號牌目前沒有開源數據集，特別對負樣本而言，異常樣本類型多、原因復雜，要獲得并人工標記足夠的負樣本難度很大，因此，此類方法在提取時相較于使用形態學處理號牌結構特征沒有明顯優勢。

接觸網支柱號牌的固定裝置與數字灰度值相近，影響提取和后續識別。為此，本文提出最小區域法，通過兩級提取，獲取號牌區域。固定裝置如圖3 所示。

圖3 號牌固定裝置

第一級，用四類結構特征初步提取號牌；第二級，精細化處理，僅保留號牌左右邊界，忽略固定裝置，如圖4 所示，具體提取流程如下所示。

圖4 最小號牌提取過程

(1) 第一級

1) 取rgb 空間下r 通道、b 通道的差值，g′=(g1-g2)×Mult+Add；增強兩幅圖的差異特征，突出號牌。

2) 以面積、矩形度、匹配度和外接矩形邊長四個結構特征為依據進行篩選，獲得區域A。

(2) 第二級

1) 對區域A 精細化處理，根據號牌的安裝情況，在水平方向擴大像素值增加矩度，豎直方向減少像素值，避免提取無效特征，得到區域B。

2) 對區域B 開運算，去除附近無效特征[11]，得到區域C。

3) 通過區域C 在原圖中裁剪出號牌。

3 號牌識別

號牌識別流程如圖5 所示，用仿射變換進行傾斜校正，通過圖像反轉和基于平滑直方圖的迭代選擇閾值法[12-13]預處理，用連通域法獲得單個數字，進行數字識別。

圖5 號牌識別流程

3.1 傾斜校正

在圖像采集過程中，難免存在傾斜，一般使用仿射變換對號牌進行校正。其主要思路如下：定義一個仿射變換單位矩陣，向其中添加需要的變換，最后校正傾斜號牌。仿射變換前后圖像的映射關系表示為

式中，(u,v)與(x,y)為矯正圖像與原始圖像對應的兩點，A為仿射變換矩陣。

校正流程如下所示。

(1) 計算傾斜角度φ，生成仿射變換單位矩陣。

(2) 在變換矩陣中添加偏移量Tx、Ty、縮放倍數Sx、Sy和旋轉角度Px、Py。

(3) 對原圖進行仿射變換。

變換的結果如圖6 所示。

圖6 號牌校正

3.2 預處理

本文使用平滑直方圖法，平滑直方圖法可以平滑原有圖像灰度分布的隨機波動，使波峰波谷更加明顯。這時的直方圖更易于選取閾值，進行連通域分割，處理流程如下所示。

3.3 數字分割

本文使用連通域提取法分割號牌，優點如下：將每個數字作為一個連通域進行提取，能夠去除非數字外的干擾部分。基本思路如下：對處理后的號牌采取8-連通的方式進行像素標記，確定一個起始點后開始掃描圖像，對每個8-連通域內像素的標記值做等價分析，將圖像中具有等價關系的連通域合并，然后按照一定的先驗規則篩選數字[14]，結果如圖7 所示。

圖7 分割得到的數字

3.4 數字識別

數字識別采用模板匹配法，把提取的字符與模板庫所有樣本對比，輸出相似度最高的樣本值。相似度計算公式為[15]

式中，t(x,y)為樣本，f(x,y)為輸入圖像，R(x,y)為相似度函數，圖像大小為2m×2n。

圖8 字符識別結果

4 驗證與結果分析

4.1 試驗環境及數據

本文圖像采集自西平(西安-平涼)鐵路線，包括晝間號牌和夜間號牌，共計200 張。在HALCON 18.05 下進行試驗，用Matlab R2017a 進行數據分析，使用的PC 機硬件配置為Intel(R)Core (TM)i7-6500U 2.5 GHz，內存4 GB，顯卡NVIDIA GEFORCE 940MX。

4.2 聯合驗證

聯合驗證方法通過支柱號的分布規律和定位管檢測來實現。其中，接觸網支柱號有區段內順序增減或者奇、偶數增減的情況，當輸入初始支柱號時，后序支柱號可以根據規律計算；定位管檢測使用連通域提取法和結構特征法，當檢測到新的定位管時，判斷裝置到達掛接位置，識別結果如圖9 所示。

圖9 定位管識別結果

具體流程如圖10 所示，其思路如下：當監測裝置到達新支柱時，判定預測支柱號與識別支柱號是否相同。如相同，則確實經過支柱桿，識別無誤；反之，該區段識別異常。此時，記錄當前的支柱號的預測值，并儲存圖像。

圖10 聯合驗證原理

4.3 試驗驗證

本文使用C#和Halcon 聯合編程并開發定位導航界面，驗證識別算法的準確性。

識別準確性驗證分為初始前進方向正確和初始方向錯誤兩種情況。當預設支柱號012 識別支柱號011 時，界面輸出前行，此時前進方向正確，直至前行到支柱 012，輸出尋找定位，界面如圖11 所示。

圖11 前進方向正確的效果圖

當預設支柱號為020 識別支柱號為023 時，界面輸出后退，此時前進方向錯誤，直至后退到支柱號020，輸出尋找定位，界面如圖12 所示。

圖12 前進方向錯誤的效果圖

4.4 結果分析

4.4.1 夜間識別方法分析

聯合組患者不良反應發生率為6.0%(3/50),其中惡心2例,頭暈1例,對照組患者不良反應發生率為8.0%(4/50),其中腹瀉1例、惡心2例,水腫1例。兩組患者不良反應發生率相比X2=0.154,P=0.695。

為驗證對比度受限自適應直方圖均衡化算法對夜間接觸網支柱號牌的增強效果，本文在Matlab 平臺下對HE 變換和CLAHE 變換在典型夜間圖像下進行對比。

對比結果如圖13 所示，原圖像整體偏暗，經HE 變換后對比度增強過度，灰度值在0～20 的像素消失，整體圖像失真，由此引入了大量噪聲，特別是天空和地平線交接處，后方支柱與背景難以區分。CLAHE 變換后彌補了HE 變換的缺陷，從直方圖可以看出，灰度被限制在一定范圍內，既增加了圖像的對比度，又不會過分引入噪聲。

圖13 HE 變換和CLAHE 變換的對比圖

僅從視覺上得出的結論不足以證明算法的有效性，現引入均方誤差(Mean square error，MSE)和峰值信噪比(Peak signal-to-noise ratio，PSNR)對圖12和圖13 中接觸網支柱圖像進行定量分析，結果如表1 所示。

通常情況下MSE 數值越小，原圖像和處理后的圖像差異越小，處理效果越好，表達式如下

PSNR 數值越大，圖像越趨于無劣化，處理效果越好，表達式如下

從表1 中可以看出相較于HE 變換，CLAHE 變換處理兩張圖像得到的MSE 值小，PSNR 較大，表明CLAHE 變換有效性更高，中值濾波的加入一定程度上抑制噪聲，從而減小了MSE 值。

表1 處理結果質量的客觀評價

4.4.2 識別率分析

對樣本庫內的號牌進行識別，對比文獻[16]方法和本文方法的識別率，結果如表2 所示。文獻[16]使用方向梯度直方圖和支持向量機(HOG+SVM)提取接觸網支柱號牌，該方法對幾何和光學形變有很好的不變性。

表2 本文方法與文獻[16]方法的結果對比

5 結論

(1) 針對夜間電氣化鐵路檢修時，接觸網檢修掛接地線監測裝置識別支柱號困難的問題。通過CLAHE 變換優化圖像的灰度分布，對比CLAHE、HE 以及CLAHE 結合中值濾波方法的均方差(MSE)和峰值信噪比(PSNR)，可知CLAHE 變換+中值濾波方法在接觸網支柱號牌夜間圖像優化和無劣化方面有較好的性能，這種方法為同類型圖像的處理提供了參考。

(2) 通過形態學結合最小區域法獲取號牌，用連通域和模板匹配識別號牌字符，通過可視化軟件平臺和支柱號分布規律驗證識別結果，最后，對比本文方法和HOG+SVM，本文方法總識別率達到98.5%，夜間識別準確率達到了97.3%，大大提高了接觸網支柱號牌夜間識別的準確性。