·1526 工程科学学报，第42卷，第11期 KEY WORDS pattern recognition:wagon number recognition;deep learning;neural network;object detection;model pruning 火车号是一个火车车箱的身份标识，一般喷 但其中搜索车牌的过程涉及大量先验知识和基于 涂在火车车箱的两侧，在铁路交通运输管理系统 规则的方法，难以进行整体优化.因此，后来作者 中经常需要获取火车号作为每个车箱唯一的标识 又将前端的检则模块改为采用两阶段的目标检测 来确认车箱当前的位置和状态等信息.采用人工 算法 记录的方式效率低、成本高，利用图像处理和模式 Montazzolli和Jung基于目标检测算法进行 识别技术自动识别火车号不仅可以节省人力，而 巴西车牌号检测与识别，分阶段检测汽车前脸、车 且可以大大提高铁路运输管理系统的智能化程 牌区域和字符，考虑到速度和精度的折衷，采用了 度.然而，利用火车号图像实现火车号的识别存在 简化的快速目标检测算法，但没有对检测网络本 很多困难.首先，相对整个车箱，火车号区域占比 身进行优化.Laroca等门在车牌和字符检测中采 非常小，要获得清晰可辨识的火车号需要较高的 用了类似的策略，但在字符识别阶段增加了两个 成像分辨率，而这又会导致整个图像像素数巨大， 独立的网络分别进行数字和字母的识别 使得图像处理算法难以实时处理；其次，由于户外 本文采用基于深度学习的目标检测算法进行 拍摄环境恶劣会导致对比度低、曝光不足或者过 火车号识别，分别针对火车号图像分辨率高、存在 曝光，而且火车号图像背景复杂，存在脏污、锈 校验位和实时性要求高等特点提出了相应的解决 迹、其他标识等较多干扰因素，导致准确定位火车 策略.本文的主要创新点包括： 号区域较为困难；第三，火车号字符本身存在字符 (1)采用分阶段策略，先在低分辨率全局图像 粘连、笔画断裂、字符间距和排列规则多变等现 中检测火车号区域，再在高分辨局部图像中检测 象，这些都会导致字符分割和识别比较困难 字符并识别火车号，实现实时高精度识别： 在近十多年中，基于深度学习的图像目标检 (2)字符检测过程中对每个区域输出多个候 测算法得到了长足的发展，检测精度相比传统方 选类别概率，利用各个字符的概率对整个火车号 法有了很大的提高.深度学习与传统算法最大的 进行校验纠错，在特定的目标检测精度下进一步 区别在于其利用多层卷积神经网络自动学习图像 提高整体识别正确率： 特征，将特征提取和分类识别融为一体。自从 (3)结合批归一化因子和滤波器权重相关度 20I2年Krizhevsky等山使用深度卷积神经网络在 进行模型通道剪枝，简化网络，提高检测速度和整 大规模视觉识别挑战(Large scale visual recognition 体识别效率 challenge,LSVRC)上获得冠军后，深度学习在图 本文后续内容安排如下，第一部分介绍相关 像、视频、语音等领域受到了广泛的关注回.近年 的深度学习目标检测算法，第二部分介绍整体识 来，已有不少学者将深度学习算法应用于火车号 别框架，第三部分介绍火车号区域检测方法，第四 识别、汽车牌号识别、集装箱号识别、车辆类型识 部分介绍字符检测及校验纠错方法，第五部分介 别等领域3-⑧在廖健1提出的货车号识别算法 绍结合批归一化因子和滤波器相关度的剪枝算 中，通过分割边缘密度图像得到字符所在的候选 法，第六部分介绍实验数据及实验结果，最后是结 区域，然后利用深度卷积神经网自动学习图像特 论及下一步可能的改进方向 征，再由两个softmax分类器分别完成字符检测和 1基于深度学习的目标检测算法 识别.这一方法只是在第二阶段采用了深度学习 算法，检测火车号区域是传统方法，因此鲁棒性和 目标检测算法是对图像内给定的一组目标进 识别精度会受到一定的影响.Lⅰ等提出一种结 行定位和分类，一般用矩形框来标记目标位置.基 合目标检测算法和序列串识别算法的车牌号识别 于深度学习的目标检测算法可分为两类例：一类是 算法，首先采用一个4层卷积神经网络检测所有 二阶段方法，遵循传统的目标检测流程，先产生候 可能的字符，并利用行程长度平滑算法(Run length 选区域(Region proposal),然后对每个候选区域进行 smoothing algorithm,RLSA)和连通域分析得到候选 分类；另一类是一阶段方法，将目标检测视为一个回 车牌区；然后利用双向回归神经网络(Bidirectional 归和分类问题，采用统一的框架直接实现定位和 recurrent neural networks,BRNNs)算法识别车牌号 分类.典型的二阶段方法有Faster R-CNNIO、FPN山、KEY WORDS    pattern recognition；wagon number recognition；deep learning；neural network；object detection；model pruning 火车号是一个火车车箱的身份标识，一般喷 涂在火车车箱的两侧，在铁路交通运输管理系统 中经常需要获取火车号作为每个车箱唯一的标识 来确认车箱当前的位置和状态等信息. 采用人工 记录的方式效率低、成本高，利用图像处理和模式 识别技术自动识别火车号不仅可以节省人力，而 且可以大大提高铁路运输管理系统的智能化程 度. 然而，利用火车号图像实现火车号的识别存在 很多困难. 首先，相对整个车箱，火车号区域占比 非常小，要获得清晰可辨识的火车号需要较高的 成像分辨率，而这又会导致整个图像像素数巨大， 使得图像处理算法难以实时处理；其次，由于户外 拍摄环境恶劣会导致对比度低、曝光不足或者过 曝光，而且火车号图像背景复杂，存在脏污、锈 迹、其他标识等较多干扰因素，导致准确定位火车 号区域较为困难；第三，火车号字符本身存在字符 粘连、笔画断裂、字符间距和排列规则多变等现 象，这些都会导致字符分割和识别比较困难. 在近十多年中，基于深度学习的图像目标检 测算法得到了长足的发展，检测精度相比传统方 法有了很大的提高. 深度学习与传统算法最大的 区别在于其利用多层卷积神经网络自动学习图像 特征 ，将特征提取和分类识别融为一体. 自从 2012 年 Krizhevsky 等[1] 使用深度卷积神经网络在 大规模视觉识别挑战（Large scale visual recognition challenge, LSVRC）上获得冠军后，深度学习在图 像、视频、语音等领域受到了广泛的关注[2] . 近年 来，已有不少学者将深度学习算法应用于火车号 识别、汽车牌号识别、集装箱号识别、车辆类型识 别等领域[3−8] . 在廖健[3] 提出的货车号识别算法 中，通过分割边缘密度图像得到字符所在的候选 区域，然后利用深度卷积神经网自动学习图像特 征，再由两个 softmax 分类器分别完成字符检测和 识别. 这一方法只是在第二阶段采用了深度学习 算法，检测火车号区域是传统方法，因此鲁棒性和 识别精度会受到一定的影响. Li 等[4] 提出一种结 合目标检测算法和序列串识别算法的车牌号识别 算法，首先采用一个 4 层卷积神经网络检测所有 可能的字符，并利用行程长度平滑算法（Run length smoothing algorithm, RLSA）和连通域分析得到候选 车牌区；然后利用双向回归神经网络（Bidirectional recurrent neural networks, BRNNs）算法识别车牌号. 但其中搜索车牌的过程涉及大量先验知识和基于 规则的方法，难以进行整体优化. 因此，后来作者 又将前端的检测模块改为采用两阶段的目标检测 算法[5] . Montazzolli 和 Jung[6] 基于目标检测算法进行 巴西车牌号检测与识别，分阶段检测汽车前脸、车 牌区域和字符，考虑到速度和精度的折衷，采用了 简化的快速目标检测算法，但没有对检测网络本 身进行优化. Laroca 等[7] 在车牌和字符检测中采 用了类似的策略，但在字符识别阶段增加了两个 独立的网络分别进行数字和字母的识别. 本文采用基于深度学习的目标检测算法进行 火车号识别，分别针对火车号图像分辨率高、存在 校验位和实时性要求高等特点提出了相应的解决 策略. 本文的主要创新点包括： （1）采用分阶段策略，先在低分辨率全局图像 中检测火车号区域，再在高分辨局部图像中检测 字符并识别火车号，实现实时高精度识别； （2）字符检测过程中对每个区域输出多个候 选类别概率，利用各个字符的概率对整个火车号 进行校验纠错，在特定的目标检测精度下进一步 提高整体识别正确率； （3）结合批归一化因子和滤波器权重相关度 进行模型通道剪枝，简化网络，提高检测速度和整 体识别效率. 本文后续内容安排如下，第一部分介绍相关 的深度学习目标检测算法，第二部分介绍整体识 别框架，第三部分介绍火车号区域检测方法，第四 部分介绍字符检测及校验纠错方法，第五部分介 绍结合批归一化因子和滤波器相关度的剪枝算 法，第六部分介绍实验数据及实验结果，最后是结 论及下一步可能的改进方向. 1    基于深度学习的目标检测算法 目标检测算法是对图像内给定的一组目标进 行定位和分类，一般用矩形框来标记目标位置. 基 于深度学习的目标检测算法可分为两类[9] ：一类是 二阶段方法，遵循传统的目标检测流程，先产生候 选区域（Region proposal），然后对每个候选区域进行 分类；另一类是一阶段方法，将目标检测视为一个回 归和分类问题，采用统一的框架直接实现定位和 分类. 典型的二阶段方法有 Faster R-CNN[10]、FPN[11]、 · 1526 · 工程科学学报，第 42 卷，第 11 期