随着铁路货运快速增长,手工抄录货运列车车号的作业方式耗时费力,已不能满足现代化铁路运输需求。考虑到列车车号在铁路车辆管理、货车追踪、行车调度中起着重要作用,列车车号识别已成为铁路管理的一项必需工作。然而不同于常见的汽车车牌识别[30],铁路货运列车车号识别需要在列车快速移动场景下完成数据采集,车号识别过程更为复杂。基于此,提出一种面向复杂移动场景下的铁路货运列车车号检测与识别方法,该方法包括车号定位、车号分割、单帧车号初识别和多帧车号联合识别等步骤,其具体内容如下。车号定位:车号区域定位是车号识别系统的首要步骤。由于铁路货运车厢表面存在若干非车号干扰字符,且车号区域在车厢位置不固定。为精准定位车号区域,提出一种由粗到细的车号定位方法。其首先利用基于卷积网络的目标检测算法粗定位车号区域,在此基础上,提出利用列车车号编码特点通过图像连通体分析技术进一步细定位车号区域。车号分割:完成车号定位,需进一步对单个车号进行分割。铁路列车采用的镂空印刷方式,使得部分车号字符内部断裂,增加了车号分割难度。考虑车号字符虽然内部断裂,但其整体与对应的标准字符仍有较大相似性。基于此,提出构建标准字符模板库,并利用互相关性匹配方法快速计算字符模板在待测图像区域的匹配结果;为了确定字符最优匹配位置,针对所有字符模板的匹配结果,提出利用K-means聚类分析算法精准提取单个车号。单帧车号初识别:针对铁路货运列车车号,基于传统浅层网络的车号识别模型性能有限。提出利用卷积神经网络强大的特征提取性能,构建一种面向铁路列车车号的轻量级多层神经网络模型:首先为了提高模型识别精度,提出利用数据增广方法对有限的车号图像进行扩增;基于扩增的大量车号训练样本,利用设计的轻量级神经网络进行模型训练,由此精准识别车号字符。多帧车号联合识别:列车移动图像采集往往会导致图像模糊,这使得基于单帧图像处理的车号识别效果一般。提出利用视频时空冗余信息建立多帧车号联合识别模型:首先对定位后的多帧图像进行内容相关分析,通过片段聚类将同节车厢的多帧图像进行统一标记,并在此基础上建立多帧图像概率决策器,对相同车厢的图像数据进行联合识别,提高移动场景下列车车号识别的准确率。本文实地采集了大量的铁路货运列车视频,通过车号定位、字符识别等对比实验,表明本文方法在车号定位、车号分割、车号识别等方面均取得了较好结果,其车号定位、车号识别率均高于85%,验证了本文方法在复杂移动场景下完成铁路列车车号检测与识别的有效性。