随着我国铁路事业的迅猛发展以及互联网信息化建设的热潮,机车信息化管理势在必行,其中机车车号的自动定位识别是机车信息化建设的重要组成部分。车号信息的人工读取与核对需要耗费大量的人力与物力的同时仍存在着大量误差。随着信息技术的进步,RFID射频识别成为了主流的车号识别方式,但存在着维护成本、差错率双高等缺点。近年来,为了实现机车信息化管理以及车号的高效识别,基于图像处理的车号自动识别是当前铁路机车车号识别的研究重点。基于图像处理的自动车号识别是通过摄像机获取到机车图像并进行实时车号的自动识别,包括车号定位、字符分割、字符识别等步骤。但是由于机车车身以及外部因素,车号自动识别仍存在着巨大的挑战。第一,机车车型种类多,并且每种机车车型的车号长度不一致。第二,光照下树枝等其他事物的遮挡在车号上形成线条或者大面积阴影、倒影以及机车车速形成的虚影。第三,字符本身可能由于油漆脱落或者褪色、摄像机闪光导致字符不全,阴雨天气下字符显示暗淡以及存在特殊的断裂字符。针对以上三点难点以及分析传统字符分割方式的优点与不足,本文提出采用传统定位技术做车号定位,基于卷积神经网络对二值车号图像进行端到端的识别,去除字符分割的步骤,从而减少字符分割的错误。论文的主要研究内容及工作如下:(1)机车图像的预处理:图像的预处理在整个识别过程中是非常重要的环节,由于通过摄像获取的机车图像存在着大量噪声,因此本文首先通过高斯滤波对车号图像进行去噪,然后在图像灰度化过程中,提出了本文自适应的灰度化方法,该方法针对不同车型的车身颜色和字符颜色不同的特征,采取一维直方图鉴别底色的方法把车身颜色划分为蓝色底和非蓝色底等两种情况,对于蓝色底的车号图像获取HSV中的S通道作为灰度图像,对于非蓝色底的车号图像采用RGB加权的方式进行灰度化。(2)机车图像定位:针对机车图像在夜晚中字符显得比较暗淡的情况,一阶sobel边缘检测的特征点比较少,因此提出一阶和二阶sobel加权的边缘检测,在一阶边缘的基础上通过二阶sobel检测可以增加一个双边缘,从而提高边缘检测的质量。其次对于蓝底红字的车型,再联合了红色通道增强边缘的方式来提高检测质量。最后通过形态学、外部轮廓检测等方式找出多个候选车号矩形框,针对多个候选车号,训练了以车号图像的HOG特征为输入的SVM车号鉴别模型,实验证明,通过以上方法可以对车号进行精准的定位。(3)车号二值化与倾斜校正:针对定位到的车号图像的底色和字符颜色的不同,文中提出了针对不同底色图像的灰度化方法,然后通过形态学的顶帽操作进行阴影、倒影等噪声的去噪,为了适应车号图像局部亮度的不一致,提出了分段自适应二值化方法,由于韶山车型图像在二值化过程中会出现白底黑字的情况,因此训练了以行列直方图作为特征的SVM线性分类器对车号二值图像进行底色和字符颜色翻转,最后通过霍夫变换对车号图像进行水平倾斜校正,实验表明,该算法对于不同车型都能准确的二值化与倾斜校正。(4)车号端到端识别:在定位的基础上,本文提出了基于卷积神经网络进行二值车号图像端到端的识别,考虑到机车车号图片数量、标注数据和训练时间的问题,本文设计了四层卷积层和两个全连接层的卷积神经网络。实验结果表明,基于深度学习的端到端识别可以避免字符分割的难题,有效提高识别准确率。