轮胎侧壁成像方法技术

提供了一种计算机实现的方法，所述方法用于在轮胎侧壁的数字图像上生成感兴趣区域，所述侧壁具有一个或多个压印的和/或雕刻的花纹。该方法包括生成数字图像的方向梯度直方图特征图，将方向梯度直方图特征图输入到经训练的卷积神经网络中，其中所述经训练的卷积神经网络被配置为基于输入的方向梯度直方图特征图输出数字图像的像素区域包含压印和/或雕刻的花纹的第一概率，且如果第一概率等于或高于第一预定阈值，则接受所述像素区域作为所述感兴趣区域。

【技术实现步骤摘要】
【国外来华专利技术】轮胎侧壁成像方法
本专利技术涉及读取轮胎侧壁上的压印的和/或雕刻的花纹的方法，更特别地，涉及用于生成感兴趣区域的计算机实现的方法。
技术介绍
车辆轮胎的外表面(称为轮胎侧壁)带有基于文本的代码。该代码携带关于例如轮胎品牌、制造厂、年龄、轮胎类型、预期负载、速度额定值和大小、制造批次信息、制造商详情和其他产品信息的信息。代码可以包括例如一个或多个字母、数字、标识、符号、象形文字和/或任何其它可视的信息表示的混合。对于车辆用户，尤其是车队运营商，这些信息至关重要，因为它提供了一种一致可靠的方法来跟踪整个车队的轮胎使用和状况，从而大大提高了车队运营商对车队轮胎库存进行数据分析和检测轮胎何时出现故障和/或开始出现故障的能力。已经有人尝试自动化读取轮胎侧壁的过程，然而，这种系统要么是用于室内和受控检查任务的基于3D扫描仪的系统(可从MicroEpsilon、Cognex和Numetrix获得)，要么是用于室内和室外应用的手持激光设备。这种系统的给定的结构激光组件制造成本高昂、校准困难、容易破裂和/或仍然需要人工操作辅助，因此不能说是真正的自动化和成本效益高。将光学字符识别(OCR)应用于不使用结构光拍摄的图像，将大大降低硬件成本。然而，由于在室外使用轮胎会导致侧壁文本磨损(例如由于材料腐蚀、灰尘、干燥和/或湿度)，并且由于文本的对比度非常低(黑底黑色)，这有时甚至对人类观察者来说都很困难，更不用说自动化系统了，以前基于颜色或灰度图像OCR的尝试都没有成功。生产这样的系统的挑战在于，当移动的车辆轮胎驶过该系统时，想要足够快地读取该文本，或者当系统的视场在轮胎上移动时，想要足够快地读取静止的轮胎上的文本。还想要能够补偿变化的条件(例如，在车队仓库的室外的不同天气条件和/或在车队仓库的室内的多尘/肮脏条件)，并且在没有人类操作者的帮助的情况下产生准确和可再现的结果。在WO2017060739A1中提出了一种提供增强的对比图像的成像系统。特别地，对于读取压印的或雕刻的文本(如轮胎侧壁代码)，照明非常重要，因为通过阴影投射可以提高文本的对比度和易读性。虽然WO2017060739A1建议使用图像分析软件对这些图像进行OCR以读取压印的花纹，但WO2017060739A1中描述的传统OCR技术由于速度太慢和/或在非理想的非实验室环境中准确率较低而表现不佳。基于深度学习的图像分类和文本识别的最新发展将深度卷积神经网络(CNN)推到了基准数据集的文本识别性能表的首位，因此现在图像处理中几乎所有排名靠前的结果都使用深度学习而不是手工特征。然而，在性能表中排名靠前的深度卷积神经网络被调整为在不包括轮胎图像数据的基准数据集上工作良好。事实上，这并不意味着这种网络在用于例如在野外用相机获得的轮胎图像等数据时是成功的。这种深度网络已被用于在野外(即，在高噪声环境中)检测和读取文本，但在这些情况下，所使用的数据在被读取的文本和图像的背景之间表现出合理程度的对比度和色差。因此，需要一种识别轮胎侧壁上的文本的改进的系统和方法。
技术实现思路
概括地说，本专利技术涉及一种在具有低对比度和低色差的图像(例如轮胎侧壁的图像)上更准确和有效地识别感兴趣区域的方法。与已知技术相比，该方法将方向梯度直方图(HOG)技术与卷积神经网络层相结合，以提高效率和准确率，尽管对比度和色差较低。通过更准确和有效地识别低对比度、低色差图像上的感兴趣区域，可以更容易地识别出轮胎的压印的和/或雕刻的花纹附近的裂纹等故障，这些故障本来会被遗漏，并与特定的轮胎相关联，这些故障被跟踪，从而提供了提高轮胎安全性的效果。此外，可以更新轮胎识别信息和相关的轮胎故障和/或安全信息的中央数据库。它可以用来确定何时需要修理或更换轮胎。更具体地，本专利技术涉及一种生成与用户指定的、轮胎侧壁上的字符序列相关联的感兴趣区域的方法，其中，生成输入图像的HOG以获得HOG特征图，该图被用作卷积神经网络的输入，该卷积神经网络从HOG特征中进行分类以确定用户指定的字符序列是否存在。在一个实施例中，可以使用例如VLFeat开源库提供的两种方法(DalalTriggs和UoCTTI)之一，在卷积神经网络的外部并且与卷积神经网络分开地生成HOG特征。在另一个实施例中，它们可以使用CNN实现的HOG类似物(例如MahendranandVedaldi(2015),UnderstandingDeepImageRepresentationsbyInvertingThem,IEEEConferenceonComputerVisionandPatternRecognition,IEEECompt.Soc中所描述的)来生成。这篇论文指出，使用CNN的HOG特征生成与VLFeat开源库提供的HOG特征生成方法是不可数字化区分的，除了它还允许计算HOG特征导数，这有利地降低了任何后续处理运算的复杂性。这里使用的术语HOG特征和HOG是指使用VLFeat开源库和/或CNN方法(如MahendranandVedaldi(2015)以及其中提到的其他论文中所述的方法)生成的HOG特征和HOG。另外，本文使用的以下术语给出以下定义：“合成地生成的/合成的数据”--使用算法生成的数据，用于增加可用于培训的数据的总量，例如，在其他来源只有有限数据可用的情况下；“轮胎检测”-识别轮胎图像中的哪些像素对应于轮胎，哪些像素对应于背景(如轮毂盖或车辆车身)；“矫正”--将弯曲的轮胎侧壁的图像映射到曲线已被移除或拉直的图像；“堆叠的卷积滤波器”-包括多个卷积滤波器的图像处理运算的级联，一起形成一卷积神经网络或者卷积神经网络的一部分；“全连接的卷积层”-一种卷积滤波器，其遮罩大小(高度、宽度和信道数量)与前一层的特征图大小相同。它产生与全连接的层相同的特征图的输出大小。附图说明图1示出了根据一实施例的五阶段方法。图2显示了一个矫正方案，在图2上指示了轮胎的内半径和外半径。图3是根据一实施例的候选/感兴趣区域生成器方法的流程图。图4是根据一实施例的利用HOG-CNN架构生成方向梯度直方图和对应的特征图的方法的流程图。图5是根据一实施例的利用HOG-MLP架构生成方向梯度直方图和对应的特征图的方法的流程图。图6(a)是根据一实施例的CNN架构的框图。图6(b)是根据一实施例的CNN架构的框图。图6(c)是根据一实施例的CNN架构的框图。图7是根据一实施例的验证感兴趣区域的方法的流程图。图8(a)是根据一实施例的网络架构的框图。图8(b)是根据一实施例的网络架构的框图。图9是根据一实施例的用于定位/验证轮胎侧壁代码的方法的流程图。图10是根据一实施例的网络架构的框图。图11是根据一实施例的网络架构的框图。具体实施方式如图1所示，提出了本专利技术一实施例的五阶段方法。五阶段方法包括目标照明和高帧率图像获取101、轮胎检测102、轮胎矫正(tyreun本文档来自技高网...

【技术保护点】
1.一种计算机实现的方法，所述方法用于在轮胎侧壁的数字图像上生成感兴趣区域，所述侧壁具有一个或多个压印的和/或雕刻的花纹，其特征在于，所述方法包括：/n生成所述数字图像的方向梯度直方图特征图；/n将所述方向梯度直方图特征图输入到经训练的神经网络中，其中所述经训练的神经网络被配置以基于输入的方向梯度直方图特征图输出所述数字图像的像素区域包含所述压印的和/或雕刻的花纹的第一概率；且/n如果所述第一概率等于或高于第一预定阈值，则接受所述像素区域作为所述感兴趣区域。/n

【技术特征摘要】
【国外来华专利技术】20190123 GB 1900915.81.一种计算机实现的方法，所述方法用于在轮胎侧壁的数字图像上生成感兴趣区域，所述侧壁具有一个或多个压印的和/或雕刻的花纹，其特征在于，所述方法包括：
生成所述数字图像的方向梯度直方图特征图；
将所述方向梯度直方图特征图输入到经训练的神经网络中，其中所述经训练的神经网络被配置以基于输入的方向梯度直方图特征图输出所述数字图像的像素区域包含所述压印的和/或雕刻的花纹的第一概率；且
如果所述第一概率等于或高于第一预定阈值，则接受所述像素区域作为所述感兴趣区域。


2.根据权利要求1所述的计算机实现的方法，其特征在于，所述生成方向梯度直方图特征图是通过经训练的卷积神经网络中的堆叠的卷积滤波器来执行的。


3.根据权利要求1所述的计算机实现的方法，其特征在于，所述生成方向梯度直方图特征图是通过与所述经训练的神经网络分开的方向梯度直方图生成器来执行。


4.根据前述任一权利要求所述的计算机实现的方法，其特征在于，所述经训练的神经网络包括一个或两个全连接的层。


5.根据前述任一权利要求所述的计算机实现的方法，其特征在于，所述经训练的卷积神经网络是在训练数据上被训练，所述训练数据包括从轮胎侧壁的多个数字图像生成的多个方向梯度直方图特征图。


6.根据权利要求5所述的计算机执行方法，其特征在于，所述训练数据还包括合成数据。


7.根据前述任一权利要求所述的计算机实现的方法，其特征在于，所述方法还包括
如果所述第一概率低于所述第一预定阈值，则拒绝所述像素区域作为感兴趣区域。


8.根据前述任一权利要求所述的计算机实现的方法，其特征在于，所述方法还包括将分类器应用于所述感兴趣区域；
其中所述分类器被配置为输出所述感兴趣区域包含所述压印的和/或雕刻的花纹的第二概率；且
如果所述第二概率低...

【专利技术属性】
技术研发人员：赛义德·瓦杰哈特·阿里·沙赫·卡兹米，伊恩·托马斯·纳布尼，乔治·沃吉亚茨，亚历山大·保罗·科德，
申请(专利权)人：维奥赖特有限公司，
类型：发明
国别省市：英国;GB