logo资料库

车牌识别程序识别部分-基于神经网络的车牌字符识别算法实验及程序校验.pdf

发布时间：2022-05-29 发布人：admin 分类：说明书 资料大小：0.48M 资料格式：pdf 举报 版权申诉
第1页 / 共7页
第2页 / 共7页
第3页 / 共7页
第4页 / 共7页
第5页 / 共7页
第6页 / 共7页
第7页 / 共7页
资料共7页，全文预览结束
    万方数据
    72 华东交通大学学报 2005钜 2．2图像特征提取的不同方式 Data[k，j*Imagewidth+i]：=O．9／／象素为黑色 图像的识别是根据一定的图像特征进行比较 实现的，字符特征提取的基本目的是从众多特征中 找出那些最有效的特征．特征提取有三种方式，第 一种是逐像素特征提取法，对图像进行逐行逐列的 扫描，并设黑色象素特征值为1，设白色象素特征值 为O．第二种是骨架特征提取法，即将图像的线条进 行细化，这样不同字符之间的差别变大．第三种就 是垂直方向数据统计特征提取法，即自左向右对图 像进行逐列地扫描，统计每列黑色象素的个数，然 后自上而下逐列扫描，统计每行的黑色象素的个 数，将统计结果作为字符的特征向量，其特征向量 的维数是宽度加长度．本程序将车牌字符按长16宽 20分割成320网格并采用垂直方向数据统计特征 提取320个特征点． 2．3 BP网络识别 2．3．1 BP网络的结构 BP神经网络是一种有导师的学习算法，其算法 的基本思想是，学习过程由信号的正向传播与误差 的反向传播两个过程组成．正向传播时，输入样本 从输入层传人，经各隐藏层逐层处理后传向输出 层．若输出层的实际输出与期望的输出(教师信号) 不符，则转入误差的反向传播阶段．误差反传是将 输出误差以某种形式通过隐藏层向输入层反传，并 将误差分摊给各层的所有神经元，从而获得各层神 经元的误差信号，此误差信号即作为修正各神经元 权值的依据．这种信号正向传播与误差反向传播的 各层权值调整过程，是周而复始地进行的．权值不 断调整的过程也就是网络的学习训练过程．此循环 过程一直进行到网络输出的误差减少到可接受的 程度，或进行到预先设定的学习次数为此． 2．3．2 BP网络的算法 1)将权值初始化为0～1之间的随机数； 2)对训练图片进行特征提取并将其值输入网 络，指定对应字符的期望输出即： If Charimg<>Nil Then／／对车牌分割后的图 像进行特征提取 Forj：=0 to ImageHeight—l d0 Begin For i：=0 to ImageWidth一1 do／／ImageHeight、 时赋值为0．9 else Data[k，j*Imagewidth+i]：=0．1；／／象素为白色 时赋值为0．1 3)调用前向传输函数计算中间隐含层输出和 网络实际输出； Procedure TBP．BPNet—layerforward(Var 11，12： D1Array；Var Corm：D2Array；nl，n2：integer)； Sum：=Sum+Corm[k，j]*11[k]；／／输入加权 总和 n[j]：=Squash(Sum)；／／Squash为激励函数Re— stilt：=(1．o／(1．0+exp(一Sum))) 4)计算实际输出与期望输出的误差和中间隐 含层误差； Procedure TBP．BPNet__output—en'or(Var delta， target，output：D1Array；nj：integer)；／／输出误差 Procedure 113P．BPNet—hidden—en'or(Var delta h：D1Array；nh：integer； Var delta．．——O'-D1Array；no"integer；Var who： D2Army；Vat hidden：D1Array)；／／隐含层误差 5)根据误差的反向传输函数来调整权值； New—dw：=((eta*delta[j]*ly[k])+(momen． turn*Oldw[k，j]))；／／其中eta为学习因子 dw； dw； W[k，j]：=w[k，J]+New Oldw[k，j]：=New 6)由最小均方误差编辑框，训练次数编辑框来 设定均方误差范围和训练次数，设置最大的迭代次 数为15 000次，对所有样本反复训练网络，多次迭 代直到权值达到稳定．保存输入层到隐含层、隐含 层到输出层的权值． 7)输入待识别的图片到网络中，读取输入层到 隐含层、隐含层到输出层的权值，将提取的特征值 输入前向传输函数： BPNet—layerforward(input—unites，hidden—U— nites，input-weights，n-in，n—hidden)；／／输入层到隐含 层 BPNet__layerforward(hidden__unites，output—u— out)；隐含层到 weights—hidden，n nites，hidden 输出 ImageWidth为字符位图的象素大小 最终在输出层我们得到7维向量，根据输出结 Begin If S[i，i]／max>0．2 then／／当黑色象素点数大 于最大黑象素点的20％ 万方数据 果可以得到待识别图片的识别结果． 2．3．3 BP网络的改进 1)隐含层神经元数的选择
    万方数据
    74 华东交通大学学报 20Q5年 将计算它的权值矢量与比较层输出矢量之间的点 积．获胜矢量激活并抑制所有识别层中的其它神经 元． 比较阶段：这个阶段是执行警戒测试，首先通 过三分之二准则得到比较层输出，再计算相似矢 量，相似矢量是比较原型和输入模式之间相似程度 的尺度，如果相似矢量大于警戒阀值则表示输入矢 量和获胜原型之间不存在实质的区别，把输入矢量 存入获胜神经元的聚类中心．否则表示输入模式与 获胜神经元不十分相似． 搜索阶段：如果获胜者没通过测试，则屏蔽现 在的获胜者，回到识别阶段去选择另一个获胜者， 反复循环直到选择一个通过警戒测试的获胜者．如 果没有神经元通过警戒测试，则新分配一个神经单 元来接纳新的模式．当获胜者通过测试时用权值训 练模块来调整神经网络的权值： k(z，CVect[i])；／／z等于z加上Cvect[i] wb[i，BestNellmn]：=L*CVect[i]／(L—l +z)；／／比较层到识别层的权值 Wt[BesⅡ娓ur吼，i]：=cVect[i]；／／识别层到比 较层的权值 3综合实验及分析 3．1改进BP网络实验 对于BP网络，本文采用的三层结构，第一层为 输入层，由于本实验已经将车牌位图归一化为16* 20的象素点矩阵，所以输入层神经元个数为320．第 二层为隐含层，通过隐层结点个数编辑框可以选择 隐含层神经元个数．第三层为输出层，根据车牌的 汉字30个、字母26个、数字lO个的要求，我们选择 7个输出神经元即输出向量维数，本程序中采用了 二进制码来进行编码，对于输出‘0’，采用(0，0，0，0， O，0，0)这样的目标输出向量，当二进制编码大于9 是，其后的值分别与字母和汉字对应，如输出‘湘’， 采用(0，O，0，1，O，1，O)为目标输出向量．因为神经元 的激励函数是s型函数即．厂(戈)=土，所以激励 1 l+e” 函数的输出永远不可能达到0或1，可能会导致算 法不收敛，因此采用是接近值0．1代表o，o．9代表 1．为了提高网络的识别精确，这里将学习速率设为 O．015，动量系数设为0．5，本实验在训练时自动产 生300幅带干扰的车牌字符图片和300幅实际摄取 车牌的归一化图像，对其反复训练次数为300次．在 实验中发现权值的渐渐稳定，迭代次数在不断的变 小．经过多次实验发现改进后的BP网络识别方案 的识别率为96．3％比没有相关系数和训练步长的 识别方案识别率高出5％，而且此方案适用于强噪 声环境下的字符识别．训练结果如图2所示． 图2 改进BP网络训练界面 万方数据
    第l期 胡晓燕，等：基于神经网络的车牌字符识别算法实验及程序校验 75 3．2分类BP网络实验 这四种字符识别技术的比较结果如表2所示： 采用分类BP网络时，根据标准车牌的设计特 征，将汉字网络、字母网络的输出神经元数设为5 个，字母数字网络输出神经元数为6个，数字网络4 个输出．测试数据选取随机摄取的100幅车牌图片， 各类字符共600个，对每类数据随机抽取作为样本， 剩余的样本做为测试数据．经过反复实验最后综合 识别率见表1． 由此表可见，采用分类BP网络，可以在很大程 度上提高车牌的识别率． 表l神经网络训练实验识别率统计 3．3 ART网络实验 利用ART网络对车牌图像进行试验，当警戒阀 值从0．8时增加到3时，形成的类别数目增加了，而 且模式的分布也不同．试验结果为：汉字的识别率 为80％，字母识别率为95％，数字识别率97％，由此 可见数字、字母的识别率很高，汉字的识别率并不 理想．但是与其它神经网络相比，ART网络反馈能 力、输入层和输出层的连接权是双向的，输出层对 输入层也有作用，具有很大的灵活性，既适应新的 输入模式，同时避免对网络先前所学的学习模式的 修改，很好地解决了神经网络中常常面临的稳定性 和灵活性的问题． 表2四种识别技术的性能比较 识别类型 学习方式 稳定性识别效率适用识别范围容错性能 BP网络有教师学习 不好 好 车牌、应刷字 一般 改进BP网络有教师学习收敛速度快 很高 车牌、手写字体 好 分类BP网络有教师学习收敛速度快 非常高 车牌 很好 脚网络自主学习很好嚣粱嚣拿缕非常好 4结束语 神经网络具有学习、抗噪和并行计算能力，所 以在车牌识别中是一种行之有效的方法．本文实验 证明用带有动量项、自适应学习率的反向传播BP 算法训练神经网络用在含有噪声的字符识别中，具 有寻优的全局性和精确性，收敛速度快等特点，从 测试效果来看，其识别效果较好，在此基础上再采 用字符分类识别则识别效率上会有很大的提高．而 利用ART神经网络进行车牌字符识别时，字母、数 字的识别率都很高，由于汉字的复杂结构，这种方 法还不是十分理想，需要做进一步的研究． 参考文献： [1]胡小锋，等．Visual C++／Madab图像处理与识别实用案 例精选[M]．北京：人民邮电出版社，2004． [2]王世文，等．利用神经网络识别车辆牌照字符[J]．鞍山 钢铁学院学报，2001，(24)：50—52． [3]Abhijit S．Pandya，等．神经网络模式识别及其实现[M]．北 京：电子工业出版社，1999． [4]叶晨洲，杨杰，等．车辆牌照字符识别[J]．上海交通大学 通过两种神经网络的字符训练实验，我们得出 学报，2000，(34)：672—675． Vehicle Plate Recognition by Neural NetWork Based on Delphi HU Xiao·yan，JIANG Xian-gang，LIU Hai-feng (Institute of Information Eng．，East China Jiaotong University，Nanchang 330013，China) Abstract：In this paper，two approaches ale presented to recognize vehicle characters based on BP neural network and adaptive neural network constructed by ART，With codes examples，it describes two recognition principles and presents ex。 perimental results． Key words：character recognition；ART Network；BP Nero&；normalization 万方数据
    基于神经网络的车牌字符识别算法实验及程序校验 作者： 作者单位： 刊名： 胡晓燕， 蒋先刚， 刘海峰， HU Xiao-yan， JIANG Xian-gang， LIU Hai-feng 华东交通大学,交通信息工程与控制研究所,江西,南昌,330013 华东交通大学学报 JOURNAL OF EAST CHINA JIAOTONG UNIVERSITY 2005，22(1) 7次 英文刊名： 年，卷(期)： 引用次数： 参考文献(4条) 1.胡小锋 Visual C++/Matlab图像处理与识别实用案例精选 2004 2.王世文.张颖.张学东.谢元旦 利用神经网络识别车辆牌照字符[期刊论文]-鞍山钢铁学院学报 2001(1) 3.Abhijit S.Pandya 神经网络模式识别及其实现 1999 4.叶晨洲.杨杰.宣国荣 车辆牌照字符识别[期刊论文]-上海交通大学学报 2000(5) 相似文献(4条) 1.学位论文 赵健龙 基于神经网络的集装箱字符识别 2002 该课题对基于人工神经元网络的集装箱字符识别进行了研究.识别过程主要分为两个阶段:图像的预处理和模式识别.图像预处理阶段运用数字图象处 理技术,从原始图像中提取出待识别的字符,该阶段主要包括基于纹理分析的字符定位,基于微分直方图的图像二值化和基于投影直方图的字符分割;在模 式识别阶段,采用ART神经元网络模型对字符图像进行识别,并根据具体的应用对传统的ART网络学习算法进行了改进,获得了较好的效果,对噪声干扰和字 符形变具有一定的适应性. 2.学位论文 张捷 手写数字识别的研究与应用 2004 手写字符的识别研究时冷时热,在过去几十年里,人们提出了许多识别方法和识别技术,但由于识别的关键技术没有解决,再加上产品定位等方面的原 因,使得已有的识别系统远不能达到实际应用的要求,这其中有理论研究和技术实现等多方面因素.手写体数字识别是字符识别的一个分支,问题虽然简单 ,但却有较大的实用价值.目前中国在信函通信时广泛使用了邮政编码,用手写体数字识别技术进行信函的自动分拣对减轻邮电职工的手工分拣工作有很大 意义.手写数字虽然只有10个种类,但很多情况下,对识别的精度要求非常高,而且,手写数字的变动性非常大,在这种情况下,要想做到高精度的识别就不是 那么容易了.该论文首先阐述计算机字符识别技术的必要性,论述手写数字识别的意义;接着讨论了手写数字识别的预处理技术,包括二值化、行字切分、 平滑、去噪声、规范化和细化等.二值化时对整体阈值二值化、局部阈值二值化、动态阈值二值化和利用空间信息进行阈值选取几种常用的阈值选取方法 进行讨论,特别对利用空间信息进行阈值选取进行了详细论述;在对通过对基于数学形态学的细化的基础上,讨论序贯同伦形态细化算法和保形的快速形态 细化算法;然后依据联机字符识别原理框图,分析了手写数字的结构特点,提出了基于笔划特征的任意手写数字在线识别技术和基于多级分类器任意手写数 字在线识别技术,对其中涉及的笔划识别前的噪声处理、笔划间特征量的定义及识别、整字匹配的距离准则进行了详细叙述;继而在对手写数字的分割的 基础下对脱机手写数字识别进行了研究,对基于最小距离分类器字符识别、基于树分类器的字符识别、基于自适应共振(ART)网络的字符识别分别进行了 详细讨论,并引入置信度分析将多个分类器进行了混合集成;最后简单阐述了手写数字识别的典型应用,对其在大规模数据统计、财务、税务、金融及邮件 分拣中的应用进行了探索.该论文对手写数字识别的原理、方法进行了深入的研究,提出的识别技术精度较高,可以达到实际应用的要求.该论文成果对于 信息的自动化、国民经济信息网络的推广具有重要意义,对于手写汉字识别的研究具有很高的参考价值. 3.期刊论文 马驷良.张忠波.吕江花 用于手写字符识别的SA-ART神经网络模型 -吉林大学自然科学学报2001(2) 针对前馈BP网络和ART网络对手写字符识别的不足以及人的认知机制,在大量实践和理论分析的基础上,提出具有选择注意机制的ART模型SA- ART(Selective Attention Adaptive Resonance Theory).经实际检测,识别精度有明显提高. 4.学位论文 宫淑兰 手写数字识别的研究与应用 2006 手写字符的识别研究时冷时热，在过去几十年里，人们提出了许多识别方法和识别技术，但由于识别的关键技术没有解决，再加上产品定位等方面 的原因，使得已有的识别系统远不能达到实际应用的要求，这其中有理论研究和技术实现等多方面因素。手写体数字识别是字符识别的一个分支，问题 虽然简单，但却有较大的使用价值。目前我国在信函通信时广泛使用了邮政编码，用手写体数字识别技术进行信函的自动分拣对减轻邮电职工的手工分 拣工作有很大得意义。手写数字虽然只有10个种类，但很多情况下，对识别的精度要求非常高，而且手写数字的变动性非常大，在这种情况下，要真正 做到高精度的识别就不是那么容易。 本论文首先阐述计算机字符识别技术的必要性，论述手写数字识别的意义；接着简单阐述了手写数字识别的 典型应用，对其在大规模数据统计、财务、税务、金融及邮件分拣中的应用进行了探索；继而讨论了手写数字识别的预处理技术，包括二值化、行字切 分、平滑、去噪声、规范化和细化等。二值化时对整体阈值二值化、局部阈值二值化、动态阈值二值化和利用空间信息进行阈值选取几种常用的阈值选 取方法进行讨论，特别对利用空间信息进行阈值选取进行了详细论述；在对通过对基于数学形态学的细化的基础上，讨论序贯同伦形态细化算法和保形 的快速形态细化算法；最后在对手写数字的分割的基础下对脱机手写数字识别进行了研究，对基于最小距离分类器字符识别、基于树分类器的字符识别 、基于自适应共振(ART)网络的字符识别分别进行了详细讨论，并引入置信度分析将多个分类器进行了混合集成。 本论文对手写数字识别的原理、 方法进行了深入的研究，提出的识别技术精度较高，可以达到实际应用的要求。本论文成果对于信息的自动化、国民经济信息网络的推广具有重要意义 ，对于手写汉字识别的研究具有很高的参考价值。 引证文献(7条) 1.董镭.刘宏 基于神经网络的车牌识别系统在特定场合的应用[期刊论文]-鞍山科技大学学报 2007(05) 2.刘春媛.徐为 基于二值图像层次识别字符特征的融合算法[期刊论文]-黑龙江科技学院学报 2007(05) 3.何军.踪程.刘云生 面向对象技术在土地监测系统中的应用[期刊论文]-天津城市建设学院学报 2007(03) 4.卜质琼.邹卫强.周运祥 基于神经网络集成的汽车牌照识别[期刊论文]-计算机工程与设计 2007(19) 5.任洪娥.杜建波.于鸣 车牌自动识别中的字符特征提取方法[期刊论文]-东北林业大学学报 2006(03)
    6.倪军 基于小波变换及神经网络技术钢时效组织的超声无损评价[学位论文]硕士 2006 7.周运祥 车牌识别技术研究[学位论文]硕士 2005 本文链接：http://d.g.wanfangdata.com.cn/Periodical_hdjtdxxb200501018.aspx 下载时间：2010年4月28日
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料