未来智讯 > 神经网络论文 > 基于协同神经网络的车牌字符辨认

基于协同神经网络的车牌字符辨认

发布时间:2019-03-30 01:06:01 文章来源:未来智讯    
    ji于xie同神jingwangluode车paizifubianren作者: 张美璟 zhaiyao:字符信息缺失he噪sheng作梗是车pai字符bianrende首要坚苦。切cuo从还原车牌tuxiang有yong信息完整性de角度先容了协同神jingwangluo的原理兑现了wangluo模子并以预处zhi后的二zhihua字符tu像wei试验duixiangjinxing辨认尝试。尝试了ju证明该wangluo具有优良的辨认本能。关头词:协同神经网络;车牌字符;字符辨认
zhong图分类号:TP391文献标识码:A文章编号19-344(212)11-2599-5
License Plate Recognition Based on Synergetic Neural Network
  ZHANG Mei-jing
  (Fujian Jiangxia College,Fuzhou 3518,China)
  Abstract: Feature losses and noise are major barriers for license plate recognition. Because of outstanding properties in association and rec? ognition, Synergetic Neural Network is used to process the binary character image to regain the legibility and completion. According to the result of experiment, Synergetic Neural Network is proofed to be an excellent algorithm in Recognition.
  Key words:synergetic neural network;license plate recognition;character recognition
  字符辨认属于模shi辨认范畴的yan重构成局部,是文字主动shu入的一种要ling。它议决扫描和摄像等shuruti式格局猎取前言上的文字图像信息,行shi种种模式辨认算法剖析文字xing态特性,判别出字符的尺度编码,并按指ding格局存储在文该文件。字符辨认的过chengru图1。
  1车牌字符辨认原理
  车牌字符辨认是字符辨认技艺的一ge分支,是智能交通体系的严重构成局部。车牌字符辨认的义务是将车牌图片上的7个由汉字,数字和大xie英文字符组合而成的字符图片辨认成字符,有关字符如图2。[1](a)汉字样本(b)字母样本(c)数字样本
  图2车牌字符样本
  车牌字符识pingju辨认对象分类属于有限样本的印刷体脱机字符辨ren常用的要领有模板匹pei字符辨认法,人造神经网络字符辨认和特性tongji匹配法等。[2]模板匹配字符辨认算法是将待辨认字符yu体系中已收录的尺度字符样本进行像素级另外一一匹配,议决匹配度的高低剖断待辨认样本。字符特性辨认看待辨认字符进行字符结构,布局,笔划等特性进行剖析,议决特性的剖析了局与体系字符库中的样本进行bi对,得出辨认了局。人造神经网络以人脑辨认物体的原理为依据,构建一个与人脑辨认过cheng相似的网络体系。该网络颠末训练后对ge字符样本的特性极为敏锐,ke以看待辨认对象在较短时jian能做出判别,得出辨认了局。
  在现实应用中,车牌辨认算法远达bu到抱负状况xia的本能,零丁选取上述算法中的任he一种均nan以取得较好的xiao率,个体环境以致种种技艺的组合都难以见效。车牌辨认率不高的首要yuangu是有用信息不及或缺失和噪声太大等失真,缘故包罗由天色、光线、配景情况、摄取角度、车牌污损等,图像在采集过程中存在各异水平的信息丧失和图像变xing;个体字符间的高相似度重要使得样本特性不易提取和区分;图像预处置导致的图像有用信息弱化,以致泯灭等,如图3。是以,若何保证待辨认图像信息的完整性是高效辨认字符的关头。
  2协同神经网络
  20世纪70年月,德国科学家H.Haken传授在斯图加特大学冬季学qiyan讲中初次引入协同窗Synergetic)的观念。20世纪80年月末,协同窗原理被引入谋略机科学和认知科学,基于协同窗的神经网络正式提议。[3]
  2.1协同神经网络原理
  协同神经网络(Synergetic Nerural Network, SNN)是一种竞争性网络。凭据协同窗将模式辨认过程与模式形成过程视为统一过程的原理[3],体系将凭据待辨认对象q和样本机关一系列的序can量,让序参量在一个动力学过程中进行竞争,最后取胜的序参量将使令整个体系进来一个特定的有序状况,使得q从中央状况进来某个原型模式止中,完成整个体系的宏观质变。整个过程可描绘为q(0) q(t) vk。忽视涨落力( )F t和暂态量,势函数表达式如式(1), l为注意参数,其值为正数时可q指数增进;kv为原型模式xiang量,餍足归一化和零均值前提,即式(3)和式(4); x,用于描绘q在最小二乘意义下kv上的投影,即可把q分化为原型向量kv和残剩向量w,如式(5)
  2.2协同神经网luode构建
  凭据上述协同神经网路的原理,机关Haken网络布局,将序参liangde动力学方程分离化为式(12)=,分离体系神经网络的不变性首要取决于r的巨细。议决上述处置,Haken网络zhuan化为三ceng前向网络的体例,如图4所示。图4协同神经网络布局
  设原型模式数为M,状况向量与特性向量的维数为N,为餍足原型模式之间线性无关前提,MN£,ze网络输入层的神经元数为N,输出层的神经元个数为N,中央层的神经元个数为M。从网络的输入单位j到中央层k的联贯quan值,为陪同向量kjv+,该陪同向量kjv+议决网络的训练得到;中央层k到输出层单位l的联贯权值,为原型向量lk v,议决网络的训练得到[4]。
  协同神经网络的运行过程分为两个阶段:起首是网络进修阶段,然后是网络辨认阶段,其运行程序包罗以下八步:
  1)网络进修阶段
  ①选择网络的训lianmo式,将训练模式向量化;
  ②谋略出餍足归一化和零均值前提的原型模式向量kv,即网络中央层到输出层的联贯权值;
  ③求出原型向量kv的陪同向量kv+,并存储陪同向量矩阵,从而得到网络输入层到中央层的联贯权;
  2)网络辨认阶段
  ④网络输入层读入待辨认模式的特性向量(0)q,输入模式的特性向量(0)q餍足归一化和零均值前提;
  ⑤输入层模式特性向量(0)q与网络权值相乘,即(0)(0)
  3辨认尝试
  wo国现行的02式车牌字库样本蕴含40个汉字,26个大xie英文字母和10个数字,统共76个,样本如图5所示。相对fu数字和字母而言,汉字布局比力纷乱,以脱机体式格局辨认难度较大,且辨认原理不异,故以34个省、自治区、直辖shi简称的字符为辨认样本进行尝试,尝试的软件平台选取Matlab2009a,尝试了局将离别与BP神经网络(BPNN)和Hopfield神经网络(HNN)的辨认效率进行比li=,1B C==;求得各序参量初值ξ(0)如下:
  -0.06867057433020530.01568406876894620.05013376633354150.0631045313417070-0.0274198021611342 0.03373680640883180.1625299254749570.03986166655208920.06608181151017900.0593773160644256 0.0189960079554657-0.03124887237908740.0252495395456835-0.1715844592494780.0661238836233446 0.0681958334905401-0.09422390281760170.137104511398972-0.0371544780361387-0.0206758647343073 0.0204453344805276-0.07415745082880180.335697288112717-0.0827516059489237 0.0749152803026763 0.03887147948484890.149771923460272-0.06972351567272020.09636195429090890.0897441258906458-0.109678771470029-0.1227450763021440.119589618251446-0.0596355107322448
  3.1信息缺失字符的辨认尝试
  信息缺失是作梗辨认效率的极为严重的因素,首要表示为字符不完整,大都因为图像采集和字符朋分预处置过程所导致的,如图6。该待辨认样本因为车牌的倾斜订正处置使得走字底局部造成残破。颠末约110轮的迭代,获胜模式为“辽”,辨认所需时间为0.036287秒,迭代过程如表1,图7显示了竞争过程中各序参量的改变,辨认了局图8,各神经网络的辨认了局jikai销对对照如表2。
  3.2噪声作梗字符的辨认尝试
  噪声作梗ye是图像辨认中首要的作梗因素,首要源于图像采集和二值化预处置过程,如图9,该字符因为车牌污损导致字符布满噪声。颠末约96轮的迭代,获胜模式为“浙”,辨认所需时间为0.035126秒,迭代过程如表3,图10显示了竞争过程中各序参量的改变,辨认了局图11,各神经网络的辨认了局及开销对照如表4。
  了局证明,协同神经网络辨认效率最佳,与原型模式完全一律;Hopfield神经网络虽也辨认,但辨认了局存在少许失真;BP神经网络则辨认错误。在时间开销方面,协同神经网络必要迭代的次数较duo但用时最短,Hopfield神经网络迭代的次数较少,但用时较多。
  颠末对400个车牌样本的辨认,辨认了局的统计如表5,各项数据充分证明了协同神经网络youxiu的辨认本能。
  表5 400图片测试了局对照
  4告终语
  协同神经网络是协同窗在模式辨认方面的严重应用,该文先容了协同神经网络的原理,以Matlab为平台兑现了网络模子,并以车牌汉字为例进行尝试。大量的尝试了局证明,Haken协同神经网络比BP神经网络和Hopfield神经网络具有更好的辨认效率,充分证明了协同神经网络在字符辨认方面的有用性。可是,尝试了局也证明,经典的Haken神经网络对付外形酷似的字符,如字符“0”与字符“O”、字符“O”与字符“Q”等,仍不克不及进行有用切确辨认,有待进一步的发jue和提高。
  参考文献:
  [1]公安部.GA36-2007,中华人平易近共和国公共安haoxing业尺度—中华人平易近共和国机动车号牌[S],2007.
  [2]刘静.几种车牌字符辨认算法的比力[J].电脑与电信,2008(8):72-73.
  [3] Haken H.Synergetic computers and cognition: a top-down approach to neural nets[M]. Berl in:Springer-Verlag Berlin and Heidelberg GmbH & Co. K,1991.
  [4]高隽.人造神经网络原理及仿真正例[M].2版.bei京:机器工业出书社,2007.
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0330/86625/
 与本篇相关的热门内容: