未来智讯 > 神经网络论文 > 基于协同神经网络的车牌字符识别

基于协同神经网络的车牌字符识别

发布时间:2019-04-26 03:27:53 文章来源:未来智讯    
基于神经网络的车牌字符识别作者:张静梅摘要:信息和噪声缺失是车牌硬识别方式的主要障碍。 从恢复车牌图像有用信息完整性的角度出发,介绍了协同神经网络的原理,实现了网络模型,并将预先设置的二值化字符图像作为识别的测试对象。 我试过电路板来证明网络具有出色的识别本能。 关键词:协同神经网络; 车牌字符; 字符识别
中图分类号:TP391文件编号:A文章编号:1009-3044(2012)11-2599-05基于协同神经网络的车牌识别
张梅静(福建江夏学院,福州 350108摘要:特征损失和噪声是车牌识别的主要障碍。 由于与...相关的突出特性和...... ........................ ........................ ........................ ... ...神经网络;车牌识别;字符识别字符识别属于模式识别类别的严重组成部分,是一种主动输入单词的方法。 它决定扫描图像并输入文本图像信息的前言,如扫描和视频记录,并使用各种模式识别算法分析字符形态特征,区分字符的比例编码,并将文件存储在 指定的模式。 字符识别的过程如图1所示.1车牌字符识别原理车牌字符识别是一个字符确定工艺分支是智能交通系统的重要组成部分。 车牌字符识别义务是将车牌图片上由汉字,数字和大英文字符组成的七个字符图片识别为字符。 相关字符如图2所示。[1](a)汉字样本(b)字母样本(c)数字样本<图>图2车牌字符样本
车牌字符识别文件识别对象分类是 有限的打印离线字符识别样本,常用的主要方法有模板匹配字符识别,人工神经网络字符识别和特征统计匹配。 [2]模板匹配字符识别算法是将要识别的字符与像素级系统中已经收集的比例字符样本进行匹配,并确定匹配度的匹配程度。 识别字符特征并识别字符,分析字符结构,布局,笔画等特征。 分析了特征分析,并对系统特征库中的样本进行了比较,以获得识别。 人工神经网络基于人脑识别物体的原理,并构建类似于人脑识别过程的网络系统。 培训结束后,网络对每个字符样本的特征极为敏感。 可以看出,可以在短时间内区分所识别的对象,并确定识别。 在实际应用中,车牌识别算法远非雄心勃勃的本能,并且难以通过选择任何上述算法来实现更好的效率,并且个别环境和各种技术的组合难以有效。 车牌识别率低的主要原因是有用信息失真或缺乏信息和噪音太大。 原因是天空,光线,场景,摄入角度,汽车仪表板污渍等,图像在采集过程中有不同的层次。 信息丢失和图像失真; 个体特征之间的高度相似性使得样本特征难以提取和区分; 图像有用信息被图像预处理削弱,使湮灭等等,如图3所示。因此,如何保证图像信息的完整性得到识别是高效识别字符的关键。 2协同神经网络在20世纪70年代,德国科学家H. Haken在斯图加特大学冬季学期演讲中教授了首次引入Synergetic的概念。 20世纪末,协同窗口原理被引入到机器科学和认知科学的战略中,正式提出了一种基于协同窗口的神经网络。 [3] 2.1协同神经网络原理Synertic Nerural Network(SNN)是一个竞争网络。 凭证协作窗口将模式识别过程和模式形成过程视为统一过程的原则[3]。 系统将批判要识别的对象q和样本器官的一系列有序参数,使得订单参数在动态过程中竞争,最后获胜参数的顺序将使整个系统进入特定的顺序 ,使q从中心情况进入原型模式,完成整个系统的宏观变化。 整个过程可以描述为q(0)q(t)vk。 忽略波动力()F t和瞬态量,势函数表达式如式(1)所示,l为关注参数,当值为正时,该值可以q指数增加; kv是原型模式向量,并且满足归一化。 零均值前提,即方程(3)和(4); x,用于描述q在最小二乘意义上的kv投影,可以将q分为原型向量kv和残差向量w,如公式(5)中所述.2.2协同神经网络的构造根据原理 在上述协同神经网络中,该机制的Haken网络布局将有序参数的动态方程分离为等式(12)=,分离系统神经网络的不变性首先取决于r的大小。 解决上述处理后,Haken网络转变为三层前向网络,如图4所示。图4是协同神经网络布局。 原型模式的数量是M,并且条件向量和特征向量的维数是N,这是原型模式之间的线性独立前提。 MN£,网络输入层中的神经元数量为N,输出层中的神经元数量为N,中间层中的神经元数量为M.从网络输入单元j到的联合权重 中心层k是伴随矢量kjv +,它是通过训练伴随矢量kjv +获得的; 中心层k与输出层单元l的联合权重是原型向量lk v,得到分辨率网络训练[4]。 协同神经网络的运行过程分为两个阶段:网络是网络训练阶段,然后是网络识别阶段,运行过程包括以下八个步骤:1)网络训练阶段1选择 网络的训练模式,矢量化训练模式; 2想象归一化和零均值前提的原型模式向量kv,即网络中心层与输出层的联合权重; 3找到原型向量kv的伴奏向量kv +,并存储伴奏向量矩阵,得到网络输入层与中心层的联合权; 2)网络识别阶段4要识别的网络输入层读入模式的特征向量(0)q,输入模式的特征向量(0)q,以及归一化和零均值前提; 5输入层模式特征向量(0)q乘以网络权重,即(0)(0)3识别尝试
中国目前的02型车牌字体样本包含40个汉字,26个大写英文字母和 10个数字,共76个,样本如图5所示。相对于数字和字母,汉字的布局比较混乱。 在离线模式下难以识别,并且识别原理是相同的。 因此,以34个省,自治区,直辖市的特征作为识别样本进行尝试。 软件平台选择Matlab2009a,试图比较BP神经网络(BPNN)和Hopfield神经网络(HNN)的识别效率。 =,1B C ==; 找到每个订单参数的初始值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信息缺失字符的识别缺少信息是识别效率的一个非常严重的因素,主要是因为字符不完整,主要是因为图像采集 和字符分割预处理过程,如图6所示。待识别的样本部分被破坏 e对车牌的倾斜校正。 在大约110轮迭代之后,获胜模式为“Liao”,识别所需的时间为0.036287秒。 迭代过程如表1所示。图7显示了竞争过程中每个订单参数的变化,并确定了图8。 表2显示了网络的识别和比较的成本.3.2噪声冲程字符识别尝试噪声跟踪也是图像识别中的主要跟踪因素,主要是由于图像采集和二值化预处理过程,如图2所示。 图9,因车牌结垢。 人物充满了噪音。 经过约96轮迭代,获胜模式为“浙江”,识别时间为0.035126秒。 迭代过程如表3所示。图10显示了竞争过程中订单参数的变化。图11显示了每个神经网络的识别和成本比较,如表4所示。已经证明协同神经网络具有最佳识别效率并且与原型模式完全相同。 虽然Hopfield神经网络也被认可,但它认识到局内有一点失真; BP神经网络识别错误。 就时间开销而言,协同神经网络的必要迭代次数更多,但时间最短。 Hopfield神经网络迭代次数较少,但需要更多时间。 在确定了400个车牌样本后,该局的统计数据被确定为表5.该数据充分证明了协同神经网络的出色识别本能。 表5局部比较的400图像测试

协同神经网络是协同窗口在模式识别中的一个重要应用。 本文介绍了协同神经网络在Matlab中的应用原理。 为平台实施网络模型,并以车牌汉字为例进行尝试。 大量尝试证明Haken的协同神经网络比BP神经网络和Hopfield神经网络具有更好的识别效率,充分证明了协同神经网络在字符识别中的有效性。 然而,尝试局也证明了经典的哈肯神经网络处理类似的字符,如字符“0”和字符“O”,字符“O”和字符“Q”等,仍然不能 用于准确识别。 ,有待进一步探索和改进。 参考文献:[1]公安部。 GA36-2007,中华人民共和国公安产业规模 - 中华人民共和国汽车车牌号[S],2007。
[2]刘静。 几种车牌字符识别算法的比较[J]。电脑与电信,2008(8):72-73。 [3]哈肯H.Synergetic计算机和认知:一种自上而下的神经网络方法[M]。 Berl in:Springer-Verlag Berlin and Heidelberg GmbH&Co。K,1991。[4]高伟。 人工神经网络的原理与仿真实例[M] .2 Edition。 北京:机械工业出版社,2007。
转载请注明来源。原文地址:http://tangtes.cn/page/2019/0426/86625/
 与本篇相关的热门内容: