Microsoft Word - A doc

Size: px

Start display at page:

Download "Microsoft Word - A doc"

常鱼
7 years ago
Views:

1 基于神经网络的的车牌识别模型刘妍辽宁工程技术大学理学院, 阜新 (23000) E-mal: 摘要 : 智能交通管理系统是 2 世纪道路交通管理的发展趋势, 车牌识别是智能交通系统的重要组成部分, 车牌自动识别系统正是在这种应用背景下研制出来的能够自动实时地检测车辆经过和识别汽车牌照的智能交通管理系统, 有着广泛的应用领域和美好的应用前景, 在不久的将来车牌识别系统会在公安交通高速等部门得到广泛应用本文应用神经网络的自联想模型对车牌号码进行模式识别, 对车牌中的汉字字母和数字进行识别, 从而达到辨识车牌的目的该模型具有算法速度快, 识别精度高, 较高抗噪性能等优点相信该模型具有一定的实际应用价值关键词 : 神经网络 ; 联想存储 ; 模式识别. 引言智能交通管理系统是 2 世纪道路交通管理的发展趋势公路交通基础建设的不断发展和车辆管理体制的不断完善, 为以视觉监控为基础的智能交通系统的实际应用打下了良好基础在智能交通系统中, 车牌自动识别系统是一个非常重要的发展方向, 车牌自动识别系统正是在这种应用背景下研制出来的能够自动实时地检测车辆经过和识别汽车牌照的智能交通管理系统车牌自动识别系统是在装备了数字摄像设备和计算机信息管理系统等软硬件平台的基础之上, 采用先进的图像处理模式识别和人工智能技术, 通过对图像的采集和处理, 完成车牌自动识别功能从而实现道路交通智能化管理而车牌号码的模式识别则是关键所在, 一个好的识别模型将是系统成功与否的决定因素本文提出了一种基于神经网络的自联想模型识别方法对车牌中的汉字字母和数字进行识别, 从而达到辨识车牌的目的 2. Hopfeld 网络用作联想存储器 2. Hopfeld 网络 Hopfeld 网络是一种网络网格, 网络中的每个神经元都可以和其他神经元双向连接, 这种连接方式使得网络中的每个神经元的输出都能反馈到同一层次的其他神经元 [] 如图图 :Hopfeld 网络模型 - -

有着广泛的应用领域和美好的应用前景, 在不久的将来车牌识别系统会在公安交通高速等部门得到广泛应用本文应用神经网络的自联想模型对车牌号码进行模式识别, 对车牌中的汉字字母和数字进行识别, 从而达到辨识车牌的目的

2 2.2 Hopfeld 网络用作联想存储器联想是人类的一种思维能力, 人们可以利用残缺的信息片段联想出记忆中的完整信息, 现在从动力学的角度来思考这一问题, 如果能构造出这样一个动力学系统, 使得要保存的样本成为系统的吸引子, 如果搜寻这个记忆时, 就可以利用残缺信息作为系统输入, 联想的过程就是系统朝着某个吸引子动态运行的过程, 所谓联想成功, 就是指系统由此初态收敛所存储的样本 Hopfeld 网络存在着吸引子, 故而可以用作联想记忆联想存储器简称 M, 是一类专门用来模拟联想记忆的神经网络, 它由两组神经元和 B 构成, 每个神经元都另外一组中所有神经元有突触联系, 而不与本组内任何神经元发生联系, 神经元间的联系权重随相关事物的存储而变化, 即突触具有可塑性如图 2: 2.3 联想存储器建立过程图 2: 联想存储器模型设组和 B 组神经元个数分别为 m 个和 n 个两组中神经元状态可以表示要存储的事件, 所有神经元状态可以取 0, 两个值, 兴奋模式由向量形式表示为 = ( a, a2,... am), B = ( b, b2,..., bn ) 用 w 表示组中第个神经元与 B 中第个神经元的联接权重, 并假定突触是对称的, 即 w 也是 B 组中神经元的与组中神经元的联接权值, 记权矩阵 W = [ w ] m n 变为设初始时刻 W = 0, 当网络存储了一对相关事物, } W = B { B 后, 权值按 Hebbe 学习规则改这里是的转置当对相关事物, },, },..., B } 都输入后, 权矩阵变为 { B { 2 B2 { - 2 -

器简称 M, 是一类专门用来模拟联想记忆的神经网络, 它由两组神经元和 B 构成, 每个神经元都另外一组中所有神经元有突触联系, 而不与本组内任何神经元发生联系, 神经元间的联系权重随相关事物的存储而变化, 即突触具有可塑性

3 W 也称为关联矩阵 [] 2 W = B + 2 B M 有一定的容错和抗干扰能力, 假如给定的输入破损的结果, 有 = a,0 < a <. 用作输入, 则可取出 = W = ( B ) = a( = = B = = 不是原输入的 B B ) = ab B, 而是受到这说明, 若输入接近于, 则输出接近于原存入的 B 如果 M 的神经元组 3. 车牌号码的实际识别过程 3. 车牌号码的选取 = B, 则称为自联想存储器出本文以辽宁省的车牌号码为例, 进行实际模型识别过程的演示辽宁车牌号码由表给辽辽 B 辽 C 辽 D 辽 E 辽 F 辽 G 辽 H 辽 J 辽 K 辽 L 辽 M 辽 N 辽 P 表辽宁省的车牌号码沈阳市大连市鞍山市抚顺市本溪市丹东市锦州市营口市阜新市辽阳市盘锦市铁岭市朝阳市葫芦岛市由表可知需要识别的内容有汉字辽和字母 ~P 以及数字 0~9-3 -

cn B, 而是受到这说明, 若输入接近于, 则输出接近于原存入的 B 如果 M 的神经元组 3. 车牌号码的实际识别过程 3.

4 3.2 选取样本训练网络为了演示方便只选取辽,,B 和 0, 作为模板进行网络训练如图 3- 图 8 图 3 图 4 汉字辽图 5 字母图 6 字母 B 图 7 数字 0 图 8 数字将所得模板划分为一个 66 的单元点阵, 也可以表示成一个 66 的矩阵, 对于一个特定的字符, 模板上有笔画的地方为黑色, 对应与矩阵元素为, 否则为 0, 因此一个模板可以用一 66=256 维的 (0-) 向量表示 [ ] { B 从而得到原始数据, },, },, }, { B { B 2 2 { B 3 3, },, }, 将数据放入所选网络中进行学习训练计算权值及关联矩阵 ( 此过程可 { B 5 5 在 Matlab 中完成 ) 然后我们便得到一个训练好的网络模型, 利用其就可进行车牌模式识别了当我们放入任意样本时, 经过网络计算便可得到对应的正确结果 3.3 抗噪能力验证虽然已得到训练好的网络, 但我们知道实际中车牌并不是总那样清晰, 有时会有刮痕, 沾有泥污以及所拍摄角度德等相关问题, 这就需要网络能够在模板不是十分清晰的情况下也能够非常准确的计算出实际车牌号码, 也就是要具有抗噪能力, 而我们的网络确实具有这一功能, 具有较高抗噪和抗干扰能力我们可以进行验证, 选择一个具有噪声的模板, 如图 9 图 9 受污染的汉字辽这是一个受到污染的字符, 我们可以得到它的 (0-) 向量表示, 而与真正的汉字辽的表示并不相同, 也就是带有了噪声, 我们将其代到所得网络中, 可以看到经过几次迭代后所得的结果就是汉字辽, 还可以代入其他有噪字符来验证网络的抗噪能力, 实际检测结果表明, 此种网络模型抗噪性能优越 4. 结论随着时代的发展, 相信越来越多的数学知识将被应用到实践中去本文提出的车牌识别模型运用了神经网络和联想存储器的知识, 提出一种方便易行, 而且行之有效的方法, 希望对能够对人们的现实生活带来一些帮助参考文献 [] 郭嗣忠, 陈刚. 信息科学中的软计算方法 [ M ]. 沈阳 : 东北大学出版社,200 [2] 欧阳明. 模糊数学原理及其应用 [ M ]. 广州 : 华南理工大学出版社,2004 [3] 陈水利, 李敬功, 王向公. 模糊数集理论及其应用 [ M ]. 北京 : 科学出版社,

习训练计算权值及关联矩阵 ( 此过程可 { B 5 5 在 Matlab 中完成 ) 然后我们便得到一个训练好的网络模型, 利用其就可进行车牌模式识别了当我们放入任意样本时, 经过网络计算便可得到对应的正确结果 3.

5 Lcense plate Recognton Model Based on Neural Networs Lu Yan College of Scence, Laonng echncal Unversty. FuXn, Laonng (23000) bstract Intellgent raffc Management System n the 2st century s the path of the development trend of traffc management, lcense plate recognton Intellgent ransportaton System s an mportant part of automatc lcense plate recognton system s n ths context applcatons developed to automatcally detect vehcles through real-tme Lcense Plate Recognton and Intellgent raffc Management System, a wde range of applcatons and a better prospect n the near future lcense plate recognton system wll be n the publc securty, communcatons, hgh-speed, and other departments are wdely used. In ths paper, neural networ models from Lenovo for pattern recognton of the lcense plate number, lcense plate of Chnese characters, letters and numbers to dentfy n order to acheve the dentfcaton plate. he model has a fast algorthm to dentfy hgh-precson, hgh ant-nose performance advantages. I beleve ths model has a certan practcal value. Keywords: Neural networ; ssocatve memory; pattern recognton, - 5 -

mportant part of automatc lcense plate recognton system s n ths context applcatons developed to automatcally detect vehcles through real-tme Lcense Plate Recognton and Intellgent raffc Management

何秋琳张立春视觉学习研究进展视觉注意视觉感知

何秋琳张立春视觉学习研究进展视觉注意视觉感知第卷第期年月开放教育研究何秋琳张立春华南师范大学未来教育研究中心广东广州随着图像化技术和电子媒体的发展视觉学习也逐步发展为学习科学的一个研究分支得到研究人员和教育工作者的广泛关注基于此作者试图对视觉学习