• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于L—M算法及不變矩特征值優(yōu)化的神經(jīng)網(wǎng)絡(luò)圖像識(shí)別

      2017-07-08 22:37:14張?chǎng)?/span>孫勇
      科技創(chuàng)新與應(yīng)用 2017年19期
      關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò)圖像識(shí)別

      張?chǎng)?孫勇

      摘 要:文章采用基于L-M算法的BP神經(jīng)網(wǎng)絡(luò),并在圖像特征提取量的選擇中,結(jié)合了不變矩特征值和灰度共生矩陣導(dǎo)出的基于紋理的特征量,以車牌識(shí)別為例進(jìn)行圖像識(shí)別。經(jīng)過(guò)訓(xùn)練和測(cè)試,得到L-M及特征量?jī)?yōu)化的神經(jīng)網(wǎng)絡(luò),在精度和識(shí)別速度上都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

      關(guān)鍵詞:圖像識(shí)別;不變矩特征值;L-M算法;BP神經(jīng)網(wǎng)絡(luò)

      中圖分類號(hào):TP183 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):2095-2945(2017)19-0001-03

      引言

      隨著圖像識(shí)別技術(shù)的不斷發(fā)展,應(yīng)用于圖像識(shí)別技術(shù)領(lǐng)域的算法也在不斷優(yōu)化升級(jí),人工神經(jīng)網(wǎng)絡(luò)算法作為一種高度非線性的智能自適應(yīng)算法,在圖像識(shí)別領(lǐng)域中的應(yīng)用越來(lái)越廣泛。基于人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像識(shí)別的主要特點(diǎn)是構(gòu)建分類器,將預(yù)處理后圖像樣本中提取出來(lái)的特征量輸入神經(jīng)網(wǎng)絡(luò),經(jīng)過(guò)自學(xué)習(xí)和自組織,不斷地訓(xùn)練,最終達(dá)到能夠穩(wěn)定正確識(shí)別圖像的狀態(tài)。[1]本文識(shí)別車牌號(hào)為例,對(duì)基于L-M算法及不變矩特征值優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行研究和實(shí)驗(yàn)。

      1 圖像預(yù)處理

      1.1 傾斜校正及灰度處理

      實(shí)際圖像實(shí)時(shí)采集系統(tǒng)得到的圖像質(zhì)量參差不齊,本文采用方差公式推導(dǎo)法進(jìn)行圖像校正。該方法基于正置圖像的投影圖像邊緣點(diǎn)的方差最小的原則來(lái)確定傾斜角度,具有較好的校正效果[2]。通常灰度處理方法有平均值法,最大值法和加權(quán)平均值法。平均值法和最大值法一定程度上淡化了圖像中目標(biāo)物與背景分界,對(duì)后續(xù)邊緣檢測(cè)會(huì)產(chǎn)生影響,本文選用加權(quán)平均值法,通過(guò)最優(yōu)權(quán)值的選擇,能夠獲得較好的處理效果。計(jì)算公式為:

      式中,WR=0.59,WG=0.30,WB=0.11,此權(quán)值設(shè)置能獲得最佳灰度圖像。[3]

      1.2 圖像分割及卡爾曼濾波

      獲得灰度圖像后,通過(guò)Ostu算法確定合適的分割閾值,當(dāng)像素點(diǎn)灰度值超過(guò)閾值,將該像素點(diǎn)灰度值賦值為255,否則賦值該像素點(diǎn)灰度值為0,由此得到二值圖像。在分割過(guò)程中會(huì)產(chǎn)生高斯白噪聲,采用卡爾曼濾波的方法進(jìn)行濾波。[4]

      2 圖像特征提取

      2.1 不變矩特征值提取

      圖像特征提取可以從基于圖像顏色的統(tǒng)計(jì)特性、圖像形狀和圖像紋理特征這些方面入手。為了克服圖像旋轉(zhuǎn)、平移導(dǎo)致的圖像特征提取誤差較大的情況,本文采用形狀不變矩來(lái)提取圖像熵矩陣的特征,作為神經(jīng)網(wǎng)絡(luò)的輸入層參數(shù)。

      根據(jù)不變矩理論,定義圖像f(x,y)的p+q階中心矩為:

      由計(jì)算得到的單元熵組成熵矩陣,n表示網(wǎng)格分辨率。熵矩陣中包含著局部和全局的圖像信息,從熵矩陣中提取不變矩特征值。[5]

      2.2 灰度共生矩陣特征提取

      在圖像f(x,y)任取一點(diǎn)組點(diǎn)對(duì),偏移量為(a,b),點(diǎn)(x,y)處灰度值為i,點(diǎn)(x+a,y+b)處灰度值為j,固定(a,b),通過(guò)點(diǎn)對(duì)在圖像上的移動(dòng)獲得不同的點(diǎn)對(duì)的灰度值(i,j),由于經(jīng)過(guò)二值化以后灰度等級(jí)為{0,255},故得到的(i,j)組合共有4組,統(tǒng)計(jì)整幅圖中每一種點(diǎn)對(duì)灰度出現(xiàn)的頻數(shù),歸一化后得到[Pij]灰度共生矩陣。由此獲得對(duì)比度,相關(guān)性,能量,逆差矩,分別為Con,Cor,Ene,Hom。[6]

      綜合從熵矩陣中提取的7個(gè)不變矩特征值和依據(jù)灰度共生矩陣得出的4個(gè)參數(shù),構(gòu)成用于進(jìn)行識(shí)別的圖像特征向量,作為神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)。表示為

      3基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)

      3.1 L-M算法概述

      BP神經(jīng)網(wǎng)絡(luò)算法基于誤差梯度下降標(biāo)準(zhǔn),通過(guò)實(shí)際輸出與期望輸出的誤差來(lái)調(diào)整連接權(quán)值使之達(dá)到最優(yōu)。但通常情況下,BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)速率慢,容易陷入局部最小值等問(wèn)題[7]。作為優(yōu)化算法之一的L-M算法是梯度下降法與高斯-牛頓法的結(jié)合,利用了近似的二階導(dǎo)數(shù)信息,具有快速收斂,準(zhǔn)確度高的優(yōu)點(diǎn),本文嘗試將其與神經(jīng)網(wǎng)絡(luò)算法結(jié)和用于圖像識(shí)別。

      3.2 原理及實(shí)現(xiàn)步驟

      4 實(shí)驗(yàn)仿真及結(jié)果分析

      本文以車牌識(shí)別為例。在試驗(yàn)中,選取了數(shù)字0-9、英文字母A-Z及車牌上常見(jiàn)的30個(gè)漢字共66個(gè)字符,每個(gè)字符50張訓(xùn)練樣本圖片進(jìn)行訓(xùn)練。由于車牌號(hào)由不同字符組合而成,在圖像處理過(guò)程中,進(jìn)行了字符分割和圖像增強(qiáng),為具體字符的識(shí)別提供分類基礎(chǔ)。經(jīng)過(guò)訓(xùn)練后,將50張測(cè)試圖片輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。經(jīng)過(guò)測(cè)試,識(shí)別率能達(dá)到98%以上,且識(shí)別速度快,性能明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。

      4.1 圖像預(yù)處理

      灰度處理選擇的標(biāo)準(zhǔn)是經(jīng)過(guò)灰度變換后,像素的動(dòng)態(tài)范圍增加,圖像的對(duì)比度擴(kuò)展,使圖像變得更加清晰、細(xì)膩、容易識(shí)別,處理結(jié)果如圖2。圖像二值化處理,結(jié)果如圖3。

      可以通過(guò)求梯度局部最大值對(duì)應(yīng)的點(diǎn),并認(rèn)定為邊緣點(diǎn),去除非局部最大值,可以檢測(cè)出精確的邊緣。一階導(dǎo)數(shù)的局部最大值對(duì)應(yīng)二階導(dǎo)數(shù)的零交叉點(diǎn),這樣通過(guò)找圖像強(qiáng)度的二階導(dǎo)數(shù)的零交叉點(diǎn)就能找到精確邊緣點(diǎn),如圖4。

      對(duì)圖像做了開(kāi)運(yùn)算和閉運(yùn)算,閉運(yùn)算可以使圖像的輪廓線更為光滑,它通常用來(lái)消掉狹窄的間斷和長(zhǎng)細(xì)的鴻溝,消除小的孔洞,并彌補(bǔ)輪廓線中的斷裂,如圖5。

      對(duì)水平投影進(jìn)行峰谷分析,計(jì)算出車牌上邊框、車牌字符投影、車牌下邊框的波形峰上升點(diǎn)、峰下降點(diǎn)、峰寬、谷寬、峰間距離、峰中心位置參數(shù),如圖6。

      通過(guò)以上水平投影、垂直投影分析計(jì)算,獲得了車牌字符高度、字符頂行與尾行、字符寬度、每個(gè)字符的中心位置,為提取分割字符具備了條件。

      4.2 訓(xùn)練庫(kù)的準(zhǔn)備

      通過(guò)預(yù)先的圖像識(shí)別提取,得到部分?jǐn)?shù)字與漢字的訓(xùn)練庫(kù),如圖7。

      在車牌識(shí)別的過(guò)程中數(shù)字庫(kù)的建立很重要,切割出來(lái)的數(shù)據(jù)要與數(shù)據(jù)庫(kù)的數(shù)據(jù)作比較,只有數(shù)字庫(kù)準(zhǔn)確才能保證檢測(cè)出來(lái)的數(shù)據(jù)正確。

      4.3 車牌的識(shí)別

      進(jìn)行車牌識(shí)別前需要使用樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)車牌進(jìn)行識(shí)別。其具體流程為:使用漢字、字母、字母數(shù)字、數(shù)字四個(gè)樣本分別對(duì)四個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值。對(duì)已經(jīng)定位好的車牌進(jìn)行圖像預(yù)處理,逐個(gè)的特征提取,然后從相應(yīng)的文件中讀取相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值,把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進(jìn)行識(shí)別,輸出識(shí)別結(jié)果,如圖8。

      5 結(jié)束語(yǔ)

      基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別具有廣闊的前景,隨著對(duì)識(shí)別質(zhì)量和識(shí)別效率要求的不斷提高,用于識(shí)別的算法也在不斷更新和優(yōu)化?;贚-M算法的BP神經(jīng)網(wǎng)絡(luò)在識(shí)別速率和精度方面有著巨大的優(yōu)勢(shì),但是限于計(jì)算量較大這一問(wèn)題,在一些特征向量較多或內(nèi)存較小的設(shè)備中難以適用,而圖像識(shí)別所需要的特征量往往又較多,為此進(jìn)一步研究特征量提取方法的優(yōu)化和高性能運(yùn)行設(shè)備是圖像識(shí)別進(jìn)一步發(fā)展的關(guān)鍵。[8]

      參考文獻(xiàn):

      [1]牛博雅,黃琳琳,胡健.自然場(chǎng)景下的車牌檢測(cè)與識(shí)別算法[J].信號(hào)處理,2016(07):787-794.

      [2]曾曉娟.一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法[J].電腦知識(shí)與技術(shù),2015(17):171-174.

      [3]江偉.機(jī)器視覺(jué)圖像中目標(biāo)識(shí)別及處理方法研究[D].華北電力大學(xué),2015.

      [4]李康順,李凱,張文生.一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的PCA人臉識(shí)別算法[J].計(jì)算機(jī)應(yīng)用與軟件,2014(01):158-161.

      [5]張澤琳,楊建國(guó),王羽玲,等.煤粒圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].煤炭工程,2011(02):17-19.

      [6]孫君頂,毋小省.基于熵及不變矩特征的圖像檢索[J].光電工程,2007(06):102-106+115.

      [7]王建梅,覃文忠.基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)分類器[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2005(10):928-931.

      [8]韓思奇,王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù),2002(06):91-94+102.

      猜你喜歡
      BP神經(jīng)網(wǎng)絡(luò)圖像識(shí)別
      基于Resnet-50的貓狗圖像識(shí)別
      電子制作(2019年16期)2019-09-27 09:34:50
      高速公路圖像識(shí)別技術(shù)應(yīng)用探討
      圖像識(shí)別在物聯(lián)網(wǎng)上的應(yīng)用
      電子制作(2018年19期)2018-11-14 02:37:04
      圖像識(shí)別在水質(zhì)檢測(cè)中的應(yīng)用
      電子制作(2018年14期)2018-08-21 01:38:16
      淺談模式識(shí)別在圖像識(shí)別中的應(yīng)用
      就bp神經(jīng)網(wǎng)絡(luò)銀行選址模型的相關(guān)研究
      基于DEA—GA—BP的建設(shè)工程評(píng)標(biāo)方法研究
      基于BP神經(jīng)網(wǎng)絡(luò)的旅行社發(fā)展方向研究
      商情(2016年39期)2016-11-21 09:30:36
      復(fù)雜背景下的手勢(shì)識(shí)別方法
      BP神經(jīng)網(wǎng)絡(luò)在軟件質(zhì)量評(píng)價(jià)中的應(yīng)用研究 
      县级市| 枣阳市| 扎囊县| 荣成市| 陈巴尔虎旗| 五指山市| 金平| 开原市| 从江县| 雷山县| 侯马市| 盐亭县| 法库县| 古丈县| 临泽县| 东港市| 衡山县| 吉隆县| 拉萨市| 赞皇县| 宝应县| 桐庐县| 济宁市| 竹山县| 大英县| 邢台市| 乌拉特前旗| 永清县| 呼伦贝尔市| 松溪县| 长沙县| 会昌县| 屏山县| 奇台县| 巴林左旗| 左云县| 宜川县| 商洛市| 罗田县| 沭阳县| 印江|