基于卷积神经网络的车牌照字符识别研究310 第十二届全国图象图形学学术会议以充分利用人的经验来获取

文件名称: 基于卷积神经网络的车牌照字符识别研究

所属分类: 机器学习

开发工具:

文件大小: 268kb

下载次数: 0

上传时间: 2019-04-19

提供者: suiyu*****

下载 (268kb)

不能下载？报告错误

详细说明：基于卷积神经网络的车牌照字符识别研究310 第十二届全国图象图形学学术会议以充分利用人的经验来获取模式特征以及神经网来正确识别所有样本;Uc4层是网络的输出层即识终分类能力来识别字符,特征提取必须能反应整个字符的特征,才能达到较高的识别率;后者则别层,显示网络最终的模式识别结果。省去特征抽取,将整个字符直接作为神经网络的差异提取层Uc的输出姐式(1)所示输入。这种方式虽然在一定程度上增加了神经网络结构的复杂度,但是网络的抗干扰性能和识别 n(n,)=max{(-)∑a()l(n+)0(=12) 率较前者都有很大的提高。本文中将要采用的 CNN就属于第二类神经网络。式中,aa(引)是神经元连接的强度,该层有2 4基于卷积神经网络的车牌照字符个神经元平面,当k=2时,为加强中心神经元, k=1时,代表抑止中心神经元,A是v的半径识别方法 U层每个神经元的所有输入连接还必须满足一个为了提高车牌字符的识别率,本文采用一种约束条件即∑a(v)=0,才能起到差异提取的改进的基于卷积神经网络的识别机完成字符识别作用。 ,其网络结构8如图2所示 s层S神经元的响应函数如式(2)所示 ∑a(vκ,k)·H1-(n+V (2) (n,k) l],0 v:(m) 图2神经网络网络结构( Networks) 式中,as3(,x,k)(≥0)是上一层C神经元图2中,S层为简单( simple)神经元组成的 uCa1(n+v,x)至该层S神经元的连接雨数,同一神神经层,完成特征提取,其输入连接是可变的, 经元平面的所有神经元的输入连接是相同的。日1是并在学习过程中不断更正。C层则是由复杂 ( complex)神经元组成的神经层,它的输入连接第!层S神经元的阔值,A是ν的半径。当l=1时, 是固定的,不可修改,显示感受野被激励位置的c1(n,k)即为(n,k),此时,Kc1=2。在识近似变化。网络中C层的最后一层为识别层,给别过程中,U。层S神经元的最大输出决定最终的出模式识别的结果。经过学习,网络可以自动地识别结果识别输入模式,而不受输入图片扭曲,缔放和位移的影响除U4层外,其余三层C层的C神经元响从图2中可以看出,网络由输入层U,差异提应函数如式(3)所示: 取层U、4组S层和4层C层组成,主要流程图如下; max ∑ ac(v)·wg(n+v,k,0 为为题一矩一知一题题-。其t(,k) (3) 中差异提取层对应于视网膜巾的中心细胞,由加强十max ∑ac()na(n+v,k,0 iuk 中心感受野神经元平面和抑制中心神经元平面两部分构成,Uc层的输出作为第一个S层的输入式中,aa(v)是C层的输入 Us层中的S神经元通过有监督训练,提取输入图像5实验结果中不同方向的边缘成分,它的输出作为UC1的输入第二组和第三组中S层的神经元是无监督竞争学习 51实验结果的自组织神经元;U4层通过监督竞争学习的训练实验共分两步进行,前期对摄取到的车牌图片进行预处理包括定位,分割等,后期首先选取陆璐等:基于卷积神经网络的车牌照字符识别研究理想预处理条件下得到的200个20×36的样本图片(每个字符为20个)训练卷积神经网络,得到 6结论各层的权值,國值及神经元细胞平面数,然后使本文利用神经网络的优势,采用一种改进的用优化后的神经网络识别机完成对200个20×36 基于卷积神经网络的识别机制对车牌照中的字符的(每个字符为20个测试样本字符图像的识进行识别。该识别方法通过对理想预处理条件下正确识别率达到99%,结果如图3所示。的车牌字符图片的学习,优化了网络系统中各层图0S8 的权值参数,大大提高了车牌照中的字符识别率。但实际应用中,前期预处理会出现车牌定位不清, 图3待识别图像( Recognized picture) 字符分割错误等缺点,这些都会影响识别效果, 降低网络的实际认别率。所以,在今后的工作中, 识别结果为会对网络结构提出进步的改进,使之可以识别全影级就影游g 基于卷积神经网络的车牌照字符识别研究旧 WANFANG DATA文献链接作者: 陆璐,张旭东,赵莹,高隽作者单位: 合肥工业大学计算机学院图像与信息处理研究室,合肥,230009 本文读者也读过(9条) 1.肖柏旭.张丽静基于分流抑制机制的卷积神经网络人脸检测法[期刊论文]-计算机应用2006,26(zl) 2.李爱成.袁杰.都思丹基于移动窗口定位和复合神经网络的车牌识别算法[期刊论文]一交通与计算机2004,22(2) 3.李葆青基于卷积神经网络的模式分类器[期刊论文]-大连大学学报2003,24(2) 4.肖柏旭基于卷积网络的人脸检测的研究与实现[学位论文]2006 5.陆璐卷积神经网络的研究及其在车牌识别系统中的应用[学位论文]2006 6.魏志轩. WeI Zhixuan基于神经网络的车牌自动识别算法[期刊论文]-黑龙江科技学院学报2005,15(3) 7.王鑫道.陈启美.李勃. WANG Xindao. chen Qimei.LIBo基于多分类器一并行计算的车牌识别算法[期刊论文]交通与计算机2006,24(2 吴懋刚.潘永惠.wMao-gang. PAN Yong-huⅰ基于自适应小波神经网络的车牌融合识别算法[期刊论文]-电脑知识与技术2010,06(36 胡晓燕.蒋先刚.刘海峰.Ⅺiao-yan. JIANGⅪ lan- gang. LIU Hai-feng基于神经网络的车牌字符识别算法实验及程序校验[期刊论文]一华东交通大学学报2005,22(1) 本文链接http://d.g.wanfangdata.comcn/confereNce6191884.aspx

(系统自动生成,下载前可以参看下载内容)