基于BP神经网络的物流车辆识别

作者:陈思远;毛佳;李薇 刊名:科技风 上传者:张大伟

【摘要】车型识别是智能交通的重要组成部分。本文针对降低物流产业的运输成本,论述了用BP神经网络构建物流车辆识别模型,通过像素点的曲率与相对距离输入,得到车型类别,并通过算例分析其鲁棒性。

全文阅读

作为“第三利润源泉”的物流产业是一种专门化的服务行业,它集运输、配送于一体,通过车辆的运输来实现。而如何在物件的配送、运输过程中实现透明化,如何为物流企业管理层提供准确的物流车辆配备信息,是一个关键性问题。为解决这一问题,本文基于BP神经网络,提出了物流车辆识别模型,算例分析表明其是一个有效的、精确的物流车辆识别系统。1车型轮廓特征存储与匹配方法一般来说,车型识别过程包含以下几个阶段:图像采集、图像处理、车辆分割、特征提取和车型识别,本文着重介绍后面两个步骤。1.1像素点的生成与存储本文中,利用微分几何思想对车辆轮廓图像进行提取,运用轮廓曲线上各点的曲率和相对距离,与数据库中数据进行匹配,从而达到识别目的。k=x2y-y2xx2+y23/21)其中,k为离散型的曲线上任一点Pixi,yi的曲率。为了使系统有更好的适应性,提出“曲率距离”的概念,实际上是指其相对距离。坌pi1C1,pj2C2,定义DCpi1,pj2:DCpi1,pj2=kpi1-kpj2kpi1+kpj22)在存储之前,需要删去这些曲率值很小的点。定义一个值,当曲率的绝对值大于这一数值时,才能够被存储,表达式如式3):=1Nni=1kpi3)将筛选出来的点,按序存储在点对集合内。坌pi1C1,pj2C2,定义PS为点对集合,其表达式如式4):PS=pi1,pj2pi1C1,pj2C2,DCi,j刍c,kpi1酆酆酆4)其中,c=12maxDCpi1,pj2+minDCpi1,pj2在实际存储过程中,曲线上个点的曲率所取值的种类数量绝对小于曲线上像素点的数量,所以为了节约存储空间,我们采用链表相互结合的方式进行存储点对集合。1.2匹配算法研究当两个像素点的曲率相同时,并不能保证这两个点所在的空间位置距离相同,为解决这个问题首先要计算原有存档曲线(C1)上确定的两点的相对位置,在对待匹配曲线(C2)上相应两点之间相对位置进行计算,之后进行对比、转换测试。当求得相似线段对时,还需要对它们进行变换的转换,当两条线段经过位置上的平移和旋转后,能够最大程度上重合,就足以说明他们之间可以匹配的。2车型识别系统模型近年来,随着学者们对人工神经网络研究的不断深入及其无可替换的巨大优势,神经网络系统正在不断地渗入到人们的日常生活中,本文依据人工神经网络的巨大优势,建立基于BP神经网络的轮廓匹配系统。2.1BP神经网络模型的建立在本系统中,需要输入轮廓上每一像素点的曲率即任意两个像素点之间的相对距离值DT,而输出结果即为车辆车型代码,在建立系统之前,需要先确定输入、输出及隐含层的神经元个数。2.1.1各层神经元个数本模型中,需要先输入轮廓上各像素点的曲率即任意两点之间的相对距离,确定输入层神经元个数为2。对于输出层,车型的种类用数字代码表示。物流车辆的车型可以分为自卸车、牵引式半挂列车、厢式车、罐式车等四大类,单桥自卸车,双桥自卸车,三桥自卸车,半挂式货车,全挂式货车,单桥厢式车,双桥厢式车,卧式罐式车,立式罐式车和斗式罐式车十小类。因此,输出层神经元个数设为2。输出结果对应车型如表1所示:表1输出结果方式对于隐含层的神经元个数,比较不同隐含层神经元数目的神经系统,之后选择最优的隐含层神经元数目的系统来应用于实际中。2.1.2神经网络模型参数的确定本文所有神经网络的隐含层使用S型的tansig函数,输出层采用purelin传递函数。网络训练时,其逆向传播函数采用Levenberg-Marquardt函数算法。初始权值和阈值均选为0。学习速率采用自适应学习速率,即系统能够在训练的过程中能够自己根据需要自动

参考文献

引证文献

问答

我要提问