基于自适应小波神经网络的车牌融合识别算法

作者:吴懋刚;潘永惠 刊名:电脑知识与技术 上传者:王蓉

【摘要】该文提出了一种基于自适应小波神经网络的车牌融合识别算法。该算法首先根据车牌中字符的形态特征和横向纹理属性,通过小波分析来提取字符的小波统计特征,对自适应小波神经网络进行训练并识别车牌字符;然后,对单神经网络识别结果提取特征值并参与决策层融合,最终获得识别结果。实验结果表明,该文提出的算法是一种切实可行、准确高效的方法,对复杂背景下拍摄的汽车牌照的字符识别具有很好的鲁棒性、容错性。

全文阅读

车牌自动识别技术作为现代城市智能交通系统中的一项非常重要的技术。目前,国内已经有一些较为成熟的车牌自动识别算法,典型的有:结构模式识别法、统计模式识别法、统计与结构模式识别结合法、人工神经网络法等。通常,对于一个特定的应用场合,上述这些车牌识别算法中的任何一种都能取得一定的效果和比较准确的识别率。但在车辆实时监控系统中,各种各样异构的交通信息监控与图像采集设备被采用,依赖特定场合单一采样图像、或单一识别算法,其实际应用中的识别准确率是不够的。因此,本文针对实时交通监控系统采用异构设备、且对同违法车辆连续不同方位抓拍3张照片的实际情况,基于自适应小波神经网络分别对原单个采样车牌图像进行字符识别,然后将各神经网络识别结论进行决策层信息融合,由此提出了一种基于自适应小波神经网络的车牌融合识别算法,将智能交通管理中车牌识别的准确率大大提高,有很好的鲁棒性。1自适应小波神经网络自适应小波神经网络是基于小波变换和BP神经网络理论而构成的神经网络模型,即用非线性小波基取代通常的神经元非线性激励函数,把小波变换与BP神经网络有机地结合起来,充分继承了两者的优点。图1是本文设计的小波神经网络模型,包含输入层、隐层、输出层。其中,该模型在小波特征空间中寻找一组适合的小波基,通过对网络的学习,自适应地调整小波参数以使代价函数最小。小波神经网络方程如下:(1)公式(1)中:i代表输出层的单元数,j代表隐层的单元数;k代表输入层的单元数;xk(t)表示第k个输入变量;yi(t),表示第i个输出量;wij为隐层第j个单元到输出层第i个单元的连接权;为Sigmoid函数;(2)公式(2)为小波函数,作为由输入层第k个单元到隐层第j个单元的权函数。其中,待训练参数有wij,aj,bj,可用输入样本xk(t)和教师样本gi(t)学习,通过能量函数的最小化实现。设输入样本总数为p0个,能图1自适应小波神经网络模型10304ComputerKnowledgeandTechnology电脑知识与技术本栏目责任编辑:谢媛媛软件设计开发第6卷第36期(2010年12月)量函数公式如下:(3)设n0为迭代次数,为了加速收敛和防止震荡,引入动量因子,得到每一层权值变化的修改迭代公式[1-2]:(4)(5)(6)其中表示步长,当=0时为普通梯度算法。参数wij,aj,bj的训练算法如下:1)设定值和>0,初始化wij,aj,bj;2)归一化输入样本xk(t)和教师样本gi(t);3)计算E,其计算根据式(3),如E<,则转到步骤5;4)更新wij,aj,bj,其计算根据式(4)、(5)、(6),回到步骤3;5)停止训练,保存wij,aj,bj。2单信息源车牌字符识别单信息源车牌,即由单个交通监控设备采集到的车牌图像,本文采用自适应小波神经网络对其进行字符识别。如图2所示,主要采用3个步骤来实现:车牌小波变换、特征提取、字符识别。2.1车牌小波变换汽车牌照主要由38个汉字、10个阿拉伯数字及25个大写英文字母(规定英文字母中不使用I和O,以免和数字中的1和O相混淆,但第二个字符可以使用字母O)。其中,汉字字符集包括31个不同省份的简称及一些特殊汉字。一般牌照有7个左右字符组成,形成一个长宽比约为4:1的矩形区域。车牌上的文字一般由水平、垂直、左斜和右斜等笔划组成,纹理特征不规则,比较特殊。同一车牌中的文字的颜色是一样的,并且背景为同一种底色,文字颜色与车牌底色形成强烈的对比,边缘信息非常丰富,因此在小波变换后的高频子带中可以发现车牌字符边缘处的小波系数特别大。小波包变换将尺度参数离散化,不过时域平

参考文献

引证文献

问答

我要提问