圖像識(shí)別技術(shù)在車(chē)輛識(shí)別中的應(yīng)用

湖北工業(yè)大學(xué) 田飛

圖像識(shí)別技術(shù)在車(chē)輛識(shí)別中的應(yīng)用

湖北工業(yè)大學(xué) 田飛

近年來(lái)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展為解決這一問(wèn)題提供了新的途徑。神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)是隨著當(dāng)代計(jì)算機(jī)技術(shù)、圖像處理、人工智能、模式識(shí)別理論等發(fā)展起來(lái)的一種新興圖像識(shí)別技術(shù)，是在傳統(tǒng)的圖像識(shí)別方法的基礎(chǔ)上融合神經(jīng)網(wǎng)絡(luò)算法的一種圖像識(shí)別方法。圖像識(shí)別是近20年來(lái)發(fā)展起來(lái)的一門(mén)新興技術(shù)科學(xué)，它以研究某些對(duì)象或過(guò)程(統(tǒng)稱(chēng)圖像)的分類(lèi)與描述為主要內(nèi)容，應(yīng)用范圍非常廣泛，特別是在車(chē)輛識(shí)別方面的應(yīng)用。但是傳統(tǒng)的圖像識(shí)別技術(shù)，多是基于統(tǒng)計(jì)圖像識(shí)別方法和句法圖像識(shí)別方法等大規(guī)模計(jì)算的基礎(chǔ)之上的，在運(yùn)算量和正確識(shí)別率之間存在著突出的矛盾。本文提出了使用基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法，同時(shí)對(duì)圖像處理中的重要步驟也根據(jù)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)進(jìn)行了相應(yīng)的改進(jìn)。

圖像識(shí)別技術(shù)；車(chē)輛識(shí)別；應(yīng)用

車(chē)牌自動(dòng)識(shí)別（Automobile License Plate Recognition，ALPR）技術(shù)作為公路交通管理自動(dòng)化的重要手段，其任務(wù)是分析處理汽車(chē)圖像，自動(dòng)識(shí)別汽車(chē)牌照。本文首先說(shuō)明課題的研究背景及意義，車(chē)牌自動(dòng)識(shí)別技術(shù)的國(guó)內(nèi)外發(fā)展現(xiàn)狀，然后對(duì)車(chē)牌自動(dòng)識(shí)別系統(tǒng)進(jìn)行簡(jiǎn)要介紹，最后介紹本文的組織結(jié)構(gòu)。

人工神經(jīng)網(wǎng)絡(luò) (Artifical Neural Network，簡(jiǎn)稱(chēng)ANN)是40年代提出、80年代復(fù)興的一門(mén)交叉學(xué)科。它以生物大腦的結(jié)構(gòu)和功能為基礎(chǔ)、網(wǎng)絡(luò)結(jié)點(diǎn)模仿大腦的神經(jīng)元細(xì)胞、以網(wǎng)絡(luò)連接權(quán)模仿大腦的激勵(lì)電平、以簡(jiǎn)單數(shù)學(xué)方法完成復(fù)雜的智能分析，能有效地處理問(wèn)題的非線性、模糊性和不確性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)技術(shù)以其大規(guī)模并行處理、分布式存儲(chǔ)、自適應(yīng)性、容錯(cuò)性等優(yōu)點(diǎn)吸引了眾多領(lǐng)域科學(xué)家的廣泛關(guān)注，被廣泛地應(yīng)用于生物、電子、計(jì)算機(jī)、數(shù)學(xué)和物理等領(lǐng)域。

圖像識(shí)別是用現(xiàn)代信息處理與計(jì)算技術(shù)來(lái)完成人的認(rèn)識(shí)、理解過(guò)程。簡(jiǎn)單地說(shuō)圖像識(shí)別就是把研究對(duì)象，根據(jù)其某些特征進(jìn)行識(shí)別和分類(lèi)。因此可以認(rèn)為圖像的模式識(shí)別就是把圖像進(jìn)行識(shí)別分類(lèi)。圖像識(shí)別的目的就是設(shè)計(jì)程序或設(shè)備，代替人類(lèi)自動(dòng)處理圖像信息，自動(dòng)對(duì)圖像進(jìn)行分辨和識(shí)別，實(shí)現(xiàn)較高的圖像識(shí)別率。

模板匹配是最早出現(xiàn)，也是最簡(jiǎn)單的模式識(shí)別方法之一。匹配是模式識(shí)別的一種分類(lèi)操作，主要是判斷同一類(lèi)的2個(gè)實(shí)體(如點(diǎn)、曲線、形狀等)之間的相似性。要進(jìn)行模板匹配，首先需要存儲(chǔ)一些已知模板，然后考慮所有可能的變化，將待識(shí)別模板與己知模板相比較，從而得出兩者之間的相似性度量。已知模板一般是通過(guò)訓(xùn)練得到的。模板匹配辦法在字符識(shí)別、人臉識(shí)別等領(lǐng)域有廣泛的應(yīng)用。但是該方法計(jì)算量非常大，而且該法的識(shí)別率嚴(yán)重依賴(lài)于己知模板。如果已知模板產(chǎn)生變形，會(huì)導(dǎo)致錯(cuò)誤的識(shí)別，由此產(chǎn)生了可變形模板匹配方法。

圖像識(shí)別是一個(gè)典型的模式識(shí)別問(wèn)題，分為特征提取和識(shí)別2個(gè)過(guò)程。通常發(fā)現(xiàn)提取待識(shí)別樣本的主要特征是一件十分困難的工作。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)通過(guò)非線性計(jì)算來(lái)識(shí)別圖像，其特征抽取過(guò)程比基于概率論的模式識(shí)別簡(jiǎn)單的多。BP算法是通過(guò)一些學(xué)習(xí)規(guī)則來(lái)調(diào)整神經(jīng)元之間的連接權(quán)值，具有思路清晰、結(jié)構(gòu)嚴(yán)謹(jǐn)、工作狀態(tài)穩(wěn)定、可操作性強(qiáng)的特點(diǎn)，可以解決大多數(shù)神經(jīng)網(wǎng)絡(luò)所面臨的許多問(wèn)題，在圖像識(shí)別中有廣泛的應(yīng)用。本文主要研究了雙隱層BP神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用，并且為了克服其本身存在收斂速度慢和容易陷入局部極小等缺點(diǎn)，將遺傳算法引入其中。遺傳算法具有很強(qiáng)的宏觀搜索能力，并具有簡(jiǎn)單通用、魯棒性強(qiáng)、并行運(yùn)算的特點(diǎn)，所以用它來(lái)完成前期搜索能較好地克服BP算法的缺點(diǎn)。經(jīng)實(shí)驗(yàn)表明，在進(jìn)行圖像識(shí)別時(shí)，該算法的收斂性、學(xué)習(xí)速度和識(shí)別率都優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)及其他改進(jìn)算法。

圖像識(shí)別是近20年來(lái)發(fā)展起來(lái)的一門(mén)新興技術(shù)科學(xué)，它以研究某些對(duì)象或過(guò)程(統(tǒng)稱(chēng)圖像)的分類(lèi)與描述為主要內(nèi)容，應(yīng)用范圍非常廣泛。神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)是隨著當(dāng)代計(jì)算機(jī)技術(shù)、圖像處理、人工智能、模式識(shí)別理論等發(fā)展起來(lái)的一種新興圖像識(shí)別技術(shù)，是在傳統(tǒng)的圖像識(shí)別方法的基礎(chǔ)上融合神經(jīng)網(wǎng)絡(luò)算法的一種圖像識(shí)別方法。

[1]彭淑敏．神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)研究與實(shí)現(xiàn)[D]．北京：西安電子科技大學(xué)，2005．

[2]李弼程，彭天強(qiáng)，彭波．智能圖像處理技術(shù)[M]．北京：電子工業(yè)出版社，1998.

[3]胡小峰，趙輝．VisualC++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M]．北京：電子工業(yè)出版社，2004.

[4]Kenneth R Caseleman．?dāng)?shù)字圖像處理技術(shù)[M]．北京：電子工業(yè)出版社，1998.

2017-10-10）