基于神經(jīng)網(wǎng)絡(luò)技術(shù)的模式識別與應(yīng)用研究.pdf

1、在現(xiàn)在的信息技術(shù)時代，自動控制和智能系統(tǒng)的應(yīng)用越來越普遍。人們用傳感器來計算車輛數(shù)目，例如進入停車場的汽車，這需要傳感器能夠檢測車輛并將其歸為相應(yīng)的目標(biāo)類，通常用照相機識別進入停車場的汽車來實現(xiàn)。目前，智能交通系統(tǒng)(Intelligent Transport System,ITS)受到普遍關(guān)注。在交通監(jiān)控系統(tǒng)中，車輛識別(Vehicle recognition,VR)具有廣泛的應(yīng)用前景，包括消費行為、車輛跟蹤、警務(wù)、治安等。
　　

2、在過去的十年中，神經(jīng)網(wǎng)絡(luò)被應(yīng)用于信號處理的諸多方面，如濾波、參數(shù)估計、信號檢測、系統(tǒng)辨識、模式識別、信號重建、時間序列分析、信號壓縮和信號傳輸，處理的信號包括音頻、視頻、語音、圖像、通信、地球物理、聲波、雷達、醫(yī)學(xué)、音樂等。在信號處理中神經(jīng)網(wǎng)絡(luò)的主要特點是異步并行和分布式處理，非線性動力學(xué)，網(wǎng)絡(luò)單元的全局互聯(lián)，自組織，以及較高的計算速度，因此，神經(jīng)網(wǎng)絡(luò)能夠有效解決信號處理領(lǐng)域的許多問題，尤其是非線性信號處理和盲信號處理。
　　模式

3、識別是一門用于分類的科學(xué)，可以用來處理圖像、信號波形或任何類型的測量信號。隨著社會發(fā)展，信息處理和信息檢索越來越重要，從而使模式識別成為工程應(yīng)用、研究與發(fā)展中的先進技術(shù)。模式識別任務(wù)能夠?qū)崿F(xiàn)半自動或全自動監(jiān)督，這與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)相關(guān)聯(lián)，因此，模式識別和神經(jīng)網(wǎng)絡(luò)緊密聯(lián)系到了一起。
　　車輛識別在交通監(jiān)控系統(tǒng)中應(yīng)用廣泛，車輛可以通過牌照、標(biāo)志、后視鏡、車頭燈、擋風(fēng)玻璃、車頂?shù)忍卣髯R別出來，此外，車輛聲音，即發(fā)動機噪聲也可用來識別某種特定

4、類型的車。美國聯(lián)邦公路局(FHWA)根據(jù)2門、4門或SUV，將車輛分為幾類。任何VR系統(tǒng)中最重要和最難的部分是車輛特征的檢測和提取，因為標(biāo)志和車牌號可以是文字、數(shù)字、圖示或不同形式的組合，這直接影響整個系統(tǒng)的準(zhǔn)確性，噪聲，圖像的模糊，不均勻光照，暗光以及有霧的情況下更為操作帶來困難。
　　形態(tài)學(xué)一般指生物學(xué)中研究動植物形態(tài)和結(jié)構(gòu)的一個分支，這里我們用數(shù)學(xué)形態(tài)學(xué)來提取圖像中描述區(qū)域形狀的有用目標(biāo)，如邊界、骨架和凸包。此外，我們也對用

5、形態(tài)學(xué)進行的預(yù)處理和后處理技術(shù)感興趣，如形態(tài)學(xué)濾波、細化和修剪。數(shù)學(xué)形態(tài)學(xué)采用的語言是集合論，它為許多IP問題提供了一個統(tǒng)一有效的方法，如指紋識別等。
　　車牌識別（NumberPlateRecognition,NPR）問題的研究已經(jīng)較成熟，在一些商業(yè)運作系統(tǒng)中也有應(yīng)用，然而許多這樣的系統(tǒng)中要求有能夠與紅外閃光燈相結(jié)合的精密視頻捕捉硬件，或者能夠在某種地域條件下捕獲車牌上的較大區(qū)域以及實現(xiàn)（人為的）高分辨率。本論文的目的之一是開發(fā)

6、一種NPR系統(tǒng)，不需要用昂貴的硬件系統(tǒng)獲得高質(zhì)量的視頻信號，就可以實現(xiàn)較高的識別率。為了在視頻監(jiān)控中搜索部分車牌號并與車輛的視覺描述相結(jié)合，我們研究了車輛制造和模式識別問題。本文提出的方法將為各級交通規(guī)則執(zhí)行單位提供有價值的信息。
　　本文提出了一種用數(shù)學(xué)形態(tài)學(xué)從車輛圖像中識別標(biāo)志的方法，主要利用了不同的形態(tài)學(xué)運算，在標(biāo)志的提取過程中不依賴標(biāo)志的顏色、大小和位置。方法的實現(xiàn)可分為以下幾步，即圖像增強、變換、濾波、標(biāo)志提取。該方法能

7、夠從車輛圖像中快速準(zhǔn)確的檢測出標(biāo)志區(qū)域。
　　這一過程中，標(biāo)志和車牌號以外的特征也被識別出來，這是由仿真過程中一些較小的變化造成的。用相似方法可以識別車輛的不同特征，為了處理那些尚未注冊，還沒有車牌號的車，這里將三個不同的特征集合相結(jié)合，進行車輛識別，即使缺失其中一個特征，也可以用其他特征得到較準(zhǔn)確的結(jié)果。通過增強該系統(tǒng)，可以識別FHWA或其他機構(gòu)定義的其他種類車輛。在該方法中，數(shù)學(xué)形態(tài)學(xué)被用來提取不同特征，而分割標(biāo)志、車牌、前燈

8、之后的進一步工作是用過Hopfield神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的。將不同特征與現(xiàn)成的模版相比較，就可以識別出字符、字母、數(shù)字、圖像或者車輛形狀。
　　論文中研究了Hopfield神經(jīng)網(wǎng)絡(luò)（HNN），該方法重新引起了人們對神經(jīng)網(wǎng)絡(luò)的興趣。Hopfield網(wǎng)絡(luò)有很多重要的特性和應(yīng)用，分為數(shù)字和模擬兩類。文中概要敘述了該模型在模式識別中的應(yīng)用，以及一些能夠產(chǎn)生較好效果或能夠克服網(wǎng)絡(luò)局限等問題的網(wǎng)絡(luò)或神經(jīng)元模型的變種。文中討論了Hopfield神經(jīng)

9、網(wǎng)絡(luò)，該方法的有效性使人們對Amari和Hopfield等人的工作重新產(chǎn)生了興趣。Hopfield網(wǎng)絡(luò)模型可以是與節(jié)點的活性相關(guān)的數(shù)字值，模擬值，或模糊值，網(wǎng)絡(luò)建立過程中需要考慮很多因素，包括模式識別問題，網(wǎng)絡(luò)和/或神經(jīng)模型中的一些重要變量能夠產(chǎn)生較好的效果，或者能夠克服網(wǎng)絡(luò)局限性等問題。此外，文中討論了該模型的穩(wěn)定性和算法性能。在對模式識別中HNN的研究過程中，我們查閱了許多關(guān)于神經(jīng)網(wǎng)絡(luò)應(yīng)用的文獻。HNN可以用FPGA實現(xiàn)，論文中也對