基于數(shù)學(xué)形態(tài)學(xué)和多級(jí)神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究.pdf

1、車輛牌照自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)的關(guān)鍵技術(shù)之一，是計(jì)算機(jī)視覺(jué)與模式識(shí)別技術(shù)在現(xiàn)代化智能交通管理領(lǐng)域中的一項(xiàng)重要研究課題。在城市智能交通系統(tǒng)中，車輛牌照自動(dòng)識(shí)別系統(tǒng)的應(yīng)用十分廣泛。隨著數(shù)學(xué)形態(tài)學(xué)和神經(jīng)網(wǎng)絡(luò)的發(fā)展，其良好的性能在車牌識(shí)別問(wèn)題中得到了廣泛應(yīng)用。然而，數(shù)學(xué)形態(tài)學(xué)中固定大小的結(jié)構(gòu)元素并不適用于大小變化的車牌圖像，對(duì)于結(jié)構(gòu)元素的自適應(yīng)選取仍然是個(gè)棘手的問(wèn)題。此外，BP神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)和慢收斂的問(wèn)題對(duì)車牌識(shí)別的精度和速度都造成了較

2、大影響，因此網(wǎng)絡(luò)學(xué)習(xí)速率和訓(xùn)練過(guò)程還不夠理想，也迫切需要得到改善。
　　本文提出了自適應(yīng)的車牌定位算法和基于模擬退火的多級(jí)神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法。自適應(yīng)車牌定位算法利用遺傳模擬退火算法在全局范圍內(nèi)搜索最優(yōu)值，優(yōu)化選取結(jié)構(gòu)元素，而無(wú)需根據(jù)先驗(yàn)知識(shí)來(lái)確定結(jié)構(gòu)元素?；谀M退火算法的多級(jí)神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法設(shè)計(jì)了自適應(yīng)學(xué)習(xí)速率，通過(guò)梯度直接參與學(xué)習(xí)速率的計(jì)算，既保證了學(xué)習(xí)效果又加快了學(xué)習(xí)速度；設(shè)計(jì)了傳遞函數(shù)加速因子，用輸出層與隱含層的權(quán)值

3、修正量，協(xié)調(diào)輸入層與隱含層的權(quán)值修正量，提高了網(wǎng)絡(luò)的收斂速度；采用帶記憶的簡(jiǎn)化判斷函數(shù)的模擬退火算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使以前的最優(yōu)解能夠參與新的迭代計(jì)算，克服了局部最優(yōu)，減少了計(jì)算量；針對(duì)易混字符，設(shè)計(jì)了兩級(jí)神經(jīng)網(wǎng)絡(luò)模型，通過(guò)采用不同的特征提取算法對(duì)字符識(shí)別，增加了字符特征向量表征字符，提高了識(shí)別準(zhǔn)確率。此外，針對(duì)復(fù)雜背景下的車牌圖像采用了自適應(yīng)光照補(bǔ)償，提高了車牌定位精度和字符識(shí)別的準(zhǔn)確率。
　　實(shí)驗(yàn)結(jié)果表明，本文提出的自適應(yīng)車牌定