張?chǎng)?孫勇

摘 要：文章采用基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)，并在圖像特征提取量的選擇中，結(jié)合了不變矩特征值和灰度共生矩陣導(dǎo)出的基于紋理的特征量，以車牌識(shí)別為例進(jìn)行圖像識(shí)別。經(jīng)過(guò)訓(xùn)練和測(cè)試，得到L-M及特征量?jī)?yōu)化的神經(jīng)網(wǎng)絡(luò)，在精度和識(shí)別速度上都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：圖像識(shí)別；不變矩特征值；L-M算法；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）19-0001-03

引言

隨著圖像識(shí)別技術(shù)的不斷發(fā)展，應(yīng)用于圖像識(shí)別技術(shù)領(lǐng)域的算法也在不斷優(yōu)化升級(jí)，人工神經(jīng)網(wǎng)絡(luò)算法作為一種高度非線性的智能自適應(yīng)算法，在圖像識(shí)別領(lǐng)域中的應(yīng)用越來(lái)越廣泛?；谌斯ど窠?jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像識(shí)別的主要特點(diǎn)是構(gòu)建分類器，將預(yù)處理后圖像樣本中提取出來(lái)的特征量輸入神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)自學(xué)習(xí)和自組織，不斷地訓(xùn)練，最終達(dá)到能夠穩(wěn)定正確識(shí)別圖像的狀態(tài)。[1]本文識(shí)別車牌號(hào)為例，對(duì)基于L-M算法及不變矩特征值優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行研究和實(shí)驗(yàn)。

1 圖像預(yù)處理

1.1 傾斜校正及灰度處理

實(shí)際圖像實(shí)時(shí)采集系統(tǒng)得到的圖像質(zhì)量參差不齊，本文采用方差公式推導(dǎo)法進(jìn)行圖像校正。該方法基于正置圖像的投影圖像邊緣點(diǎn)的方差最小的原則來(lái)確定傾斜角度，具有較好的校正效果[2]。通?；叶忍幚矸椒ㄓ衅骄捣?，最大值法和加權(quán)平均值法。平均值法和最大值法一定程度上淡化了圖像中目標(biāo)物與背景分界，對(duì)后續(xù)邊緣檢測(cè)會(huì)產(chǎn)生影響，本文選用加權(quán)平均值法，通過(guò)最優(yōu)權(quán)值的選擇，能夠獲得較好的處理效果。計(jì)算公式為：

式中，WR=0.59，WG=0.30，WB=0.11，此權(quán)值設(shè)置能獲得最佳灰度圖像。[3]

1.2 圖像分割及卡爾曼濾波

獲得灰度圖像后，通過(guò)Ostu算法確定合適的分割閾值，當(dāng)像素點(diǎn)灰度值超過(guò)閾值，將該像素點(diǎn)灰度值賦值為255，否則賦值該像素點(diǎn)灰度值為0，由此得到二值圖像。在分割過(guò)程中會(huì)產(chǎn)生高斯白噪聲，采用卡爾曼濾波的方法進(jìn)行濾波。[4]

2 圖像特征提取

2.1 不變矩特征值提取

圖像特征提取可以從基于圖像顏色的統(tǒng)計(jì)特性、圖像形狀和圖像紋理特征這些方面入手。為了克服圖像旋轉(zhuǎn)、平移導(dǎo)致的圖像特征提取誤差較大的情況，本文采用形狀不變矩來(lái)提取圖像熵矩陣的特征，作為神經(jīng)網(wǎng)絡(luò)的輸入層參數(shù)。

根據(jù)不變矩理論，定義圖像f（x，y）的p+q階中心矩為：

由計(jì)算得到的單元熵組成熵矩陣，n表示網(wǎng)格分辨率。熵矩陣中包含著局部和全局的圖像信息，從熵矩陣中提取不變矩特征值。[5]

2.2 灰度共生矩陣特征提取

在圖像f（x，y）任取一點(diǎn)組點(diǎn)對(duì)，偏移量為（a，b），點(diǎn)（x，y）處灰度值為i，點(diǎn)（x+a，y+b）處灰度值為j，固定（a，b），通過(guò)點(diǎn)對(duì)在圖像上的移動(dòng)獲得不同的點(diǎn)對(duì)的灰度值（i，j），由于經(jīng)過(guò)二值化以后灰度等級(jí)為{0，255}，故得到的（i，j）組合共有4組，統(tǒng)計(jì)整幅圖中每一種點(diǎn)對(duì)灰度出現(xiàn)的頻數(shù)，歸一化后得到[Pij]灰度共生矩陣。由此獲得對(duì)比度，相關(guān)性，能量，逆差矩，分別為Con，Cor，Ene，Hom。[6]

綜合從熵矩陣中提取的7個(gè)不變矩特征值和依據(jù)灰度共生矩陣得出的4個(gè)參數(shù)，構(gòu)成用于進(jìn)行識(shí)別的圖像特征向量，作為神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)。表示為

3基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)

3.1 L-M算法概述

BP神經(jīng)網(wǎng)絡(luò)算法基于誤差梯度下降標(biāo)準(zhǔn)，通過(guò)實(shí)際輸出與期望輸出的誤差來(lái)調(diào)整連接權(quán)值使之達(dá)到最優(yōu)。但通常情況下，BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)速率慢，容易陷入局部最小值等問(wèn)題[7]。作為優(yōu)化算法之一的L-M算法是梯度下降法與高斯-牛頓法的結(jié)合，利用了近似的二階導(dǎo)數(shù)信息，具有快速收斂，準(zhǔn)確度高的優(yōu)點(diǎn)，本文嘗試將其與神經(jīng)網(wǎng)絡(luò)算法結(jié)和用于圖像識(shí)別。

3.2 原理及實(shí)現(xiàn)步驟

4 實(shí)驗(yàn)仿真及結(jié)果分析

本文以車牌識(shí)別為例。在試驗(yàn)中，選取了數(shù)字0-9、英文字母A-Z及車牌上常見(jiàn)的30個(gè)漢字共66個(gè)字符，每個(gè)字符50張訓(xùn)練樣本圖片進(jìn)行訓(xùn)練。由于車牌號(hào)由不同字符組合而成，在圖像處理過(guò)程中，進(jìn)行了字符分割和圖像增強(qiáng)，為具體字符的識(shí)別提供分類基礎(chǔ)。經(jīng)過(guò)訓(xùn)練后，將50張測(cè)試圖片輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。經(jīng)過(guò)測(cè)試，識(shí)別率能達(dá)到98%以上，且識(shí)別速度快，性能明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。

4.1 圖像預(yù)處理

灰度處理選擇的標(biāo)準(zhǔn)是經(jīng)過(guò)灰度變換后，像素的動(dòng)態(tài)范圍增加，圖像的對(duì)比度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識(shí)別，處理結(jié)果如圖2。圖像二值化處理，結(jié)果如圖3。

可以通過(guò)求梯度局部最大值對(duì)應(yīng)的點(diǎn)，并認(rèn)定為邊緣點(diǎn)，去除非局部最大值，可以檢測(cè)出精確的邊緣。一階導(dǎo)數(shù)的局部最大值對(duì)應(yīng)二階導(dǎo)數(shù)的零交叉點(diǎn)，這樣通過(guò)找圖像強(qiáng)度的二階導(dǎo)數(shù)的零交叉點(diǎn)就能找到精確邊緣點(diǎn)，如圖4。

對(duì)圖像做了開(kāi)運(yùn)算和閉運(yùn)算，閉運(yùn)算可以使圖像的輪廓線更為光滑，它通常用來(lái)消掉狹窄的間斷和長(zhǎng)細(xì)的鴻溝，消除小的孔洞，并彌補(bǔ)輪廓線中的斷裂，如圖5。

對(duì)水平投影進(jìn)行峰谷分析，計(jì)算出車牌上邊框、車牌字符投影、車牌下邊框的波形峰上升點(diǎn)、峰下降點(diǎn)、峰寬、谷寬、峰間距離、峰中心位置參數(shù)，如圖6。

通過(guò)以上水平投影、垂直投影分析計(jì)算，獲得了車牌字符高度、字符頂行與尾行、字符寬度、每個(gè)字符的中心位置，為提取分割字符具備了條件。

4.2 訓(xùn)練庫(kù)的準(zhǔn)備

通過(guò)預(yù)先的圖像識(shí)別提取，得到部分?jǐn)?shù)字與漢字的訓(xùn)練庫(kù)，如圖7。

在車牌識(shí)別的過(guò)程中數(shù)字庫(kù)的建立很重要，切割出來(lái)的數(shù)據(jù)要與數(shù)據(jù)庫(kù)的數(shù)據(jù)作比較，只有數(shù)字庫(kù)準(zhǔn)確才能保證檢測(cè)出來(lái)的數(shù)據(jù)正確。

4.3 車牌的識(shí)別

進(jìn)行車牌識(shí)別前需要使用樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)車牌進(jìn)行識(shí)別。其具體流程為：使用漢字、字母、字母數(shù)字、數(shù)字四個(gè)樣本分別對(duì)四個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值。對(duì)已經(jīng)定位好的車牌進(jìn)行圖像預(yù)處理，逐個(gè)的特征提取，然后從相應(yīng)的文件中讀取相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值，把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進(jìn)行識(shí)別，輸出識(shí)別結(jié)果，如圖8。

5 結(jié)束語(yǔ)

基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別具有廣闊的前景，隨著對(duì)識(shí)別質(zhì)量和識(shí)別效率要求的不斷提高，用于識(shí)別的算法也在不斷更新和優(yōu)化?；贚-M算法的BP神經(jīng)網(wǎng)絡(luò)在識(shí)別速率和精度方面有著巨大的優(yōu)勢(shì)，但是限于計(jì)算量較大這一問(wèn)題，在一些特征向量較多或內(nèi)存較小的設(shè)備中難以適用，而圖像識(shí)別所需要的特征量往往又較多，為此進(jìn)一步研究特征量提取方法的優(yōu)化和高性能運(yùn)行設(shè)備是圖像識(shí)別進(jìn)一步發(fā)展的關(guān)鍵。[8]

參考文獻(xiàn)：

[1]牛博雅，黃琳琳，胡健.自然場(chǎng)景下的車牌檢測(cè)與識(shí)別算法[J].信號(hào)處理，2016（07）：787-794.

[2]曾曉娟.一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法[J].電腦知識(shí)與技術(shù)，2015（17）：171-174.

[3]江偉.機(jī)器視覺(jué)圖像中目標(biāo)識(shí)別及處理方法研究[D].華北電力大學(xué)，2015.

[4]李康順，李凱，張文生.一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的PCA人臉識(shí)別算法[J].計(jì)算機(jī)應(yīng)用與軟件，2014（01）：158-161.

[5]張澤琳，楊建國(guó)，王羽玲，等.煤粒圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].煤炭工程，2011（02）：17-19.

[6]孫君頂，毋小省.基于熵及不變矩特征的圖像檢索[J].光電工程，2007（06）：102-106+115.

[7]王建梅，覃文忠.基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)分類器[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2005（10）：928-931.

[8]韓思奇，王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù)，2002（06）：91-94+102.