基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的車輛圖像分割研究.pdf

1、車輛圖像分割是車輛檢測系統(tǒng)中最基本也是最重要的環(huán)節(jié)，車輛圖像分割的質(zhì)量直接影響后續(xù)圖像處理的精度和效率。自然光照環(huán)境下，滿足準確性、實用性要求的車輛圖像分割模型始終是智能交通領(lǐng)域研究的熱點和難點問題，因此，具有人類視覺特性的圖像分割模型是今后智能交通信息處理系統(tǒng)研究的方向。
　　針對上述研究背景，本文在脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Networks，PCNN)模型的基礎(chǔ)上，從理論與應(yīng)用兩個方面對具有視

2、覺神經(jīng)元特性的車輛圖像分割方法進行了深入研究。論文主要研究內(nèi)容和創(chuàng)新歸納如下:
　　(1)針對傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型車輛圖像分割時，車牌區(qū)域普遍存在的過分割與欠分割問題，提出了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型最優(yōu)參數(shù)的選取方法。通過最大類間方差算法自適應(yīng)確定PCNN分割模型初始閾值，中心神經(jīng)元局部鄰域灰度均方差更新連接強度系數(shù)，Hebb學(xué)習(xí)規(guī)則確定連接加權(quán)系數(shù)矩陣，實現(xiàn)PCNN模型參數(shù)的優(yōu)化。實驗表明參數(shù)的優(yōu)化不僅減少了PCNN模型圖像分割

3、時迭代的次數(shù)，而且提高了PCNN模型自適應(yīng)圖像分割的質(zhì)量。
　　(2)針對車輛圖像分割中陰影對車牌圖像分割的影響，提出了一種車輛陰影消除模型。該模型將優(yōu)化的脈沖耦合神經(jīng)網(wǎng)絡(luò)與陰影屬性相結(jié)合，無需建立背景模型與陰影模型。通過對圖像灰度通道和色度通道信息分別進行分割，實現(xiàn)不同信息通道的車輛與陰影的分離，并將兩個通道的分割結(jié)果圖像合并，產(chǎn)生最終的消除車輛陰影的圖像。實驗結(jié)果表明該模型在消除車輛陰影的同時，較好地保持了圖像中車牌、車標等關(guān)

4、鍵信息。
　　(3)針對光照和車體漫反射對PCNN模型圖像分割的影響，提出了一種具有神經(jīng)元感受野特性的脈沖耦合神經(jīng)網(wǎng)絡(luò)(Receptive Field-Pulse Coupled NeuralNetworks，RF-PCNN)車輛圖像分割模型。該模型通過神經(jīng)元感受野函數(shù)確定PCNN模型反饋域連接矩陣的結(jié)構(gòu)，使其具有方向性和尺度性，從而更好地模擬視覺細胞分割圖像的功能。實驗結(jié)果表明該模型提高了自然環(huán)境中車牌圖像分割的質(zhì)量。分割結(jié)果中

5、字符具有較高的邊界檢出率，較好地解決了復(fù)雜背景車輛圖像分割中車牌區(qū)域存在的欠分割與過分割問題。
　　(4)針對車輛圖像分割中車牌所占比例小、位置不固定、大小不一以及分割易受光照影響的問題，提出了一種基于視覺注意機制的脈沖耦合神經(jīng)網(wǎng)絡(luò)(VisualAttention Mechanism Pulse Coupled Neural Networks，VAMPCNN)車輛圖像分割模型。該模型在RF-PCNN模型的基礎(chǔ)上實現(xiàn)了多尺度空間的圖