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

1、在現(xiàn)在的信息技術(shù)時(shí)代，自動(dòng)控制和智能系統(tǒng)的應(yīng)用越來(lái)越普遍。人們用傳感器來(lái)計(jì)算車輛數(shù)目，例如進(jìn)入停車場(chǎng)的汽車，這需要傳感器能夠檢測(cè)車輛并將其歸為相應(yīng)的目標(biāo)類，通常用照相機(jī)識(shí)別進(jìn)入停車場(chǎng)的汽車來(lái)實(shí)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(shí)別(Vehicle recognition,VR)具有廣泛的應(yīng)用前景，包括消費(fèi)行為、車輛跟蹤、警務(wù)、治安等。
　　

2、在過(guò)去的十年中，神經(jīng)網(wǎng)絡(luò)被應(yīng)用于信號(hào)處理的諸多方面，如濾波、參數(shù)估計(jì)、信號(hào)檢測(cè)、系統(tǒng)辨識(shí)、模式識(shí)別、信號(hào)重建、時(shí)間序列分析、信號(hào)壓縮和信號(hào)傳輸，處理的信號(hào)包括音頻、視頻、語(yǔ)音、圖像、通信、地球物理、聲波、雷達(dá)、醫(yī)學(xué)、音樂(lè)等。在信號(hào)處理中神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是異步并行和分布式處理，非線性動(dòng)力學(xué)，網(wǎng)絡(luò)單元的全局互聯(lián)，自組織，以及較高的計(jì)算速度，因此，神經(jīng)網(wǎng)絡(luò)能夠有效解決信號(hào)處理領(lǐng)域的許多問(wèn)題，尤其是非線性信號(hào)處理和盲信號(hào)處理。
　　模式

3、識(shí)別是一門用于分類的科學(xué)，可以用來(lái)處理圖像、信號(hào)波形或任何類型的測(cè)量信號(hào)。隨著社會(huì)發(fā)展，信息處理和信息檢索越來(lái)越重要，從而使模式識(shí)別成為工程應(yīng)用、研究與發(fā)展中的先進(jìn)技術(shù)。模式識(shí)別任務(wù)能夠?qū)崿F(xiàn)半自動(dòng)或全自動(dòng)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(shí)別和神經(jīng)網(wǎng)絡(luò)緊密聯(lián)系到了一起。
　　車輛識(shí)別在交通監(jiān)控系統(tǒng)中應(yīng)用廣泛，車輛可以通過(guò)牌照、標(biāo)志、后視鏡、車頭燈、擋風(fēng)玻璃、車頂?shù)忍卣髯R(shí)別出來(lái)，此外，車輛聲音，即發(fā)動(dòng)機(jī)噪聲也可用來(lái)識(shí)別某種特定

4、類型的車。美國(guó)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(cè)和提取，因?yàn)闃?biāo)志和車牌號(hào)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(gè)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(lái)困難。
　　形態(tài)學(xué)一般指生物學(xué)中研究動(dòng)植物形態(tài)和結(jié)構(gòu)的一個(gè)分支，這里我們用數(shù)學(xué)形態(tài)學(xué)來(lái)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(duì)用

5、形態(tài)學(xué)進(jìn)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(xì)化和修剪。數(shù)學(xué)形態(tài)學(xué)采用的語(yǔ)言是集合論，它為許多IP問(wèn)題提供了一個(gè)統(tǒng)一有效的方法，如指紋識(shí)別等。
　　車牌識(shí)別（NumberPlateRecognition,NPR）問(wèn)題的研究已經(jīng)較成熟，在一些商業(yè)運(yùn)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(shí)現(xiàn)（人為的）高分辨率。本論文的目的之一是開(kāi)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(hào)，就可以實(shí)現(xiàn)較高的識(shí)別率。為了在視頻監(jiān)控中搜索部分車牌號(hào)并與車輛的視覺(jué)描述相結(jié)合，我們研究了車輛制造和模式識(shí)別問(wèn)題。本文提出的方法將為各級(jí)交通規(guī)則執(zhí)行單位提供有價(jià)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(shí)別標(biāo)志的方法，主要利用了不同的形態(tài)學(xué)運(yùn)算，在標(biāo)志的提取過(guò)程中不依賴標(biāo)志的顏色、大小和位置。方法的實(shí)現(xiàn)可分為以下幾步，即圖像增強(qiáng)、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(cè)出標(biāo)志區(qū)域。
　　這一過(guò)程中，標(biāo)志和車牌號(hào)以外的特征也被識(shí)別出來(lái)，這是由仿真過(guò)程中一些較小的變化造成的。用相似方法可以識(shí)別車輛的不同特征，為了處理那些尚未注冊(cè)，還沒(méi)有車牌號(hào)的車，這里將三個(gè)不同的特征集合相結(jié)合，進(jìn)行車輛識(shí)別，即使缺失其中一個(gè)特征，也可以用其他特征得到較準(zhǔn)確的結(jié)果。通過(guò)增強(qiáng)該系統(tǒng)，可以識(shí)別FHWA或其他機(jī)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(lái)提取不同特征，而分割標(biāo)志、車牌、前燈

8、之后的進(jìn)一步工作是用過(guò)Hopfield神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)的。將不同特征與現(xiàn)成的模版相比較，就可以識(shí)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(duì)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(shí)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(wèn)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(duì)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(diǎn)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(guò)程中需要考慮很多因素，包括模式識(shí)別問(wèn)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(wèn)題。此外，文中討論了該模型的穩(wěn)定性和算法性能。在對(duì)模式識(shí)別中HNN的研究過(guò)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(xiàn)。HNN可以用FPGA實(shí)現(xiàn)，論文中也對(duì)