【文章內(nèi)容簡介】 習(xí)時(shí)，不斷調(diào)整隱層節(jié)點(diǎn)數(shù)。該神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功后，其權(quán)值即確定下來。在對未知應(yīng)變進(jìn)行識別時(shí)，神經(jīng)網(wǎng)絡(luò)由于具備并行運(yùn)算、自學(xué)習(xí)、自組織等特點(diǎn)，可以快速地計(jì)算應(yīng)變值，給出正確的識別結(jié)果。 劉 怡光等 [8]構(gòu)建了一種用于圖像目標(biāo)識別的多層前向神經(jīng)網(wǎng)絡(luò)，給出了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，并成功地把該神經(jīng)網(wǎng)絡(luò)運(yùn)用到車型識別中。該方法綜合了神經(jīng)網(wǎng)絡(luò)、模糊邏輯、模式識別的相關(guān)算法，對圖像目標(biāo)輪廓進(jìn)行整體識別，并到了較高的目標(biāo)識別準(zhǔn)確率。該文所構(gòu)建的用于車型識別的神經(jīng)網(wǎng)絡(luò)包含一個(gè)卷積網(wǎng)絡(luò)和一個(gè)模糊分類器，該網(wǎng)絡(luò)依據(jù)整個(gè)車體輪廓對車型進(jìn)行識別，避免了通過圖像處理提取一個(gè)或多個(gè)特征值進(jìn)行識別，算法適應(yīng)性差等缺點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)適合處理具有殘缺信息和含有一定錯(cuò)誤的模式，也就是說神經(jīng)網(wǎng)絡(luò)具有容錯(cuò)功能。因此，國內(nèi)外很多領(lǐng)域均采用神經(jīng) 網(wǎng)絡(luò)對原有的技術(shù)算法進(jìn)行改進(jìn)。在經(jīng)過對特定的對象進(jìn)行學(xué)習(xí)之后，神經(jīng)網(wǎng)絡(luò)就能夠?qū)o定的一組輸入進(jìn)行識別，最大限度的對已有模式進(jìn)行逼近。 基于神經(jīng)網(wǎng)絡(luò)的車型識別算法研究及實(shí)現(xiàn) 12 惠州地區(qū)車型識別現(xiàn)狀 惠州地域遼闊，面積占珠江三角洲四分之一強(qiáng) 。經(jīng)濟(jì)發(fā)展程度參差不齊，有展的惠城區(qū)、惠陽區(qū)和大亞灣經(jīng)濟(jì)開發(fā)區(qū)等一系列的龍頭產(chǎn)業(yè)帶，也有以農(nóng)業(yè)、旅游業(yè)為主的在珠三角為數(shù)不多的貧困縣 — 龍門?；葜葸^路、過橋收費(fèi)由于受到不同領(lǐng)域、不同環(huán)境、不同時(shí)段的影響，所采用的車型識別技術(shù)也種類繁多。有采用人工進(jìn)行識別收費(fèi)方式的，有采用壓力傳感進(jìn)行識別收費(fèi)方式的，有采 用感應(yīng)線圈進(jìn)行識別收費(fèi)方式的，有采用視頻圖像處理進(jìn)行識別收費(fèi)方式的。收費(fèi)形式也多種多樣，有采用現(xiàn)金的，有采用月票的，有采用年卡的。在與外市相連的市際全封閉式高速公路上多半采用粵通 IC 卡進(jìn)行快速收費(fèi)，以提高高速路的通暢度和利用率。 本文所做的主要工作和論文組織 本文的主要工作 通過綜合考慮，車型收費(fèi)的自動(dòng)識別過程為 :采集車輛側(cè)面圖像并對其進(jìn)行預(yù)處理 。圖像分割與特征提取 。再交由訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)加以識別。為了圖像處理方便，應(yīng)對汽車側(cè)面進(jìn)行圖像幀的攝取，可以容忍由于拍攝時(shí)輕微傾斜而引起的圖像偏差 。攝取的圖像包含有一定的噪聲，先對車輛圖像進(jìn)行預(yù)處理，以消除大部分的噪聲干擾，然后對圖像再進(jìn)行邊緣檢測以提取車輛輪廓為模式識別做準(zhǔn)備。在車輛類型進(jìn)行識別之前，我們組建了神經(jīng)網(wǎng)絡(luò)，通過一定數(shù)目車型的學(xué)習(xí)和訓(xùn)練，然后就可以對未知的車型進(jìn)行識別了。有鑒于此，本文的研究目標(biāo)是 :對現(xiàn)有的識別算法加以改進(jìn)和完善，通過仿真實(shí)驗(yàn)來尋找一種有效的車型識別新方法，以滿足目前國內(nèi)各車型識別系統(tǒng)對車型識別率和識別速度 (特別是識別率 )的要求。 圖 13本文研究工作思路 基于神經(jīng)網(wǎng)絡(luò)的車型識別算法研究及實(shí)現(xiàn) 13 本文的論文組織 第一章 緒論：介紹了本課題的研究背景和意義，國內(nèi)外各領(lǐng)域車型識別技術(shù)的研究現(xiàn)狀，最后闡明了本課題所做的主要工作。 第二章 介紹 車型圖像處理平臺(tái) 和相關(guān)理論知識 。 第三章 基于神經(jīng)網(wǎng)絡(luò)的車型識別方法，如何構(gòu)建神經(jīng)網(wǎng)絡(luò)和選取學(xué)習(xí)算法，構(gòu)建神經(jīng)網(wǎng)絡(luò)分類器，最后通過樣本數(shù)據(jù)訓(xùn)練和測試驗(yàn)證實(shí)驗(yàn)效果。 第四 章 總結(jié)和展望：對本文所做的工作進(jìn)行總結(jié)、主要?jiǎng)?chuàng)新點(diǎn)、下一步工作的展望，對本文未能實(shí)現(xiàn)或需要改進(jìn)的地方進(jìn)行了分析。 、 基于神經(jīng)網(wǎng)絡(luò)的車型識別算法研究及實(shí)現(xiàn) 14 第二章 車型圖像處理平臺(tái)及相關(guān)理論知識 數(shù)字圖像處理的內(nèi)容主要包括圖像變換、圖像增強(qiáng)、圖像分析、圖像壓縮等幾個(gè)方面。圖像處理主要是對圖像進(jìn)行各種加工以改善圖像的視覺效果并為自動(dòng)識別打基礎(chǔ) 。圖像分析則是對圖像中感興趣的目標(biāo)進(jìn)行檢測和測量以獲得它們的客觀信息從而對立對圖像的描述。圖像處理與分析是圖像識別中圖像技術(shù)的重要應(yīng)用。 圖像預(yù)處理的基本方法 彩色圖像的灰度化 數(shù)字圖像的灰度是進(jìn)行圖像處理與識別的基礎(chǔ)，一般需要先讀取數(shù)字圖像的灰度值，然后再對其進(jìn)行分析與處理，如生成灰 度直方圖、進(jìn)行灰度拉伸、圖像分割和提取圖像特征。將彩色圖像轉(zhuǎn)化成為灰度圖像的過程成為圖像的灰度化處理。彩色圖像中的每個(gè)像素的顏色有 R、 G、 B 三個(gè)分量決定，而每個(gè)分量有255 中值可取，這樣一個(gè)像素點(diǎn)可以有 1600 多萬 (255*255*255)的顏色的變化范圍。而灰度圖像是 R、 G、 B三個(gè)分量相同的一種特殊的彩色圖像，其一個(gè)像素點(diǎn)的變化范圍為 255 種，所以在數(shù)字圖像處理種一般先將各種格式的圖像轉(zhuǎn)變成灰度圖像以使后續(xù)的圖像的計(jì)算量變得少一些?；叶葓D像的描述與彩色圖像一樣仍然反映了整 幅圖像的整體和局部的色度和亮度等 級的分布和特征。圖像的灰度化處理可用兩種方法來實(shí)現(xiàn)。第一種方法使求出每個(gè)像素點(diǎn)的 R、 G、 B 三個(gè)分量的平均值，然后將這個(gè)平均值賦予給這個(gè)像素的三個(gè)分量。第二種方法是根據(jù)YUV 的顏色空間中， Y 的分量的物理意義是點(diǎn)的亮度，由該值反映亮度等級，根據(jù) RGB 和 YUV 顏色空間的變化關(guān)系可建立亮度 Y 與 R、 G、 B 三個(gè)顏色分量的對應(yīng) :Y=++，以這個(gè)亮度值表達(dá)圖像的灰度值。由于彩色圖像的存儲(chǔ)和灰色圖像的存儲(chǔ)不同，沒有顏色表。所以，當(dāng)把彩色圖像轉(zhuǎn)化成灰度圖像時(shí)，在轉(zhuǎn)換三種顏色到一個(gè)灰度的同時(shí)，還需要 在文件頭加上顏色表，這樣才能把彩色圖像的文件轉(zhuǎn)化成了灰度圖像文件 [9]。 光照不均勻校正 光照不均勻校正 [l4]：同一個(gè)自然物在不同的光照背景條件下得到圖像明暗程序不同，或整幅圖像偏暗，或整幅圖像偏亮，亮度范圍的不足或者非線性等因素造成對比度不足，圖像效果不夠理想。車型圖像在白天和夜間，不同的天氣和氣候由于光照條件的不同使車形可能出 現(xiàn)比較嚴(yán)重的模糊，給車型識別帶來了較大的困難。背景光照條件的改變表現(xiàn)在圖像的直方圖上就是明顯的平移和縮放。一般可以采用直方圖均衡化或同態(tài)增晰技術(shù)來消除光照不均勻的影響 。 方圖均衡化處理的 “ 中心思想 ” 是把原始圖像的灰度直方圖從比較集中的某個(gè)灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布。直方圖均衡化就是對圖像進(jìn)行基于神經(jīng)網(wǎng)絡(luò)的車型識別算法研究及實(shí)現(xiàn) 15 非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素?cái)?shù)量大致相同。直方圖均衡化就是把給定圖像的直方圖分布改變成 “ 均勻 ” 分布直方圖分布。 圖像的同態(tài)增晰通常用來處理照明不均、細(xì)節(jié)對比度差、分辨率不清的圖像 ,通過對圖像的灰度范圍進(jìn)行調(diào)整 ,在壓縮圖像動(dòng)態(tài)范圍的同時(shí)增加圖像各部分的對比度 ,有效增強(qiáng)感興趣的細(xì)節(jié)。經(jīng)典的同態(tài)增晰是一種基于特征、在頻域中進(jìn)行的對比度增強(qiáng)方法。 圖像變換 為了有效地和快速地對圖像進(jìn)行處理和分析，常常需要將原定義在圖像空間的圖像以某種形式轉(zhuǎn)換到另一些空間，并利用在這些空間的特有性質(zhì)方便地進(jìn)行一定的加工，最后轉(zhuǎn)換回圖像空間以得到所需要的效果。這種使圖像處理簡化的方法通常是對圖像進(jìn)行變換。圖像變換在數(shù)字圖像處理與分析中起著很重要的作用，是一種常用的、有效的分析手段。圖像變換的目的在于 : (l)使圖像處理問題簡化 。 (2)有利于圖像特征提取 。 (3)有助于從概念上加強(qiáng)對圖像信息的理解。 圖像平滑 在輸入圖像的過程中，圖像可能受到各種 噪聲源的干擾，混入各種高頻噪聲。如光電轉(zhuǎn)換過程中的噪聲、照片顆粒噪聲和信息傳輸中的誤差等，從而不能保證正確地求出數(shù)字圖像的密度信息。要求得正確的圖像信息則必須消除噪聲。任何一幅未經(jīng)過處理的原始圖像，都存在著一定程度上的干擾，噪聲惡化了圖像質(zhì)量，使圖像模糊，甚至淹沒特征。消除圖像噪聲的工作在圖像處理中稱為圖像平滑。平滑的目的有兩個(gè) :改善圖像質(zhì)量和抽出對象特征。亦即采用依據(jù)小區(qū)域平均化方法的濾波，從數(shù)學(xué)上講就是采用一種具有能夠除去高頻成分性質(zhì)的積分運(yùn)算。圖像平滑亦分為空間域處理和頻譜域處理兩種。 鄰域平均 法是一種在空間域上對圖像進(jìn)行平滑處理的最常用方法。該方法的核心是求出圖像中以某點(diǎn)為中心的一個(gè)鄰域范圍內(nèi)的圖像象素之平均值，并以此平均值來作為該中心點(diǎn)的灰度值，其算法如下 : 設(shè)某圖像信號為 f(i， j)，噪聲為 (i， j)，含有噪聲圖像信號為 f’ (i， j)則有 : 則進(jìn)行鄰域處理后圖像 g(i， j)為 : 式中， S 是點(diǎn) (i， j)鄰域內(nèi)的點(diǎn)集如下圖 21 所示，經(jīng)式鄰域平均處理后，噪聲方差降低為原來的 1/N，因此有效地抑制了噪聲影響，同時(shí)圖像細(xì)節(jié)的清晰度也有所下降。 基于神經(jīng)網(wǎng)絡(luò)的車型識別算法研究及實(shí)現(xiàn) 16 圖像銳化 邊緣模糊是圖像中常出現(xiàn)的質(zhì)量問題，有此造成的輪廓不清晰，線條不鮮明使圖像特征提取、識別和理解難以進(jìn)行，增強(qiáng)圖像邊緣和線條，使圖像邊緣變得清晰的處理稱為圖像銳化。圖像銳化使圖像具有的信息讓人們易于觀察的圖像質(zhì)量改善方法，從數(shù)學(xué)角度上講就是對圖像進(jìn)行微分化處理。用這種方法可以去掉引起圖像質(zhì)量劣化的原因之一”模糊“，并把圖像變得輪廓分明。圖像銳化的方法有空間域處理和頻譜域處理兩類。 圖像銳化中最常用的方法是梯度法。設(shè)圖像函數(shù)為 f(x， y)，它的梯度是 一個(gè)向量， 定義為 : 眾所周知，在 (x， y)點(diǎn)處的梯度，其方向是函數(shù) f(x， y)在這點(diǎn)變化最大的方向，而其長度 (記作 G[f(x， y)])則等于函數(shù) f(x， y)的最大變化率，即： 梯度長度是一個(gè)標(biāo)量，并且總是正的。為了方便起見，以后把梯度長度簡稱為梯度。對于數(shù)字圖像來說，則用差分來近似微分。常用的差分算法有兩種 :一種是典型的差分算法，表示成 : 另一種定義為 : 為了更適宜于計(jì)算機(jī)實(shí)現(xiàn)，常采用絕對差算法。兩中梯度的絕對值可以寫成 : 值得指出，對于一幅 N*N 數(shù)字圖像，不可能在最后一行 (x=N)和最后一 列 (y=N)基于神經(jīng)網(wǎng)絡(luò)的車型識別算法研究及實(shí)現(xiàn) 17 像素上計(jì)算梯度值。一種補(bǔ)救的辦法是用前一行 (x=Nl)和前一列 (y=N1)像素的梯度值分別作為最后一行和最后一行對應(yīng)像素的梯度值。 從梯度值公式中可以看出，其值是與相鄰像素的灰度差值成正比。在圖像輪廓上，像素的灰度有陡然變化，梯度值很大；在圖像灰度變化相對平緩的區(qū)域梯度值較小；而在等灰度區(qū)域，梯度值為零。 一旦計(jì)算梯度的算法確定之后，就可以有許多方法來使圖像輪廓突出。最簡單的方法就是令 (x， y)點(diǎn)上銳化后圖像函數(shù) g(x， y)值等于原始圖像 f(x， y)在該點(diǎn)的梯度值，即 : 此法 的缺點(diǎn)是處理后的圖像僅顯示出輪廓，灰度平緩變化的部分由于梯度值較少而顯得很黑。 第二種增強(qiáng)圖像是 : 式中 T 是一個(gè)非負(fù)門限值。適當(dāng)選擇 T，就可使圖像上某些主要輪廓得以突出，而背景并不遭到破壞。 第三種增強(qiáng)圖像是上一種的變化，即 : 式中 LG是根據(jù)需要而指定的一個(gè)灰度級。在這種圖像中，有效邊緣是用一個(gè)固定的灰度級表征的。有時(shí)為了只考察主要輪廓的梯度變化情況，可令處理后的圖像為 : 其中 LB是給背景指定的灰度級。最后，若我們只對輪廓位置感興趣，則可利用下面的關(guān)系 : 圖像分割與 特征提取 圖像處理，簡單的說，就是將一張張的圖像轉(zhuǎn)換成具有實(shí)際意義信息的一門方法技術(shù)和學(xué)問。它是一門整合性的科技，它是工程科學(xué)、數(shù)學(xué)、物理、生物、醫(yī)學(xué)、氣象等各學(xué)門研究的結(jié)晶，也廣泛應(yīng)用于各學(xué)門及日常生活中。 圖像分割是將圖像細(xì)分成它的組成部份或是對象，這個(gè)步驟在圖像處理的過程中算是一個(gè)重要的工作，因?yàn)樗龅恼菫榱艘院蟮奶幚砉ぷ?，例如描述和辨認(rèn)組成物體等等，而分割的結(jié)果則決定了圖像分析最后的功或是失敗。圖像方割的原理，主要一般是利用明亮度的二個(gè)基本性質(zhì) :不連續(xù)性和相似性。大致上可分為基于邊緣檢測的方法 和基于區(qū)域生成的方法兩大類?；谶吘墮z測的分割方基于神經(jīng)網(wǎng)絡(luò)的車型識別算法研究及實(shí)現(xiàn) 18 法首先檢出局部性的不連續(xù)性，再將它們連成邊界，這些邊界把圖像分成不同的區(qū)域。基于區(qū)域生成的方法是將像素點(diǎn)分成不同的區(qū)域。兩種方法各自獨(dú)立，但也相輔相成，混合使用更可以得到最佳的效果。 圖像分割技術(shù) 圖像分割的目的是理解圖像的內(nèi)容，提取我們感興趣的對象。圖像分割按照具體應(yīng)用的要求和具體圖像的內(nèi)容將圖像分割成一塊塊區(qū)域。圖像分割是模式識別和圖像分析的預(yù)處理階段。通常圖像分割采用聚類方法，假設(shè)圖像中組成我們所感興趣對象的像素具有一些相似的特征，如相同的灰度 值、相同的顏色等。分割完成后，還需要對分割出的圖像區(qū)域進(jìn)行存儲(chǔ)、識別等操作，這些都是圖像分割后的后續(xù)工作。 圖像分割步驟 圖像增強(qiáng)的目的在于 :(l)采用一系列技術(shù)改善圖像的視覺效果，提高圖像的清晰度 。(2)將圖像轉(zhuǎn)換成一種更適合于人或機(jī)器進(jìn)行分析處理的形式。它不是以圖像保真度為原則，而是通過處理設(shè)法有選擇地突函便于人或機(jī)器分析某些感興趣的信息，抑制一些無用的信息，以提高圖像的使用價(jià)值。增強(qiáng)的方法往往具有針對性，增強(qiáng)的結(jié)果只是靠人的主觀感覺加以評價(jià)。因此，圖像增強(qiáng)方法只能有選擇的使用。 圖像增強(qiáng)方法從增強(qiáng)的作用域出發(fā)，可分為空間域增強(qiáng)和頻率域增強(qiáng)兩種。空間域增強(qiáng)是直接對圖像像素灰度進(jìn)行操作 。頻率域增強(qiáng)是對圖像經(jīng)傅立葉變換后的頻譜成分進(jìn)行操作，然后經(jīng)傅立葉逆變換得所需結(jié)果。 在我們的汽車車型圖