基于matlab的bp神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像識別-資料下載頁
2025-06-23 22:47本頁面
【正文】 Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1。 1] inputConnect: [1。 0] layerConnect: [0 0。 1 0] outputConnect: [0 1] targetConnect: [0 1] numOutputs: 1 (readonly) numTargets: 1 (readonly) numInputDelays: 0 (readonly) numLayerDelays: 0 (readonly) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output targets: {1x2 cell} containing 1 target biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptF: 39。trains39。 initF: 39。initlay39。 performF: 39。mse39。 trainF: 39。traingdx39。 parameters: adaptParam: .passes initParam: (none) performParam: (none) trainParam: .epochs, .goal, .lr, .lr_dec, .lr_inc, .max_fail, .max_perf_inc, .mc, .min_grad, .show, .time weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors other: userdata: (user stuff) 由此可見，程序可滿足期望要求。當(dāng)然，也經(jīng)常有識別錯(cuò)誤的情況發(fā)生。對于識別錯(cuò)誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖像的質(zhì)量；二是牌照字符的分割失敗導(dǎo)致的識別錯(cuò)誤；再就是部分字符的形狀相似性，比如，B 和8；A 和4 等字符識別結(jié)果可能發(fā)生混淆的情況?？傊?，盡管目前牌照字符的識別率還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識別率是完全可行的。四 總結(jié)（一）課題小結(jié) 在車輛牌照字符識別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢：一是單一的預(yù)處理和識別技術(shù)都無法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識別能力提高。在此次實(shí)驗(yàn)中，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。 根據(jù)車牌特點(diǎn)，一般采用的車牌定位算法有：；；。這里我采用的是邊緣檢測的方法實(shí)現(xiàn)定位的。字符分割的方法也有多種：1. 基于聚類分析的字符分割；2. 投影分割的方法；。最常用的是投影分割，主要是針對在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。字符識別的基本方法通常又三類：；；。此處采用的是模板匹配的方法，即是將要識別的字符與事先構(gòu)造好的模板進(jìn)行比對，根據(jù)與模板的相似度的大小來確定最終的識別結(jié)果。但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距。（二）體會(huì)本次實(shí)驗(yàn)不僅是對前面所學(xué)知識的一種檢驗(yàn)，而且也是對自己能力的一種提高。這次USRP讓我學(xué)到了很多東西，在這整個(gè)過程中我們查閱了大量的資料，涉及到方方面面的知識。同時(shí)在這期間我們遇到了很多困難，但我們知道做什么開始都不容易，只要定下心來，一步一個(gè)腳印的踏踏實(shí)實(shí)的去做，一定會(huì)成功。當(dāng)然，理論只有應(yīng)用到實(shí)際中才能學(xué)著更有意義。學(xué)習(xí)是一個(gè)長期積累的過程，在今后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己的綜合素質(zhì)。此外，我們還總結(jié)出：知識必須通過應(yīng)用才能實(shí)現(xiàn)其價(jià)值！有些東西以為學(xué)會(huì)了，但真正到用的時(shí)候才發(fā)現(xiàn)是兩回事，所以我們認(rèn)為只有到真正會(huì)用的時(shí)候才是真的學(xué)會(huì)了。在整個(gè)實(shí)驗(yàn)中我們懂得了許多東西，也培養(yǎng)了合作的能力，樹立了信心，發(fā)揚(yáng)了吃苦耐勞的精神，相信會(huì)對今后的學(xué)習(xí)工作生活有非常重要的影響。同樣此次USRP也大大提高了我們的動(dòng)手的能力，使我們充分體會(huì)到了在創(chuàng)造過程中探索的艱難和成功時(shí)的喜悅。雖然這個(gè)實(shí)驗(yàn)做的并非對車牌都合適，但是在設(shè)計(jì)過程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財(cái)富，相信定會(huì)使我受益終身。參考文獻(xiàn)[1] 夏慶觀，盛黨紅，溫秀蘭，基于MATLAB GUI的零件圖像識別2008年12月 中國制造業(yè)信息化 第37卷 第23期[2] 尹芳， 王衛(wèi)兵， 陳德運(yùn)，印刷體英文文檔識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)哈爾濱理工大學(xué)學(xué)報(bào)第13卷第6期 2008年12月[3] 汪益民，梅林，張義超，基于OCR技術(shù)的書寫文字識別系統(tǒng)設(shè)計(jì) 甘肅科技第23卷第8期2007年8月[4] 葉晨洲，廖金周，一種基于紋理的牌照圖象二值化方法，微型電腦應(yīng)用，1999(6)[5] 朱學(xué)芳等，一種自適應(yīng)細(xì)化方法，模式識別與人工智能，，1997(6)[6] 楊萬山等，基于BP 神經(jīng)網(wǎng)絡(luò)的工程圖紙圖形符號的識別，微型電腦應(yīng)用，，2000[7] 袁志偉，[J].昆明理工大學(xué)學(xué)報(bào)，2001，26(2)[8] 劉陽，[9] 許志影、2004(4)[10] 崔 江、(4)[11] 梁瑋、羅劍鋒、[D]. 2003.[12] 張 引，潘云鶴，面向車輛牌照字符識別的預(yù)處理算法，計(jì)算機(jī)應(yīng)用研究，1999(
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1