基于神經網絡技術的模式識別與應用研究.pdf

1、在現在的信息技術時代，自動控制和智能系統(tǒng)的應用越來越普遍。人們用傳感器來計算車輛數目，例如進入停車場的汽車，這需要傳感器能夠檢測車輛并將其歸為相應的目標類，通常用照相機識別進入停車場的汽車來實現。目前，智能交通系統(tǒng)(Intelligent Transport System,ITS)受到普遍關注。在交通監(jiān)控系統(tǒng)中，車輛識別(Vehicle recognition,VR)具有廣泛的應用前景，包括消費行為、車輛跟蹤、警務、治安等。
　　

2、在過去的十年中，神經網絡被應用于信號處理的諸多方面，如濾波、參數估計、信號檢測、系統(tǒng)辨識、模式識別、信號重建、時間序列分析、信號壓縮和信號傳輸，處理的信號包括音頻、視頻、語音、圖像、通信、地球物理、聲波、雷達、醫(yī)學、音樂等。在信號處理中神經網絡的主要特點是異步并行和分布式處理，非線性動力學，網絡單元的全局互聯，自組織，以及較高的計算速度，因此，神經網絡能夠有效解決信號處理領域的許多問題，尤其是非線性信號處理和盲信號處理。
　　模式

3、識別是一門用于分類的科學，可以用來處理圖像、信號波形或任何類型的測量信號。隨著社會發(fā)展，信息處理和信息檢索越來越重要，從而使模式識別成為工程應用、研究與發(fā)展中的先進技術。模式識別任務能夠實現半自動或全自動監(jiān)督，這與神經網絡學習相關聯，因此，模式識別和神經網絡緊密聯系到了一起。
　　車輛識別在交通監(jiān)控系統(tǒng)中應用廣泛，車輛可以通過牌照、標志、后視鏡、車頭燈、擋風玻璃、車頂等特征識別出來，此外，車輛聲音，即發(fā)動機噪聲也可用來識別某種特定

4、類型的車。美國聯邦公路局(FHWA)根據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和提取，因為標志和車牌號可以是文字、數字、圖示或不同形式的組合，這直接影響整個系統(tǒng)的準確性，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困難。
　　形態(tài)學一般指生物學中研究動植物形態(tài)和結構的一個分支，這里我們用數學形態(tài)學來提取圖像中描述區(qū)域形狀的有用目標，如邊界、骨架和凸包。此外，我們也對用

5、形態(tài)學進行的預處理和后處理技術感興趣，如形態(tài)學濾波、細化和修剪。數學形態(tài)學采用的語言是集合論，它為許多IP問題提供了一個統(tǒng)一有效的方法，如指紋識別等。
　　車牌識別（NumberPlateRecognition,NPR）問題的研究已經較成熟，在一些商業(yè)運作系統(tǒng)中也有應用，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)域以及實現（人為的）高分辨率。本論文的目的之一是開發(fā)

6、一種NPR系統(tǒng)，不需要用昂貴的硬件系統(tǒng)獲得高質量的視頻信號，就可以實現較高的識別率。為了在視頻監(jiān)控中搜索部分車牌號并與車輛的視覺描述相結合，我們研究了車輛制造和模式識別問題。本文提出的方法將為各級交通規(guī)則執(zhí)行單位提供有價值的信息。
　　本文提出了一種用數學形態(tài)學從車輛圖像中識別標志的方法，主要利用了不同的形態(tài)學運算，在標志的提取過程中不依賴標志的顏色、大小和位置。方法的實現可分為以下幾步，即圖像增強、變換、濾波、標志提取。該方法能

7、夠從車輛圖像中快速準確的檢測出標志區(qū)域。
　　這一過程中，標志和車牌號以外的特征也被識別出來，這是由仿真過程中一些較小的變化造成的。用相似方法可以識別車輛的不同特征，為了處理那些尚未注冊，還沒有車牌號的車，這里將三個不同的特征集合相結合，進行車輛識別，即使缺失其中一個特征，也可以用其他特征得到較準確的結果。通過增強該系統(tǒng)，可以識別FHWA或其他機構定義的其他種類車輛。在該方法中，數學形態(tài)學被用來提取不同特征，而分割標志、車牌、前燈

8、之后的進一步工作是用過Hopfield神經網絡來實現的。將不同特征與現成的模版相比較，就可以識別出字符、字母、數字、圖像或者車輛形狀。
　　論文中研究了Hopfield神經網絡（HNN），該方法重新引起了人們對神經網絡的興趣。Hopfield網絡有很多重要的特性和應用，分為數字和模擬兩類。文中概要敘述了該模型在模式識別中的應用，以及一些能夠產生較好效果或能夠克服網絡局限等問題的網絡或神經元模型的變種。文中討論了Hopfield神經

9、網絡，該方法的有效性使人們對Amari和Hopfield等人的工作重新產生了興趣。Hopfield網絡模型可以是與節(jié)點的活性相關的數字值，模擬值，或模糊值，網絡建立過程中需要考慮很多因素，包括模式識別問題，網絡和/或神經模型中的一些重要變量能夠產生較好的效果，或者能夠克服網絡局限性等問題。此外，文中討論了該模型的穩(wěn)定性和算法性能。在對模式識別中HNN的研究過程中，我們查閱了許多關于神經網絡應用的文獻。HNN可以用FPGA實現，論文中也對