车牌字符图像的知识获取与识别方法的研究.pdfVIP

人工神经网络与自然计算研究进展 车牌字符图像的知识获取和识别方法的研究+ 方敏赵晓霞孙虹 合肥工业大学电气与自动化工程学院230009 xiaoxiazhao@163．COrn 摘要 在模式识别中，知识获取是关键．本文针对汽车车牌字符识别问题．给出了基于粗糙集理论 的知识获取方法．提出了三种实用的决蒙表属性约简算法用于决篆表约筒，根据约简后的决策表获取的 决策规则，构造模糊神经网络识别器．文中通过600个车牌字符样本获取知识构造识别器，利用另外200 个样本进行了识别实验，并给出了识别结果分析． 关键词粗糙集，属性约简．模糊神经网络，字符识别 1．引言 车牌字符图像识别属于模式识别的一个应用领域。在模式识别中，知识获取是关键。粗糙集(Rough Set)理论建立在分类机制的基础上，将知识理解为对数据的划分，可以方便地描绘知识表示中不同属性 的重要性，减少知识表示空间的维数，近年来已被广泛应用到人工智能，模式识别和数据挖掘等方面。 本文给出了基于粗糙集理论的知识获取方法，包括建立决策表、属性离散、属性约简和规则获取。基于 粗糙集的知识获取方法中，属性约简是一个重要的步骤，因此本文着重研究了属性约简算法。 利用粗糙集获取的规则可以直接进行匹配识别，但该方法对噪声敏感，泛化能力不强，而车牌字符自 动识别对准确性和实时性要求较高．因此。将租糙集获取的规则转化为模糊规则，采用模糊神经网络识 别方法。别既能简化识别方法的复杂性，又能提高识别的精度。 本文针对车牌字符图像，应用粗糙集理论进行知识获取，提取训练样本的特征向量建立决策表，利 用自组织特征映射网(SOFM)的聚类特性离散化决策表，提出三种约简算法用于决策表约简，从约筒后 的决策表中获取决策规则，构造模糊神经网络识别器。最后进行识别实验及结果分析。 2．Rough集理论基础【l】【2】【3】 V=U 定义1一个信息系统可以表示为：s=缈，丑，矿，，)。其中￡，为论域，最是属性集会， 0是属 ，e点 性值的集合，咋为属性r的值域，，：u×R_+V是一个信息函数。指定(，中各对象的属性唯一值。 R=cUD，子集C和D分别称为条件属性集和决策属性集，若D≠g．则该信息系统称为一个决策表。 定义2在信息系统S中，RCc，若根据R形成的相对于D的分类和根据c形成的相对于D的分类 一致，则称R是c的一个相对约简． 定义3在信息系统s中，设尸和Q为定义在U上的两个等价关系簇。则9的P正域定义为 XeUI口 重要性定义为SGF(Ⅱ，』，D)=H(DJ一)一n(oI一Uk))。 意属性口Ec、爿的重要度定义为SGF(a。一，D)=，0U{口kD)一r(a，D)． ’安徽省自然科学基金瓷助项目(项目编-g- 第t4届中圈神经两络学术会议论文集 3．车牌字符图像的知识获取 基于粗糙集理论的知识获取过程包括建立决策表、离散决策表、约简决策表、获取决策规则． 3．1建立决策表和离散决策表 针对车牌字符特点，本文选择粗网格特征[41为条件属性、字符类别为决策属性建立决策表。所给定的样本 字符均为经过位置和大小归一化处理的二值化图像。把字符图像分成8x8个网格，统计每个网格中的目标像素 的个数作为该网格特征值．组合在一起形成一个8x8维的特征向量。构成的决策表有64个条件属性和1个决 运用粗糙集理论处理决策表时．要求表中的属性值用离散数据表达．通过离散化方法减少属性值的个数． 可减小问题的复杂性，提高知识的适应度。本文应用SOFM良好的聚类特性依次对各个条件属性的样本属性值 进行聚类从而实现离散化嘲。SOFM是由两层节点组成的前向网络，输入节点数n为1．输出节点数m为属性 离散区间数，可以事先规定或在训练中获得。本文考虑了数据空间分布的特点，通过对训练样本64个条件属 性做出的直方图分析发现，离散区间数为2或3较为合理。训练后的网络权值代表备离散区间的聚类中心。 3