一种基于RBF神经网络对车牌数字识别研究.docVIP

一种基于RBF神经网络对车牌数字识别研究 　　摘 要：介绍了径向基函数（RBF）神经网络（NN）的基本结构特点和动态K-均值聚类算法的原理，利用该算法生成了用于车牌数字字符识别的径向基神经网络。选取了实地拍摄的车牌图片对网络进行训练和仿真。仿真结果表明，该方法具有识别率高、易抗干扰等优点。 　　关键词：径向基函数；神经网络；车牌识别；模式识别 　　中图分类号：TP29文献标文献标志码：A文献标DOI：10.3969/j.issn.2095-1469.2012.02.010 　　The Research of Digital Character Recognition in the License Plate Based on RBFNN 　　 Zhang Xiaochun，Ren Kaichun，Cao Longhan，Zhang Xingqi，Zhang Qian 　　（Military Power Engineering Department，Chongqing Communication Institute，Chongqing 400035，China） 　　 　　Abstract：Radial basis fuction neural networks(RBFNN) and K-means clustering algorithm were introduced. A RBFNN is designed for license plate character recognition. A large amount of samples were used for system test. Simulation results show that the system has advantages of high recognition rate and strong anti-interference performance. 　　Keywords：radial basis function；neural networks；license plate recognition；pattern recognition 　　智能交通系统(Intelligent Traffic System，ITS)作为目前世界交通运输领域的前沿研究课题己经成为交通管理发展的主要方向，并已广泛应用于高速公路收费站、智能小区、电子警察等领域。ITS的核心是汽车牌照自动识别技术(License Plate Recognition，LPR)。LPR系统分为两个步骤：一是对牌照的精确定位，二是字符的识别。基于神经网络的模式识别方法是字符识别领域的一个重要研究方向。但目前大部分都是基于BP（Back Propagation）网络进行的。BP网络的主要缺点是易受干扰、难以确定隐层节点数、易陷入局部极值点。而对于径向基函数(Radial Basis Function，RBF) 神经网络，由于结构简单、径向对称、光滑性好，可以保证学习速度快，且能实现全局最优。本文通过一种动态K-均值聚类算法的RBF网络对车牌数字进行了识别，试验结果表明，网络学习速度快，正确率较高，抗干扰力较强，具有一定应用价值。 　　1 RBF网络及其算法 　　1.1 RBF网络的拓扑结构 　　RBF神经网络 [1]是一种前馈型神经网络，包含1个具??径向基函数神经元的隐层和1个具有线性神经元的输出层。RBF神经网络模型如图1所示。 　　1.2 RBF神经网络的结构特点 　　RBF神经网络是一种前馈神经网络，一般为3层结构[2]。图l所示为n-h-m结构的RBF神经网络，即网络有 n个输入，h个隐节点，m个输出。其中为网络输入矢量，为输出权矩阵， 　　为网络输出，为第j个隐节点的激活函数。可以取多种形式，最常用的是高斯函数。 　　， （1） 　　式中：为隐单元函数宽度。显然，越小，径向基函数的宽度也就越小，基函数就越具有选择性。高斯函数模型如图2所示。 　　于是，图1中的RBF神经网络的第k个输出就可以表示为 　　， （2） 　　式中：wkj表示第j个隐层神经元与第k个神经元的连接权值，输入层与隐层之间的所有权值固定为1。图1中输出层节点中的Σ表示输出层神经元采用线性激活函数。 　　1.3 动态K-均值聚类算法选取RBF神经网络隐函数中心 　　K-均值聚类算法是一种自组织学习选取径向基函数中心的方法，径向基函数的中心值可以移动，并通过自组织学习确定其位置，从而使径向基函数的中心位于输入空间重要的区域。然而K-均值聚类算法的性能受到许多因素的影响，需要大量试验来确定K值的选择及初始化参数的选择，因而本文选取了另外一种动态K-均值算法。其算法实现