基于卷积神经网络LeNet5的货运列车车号识别研究.docVIP

基于卷积神经网络LeNet?5的货运列车车号识别研究 针对货运列车车号字符识别，提出了基于 卷积神经网络LeNet?5的改进识别方法，考虑到卷积神经网 络的层次化以及局部领域等结构特点，对网络中各层特征 的数量及大小等参数进行相应的改进，形成了适用于货运车 号识别的新网络模型。实验结果表明，该方法对车号的断裂、 污损等问题的解决有较强的鲁棒性，达到了较高的识别率， 为整个车号识别系统的精确性提供了保障。 关键词：列车车号；车号识别；卷积神经网络； LeNet?5 TN911. 73?34； TP391 A文 章编号 (2016) 13?0063?04 Abstract： For the character recognition of freight train license, the improved recognition method based on convolutional neural network LeNet?5 is proposed. Considering the structural features of the hierarchical convolutional neural network and local field, the parameters of quantity and size of each layer feature pattern in the network were improved correspondingly to form the new network model suitable for the freight train license recognition. The experimental results show that the proposed method has strong robustness to solve the license breakage and stain, and high recognition rate, which provides a guarantee for the accuracy of the entire license recognition system. Keywords： train license； license recognition； convolutional neural network； LeNet?5 0引言 目前货运列车车号识别系统［1?2］主要是基于RFID技术 实现的，但是，由于该系统的准确性依赖于列车底部安装的 RFID标签，而RFID标签容易损坏、丢失，因此，此类系统 无法保证车号识别的准确性。为此，研究者开发了基于图像 的货运列车车号识别系统，系统根据视频采集到的图像，利 用模糊集合论［1?2］、人工神经网络［3］、支持向量机［4］以 及隐马尔可夫模型［4］等技术进行车号字符的识别。但是， 由于货运列车车号存在因喷涂方式而导致的单个字符断裂， 或者列车长期的野外运行导致的车厢污损，车号字符的残缺 等现象，这使得目前的基于图像的货运列车车号识别系统的 鲁棒性与识别率还有待进一步提高。 LeNet?5［5?7］是由YannLecun等人提出的一种专门用于 二维图像识别的卷积神经网络，该网络避免了人工提取特征 依赖于主观意识的缺点，只需要将归一化大小的原始图像输 入网络，该网络就可以直接从图像中识别视觉模式。L e N e t ? 5 把特征提取和识别结合起来，通过综合评价和学习，并在不 断的反向传播过程中选择和优化这些特征，将特征提取变为 一个自学习的过程，通过这种方法找到分类性能最优的特 征。LeNet?5已经成功应用于银行对支票手写数字的识别中。 为此，本文将卷积神经网络LeNet?5应用于列车车号字 符的识别中，为了使之适用于列车车号字符的识别需求，去 除掉了 LeNet?5中的一些针对手写字符识别而特别设计的连 接方式及参数，并在此基础上，改变网络中各层特征图的数 量以形成新的网络模型。 1 LeNet?5的改进 卷积神经网络可以从很多方面着手改进。诸如多层前馈 网络，可以考虑在误差函数中增加惩罚项使得训练后得到趋 向于稀疏化的权值，或者增加一些竞争机制使得在某个特定 时刻网络中只有部分节点处在激活状态等。本文主要从卷积 神经网络的层次化以及局部邻域等结构上的特点入手，考虑 卷积神经网络中各层特征图数量及大小对网络训练过程及 识别结果的影响。 以LeNet?5结构为基础，去除掉LeNet?5中的一些针对 手写字符识别而特别设计的连接方式及参数，得到改进后的 神经网络。在此基础上，改变网络中各层特征图的数量以形 成新的网络模型。定义一