基于BP神经网络的交通标志识别.docVIP

基于BP神经网络的交通标志识别 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：基于BP神经网络的交通标志识别 2 0 引 言 2 1 交通标志识别系统结构分析 2 2 提取交通标志特征矩 2 3 基于BP神经网络的交通标志识别系统的设计 4 10 969 100% % 6 20 113 100% % 6 30 140 100% % 6 40 74 100% % 6 50 60 100% % 6 60 69 100% % 6 90 45 100% % 6 4 结 语 7 文2：基于BP神经网络的结构损伤诊断 7 1结构损伤诊断的特征参数 7 2研究状况与展望 9 参考文摘引言： 10 原创性声明（模板） 11 文章致谢（模板） 11 正文 基于BP神经网络的交通标志识别 文1：基于BP神经网络的交通标志识别 0 引 言 近年来，交通标志识别在车辆视觉导航系统中是一个热门研究课题。由于交通标志识别需要处理的信息量大，而且存在大量干扰因素，待识别的图像往往存在干扰，因而要求交通标志识别方法要有足够的快速性、稳定性。神经网络具有强大的学习分类以及大规模并行计算能力，被广泛地应用于图像处理、模式识别等。本文以典型的指示标志为对象，提出了一种应用神经网络识别交通标志的方法[1] 1 交通标志识别系统结构分析 由于本文主要研究蓝色指示交通标志的识别，所以重点采集这一系列交通标志。其交通标志分割流程图如图1所示。 2 提取交通标志特征矩 不变矩的提取流程 交通标志不变矩特征提取流程图如图2所示。 交通标志特征提取实验和结果分析 本文对环岛行驶、非机动车摩托车行驶和靠右侧道路行驶三个交通标志进行分割后，分别对它们进行旋转、缩小和放大，并对这些图像进行了不变矩提取，其特征数据如表1、表2和表3所列。 图1 交通标志分割流程图 图2 交通标志不变矩特征提取流程图 表1 环岛行驶标志正常和旋转、缩放情况下不变矩值 不变距 情况 β1 β2 β3 β4 β5 β6 正常 0 8 0 0 9 2 旋转90° 0 8 0 0 9 5 缩小为1/2 4 2 7 5 9 6 放大倍 8 2 0 9 7 7 表2 非机动车摩托车行驶标志正常和 旋转、缩放情况下不变矩值 [ 不变距 情况 β1 β2 β3 β4 β5 β6 正常 7 8 6 1 7 0 旋转90° 7 8 6 7 7 1 缩小为1/2 1 5 2 1 1 1 放大倍 5 1 6 1 7 1 表3 靠右侧道路行驶标志正常和旋转、缩放情况下不变矩值 不变距 情况 β1 β2 β3 β4 β5 β6 正常 3 3 8 5 7 9 旋转90° 3 3 8 7 7 6 缩小为1/2 9 8 6 6 0 3 放大倍 7 3 3 1 9 2 由上表可知：在这些提取的特征中，不同类型的交通标志矩值之间有明显的区别。比如表1中的β3与表2和表3有明显的不同；表3中的β6与另外两个表也有明显的不同。将这些特征值输入到神经网络中，然后经过训练，它们之间的差异即可以成为识别不同交通标志的依据[3，4]。另外，从表中数据也可以看出，同一类交通标志在做旋转、平移和尺度变换后各个相对应的的同一类矩的值并不是一样的，但是这并不能与不变矩理论相驳斥，数据之间的差异在试验中还是存在的，如果以概率统计观点看，从所有提取的特征来看，这些矩是基本不变的。 3 基于BP神经网络的交通标志识别系统的设计 特征数据库的构建 由于实际中使用的蓝色指示标志与标准图有较大的差别，所以在实验中所使用的交通标志都是由数码相机采集的实景图像。 实验中选取了8种类型的交通标志作为本文前期研究和仿真的对象。我们对每幅图像再做不同角度旋转和不同比例因子的缩放变换（分别缩放为原图的、、、、、，旋转度数分别为5°、8°、10°、-5°、-8°、-10°），总共得到43×13=559幅图像，然后对图像进行分割和特征提取，最终得到559个特征数据。实验时将这些数据分为两部分：一部分有325个数据，用来对神经网络进行训练；另一部分有234个数据，作为测试样本，用来进行分类识别。 对于训练策略，本文采用完全训练方法。选择的交通标志图像库共有8种标志，样本类别数为8，因此输出层的节点数设为8。隐藏层节点对网络的复杂度和识别率的高低有重要作用，本设计采用试探法，图3所示是BP网络训练的误差曲线，图4所示是环岛标志的仿真图片。事实上，采用不同的隐藏层节点数目，神经网络具有不同的识别效果[5，