基于bp神经网络的身份证号识别算法的实现.docxVIP

基于bp神经网络的身份证号识别算法的实现 0 神经网络识别技术在身份证识别中的应用问题 在许多日常工作和生活中，有必要输入计算机上的身份号和其他信息，例如酒店的住宿登记。通过扫描输入身份的图像信息，计算机可以自动识别身份号。这具有高效、准确的优点。因此，计算机识别身份验证号码具有很高的实用价值。一般来说,文字图像的识别过程主要由4个部分组成: (1)正确地分割出需识别的文字图像区域; (2)正确分离出需识别的单个字符; (3)正确识别单个字符。 (4)正确有序地输出单个字符。 在这4个过程中(1)、(2)主要属于文字图像分析技术领域的问题,限于篇幅本文不对这方面内容进行讨论,本文将只对(3)进行研究,提出将神经网络识别技术应用于身份证识别的算法。广义的文字识别需要解决的问题非常多,为了简化系统算法的设计,提高设计效率,本文只针对身份证号码这一特定的对象进行识别。 为了实现这个目标,我们需要选择一种训练字符识别的分类器算法,基于多层神经网络的模式识别算法允许非线性判别函数的具体形式可以通过训练样本获得,具有功能强大、算法简单的优点,神经网络有好多种,比如径向基网络、Hopefield网络、BP网络等,其中BP网络(back propagation,即反向传播算法)是一种很流行的训练多层网络的方法,这种算法基于误差的梯度下降准则,功能强大,易于理解,是多层神经网络有监督训练中最具有启发价值的算法,目前在实际应用中比较成熟,这是我们选择BP算法的主要原因。 BP算法的学习过程可以描述如下: 一是工作信号的正向传播。输入信号从输入层经过隐含层,传向输出层,在输出层输出信号,在信号传递过程中网络的权值是不变的,每一层神经元的状态只是影响下一层神经元的状态,如果输出层得到的输出与期望输出的误差比较大,则转入误差信号的反向传播。 二是误差信号的反向传播。所谓误差信号就是网络实际输出与期望输出之间的差值,误差信号从输出端反馈回输入端,网络的权值根据误差反馈进行调节,通过不断修正网络权值从而使网络的输出不断逼近期望值。 1 考虑到网络设计中的考虑因素 在进行BP网络设计中,主要需要考虑网络层数、各层中神经元结点数、初始值的选取、期望误差及训练时间这几方面因素。 1.1 采用三层bp神经网络,增加网络结构,提高灵敏度和改进后的控制变 研究已经证明三层BP网络能够逼近任何有理函数,增加层数可以降低误差,提高精度,但导致网络结构复杂化,从而增加网络权值参数的训练时间,而误差精度的控制也可以通过增加隐层中神经元数量来获得,而且这样比增加层数更容易观察和调整,因此我们决定采用三层BP神经网络。 1.2 输出层的深度约束 BP网络应用首先要用已知训练样本来训练网络,输入层的神经元结点数是扫描输入图像预处理后所输出的特征维数,在本课题中,我们根据身份证号码的特点对字符采用了16×16归一化处理,直接将每个点的像素值作为特征值,所以输入层的结点数为16×16=256。 隐含层的神经元结点数决定了BP网络识别的精确度有关,但隐含层的结点数越多训练的时间也越长,需要注意的是在实际训练中,隐含层的结点并不是与识别率成简单的正比关系,隐含层结点数过多时,反而导致识别率下降,抗噪能力下降,在实际使用中建议设置为10至30个结点。 输出层的结点数则取决于如何设定输出标准,也就是如何对目标期望输出进行编码,我们用8421码对数字0、1、2、3、4、5、6、7、8、9进行编码,对于身份证号码中出现的英文字符另行识别,与数字识别方法类似。例如,对于数字“0”,采用(0,0,0,0)作为输出向量,对于数字“1”,采用(0,0,0,1)作为输出向量,以此类推,对于数字“9”,采用(1,0,0,1)作为输出向量,这样,输出向量的维数为4,因此输出层的神经元结点数为4。 在实践中,由于S型激活函数的输出实际上不可能达到0或1,只能接近0或1,因此我们发现输出向量中分量采用0或1时,BP网络无法收敛,为此我们将输出向量编码中的0用0.1代替,1用0.9代替,最终的编码方案如下: 0的编码:(0.1,0.1,0.1,0.1) 1的编码:(0.1,0.1,0.1,0.9) 2的编码:(0.1,0.1,0.9,0.1) 3的编码:(0.1,0.1,0.9,0.9) 4的编码:(0.1,0.9,0.1,0.1) 5的编码:(0.1,0.9,0.1,0.9) 6的编码:(0.1,0.9,0.9,0.1) 7的编码:(0.1,0.9,0.9,0.9) 8的编码:(0.9,0.1,0.1,0.1) 9的编码:(0.9,0.1,0.1,0.9) 1.3 初始值随机数正时长 权值的初始值应该选择均匀分布的小数经验值,过大或过小都会影响学习速度,为了避免权值的调整同向,应该将初始值设定为随机数,导致这一缺