来完成对字符的识别；另外一.PDFVIP

基子粒子群神经网络的门牌识别 硕士论文 总的来说，字符的结构特征直观地反映了字符的属性，而统计特征则是充分利用 计算机对字符的某些特征进行统计。在实际应用中，常常把两种特征结合在一起使用。 虽然这种方法比较简便，对字符的旋转、缩放、变形等具有一定的适应性，但由于某 些特征在不同的环境下，不可能严格遵循特定的数学描述，故在识别过程中往往会出 现无法估计的差异;而且系统的鲁棒性随提取的特征不同而存在较大的差异。该方法 另一个缺点是对分类器的分类能力有较高的要求(即:类内各个样本的距离要尽量小， 各个类之间的距离应尽量大)。因此，实现起来有些困难，总体识别率不高。 生2.3基于神经网络的字符识别 基于神经网络的字符识别方法主要有两种:一种是把待识别字符图像直接输入到 神经网络中，如直接利用支持向量机神经网络$VM[631来完成对字符的识别;另外一 种是对待识别的字符先进行特征提取6[41，然后把提取出来的特征向量通过神经网络进 行分类，从而实现对字符的识别。 第一种方法，所产生的网络结构复杂，而且网络输入的维数高，特别是在待识别 字符图像尺度大的情况下，这无疑扩大了网络的规模。由于要进行大量的计算，网络 训练需要很长的时间，但该方法的抗干扰能力强。 第二种方法的性能很大程度上取决于特征向量的选择和所搭建的神经网络的分 类能力。如果选择的特征所包含有很多冗余信息则会增大神经网络的输入，给神经网 络的分类带来影响;如果神经网络的分类能力不强则会直接影响字符的识别率。所以， 选取合适的特征向量和搭建一个泛化性能好的神经网络能大大提高字符的识别率。 本文的字符识别算法是根据字符特征，采用神经网络进行分类来实现对字符的识 别。在本文中首先采用字符的结构特征对字符图像进行粗分类，并计算图像中的不变 矩作为特征向量，然后把该特征向量作为粒子群神经网络的输入，通过粒子群神经网 络来实现对字符进行细分类，最后通过一个最小距离分类器来实现对字符的识别。实 验结果表明，该方法能有效地应用于移动机器人对门牌的识别。 43基于粒子群神经网络的门牌识别 对门牌号码的识别，实际上就是对数字 “。”到 “9的识别。它是属于一个多类 识别问题，即需要寻找一个超平面能够正确分类这十个数据。针对粒子群神经网络具 有良好的性能，本节提出了一种有效的算法来实现对门牌号码的识别。 该算法先是利用数字 “0”到 “9”的特殊节点对十个数据进行粗分类，得到三大 类;再计算字符图像的七个不变矩作为特征向量，然后把这个特征向量作为粒子群神 经网络的输入进行细分类，最后根据最小距离判别原则完成对字符的识别。整个门牌 号码识别系统的框图如下: 40 南京理工大学硕士学位论文 基于粒子群神经网络的移动机器人门牌号码识别技术研究 待识别字符图像 计算特殊节点 粗分类 计算字符图像的不变矩石 万计算字符图像的不变矩扮 .计算字符图像的不变矩 粒子群神经网络分类器 ) C 粒子群神经网络分类器 ) 〔 较子群神经网络分类器 判别原则 识别结果 图4.3.1门牌号码识别系统 4.3.1粗分类 在这里我们首先给出类的定义:元素x,(15iSn)属于集合S,x与凡之间的 距离为q，若存在一个足够小的阀值:，使得q满足王 艺D,‘:，其中。为集合 S中元素的个数，则元素z也属于集合S。 样本具有可分性是指存在一个超平面能够正确分类样本数据;若这样的超平面不 存在，则样本为不可分。样本可分是因为它们位于特征空间中的不同区域，当这些区 域之间的距离越大，类的可分性就越大。 分类的有效性取决于分类算法和特征点在特征空间中的分布情况。既然某些对象 属于