APP下载

一种基于RBF神经网络对车牌数字识别的研究

2012-10-29张小春任开春曹龙汉张兴起张迁

汽车工程学报 2012年2期

张小春,任开春,曹龙汉,张兴起,张迁

(重庆通信学院 军事电力工程系,重庆 400035)

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个具有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

式中:dj为 隐单元函数宽度。显然,dj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

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。……

登录APP查看全文