基于卷積神經(jīng)網(wǎng)絡(luò)LeNet_5的車牌字符識(shí)別研究_趙志宏――2010

1、第22卷第3期系統(tǒng)仿真學(xué)報(bào)V ol. 22 No. 3 2010年3月Journal of System Simulation Mar., 2010 基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究趙志宏1,2, 楊紹普2, 馬增強(qiáng)1,2(1.北京交通大學(xué)機(jī)械與電子控制工程學(xué)院, 北京 100044; 2.石家莊鐵道學(xué)院, 河北 050043摘要:將卷積神經(jīng)網(wǎng)絡(luò)LeNet-5引入到車牌字符識(shí)別中。為了適應(yīng)目前中國(guó)車牌字符識(shí)別的需要,對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的結(jié)構(gòu)進(jìn)行了改進(jìn),主要是改變輸出單元的個(gè)數(shù)與增加卷積層C5特征圖的個(gè)數(shù)。研究結(jié)果表明,改進(jìn)后的LeNet-5比傳統(tǒng)的LeNet-5

2、的識(shí)別率有所提高,識(shí)別率達(dá)到98.68%。另外,與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較研究,從實(shí)驗(yàn)中可以看出在字符識(shí)別的正確率和識(shí)別速度上都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)在車牌識(shí)別中具有很好地應(yīng)用前景。關(guān)鍵詞:字符識(shí)別; 車牌識(shí)別; 卷積神經(jīng)網(wǎng)絡(luò); LeNet-5中圖分類號(hào):TP391.4 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1004-731X (2010 03-0638-04License Plate Character RecognitionBased on Convolutional Neural Network LeNet-5ZHAO Zhi-hong1,2, YANG Shao-pu2, MA Zeng-q

3、iang1,2(1. School of Mechanical, Electronic and Control Engineering, Beijing Jiaotong University, Beijing 100044, China;2. Shijiazhuang Railway Institute, Shijiazhuang 050043, ChinaAbstract: The application of convolutional neural network LeNet-5 was proposed in license plate character recognition.

4、To fit with the Chinese license plate character recognition problem, the traditional LeNet-5 was modified. The unit number of output layer was changed and the feature map number of C5 layer was added. Experimental results show that the recognition rate of modified LeNet-5 reaches 98.68% and is bette

5、r than that of LeNet-5. The results are also compared with the BP neural network, which indicates that the modified LeNet-5 is superior in both recognition rate and speed. This method has a great potential for license plate recognition.Key words: character recognition; license plate recognition; con

6、volutional neural network; LeNet-5引言車牌識(shí)別在交通信息控制與智能交通中發(fā)揮著重要作用,如:高速公路收費(fèi)管理、超速違章處罰、停車場(chǎng)管理、交通數(shù)據(jù)采集等。通常,車牌識(shí)別系統(tǒng)主要包括三個(gè)部分:車牌定位、字符分割與字符識(shí)別。本篇論文主要研究字符識(shí)別。已經(jīng)提出很多種字符識(shí)別方法1-4。字符識(shí)別方法大致可以分為兩類:基于結(jié)構(gòu)的方法1,2和基于統(tǒng)計(jì)的方法3,4。基于結(jié)構(gòu)的方法的優(yōu)點(diǎn)是符合人的直覺(jué),可以容易地處理局部變換,其主要缺點(diǎn)是抗噪聲能力差?；诮y(tǒng)計(jì)的方法比較成熟,具有抗干擾、噪聲的能力,識(shí)別性能好,識(shí)別速度快的優(yōu)點(diǎn),它的難點(diǎn)是特征提取,因此,在統(tǒng)計(jì)字符識(shí)別中,特征提

7、取的質(zhì)量是影響系統(tǒng)性能的關(guān)鍵因素。卷積神經(jīng)網(wǎng)絡(luò)可以直接從原始圖像中識(shí)別視覺(jué)模式,它需要的預(yù)處理工作非常少。卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于手寫(xiě)字符識(shí)別5,7, 人臉識(shí)別6, 人眼檢測(cè)8, 行人檢測(cè)9,機(jī)器人導(dǎo)航10中。卷積神經(jīng)網(wǎng)絡(luò)可以識(shí)別有變化的模式,具有對(duì)簡(jiǎn)單幾何變形的魯棒性。卷積神經(jīng)網(wǎng)絡(luò)較一般神經(jīng)網(wǎng)絡(luò)在圖像收稿日期:2008-05-28修回日期:2008-06-23基金項(xiàng)目:國(guó)家杰出青年科學(xué)基金 (50625518;教育部科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目 (205019。作者簡(jiǎn)介:趙志宏(1972-, 男, 河北人, 博士生, 講師, 研究方向?yàn)橹悄芙煌?神經(jīng)網(wǎng)絡(luò);楊紹普(1962-, 男, 河北人, 博導(dǎo),

8、 教授, 研究方向?yàn)檐囕v工程; 馬增強(qiáng)(1975-, 男, 河北人, 博士生, 講師, 研究方向?yàn)橹悄芙煌?。處理方面具有如下?yōu)點(diǎn):(1輸入圖像和網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)能很好的吻合;(2特征提取和模式分類同時(shí)進(jìn)行;(3權(quán)值共享可以減少網(wǎng)絡(luò)的訓(xùn)練參數(shù),使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)變得更簡(jiǎn)單,適應(yīng)性更強(qiáng)。卷積神經(jīng)網(wǎng)絡(luò)在國(guó)外的研究較多,但目前在國(guó)內(nèi)的研究與應(yīng)用還剛剛起步。LeNet-55是一種卷積神經(jīng)網(wǎng)絡(luò),最初用于手寫(xiě)數(shù)字識(shí)別中,本文將卷積神經(jīng)網(wǎng)絡(luò)LeNet-5用于中國(guó) 車牌字符識(shí)別中。由于車牌字符識(shí)別的類別比手寫(xiě)數(shù)字識(shí)別的類別數(shù)目多,不能直接應(yīng)用傳統(tǒng)的LeNet-5進(jìn)行車牌字符識(shí)別。因此,對(duì)傳統(tǒng)的LeNet-5的結(jié)構(gòu)進(jìn)行

9、了改進(jìn)。本文首先簡(jiǎn)單介紹卷積神經(jīng)網(wǎng)絡(luò)和LeNet-5的結(jié)構(gòu),進(jìn)而對(duì)LeNet-5的結(jié)構(gòu)進(jìn)行了改進(jìn),較好地解決了車牌字符識(shí)別類別比手寫(xiě)數(shù)字識(shí)別的類別多的難題。設(shè)計(jì)了實(shí)驗(yàn)方案,實(shí)驗(yàn)對(duì)比了改進(jìn)后的LeNet-5與BP神經(jīng)網(wǎng)絡(luò)性能,得出了一些有益的結(jié)論,并對(duì)進(jìn)一步的研究工作進(jìn)行了展望。1 卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái),并引起廣泛重視的一種高效識(shí)別方法。現(xiàn)在,卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成為眾多科學(xué)領(lǐng)域的研究熱點(diǎn)之一,特別是在模式分類領(lǐng)域,由于該網(wǎng)絡(luò)避免了對(duì)圖像的復(fù)雜前期預(yù)處理,可以直接輸入原始圖像,因而得到了廣泛的應(yīng)用5-9。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)結(jié)合三個(gè)方法來(lái)實(shí)現(xiàn)識(shí)別位移、縮放DOI:10.16182/ki

10、.joss.2010.03.0402010年3月 趙志宏,等:基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究 Mar., 2010 和扭曲不變性5:局域感受野、權(quán)值共享和次抽樣。局域感受野指的是每一網(wǎng)絡(luò)層的神經(jīng)元只與上一層的一個(gè)小鄰域內(nèi)的神經(jīng)單元連接,通過(guò)局域感受野,每個(gè)神經(jīng)元可以提取初級(jí)的視覺(jué)特征,如方向線段,端點(diǎn),角點(diǎn)等。權(quán)值共享使得卷積神經(jīng)網(wǎng)絡(luò)具有更少的參數(shù),需要相對(duì)少的訓(xùn)練數(shù)據(jù)。次抽樣可以減小特征的分辨率,實(shí)現(xiàn)對(duì)位移、縮放和其它形式扭曲的不變性。 一般地,卷積層后有一個(gè)次抽樣層來(lái)減少計(jì)算時(shí)間和建立空間和結(jié)構(gòu)上的不變性。通常采用小的次抽樣因子,這個(gè)方法非常簡(jiǎn)單和有效。1.1 卷積層在卷

11、積層,前一層的特征圖與一個(gè)可學(xué)習(xí)的核進(jìn)行卷積,卷積的結(jié)果經(jīng)過(guò)激活函數(shù)后的輸出形成這一層的特征圖。每一個(gè)輸出的特征圖可能與前一層的幾個(gè)特征圖的卷積建立關(guān)系。一般地,卷積層的形式如式(1所示:1(jll ll jiijji M x f xk b =+ (1 其中,l 代表層數(shù),k 是卷積核,M j 代表輸入特征圖的一個(gè)選擇。每個(gè)輸出圖有一個(gè)偏置b 。1.2 次抽樣層一個(gè)次抽樣層對(duì)輸入進(jìn)行抽樣操作。如果輸入的特征圖為n 個(gè),則經(jīng)過(guò)次抽樣層后特征圖的個(gè)數(shù)仍然為n ,但是輸出的特征圖要變小(例如,變?yōu)樵瓉?lái)的一半。次抽樣層的一般形式如式(2所示:1(ll l l jjjjx f down x b =+ (

12、2其中,down ( 表示次抽樣函數(shù)。次抽樣函數(shù)一般是對(duì)該層輸入圖像的一個(gè)nn 大小的區(qū)域求和,因此,輸出圖像的大小是輸入圖像大小的1/n 。每一個(gè)輸出的特征圖有自己的和b 。2 LeNet-5及其改進(jìn)2.1 LeNet-5的結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的結(jié)構(gòu)如圖1所示。輸入圖像要經(jīng)過(guò)大小歸一化,每一個(gè)神經(jīng)元的輸入來(lái)自于前一層的一個(gè)局部鄰域,并被加上由一組權(quán)值決定的權(quán)重。提取的這些特征在下一層結(jié)合形成更高一級(jí)的特征。同一特征圖的神經(jīng)元共享相同的一組權(quán)值,次抽樣層對(duì)上一層進(jìn)行平均。卷積神經(jīng)網(wǎng)絡(luò)LeNet-5不包括輸入,由7層組成,每一層都包括可訓(xùn)練的參數(shù)(權(quán)值。該網(wǎng)絡(luò)的輸入是3232的圖像,其

13、中C 層是由卷積層神經(jīng)元組成的網(wǎng)絡(luò)層,S 層是由次抽樣層神經(jīng)元組成的網(wǎng)絡(luò)層。網(wǎng)絡(luò)層C1是由6個(gè)特征圖組成的卷積層。每個(gè)神經(jīng)元與輸入圖像的一個(gè)55的鄰域相連接,因此每個(gè)特征圖的大小是2828。網(wǎng)絡(luò)層S2是由6個(gè)大小為1414的特征圖組成的次抽圖1 LeNet-5神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),每個(gè)面是一個(gè)特征圖樣層,它是由C1層抽樣得到。特征圖的每個(gè)神經(jīng)元與C1層的一個(gè)大小為22的鄰域連接。網(wǎng)絡(luò)層C3是由16個(gè)大小為1010的特征圖組成的卷積層。特征圖的每個(gè)神經(jīng)元與S2網(wǎng)絡(luò)層的若干個(gè)特征圖的55的鄰域連接。表1顯示了S2層的特征圖如何結(jié)合形成C3的每個(gè)特征圖,其中的每一列表示S2層的哪些特征圖結(jié)合形成C3的一個(gè)

14、特征圖,例如,從第一列可知,S2層的第0個(gè),第1個(gè),第2個(gè)特征圖結(jié)合得到C3的第0個(gè)特征圖。表1 S2層特征圖與C3層特征圖的連接方法01234567 8 9 10 11 121314150X XX X X X X X XX 1X X XX X X X X X X 2XXX X X X X XX X 3XXXXXXXXX X 4X X X X X X X XXX 5XXXX X X X XX X網(wǎng)絡(luò)層S4是由16個(gè)大小為55的特征圖組成的次抽樣層。特征圖的每個(gè)神經(jīng)元與C3層的一個(gè)22大小的鄰域相連接。網(wǎng)絡(luò)層C5是由120個(gè)特征圖組成的卷積層。每個(gè)神經(jīng)元與S4網(wǎng)絡(luò)層的所有特征圖的55大小的鄰域相

15、連接。網(wǎng)絡(luò)層F6,包括84個(gè)神經(jīng)元,與網(wǎng)絡(luò)層C5進(jìn)行全連接。 最后,輸出層有10個(gè)神經(jīng)元,是由徑向基函數(shù)單元(RBF組成,輸出層的每個(gè)神經(jīng)元對(duì)應(yīng)一個(gè)字符類別。RBF 單元的輸出y i 的計(jì)算方法如式(3所示:2(i j ij jy x w = (32.2 LeNet-5的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)LeNet-5最初是用于手寫(xiě)數(shù)字識(shí)別中,輸出的類別數(shù)目為10,中國(guó)的車牌識(shí)別與手寫(xiě)數(shù)字識(shí)別相比,需分類的類別數(shù)目要多很多。除了10個(gè)阿拉伯?dāng)?shù)字外,還有25個(gè)英文字母(不包括字母I,全國(guó)各省市、自治區(qū)的簡(jiǎn)稱31個(gè),還有其它一些字符。針對(duì)中國(guó)車牌字符識(shí)別與手寫(xiě)數(shù)字識(shí)別的不同,對(duì)傳統(tǒng)C1層S2層C3層 1010 S4

16、層55C5層 120 F6層84輸出102010年3月 系 統(tǒng) 仿真 學(xué) 報(bào) Mar., 2010的LeNet-5進(jìn)行了改進(jìn)。主要有以下兩點(diǎn):(1將傳統(tǒng)的LeNet-5的輸出層由10個(gè)神經(jīng)元改為76個(gè)神經(jīng)元。收集到的車牌字符數(shù)據(jù)庫(kù)有76類車牌字符,因此,將輸出神經(jīng)元的個(gè)數(shù)改為76。(2增加傳統(tǒng)的LeNet-5網(wǎng)絡(luò)層C5層的特征圖的數(shù)目,將C5層特征圖的數(shù)目由120個(gè)增加到360個(gè)。由于車牌字符識(shí)別分類的類別數(shù)目增多,因此,考慮增加C5層特征圖的個(gè)數(shù),以增加整個(gè)網(wǎng)絡(luò)的識(shí)別性能。3 實(shí)驗(yàn)研究為了驗(yàn)證改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的性能,收集了大量真實(shí)車牌數(shù)據(jù),并建立了訓(xùn)練與測(cè)試用的數(shù)據(jù)集。車牌圖

17、像經(jīng)過(guò)定位,字符分割后,存入車牌字符數(shù)據(jù)庫(kù),沒(méi)有對(duì)車牌圖像進(jìn)行去噪處理。為了應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)LeNet-5,所有的車牌字符都?xì)w一化為3232大小。圖2顯示了輸入字符圖像在卷積神經(jīng)網(wǎng)絡(luò)LeNet-5前面幾層的處理結(jié)果,最左邊是輸入圖像,從左到右依次是輸入層,C1層,S1層,C2層,S2層。C1層的輸出代表相應(yīng)地6個(gè)特征圖。從圖2中可以看出,神經(jīng)網(wǎng)絡(luò)LeNet-5可以很好地提取字符的特征。 圖2 神經(jīng)網(wǎng)絡(luò)LeNet-5的輸入圖像及中間層神經(jīng)元輸出的例子。3.1 實(shí)驗(yàn)數(shù)據(jù)本文實(shí)驗(yàn)所用的車牌圖像均由數(shù)碼相機(jī)在實(shí)際環(huán)境中獲取的分辨率為640480的真實(shí)車牌圖像,收集到實(shí)際車牌圖像數(shù)據(jù)共650個(gè),利用其中

18、的字符分別建立訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集,訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集之間沒(méi)有重疊。圖3是實(shí)驗(yàn)中用到的一些車牌數(shù)據(jù)。 圖3 實(shí)驗(yàn)中用到的一些車牌數(shù)據(jù)3.2 訓(xùn)練次數(shù)與識(shí)別率的關(guān)系表2顯示了當(dāng)C5網(wǎng)絡(luò)層特征圖的個(gè)數(shù)為240時(shí)訓(xùn)練次數(shù)與識(shí)別率的關(guān)系,從表中可以看到,隨著訓(xùn)練次數(shù)的增加,訓(xùn)練樣本與測(cè)試樣本的正確率都隨著增加。并且當(dāng)訓(xùn)練樣本集的正確率達(dá)到100%后,繼續(xù)訓(xùn)練,測(cè)試樣本集的正確率仍然得到提高,基本不出現(xiàn)過(guò)訓(xùn)練的情況。這體現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)良好的性能。表2 訓(xùn)練次數(shù)與識(shí)別率的關(guān)系訓(xùn)練次數(shù)400500600700 800 900 10001100訓(xùn)練樣本集92.9398.6299.83100 100 1

19、00 100100測(cè)試樣本集89.6596.3097.4998.02 98.15 98.46 98.5998.593.3 C5層改變對(duì)性能的影響下面是改變C5層特征圖的個(gè)數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)性能的影響。3.3.1 對(duì)識(shí)別率的影響C5層特征圖的個(gè)數(shù)與LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別率的關(guān)系如表3所示。表3 C5層特征圖個(gè)數(shù)與識(shí)別率的關(guān)系C5層特征圖數(shù)目60 120 240 360 480 測(cè)試樣本識(shí)別率97.84 98.43 98.59 98.68 98.68從表3中可以看到,C5層特征圖個(gè)數(shù)對(duì)車牌字符識(shí)別率有直接影響,隨著C5層特征圖個(gè)數(shù)的增加,車牌字符的識(shí)別率也有所提高。這說(shuō)明,在類別數(shù)增加的情

20、況下,增加C5層特征圖的個(gè)數(shù),可以提高LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的分類能力。但當(dāng)提高到一定程度后,再增加C5層特征圖的數(shù)目,識(shí)別率將不再提高。 3.3.2 對(duì)識(shí)別速度的影響網(wǎng)絡(luò)層C5層特征圖數(shù)目的改變對(duì)LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的速度也有影響。不同C5層特征圖個(gè)數(shù)的識(shí)別速度如表4所示。從表4中可以看到,隨著C5層特征圖個(gè)數(shù)的增加,車牌字符識(shí)別的速度將變慢。這是由于增加C5層特征圖的數(shù)目后,提高了LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度,因此,識(shí)別速度有所降低。這說(shuō)明,可以通過(guò)降低網(wǎng)絡(luò)層C5層的特征圖的個(gè)數(shù),來(lái)提高字符識(shí)別的速度。因此,在某些要求實(shí)時(shí)性高的應(yīng)用場(chǎng)合,可以適當(dāng)降低C5網(wǎng)絡(luò)層特征圖的個(gè)數(shù)

21、。表4 不同C5層特征圖數(shù)目的識(shí)別速度(單位:秒C5層特征圖數(shù)目60 120 240 360 480識(shí)別100個(gè)字符的時(shí)間0.2410.274 0.299 0.3360.379從上面的實(shí)驗(yàn)可知,改進(jìn)后的LeNet-5在識(shí)別率方面優(yōu)于傳統(tǒng)的LeNet-5,但識(shí)別速度有所降低。3.4 與BP 神經(jīng)網(wǎng)絡(luò)的比較為了測(cè)試改進(jìn)后卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的性能,與常用輸入C1層S1層C2層S2層2010年3月趙志宏,等:基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究Mar., 2010的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較。BP神經(jīng)網(wǎng)絡(luò)隱含層取450個(gè)節(jié)點(diǎn),學(xué)習(xí)率采用0.01,實(shí)驗(yàn)結(jié)果的比較如表5所示。從表5中可

22、以看到,改進(jìn)后的LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別率比BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率高大約5%。表5 LeNet-5與BP網(wǎng)絡(luò)識(shí)別性能的比較網(wǎng)絡(luò)類型 LeNet-5 BP神經(jīng)網(wǎng)絡(luò)識(shí)別正確率 98.68% 93.37%另外,BP神經(jīng)網(wǎng)絡(luò)識(shí)別100個(gè)字符的時(shí)間為0.785秒,改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的識(shí)別速度也優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。3.5 錯(cuò)誤數(shù)據(jù)分析識(shí)別錯(cuò)誤的38個(gè)車牌字符如圖4所示。識(shí)別錯(cuò)誤的38個(gè)車牌字符或者是由于預(yù)處理效果不好(字符分割的效果不理想,或者是由于噪聲的影響(在字符的關(guān)鍵地方有很強(qiáng)的噪聲,還有部分是由于傾斜的影響(傾斜角度很大。識(shí)別錯(cuò)誤的字符,可以通過(guò)有效的預(yù)處理過(guò)程來(lái)進(jìn)一步減少。另

23、外,可以通過(guò)擴(kuò)大訓(xùn)練字符集來(lái)進(jìn)一步提高車牌字符識(shí)別的正確率。 圖4 38個(gè)識(shí)別錯(cuò)誤的車牌字符模式4 結(jié)論本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)LeNet-5用于車牌字符識(shí)別進(jìn)行了各種研究。為了適應(yīng)中國(guó)車牌字符識(shí)別的需要,對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的結(jié)構(gòu)進(jìn)行了改進(jìn)。研究結(jié)果表明,改進(jìn)后的LeNet-5比傳統(tǒng)的LeNet-5識(shí)別率有所提高,對(duì)收集到的車牌字符樣本識(shí)別的正確率達(dá)到98.68%。并且從實(shí)驗(yàn)中得到LeNet-5的分類性能與卷積層C5層特征圖的數(shù)目有關(guān)。另外,通過(guò)與三層BP神經(jīng)網(wǎng)絡(luò)的對(duì)比,可以看到改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5無(wú)論在字符識(shí)別的正確率還是識(shí)別速度上都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。進(jìn)一步研究工作地

24、展望:(1 試驗(yàn)不同的卷積神經(jīng)網(wǎng)絡(luò)。除了LeNet-5之外,試驗(yàn)是否存在更好的適應(yīng)車牌字符識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。(2 設(shè)計(jì)和實(shí)現(xiàn)基于視頻的車牌識(shí)別系統(tǒng)。實(shí)驗(yàn)用卷積神經(jīng)網(wǎng)絡(luò)建立一個(gè)比較實(shí)用的車牌識(shí)別系統(tǒng),包括車牌定位、字符識(shí)別的功能。參考文獻(xiàn):1賈婧, 葛萬(wàn)成, 陳康力. 基于輪廓結(jié)構(gòu)和統(tǒng)計(jì)特征的字符識(shí)別研究J. 沈陽(yáng)師范大學(xué)學(xué)報(bào): 自然科學(xué)版, 2006, 24(1: 43-46.2任柯昱, 唐丹, 尹顯東. 基于字符結(jié)構(gòu)知識(shí)的車牌漢字快速識(shí)別技術(shù)J. 計(jì)算機(jī)測(cè)量與控制, 2005, 13(6: 592-594.3廉飛宇, 付麥霞, 張?jiān)? 基于支持向量機(jī)的車輛牌照識(shí)別的研究J. 計(jì)算機(jī)工程

25、與設(shè)計(jì), 2006, 27(21: 4033-4035.4Al-Hmouz R, S Challa. Intelligent Stolen Vehicle Detection usingVideo Sensing C/ Proceeding of Information, Decision and Control.Adelaide, Qld., Australia. USA: IEEE, 2007: 302-307.5LeCun Y, Bottou L, Bengio Y, Haffner P. Gradient-based learningapplied to document recogn

26、ition C/ Proc. IEEE, 1998. USA: IEEE, 1998: 2278-2324.6Steve Lawrence, C Lee Giles, Ah Chung Tsoi, Andrew D Back. FaceRecognition: A Convolutional Neural Network Approach J. IEEE Trans. on Neural Networks (S1045-9227, 1997, 8(1: 98-113.7Lauer F, C Y Suen, Bloch G. A trainable feature extractor forha

27、ndwritten digit recognition J. Pattern Recognition (S0031-3203, 2007, 40(6: 1816-1824.8Tivive, Fok Hing Chi, Bouzerdoum, Abdesselam. An eye featuredetector based on convolutional neural network C/ Proc. 8th Int.Symp. Signal Process. Applic. Sydney, New South Wales, Australia.USA: IEEE, 2005: 90-93.9

28、Szarvas Mate, Yoshizawa Akira, Yamamoto Munetaka, Ogata Jun.Pedestrian detection with convolutional neural networks C/ IEEE Intelligent Vehicles Symposium Proceedings. USA: IEEE, 2005: 224-229.10Y Le Cun, U Muller, J Ben, E Cosatto, B Flepp. Off-road obstacleavoidance through end-to-end learning M. Advances in Neural Information Processing Systems. USA: MIT Press, 2005.(上接第637頁(yè)10Guo S, Huang L. Periodic oscillation for a class of neural networkswith variable coefficients J. Nonlinear Anal. (S0362-546x, 2005, 6(3: 545-561.11Guo S. Bifurcation analysis in a discrete-time single-di