基于改进概率神经网络的交通标志图像识别方法

第24卷第4期(总第148期)　　　　　　系　统　工　程2006年4月　　　　　　　　　　　　System

sEngineering文章编号:100124098(2006)0420097205

Vol.24,No.4Apr.,2006　

基于改进概率神经网络的交通标志图像识别方法

黎群辉,张　航

(中南大学信息科学与工程学院,湖南长沙　410075)

摘　要:神经网络具有较强的容错性和自适应学习能力,在交通标志图像识别中获得广泛的应用,但目前采用的多层感知器、BP神经网络以及径向基神经网络等几种神经网络存在一些不足,经网络进行交通标志图像识别的新方法,整个算法分两步实现:Tchebichef不变距并作为图像的特征;更好的识别效果。

关键词:交通标志;识别算法;;;中图分类号:TN3911　引言

近几年来,交通标志图像识别在智能交通系统中是一个热点课题。为驾驶安全和高效运输,交通管理部门在道路上设置了各类重要的交通标志,以提醒驾驶员和路人有关的道路交通信息,如指示标志、警告标志、禁令标志等,如何实现交通标志的自动识别,对于自动驾驶以及驾驶辅助系统都是非常重要的。由于交通标志中包含种类较多,需处理的信息量大,而且由于存在大量的干扰因素,如光照条件的影响、道路情况复杂等,待识别的交通标志图像往往存在噪声干扰,因此要求交通标志识别算法有较高的快速性和准确性。对于交通标志的识别,目前取得了一些成果,大致可分为统计识别方法[1]、神经网络识别方法[2-4]、句法识别[5]、集成识别方法[6]等,其中神经网络识别方法和其他的识别方法比较,具有较强的容错性,能够识别带有噪声或变形的输入模式,具有很强的自适应学习能力,采用并行分布式信息存储预处理,识别速度较快,在交通标识识别中获得广泛的应用。在交通标志识别中,目前常采用多层感知器[2]、BP神经网络[3]以及径向基神经网络[4]等前向型神经网络进行识别,多层感知器神经网络只能进行比较简单的识别,而且它的抗干扰能力和鲁棒性都较差;BP神经网络的隐层层数和隐节点数选择尚无理论上的指导,而且BP神经网络的学习和记忆具有不稳定

性,即如果增加学习样本,训练好的网络需要从头重新训练,对以前网络的权值和阈值没有记忆;径向基神经网络的基函数以及它的控制参数选择目前没有得到很好的解决,而且存在对隐层与输出层的权值需要反复训练直到达到误差代价函数达到要求的缺点,总之,目前这几种方法识别正确率都不高。为提高识别精度,一个重要的方面是提取合适的图像特征,目前主要选择图像的全部像素或图像的Hu不变距作为图像的特征。以图像全部像素作为特征进行识别,特征空间太大,会造成识别算法的复杂以及硬件实现的困难;而采用Hu不变距作为特征,由于Hu距不是正交距,存在较大的信息冗余,而且由于它对噪声较为敏感,导致识别精度不高。因此,本文首先利用

Tchebichef离散正交距,提出一种新的特征提取方法;然

后对概率神经网络加以改进即采用差异演化算法对概率神经网络的参数进行优化选择;最后采用这种改进的概率神经网络对交通标志进行识别。为检验提出算法的有效性,并进行了对比试验。

2　算法描述

提出的交通标志识别算法如图1所示,分两步完成:首先对交通标志图像提取它的Tchebichef不变距并作为图像的特征;然后采用改进的概率神经网络进行识别。

Ξ收稿日期:2005212229;修订日期:2006203215

基金项目:湖南省自然科学基金资助项目(05JJ30121);中南大学博士研究生学位论文创新选题(040122)

作者简介:黎群辉(19642),男,湖南常宁人,工程师,中南大学信息科学与工程学院研究生,研究方向:图像处理,过程控制;张航(19662),男,湖南泸溪人,中南大学信息科学与工程学院副教授,研究方向:图像处理,过程控制,智能控制等。

第1页 下一页