人工智能BP神经网络

1、人工智能实验报告 学院： 信息工程学院 班级： 计研-14 学号： 姓名： 2014年12月实验四 计算智能1实验目的理解反向传播网络的结构和原理，掌握反向传播算法对神经元的训练过程，了解反向传播公式。通过构建BP网络实例，熟悉前馈网络的原理及结构。2实验内容编写一个BP神经网络程序，实现简单的分类。 3实验报告要求（1）简述实验原理及方法，并请给出程序设计流程图。人工神经网络是一个非线性的有向图，图中含有可以通过改变权大小来存放模式的加权边，并且可以从不完整的或未知的输入找到模式。人工神经网络系统自诞生以来，由于它固有的自学习、自适应、自组织和大规模并行处理能力，以及分布存储、并行处理意见自

2、学能力等优点，已经在模式识别、智能控制、系统辨识及优化等领域得到广泛应用。尤其是基于误差反向传播(backpropagation)算法的BP网络，广泛应用于非线性建模、函数逼近、模式分类等方面。可以说，BP网络是人工神经网络中前向网络的核心内容，体现了人工神经网络精华的部分。BP算法过程从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。 BP网络不仅含有输入节点和输出节点，而且含有一层或多层隐节点。输入信号先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后 得出输出结果。 本实验就是利用BP神经网络进行车辆牌照识别，采用Matlab编

3、程实现。车辆牌照识别系统组成：（1）图像预处理：对汽车图像进行图像转换、图像增强和边缘检测等。（2）车牌定位：从预处理后的汽车图像中分割出车牌图像。即在一幅车辆图像中找到车牌所在的位置。（3）字符分割：对车牌图像进行几何校正、去噪、二值化以及字符分割以从车牌图像中分离出组成车牌号码的单个字符图像（4）字符识别：对分割出来的字符进行预处理（二值化、归一化），然后分析提取，对分割出的字符图像进行识别给出文本形式的车牌号码。系统原理图如下：车牌定位字符分割字符识别输出结果图像输入预处理输入的彩色图像包含大量颜色信息，会占用较多存储空间，且处理时降低系统的执行速度，因此对图像进行识别时，将彩色图像转换

4、为灰度图像，以加快处理速度。对图像进行灰度化处理、边缘提取、再利用形态学方法对车牌进行定位。具体步骤如下：首先对图像进行灰度转换，二值化处理然后采用4X1的结构元素对图像进行腐蚀，去除图像的噪声。采用25X25的结构元素，对图像进行闭合应算使车牌所在的区域形成连通。在进行形态学滤波去除其它区域。I=imread(DSC01344.jpg);%读取图像figure(); subplot(3,2,1),imshow(I), title(原始图像);I1=rgb2gray(I);%转化为灰度图像subplot(3,2,2),imshow(I1),title(灰度图像);I2=edge(I1,robe

5、rt,0.09,both);%采用robert算子进行边缘检测subplot(3,2,3),imshow(I2),title(边缘检测后图像);se=1;1;1; %线型结构元素 I3=imerode(I2,se); %腐蚀图像subplot(3,2,4),imshow(I3),title(腐蚀后边缘图像);I5=bwareaopen(I4,2000);%去除聚团灰度值小于2000的部分subplot(3,2,6),imshow(I5),title(形态滤波后图像);y,x,z=size(I5);I6=double(I5); Y1=zeros(y,1); for i=1:y for j=1:x

6、 if(I6(i,j,1)=1) Y1(i,1)= Y1(i,1)+1; end end end temp MaxY=max(Y1); figure(); subplot(3,2,1),plot(0:y-1,Y1),title(行方向像素点灰度值累计和),xlabel(行值),ylabel(像素); %求车牌的行起始位置和终止位置% PY1=MaxY; while (Y1(PY1,1)=50)&(PY11) PY1=PY1-1; end PY2=MaxY; while (Y1(PY2,1)=50)&(PY2y) PY2=PY2+1; end IY=I(PY1:PY2,:,:); X1=zero

7、s(1,x); for j=1:x for i=PY1:PY2 if(I6(i,j,1)=1) X1(1,j)= X1(1,j)+1; end subplot(3,2,2),plot(0:x-1,X1),title(列方向像素点灰度值累计和),xlabel(列值),ylabel(像数);确定车牌位置后下一步的任务就是进行字符分割分离出车牌号码的全部字符图像。if isrgb(I) I1 = rgb2gray(I); %将RGB图像转化为灰度图像else I1=I； endg_max=double(max(max(I1);g_min=double(min(min(I1);T=round(g_ma

8、x-(g_max-g_min)/3); % T 为二值化的阈值m,n=size(I1);% d:二值图像%h=graythresh(I1);I1=im2bw(I1,T/256);subplot(3,2,4);imshow(I1),title(二值化车牌图像);I2=bwareaopen(I1,20);subplot(3,2,5);imshow(I2),title(中值滤波后的二值化图像);y1,x1,z1=size(I2);I3=double(I2);TT=1;%去除图像顶端和底端的不感兴趣区域%Y1=zeros(y1,1); for i=1:y1 for j=1:x1 if(I3(i,j,1

9、)=1) Y1(i,1)= Y1(i,1)+1 ; end end endPy1=1;Py0=1;while (Y1(Py0,1)20)&(Py0=20)&(Py1y1) Py1=Py1+1; endI2=I2(Py0:Py1,:,:);subplot(3,2,6);imshow(I2),title(目标车牌区域);% 分割字符按行积累量%X1=zeros(1,x1);for j=1:x1 for i=1:y1 if(I3(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end endfigure(5);plot(0:x1-1,X1),title(列方向像素点灰度值累计和)

10、,xlabel(列值),ylabel(累计像素量);Px0=1;Px1=1;%分割字符%for i=1:7 while (X1(1,Px0)3)&(Px0=3)&(Px1x1)|(Px1-Px0)10) Px1=Px1+1; end Z=I2(:,Px0:Px1,:); switch strcat(Z,num2str(i) case Z1 PIN0=Z; case Z2 PIN1=Z; case Z3 PIN2=Z; case Z4 PIN3=Z; case Z5 PIN4=Z; case Z6 PIN5=Z; otherwise PIN6=Z; end figure(3); subplot(

11、1,7,i); imshow(Z); Px0=Px1;End车牌字符识别：在本程序中用基于人工神经元网络识别车牌字符。总的字符样本并不太多。构造训练样本如下图所示的数字和字母： 将样本进行归一化为50X20大小，再将图像按列转换成一个1000X1的行向量，将上述18个图像的样本排列在一起构成1000X18的矩阵样本，尽可能多的采集汽车图像提取车牌，部分切分出车牌字符，构造出更多1000X18的矩形样本，用构造好的样本库对神经网络进行训练。function inpt = pretreatment(I)%YUCHULI Summary of this function goes here% Det

12、ailed explanation goes hereif isrgb(I) I1 = rgb2gray(I);else I1=I;endI1=imresize(I1,50 20);%将图片统一划为50*20大小I1=im2bw(I1,0.9);m,n=size(I1);inpt=zeros(1,m*n);%将图像按列转换成一个行向量for j=1:n for i=1:m inpt(1,m*(j-1)+i)=I1(i,j); endend构造输入样本，按同样的方法，将前面分割出的样本归一化：神经网络进行识别：%归一化训练样本I0=pretreatment(imread(0.jpg);I1=pr

13、etreatment(imread(1.jpg);I2=pretreatment(imread(2.jpg);I3=pretreatment(imread(3.jpg);I4=pretreatment(imread(4.jpg);I5=pretreatment(imread(5.jpg);I6=pretreatment(imread(6.jpg);I7=pretreatment(imread(7.jpg);I8=pretreatment(imread(8.jpg);I9=pretreatment(imread(9.jpg);I10=pretreatment(imread(A.jpg);I11=

14、pretreatment(imread(C.jpg);I12=pretreatment(imread(G.jpg);I13=pretreatment(imread(L.jpg);I14=pretreatment(imread(M.jpg);I15=pretreatment(imread(R.jpg);I16=pretreatment(imread(H.jpg);I17=pretreatment(imread(N.jpg);P=I0,I1,I2,I3,I4,I5,I6,I7,I8,I9,I10,I11,I12,I13,I14,I15,I16,I17;%输出样本%T=eye(18,18);%bp神

15、经网络参数设置net=newff(minmax(P),1000,32,18,logsig,logsig,logsig,trainrp);net.inputWeights1,1.initFcn =randnr;net.layerWeights2,1.initFcn =randnr;net.trainparam.epochs=5000;net.trainparam.show=50;%net.trainparam.lr=0.003;net.trainparam.goal=0.0000000001;net=init(net);%训练样本%net,tr=train(net,P,T);%测试%I=imre

16、ad(DSC01323.jpg);I=imread(DSC01344.jpg);dw=location(I);%车牌定位PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(dw);%字符分割及处理%测试字符，得到识别数值PIN0=pretreatment(PIN0);PIN1=pretreatment(PIN1);PIN2=pretreatment(PIN2);PIN3=pretreatment(PIN3);PIN4=pretreatment(PIN4);PIN5=pretreatment(PIN5);PIN6=pretreatment(PIN6);P

17、0=PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6;for i=2:7 T0= sim(net ,P0(:,i); T1 = compet (T0) ; d =find(T1 = 1) - 1 if (d=10) str=A; elseif (d=11) str=C; elseif (d=12) str=G; elseif (d=13) str=L; elseif (d=14) str=M; elseif (d=15) str=R; elseif (d=16) str=H; elseif (d=17) str=N; else str=num2str(d); end switch i case 2 str1=str; case 3 str2=str; case 4 str