空间数据智能计算实验报告

交通标志牌的提取与识2014282130107201428213010220142821301041.、文献阅读，各30%2.算法实现,然后一个很重要的技术环节是BP神经网络。简单来说，首先建立神经网络，然后对素材库里的进：圆检测；BP神经网络；特征提取；标识牌提取与识别提供前面的路况，帮助对车辆进行控制，提高了车辆行驶的安全性。交通标志分为主比如，欧洲一些国家开始研制TSR。13本在1984年了一本关于TSR的著作，书的入到TSR的相关研究中去，相继有一些研究小组提出了各自的识别解决方法，比如边缘检测、颜色分割、神经网络等等。智能车辆导航在国外2o世纪8O年代就开始投入研究标志的定位，并以红色圆形禁令标志为例，以改进的Hough变换对测定标志区域进行标志对于圆来说,我们需要三个参数来表示一个圆,原图像的边缘图像的任意点对应的经过这个点的所有可能圆是在三有下面这三个参数来表示了，其对应一条三的曲线.那么与二维的线变换同样的道理,对于多个边缘点越多这些点对应的三曲线判断一个圆是否被检测到,这就是标准圆变换的原理。变换ughrnsfom为变换结果192lughHouhtness,1972Richardde&ert经典变换用来检测图像中的直线后来变换扩展到任意形状物体的识别多为圆和椭圆变换运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直出于对运算效率的考虑,OpenCV实现的是一个比标准圆变换更为灵活的检测方法:梯度法,也叫变换,它的原理依据是圆心一定是在圆上的每个点的模向量上,这些圆上点模向量的交点就是圆心,梯度法的第一步就是找到这些圆心,这样三维的累加平Sobel算子。Sobel算子有两个，一个是检测水平边做了，可以降低边缘模糊程度，因此效果更好。各向同性Sobel算子和普通Sobel算子相比，它的位置系数更为准确，在检测不Sobel22，就能得到各向同SobelSobel算子计算图像的梯度，来组成图像的特征向量。<1>RGB16*8<2>Sobel<3><4>4*2的网络，计算每个网格内的BPBP（BackPropagation）1986RumelhartMcCelland为首的科学家小组提BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input、隐层(hidelayer)和输出层(outputlayer)。人工神经网络（artifiialneuralnetwoks,N）2040具有大规模并行处理分布式信息良好自组织习能力等特点在信息处理模式识别智能控制及系统建模等领域得到越来广泛的应用尤其误差反向算（rBack－tionainin简称P网络可以重要作用。1，我们需要所有的训练样本，本文选用1到9共9个字符，共9*50个训练样本output中。3163BACKPROP5000次。45，识别测试，选用单张图像进试，加载已经训练好的权值矩阵，系统会输出一个别的工作，但是对于动态形态的交通标识牌的检测与识别工作还是有一定的借鉴意义本文也有很多需要改进的地方首先就如上文所说我们只是研究了静态的情况，知识，在算法设计过虽然遇到了一些问题，但经过一次又一次的思考，一遍又一遍的检知，通过小组之间的分工配合，使我们掌握的知识能运用到课去。这一次的实践课程给象的理论有了具体的认识。通过这次课程，我们掌握了从收集到处理再到程序的多后还是能坚持下来顺利的做完这让我们今后再面对社会的时就有动力不断的学习、之间的讨论下，终于游逆而解。在今后社会的发展和学习实践过，一定要不懈努力，不能遇到问题就想到要退缩一定要不厌其烦的发现问题所在然后一一进行解决，才能成功的做成事，才能在今后的道迎难而上，而不是知难而退。实验过，1,自然场景下交通标志的识别研究_2,自然场景下交通标志牌的检测与识别_3,BP_4,基于模板匹配和神经网络的车牌字符识别方法5,Canny．AComputer