畢業(yè)設(shè)計方案

1、畢業(yè)設(shè)計方案題 目 ： 基于神經(jīng)網(wǎng)絡(luò)的圖像識別方法研究 學(xué) 院 ： 忻州師范學(xué)院 系 別 ： 計算機系 本0904班 學(xué) 號 ： 201108112013 姓 名 ：楊旭東 指導(dǎo)老師： 曹建芳 2012年12月11日一、 選題背景與意義1 隨著圖像技術(shù)各種基本理論的發(fā)展，各種應(yīng)用圖文系統(tǒng)在國民經(jīng)濟各部門得到了廣泛的應(yīng)用。現(xiàn)在，通信、廣播、計算機技術(shù)、工業(yè)自動化、國防工業(yè)、，乃至印刷、醫(yī)療等部門的尖端課題無一不與圖像技術(shù)的發(fā)展密切相關(guān)。事實上，圖像技術(shù)已成為各種高技術(shù)領(lǐng)域的匯流點，更有人預(yù)言，“圖像識別技術(shù)”將是21世紀(jì)影響國民經(jīng)濟、國家防務(wù)和世界經(jīng)濟的舉足輕重的關(guān)鍵技術(shù)。圖像識別是近二十年發(fā)展

2、起來的一門新型技術(shù)科學(xué)，它以研究某些對象或者過程(統(tǒng)稱圖像)的分類與描述為主要內(nèi)容。圖像識別在很多領(lǐng)域中得到了應(yīng)用，如人臉和指紋識別、字符識別、醫(yī)學(xué)診斷，等等。簡單的說，圖像識別是圖像中的物體的模式分類，同時包括物體特征的確定，如位置、方向和尺寸等。傳統(tǒng)方法主要是統(tǒng)計模式識別、光學(xué)模式識別、分形識別、信息熵識別方法，但這些傳統(tǒng)方法自適應(yīng)能力很差，而且是在沒有噪聲干擾的情況下進(jìn)行的。這幾年神經(jīng)網(wǎng)絡(luò)圖像識別技術(shù)作為一種新型圖像識別技術(shù)，在圖像識別中的應(yīng)用越來越廣泛。2 人工神經(jīng)網(wǎng)絡(luò)是由大規(guī)模神經(jīng)元互聯(lián)組成的高度非線性動力學(xué)系統(tǒng)，是在認(rèn)識、理解人腦組織結(jié)構(gòu)和運行機制的基礎(chǔ)上模擬起結(jié)構(gòu)和智能行為的一種

3、工程系統(tǒng)，它具有很強的學(xué)習(xí)、容錯和信息處理能力，并有很高的靈活心及計算機并行性。最初，神經(jīng)網(wǎng)絡(luò)作為模式識別分類器和聚類技術(shù)在圖像處理領(lǐng)域中得到應(yīng)用，如印刷體和手寫字符識別、語音識別，以及指紋、人臉識別，等等。隨著人們對神經(jīng)網(wǎng)絡(luò)理論的進(jìn)一步研究，神經(jīng)網(wǎng)絡(luò)在圖像處理的很多領(lǐng)域也得到了成功的應(yīng)用。如圖像壓縮、圖像特征提取、圖像變換編碼，等等。如今，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為當(dāng)今科學(xué)研究的熱點之一。二、設(shè)計內(nèi)容 1.圖像識別技術(shù)的基本原理和相應(yīng)的處理技術(shù)，對目前常用的圖像識別方法進(jìn)行了分析、討論和比較。2.神經(jīng)網(wǎng)絡(luò)的基本原理、網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)的學(xué)習(xí)方式，研究了神經(jīng)網(wǎng)絡(luò)用于圖像識別的原理及優(yōu)點。3.圖像識別中常

4、用的前饋神經(jīng)網(wǎng)絡(luò)及其采用的BP算法，并將具有全局優(yōu)化功能的遺傳算法與前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種遺傳與BP相結(jié)合的圖像識別方法，解決7BP算法容易陷入局部極小的不足。并給出了仿真實驗。4.支持向量機的基本知識及其分類識別的原理。詳細(xì)介紹了支持向量機的分類策略和核函數(shù)的選擇問題。并在此基礎(chǔ)上，將二迸制編碼引入到圖像識別的支持向量機分類策略中，提高了支持向量機在圖像識別中的識別速度。并在此分類策略上提出了一種動態(tài)的自動樣本類別增】Jnill練方法。5.遺傳一BP網(wǎng)絡(luò)和支持向量機在車牌及人臉識別中具體的應(yīng)用方法及結(jié)果分析。三、設(shè)計方案 1 引言人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Ne

5、tworks)(簡稱ANN)系統(tǒng)從20世紀(jì)40年代末誕生至今僅短短半個世紀(jì)，但由于它具有信息的分布存儲、并行處理以及自學(xué)習(xí)能力等優(yōu)點，已經(jīng)大信息處理、模式識別、智能是基于誤差反向傳播(Error Back Propagation)算法的多層前饋網(wǎng)絡(luò)(Multiple-Layer Feedforward Network)(簡稱BP網(wǎng)絡(luò))，可以以任意精度逼近任意的連續(xù)函數(shù)，所以廣泛應(yīng)用魚非線性建模、函數(shù)逼近、模式分類等方面。 目標(biāo)識別是模式領(lǐng)域的一項傳統(tǒng)的課題，這是因為目標(biāo)識別不是一個孤立的問題，而是模式識別領(lǐng)域中大多數(shù)課題都會遇到的問題，并且在不同的課題中，由于具體的條件不同，解決的方法也不盡相

6、同，因而目標(biāo)識別的研究仍具有理論和實踐意義，這里討論的是將要識別的目標(biāo)物體用成像頭(紅外或可見光等)攝入后形成的圖像信號序列送入計算機，用神經(jīng)網(wǎng)絡(luò)識別圖像的問題。2 BP神經(jīng)網(wǎng)絡(luò)2.1 BP 神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移的多層網(wǎng)絡(luò)。一個典型的BP網(wǎng)絡(luò)采用的是梯度下降算法，也就是Widrow-Hoff算法規(guī)定的。Backpropagation就是指的為非線性多層網(wǎng)絡(luò)計算梯度的方法，一個典型的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示其中:對于第k個模式對，輸出層單元的j的加權(quán)輸入為該單元的實際輸出為而隱含層單元i的加權(quán)輸入為該單元的實際輸出為函數(shù)f為可微分遞減函數(shù)其算法描述如

7、下：(1) 初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣、學(xué)習(xí)因子等。(2) 提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求。(3) 前向傳播過程：對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行(4)；否則，返回(2)。(4) 后向傳播過程：a.計算同一層單元的誤差；b.修正權(quán)值和閥值；c.返回(2)。2.2 BP網(wǎng)絡(luò)隱層個數(shù)的選擇 對于含有一個隱層的三層BP網(wǎng)絡(luò)可以實現(xiàn)輸入到輸出的任何非線性映射。增加網(wǎng)絡(luò)隱層數(shù)可以降低誤差，提高精度，但同時也使網(wǎng)絡(luò)復(fù)雜化，增加網(wǎng)絡(luò)的訓(xùn)練時間。誤差精度的提高也可以通過增加隱層結(jié)點數(shù)來實現(xiàn)。一般情況下，應(yīng)優(yōu)先考慮增加隱含層的結(jié)點數(shù)。2.3 隱

8、含層神經(jīng)元個數(shù)的選擇當(dāng)用神經(jīng)網(wǎng)絡(luò)實現(xiàn)網(wǎng)絡(luò)映射時，隱含層神經(jīng)元個數(shù)直接影響著神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和歸納能力。隱含層神經(jīng)元數(shù)目較少時，網(wǎng)絡(luò)每次學(xué)習(xí)的時間較短，但有可能因為學(xué)習(xí)不足導(dǎo)致網(wǎng)絡(luò)無法記住全部學(xué)習(xí)內(nèi)容；隱含層神經(jīng)元數(shù)目較大時，學(xué)習(xí)能力增強，網(wǎng)絡(luò)每次學(xué)習(xí)的時間較長，網(wǎng)絡(luò)的存儲容量隨之變大，導(dǎo)致網(wǎng)絡(luò)對未知輸入的歸納能力下降，因為對隱含層神經(jīng)元個數(shù)的選擇尚無理論上的指導(dǎo)，一般憑經(jīng)驗確定。3 神經(jīng)網(wǎng)絡(luò)圖像識別系統(tǒng)人工神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)模式識別，可處理一些環(huán)境信息十分復(fù)雜，背景知識不清楚，推理規(guī)則不明確的問題，允許樣品有較大的缺損、畸變，神經(jīng)網(wǎng)絡(luò)方法的缺點是其模型在不斷豐富完善中，目前能識別的模式類還不夠

9、多，神經(jīng)網(wǎng)絡(luò)方法允許樣品有較大的缺損和畸變，其運行速度快，自適應(yīng)性能好，具有較高的分辨率。神經(jīng)網(wǎng)絡(luò)的圖像識別系統(tǒng)是神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)的一種，原理是一致的。一般神經(jīng)網(wǎng)絡(luò)圖像識別系統(tǒng)由預(yù)處理，特征提取和神經(jīng)網(wǎng)絡(luò)分類器組成。預(yù)處理就是將原始數(shù)據(jù)中的無用信息刪除，平滑，二值化和進(jìn)行幅度歸一化等。神經(jīng)網(wǎng)絡(luò)圖像識別系統(tǒng)中的特征提取部分不一定存在，這樣就分為兩大類： 有特征提取部分的：這一類系統(tǒng)實際上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法技術(shù)的結(jié)合，這種方法可以充分利用人的經(jīng)驗來獲取模式特征以及神經(jīng)網(wǎng)絡(luò)分類能力來識別目標(biāo)圖像。特征提取必須能反應(yīng)整個圖像的特征。但它的抗干擾能力不如第2類。 無特征提取部分的：省去特征抽取

10、，整副圖像直接作為神經(jīng)網(wǎng)絡(luò)的輸入，這種方式下，系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度大大增加了，輸入模式維數(shù)的增加導(dǎo)致了網(wǎng)絡(luò)規(guī)模的龐大。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)需要完全自己消除模式變形的影響。但是網(wǎng)絡(luò)的抗干擾性能好，識別率高。本文采用無特征提取的神經(jīng)網(wǎng)絡(luò)識別方法。 當(dāng)BP 網(wǎng)用于分類時，首先要選擇各類的樣本進(jìn)行訓(xùn)練，類樣本的個數(shù)要近似相等。其原因在于一方面防止訓(xùn)練后網(wǎng)絡(luò)對樣本多的類別響應(yīng)過于敏感而對樣本數(shù)少的類別不敏感。另一方面可以大幅度提高訓(xùn)練速度，避免網(wǎng)絡(luò)陷入局部最小點。由于BP 網(wǎng)絡(luò)不具有不變識別的能力，所以要使網(wǎng)絡(luò)對模式的平移、旋轉(zhuǎn)、伸縮具有不變性，要盡可能選擇各種可能情況的樣本。例如要選擇不同姿態(tài)、不

11、同方位、不同角度、不同背景等有代表性的樣本，這樣可以保證網(wǎng)絡(luò)有較高的識別率。構(gòu)造神經(jīng)網(wǎng)絡(luò)分類器首先要選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)：神經(jīng)網(wǎng)絡(luò)分類器的輸入就是圖像的特征向量；神經(jīng)網(wǎng)絡(luò)分類器的輸出節(jié)點應(yīng)該是類別數(shù)。隱層數(shù)要選好，每層神經(jīng)元數(shù)要合適，目前有很多采用一層隱層的網(wǎng)絡(luò)結(jié)構(gòu)。然后要選擇適當(dāng)?shù)膶W(xué)習(xí)算法，這樣才會有很好的識別效果。在學(xué)習(xí)階段應(yīng)該用大量的樣本進(jìn)行訓(xùn)練學(xué)習(xí)，通過樣本的大量學(xué)習(xí)對神經(jīng)網(wǎng)絡(luò)的各層網(wǎng)絡(luò)的連接權(quán)值進(jìn)行修正，使其對樣本有正確的識別結(jié)果，這就像人記數(shù)字一樣，網(wǎng)絡(luò)中的神經(jīng)元就像是人腦細(xì)胞，權(quán)值的改變就像是人腦細(xì)胞的相互作用的改變，神經(jīng)網(wǎng)絡(luò)在樣本學(xué)習(xí)中就像人記數(shù)字一樣，學(xué)習(xí)樣本時的網(wǎng)絡(luò)權(quán)值調(diào)整就

12、相當(dāng)于人記住各個數(shù)字的形象，網(wǎng)絡(luò)權(quán)值就是網(wǎng)絡(luò)記住的內(nèi)容，網(wǎng)絡(luò)學(xué)習(xí)階段就像人由不認(rèn)識數(shù)字到認(rèn)識數(shù)字反復(fù)學(xué)習(xí)過程是一樣的。神經(jīng)網(wǎng)絡(luò)是按整個特征向量的整體來記憶圖像的，只要大多數(shù)特征符合曾學(xué)習(xí)過的樣本就可識別為同一類別，所以當(dāng)樣本存在較大噪聲時神經(jīng)網(wǎng)絡(luò)分類器仍可正確識別。在圖像識別階段，只要將圖像的點陣向量作為神經(jīng)網(wǎng)絡(luò)分類器的輸入，經(jīng)過網(wǎng)絡(luò)的計算，分類器的輸出就是識別結(jié)果。4 仿真實驗4.1 實驗對象本實驗用MATLAB 完成了對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和圖像識別模擬。從實驗數(shù)據(jù)庫中選擇09 這十個數(shù)字的BMP 格式的目標(biāo)圖像。圖像大小為168 像素，每個目標(biāo)圖像分別加10、20、30、40、50大小的隨機噪

13、聲，共產(chǎn)生60 個圖像樣本。將樣本分為兩個部分，一部分用于訓(xùn)練，另一部分用于測試。實驗中用于訓(xùn)練的樣本為40個，用于測試的樣本為20 個。隨機噪聲調(diào)用函數(shù)randn(m,n)產(chǎn)生。4.2 網(wǎng)絡(luò)結(jié)構(gòu)本試驗采用三層的BP 網(wǎng)絡(luò)，輸入層神經(jīng)元個數(shù)等于樣本圖像的象素個數(shù)168 個。隱含層選24 個神經(jīng)元，這是在試驗中試出的較理想的隱層結(jié)點數(shù)。輸出層神經(jīng)元個數(shù)就是要識別的模式數(shù)目，此例中有10 個模式，所以輸出層神經(jīng)元選擇10 個，10 個神經(jīng)元與10 個模式一一對應(yīng)。4.3 基于MATLAB 語言的網(wǎng)絡(luò)訓(xùn)練與仿真建立并初始化網(wǎng)絡(luò)% =S1 = 24;% 隱層神經(jīng)元數(shù)目S1 選為24R,Q = size

14、(numdata);S2,Q = size(targets);F = numdata;P=double(F);net = newff(minmax(P),S1 S2,logsiglogsig,traingda,learngdm)這里numdata 為訓(xùn)練樣本矩陣，大小為12840， targets 為對應(yīng)的目標(biāo)輸出矩陣，大小為1040。newff(PR,S1 S2SN,TF1 TF2TFN，BTF,BLF,PF)為MATLAB 函數(shù)庫中建立一個N 層前向BP 網(wǎng)絡(luò)的函數(shù)，函數(shù)的自變量PR 表示網(wǎng)絡(luò)輸入矢量取值范圍的矩陣Pmin Pmax;S1SN 為各層神經(jīng)元的個數(shù)；TF1TFN 用于指定各層

15、神經(jīng)元的傳遞函數(shù)；BTF 用于指定網(wǎng)絡(luò)的訓(xùn)練函數(shù)；BLF 用于指定權(quán)值和閥值的學(xué)習(xí)函數(shù)；PF 用于指定網(wǎng)絡(luò)的性能函數(shù)，缺省值為mse。設(shè)置訓(xùn)練參數(shù)net.performFcn = sse; %平方和誤差性能函數(shù)net.trainParam.goal = 0.1; %平方和誤差目標(biāo)net.trainParam.show = 20; %進(jìn)程顯示頻率net.trainParam.epochs = 5000;%最大訓(xùn)練步數(shù)net.trainParam.mc = 0.95; %動量常數(shù)網(wǎng)絡(luò)訓(xùn)練net=init(net);%初始化網(wǎng)絡(luò)net,tr = train(net,P,T);網(wǎng)絡(luò)訓(xùn)練對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真D=sim(net,P);A = sim(net,B);B 為測試樣本向量集,12820 的點陣。D 為網(wǎng)絡(luò)對訓(xùn)練樣本的識別結(jié)果，A 為測試樣本的網(wǎng)絡(luò)識別結(jié)果。實驗結(jié)果表明：網(wǎng)絡(luò)對訓(xùn)練樣本和對測試樣本的識別率均為100。如圖（3）為64579五個數(shù)字添加50%隨機噪聲后網(wǎng)絡(luò)的識別結(jié)果。5 結(jié) 論由實驗可知，采用神經(jīng)網(wǎng)絡(luò)識別圖像是切實可行的，由于時間關(guān)系，目前