算法分析
基于改进卷积神经网络的车号识别算法
王欣蔚
(北方工业大学电子信息工程学院北京100144)
摘要：动车车号识别是动车安全自动监测系统的一项重要内容。由于光照不均、运动失具等因素，动车车号的可靠识别图难较大。论文研究了基于深度网络的识别算法，通过设计参积神经网络，以减少资源占用为出发点,获得99.20%的识别正确率。与LeNet-5券积网络进行对比实验,减少了近6 倍的训练时间,并且识别率有所提高。
关键调：字符识别参积神经网络复杂光照深度学中图分类号：TP391.4
文献标识码：A
1相关背景
近两年，深度网络正成为模式识别与人工智能领城的一个重要方向，其中又以卷积神经网络(ConvolutionalNeuralNetworks， CNNy2等为热点：应用于目标检测，人脸识别等领城.它通过卷积层和下采样层两个特殊结构来实现特征提取过程。能解决传统算法对夜间车号图像识别困难的问题。
然而，其复杂度高、系统资源的需求大，训练需要海量的数据实际应用不具有以上条件。本文通过研究，在提高识别率的同时，明
C3
编入
32-32
99 96
893 90
Siar28-28
20a 10-10
S4 205×5
图1改进的卷积神经网络结构图
图2实验部分样本实例
97.5297.76 98,32 96.4
95.28
89.9#
RR. 10
30
90.48
99.2
FS
BAN
输出 21
LeNet5 ■Proposed
50选代次数
图3识别率对比图
文章编号：1007-9416(2016)07-0126-01
显降低系统资源的消耗，为深度网络的实际应用探索新的思路。 2卷积神经网络的车号识别
针对降低网络系统资源消耗、在适度规模的数据集下训练的实际需要，不同的应用主要需要考虑卷积层个数，每层特征图个数、下采样层池化区域大小以及网络的深度，
卷积层的作用是探测上一层特征的局部连接，面下采样层的作用是把相似的特征合并起来。卷积过程要设计卷积核大小，针对样本数据进行调节，如果核的尺寸过大，会增加运算量，如果过小，则不足以提取到有效结构特征。此外，卷积核个数过少会使特征提取的不充足导致识别率低，过多会导致运行时间大大增加。下采样过程需要确定合适的池化区域大小。考虑到信息的损失情况，池化矩阵不应过大，一般为2×2的大小。经以上考虑，本文卷积神经网络结构如图1所示。
由于动车车号应用统一的字体设计，字体结构没有LeNet-5应用场景改变大。因此两个卷积层的设计已满足特征提取的需要，从而大大减少了耗时。由图1可见，首先输人归一化为32×32的像素大小并以灰度图的形式输入第一层C1。第一个卷积层C1是形成8个经卷积的特征图，得到像素大小为28×28的特征图。之后经过2×2 邻域的平均池化，在下采样层S2生成了8个14×14像素的特征图。C3 存在20个10×10像素大小的特征图，可生成20个图像大小为5×5像素的S4层。卷积层核的大小均为5×5.接下来的F5层和S4层为全连接，有20×5×5=500个节点，相当于用含500×21=10500个参数的分类器对向量进行分类，因而具有更强的描述能力
最后，输出层为21个单元，由径向基函数(RBF)组成。对应待测动车车号字符样本库中21个不同的数字和字母。网络的训练过程，
通过BP算法由前到后逐层学习的方式。 3实验结果与分析
实验用的字符样本均来自实际应用环境中获取的动车车号图像，为了提高网络的泛化性能，将原始样本经过仿射变换、添加椒盐
表1本文网络与LeNet-5复杂度对比
平均训练时间
LeNet5 Proposed
467.31 s/次 71.65s/次
识别时间 1.59s 1.35s
内存占用
100% 93.82%
注：平均内存占用以LeNet-5占用内存大小为标准求百分比
.下转第188页
收稿日期：2016-04-18
作者简介：王欣蔚(1991一),女，汉,北京人，硕士研究生，研究方向：智能图像处理、深度学习。 126
方方数据