BP網絡實現對貨運列車車號識別的程序設計

吳 楠

(安陽鋼鐵集團股份有限公司)

0 概述

冶金鐵路運輸中路局車輛都配備有車號，通過記錄車號數據，實現車輛的站內調配、放置、外發和準確編組。通過照相系統獲取車號圖像，把待識別數字從原始圖像中提取出來，對單字符圖像進行二值化處理，采用已經訓練好的BP(Back-Propagation Learning Algorithm)網絡對單字符圖像進行識別，當該圖像符合BP 網絡認定的某數字特征時，識別出該數字。這里著重介紹BP 網絡識別二值圖像的程序設計，圖像獲取、定位、分割等方面的知識請參考相關資料。

1 BP 網絡簡介

BP 網絡是模仿大腦神經網絡而建立的一種信息處理系統，實質反映了輸入轉化成輸出的一種數學表達式，這種數學關系是由網絡的結構確定，而網絡結構必須根據具體問題進行設計和訓練［2］。BP網絡由輸入層、隱含層、輸出層組成。(如圖1 所示)。輸入層和輸出層的單元數是由具體問題的輸入參數和輸出參數確定，而隱含層的單元數由具體問題的復雜程度、誤差下降情況等來確定。信息從輸入層經各隱含層向輸出層傳播，在輸出層獲得響應后，按減小希望輸出與實際輸出誤差的方向，從輸出層修正回到輸入層。隨著這種誤差逆傳播修正的不斷進行，網絡對輸入響應的正確率不斷上升，輸出將得到更精確的值［3］。

圖1 BP 網絡結構

2 建立車號的數學模型

車號由0 ～9 十個阿拉伯數字組合而成(如圖2所示)。經過分割、提取可以獲得單個數字(如圖3所示)。對于單個的數字圖像，對它進行圖像的二值化處理就可以將該數字的特征值錄入已經訓練好的BP 網絡，BP 網絡通過對比該數字的特征值近似于0 ～9 哪個數字的特征值而將它識別出來。為了訓練能識別出0 ～9 十個數字的各自相應特征值的BP 網絡，必須先告訴BP 網絡這十個數字各自的特征值是什么，我們進行抽象化建模過程:(1)畫圖板—圖像—屬性;(2)寬度和高度設為20，單位設為像素，顏色設為黑白;(3)在設定好的畫布里鍵入數字0(之后鍵入1 ～9);(4)保存后就得到了0 的二值圖像(20 ×20)。0 ～9 十個數字的二值圖像(如圖4 所示)。至此我們建立了十個數字的模型，可以基于對模型表現出的特征值對BP 網絡訓練，使網絡記憶每個數字的特征。

圖2 貨運列車車號數字

圖3 單個數字

圖4 0 －9 二值圖像

需要指出貨運列車車號數字串可能出現移位、傾斜、變形、破損、模糊等圖像噪聲干擾情況，這就要求訓練出的BP 網絡具有抗噪聲干擾的能力，即圖像數字的位置偏移、位移、不清晰等，網絡都能正確的識別出該數字。為了擴大網絡的識別范圍和精度，在輸入數量上進行擴充，增加多幅20 ×20 的圖像，對數字進行左偏、右偏、增加或減少像素點等一些微小的改動(可使用畫圖板鉛筆加一個像素點或橡皮擦一個點，或拖動數字上下左右做細微的移動。)

3 算法和流程圖

使用MATLAB 函數庫的IMREAD 函數將圖像二值化處理。例如:I0 =imread(＇3．bmp＇)，意思為讀取名字為“3．bmp”圖像，圖像中空白用1 表示，數字3 的黑色輪廓用0 表示，將400 個0 和1 放入變量I0中作為網絡的輸入量。

對0 ～9 十幅數字化(二值)圖像的識別用兩種算法對比介紹:

1)方法一:將圖像20 ×20 的矩陣每一行都轉置后依次放成一列，即400 ×1 的矩陣，十幅圖放入一個矩陣400 ×10，輸入網絡訓練。其流程如圖5 所示。

圖5 直接對圖象信息進行識別的主流程圖

2)方法二:將圖像劃分為5 ×4 的網格，每格為一小的4 ×5 矩陣，包含原圖的20 個數字量，分析這20 個數字量，有幾個0(圖像的有用信息)記為一個值，記錄20 個值，再將這個包含有用特征值的5 ×4矩陣轉置成一列，輸入網絡訓練。其流程如圖6 所示。

圖6 提取圖象特征信息進行識別的主流程圖

4 程序簡述

1)方法一

I0 =imread(‘0．bmp’);

%對0 圖像的讀取

I1 =imread(‘1．bmp’);

%對1 圖像的讀取

……

%省略對其它圖像的讀取程序

p1 =zeros(400，10);

%建立一400 ×10 的矩陣，初始化為0

%將圖像的每一行(0 或1 值)轉置后順序放為一列

［a，b］=size(I0);

for i=1:a

for j=1:b

k=(i－1)* b+j;

p1(k，1)=I0(i，j);

end

end

［a，b］=size(I1);

for i=1:a

for j=1:b

k=(i－1)* b+j;

p1(k，2)=I1(i，j);

end

end

……

%省略對其它圖像的轉置程序

到此p1 這個400 ×10 矩陣的列中存放了0 ～9十幅圖的各自的特征值，每幅有400 個值(一列)。不要忘記噪聲干擾，假設每幅圖都多做2 個干擾圖像，(實際需要大量噪聲干擾圖像)。重復上面程序得到了p2、p3。

p=［p1 p2 p3］;

%建成一個400 ×30 的矩陣，做輸入

t1 =eye(10);

%10 ×10 的單位陣

t2 =eye(10);

t3 =eye(10);

t=［t1 t2 t3 ］;

%將3 個單位陣建成一個10 ×30 的矩陣，做輸出

［R，Q］=size(p);

S1 =80;

%神經元個數80 個

［S2，Q］=size(t);

［w1，b1］=rands(S1，R);

［w2，b2］=rands(S2，S1);

disp_fqre=100;

%100 次顯示一次

max_epoch=15000;

%最大訓練15000 次

err_goal=0．01;

%誤差0．01

lr=0．6;

%學習速率0．6

TP=［disp_fqre max_epoch err_goal lr］;

［w1，b1，w2，b2，epochs，errors］= trainbpx(w1，b1，‘tansig’，w2，b2，‘purelin’，p，t，TP);

%采用trainbpx 自適應算法訓練網絡

2)方法二

I0 =imread(‘0．bmp’);

%讀取圖象信息

sum0 =zeros(4，5);

%建立一個4 ×5 的矩陣，放特征值

for i=1:20

for j=1:20

m=ceil(i/5);

%i=5 的倍數時4 ×5 的矩陣才會換行

n=ceil(j/4);

%j=4 的倍數時4 ×5 的矩陣才會換列

if (I0(i，j)= =0)

%看原圖所指處的值是否為0

sum0(m，n)=sum0(m，n)+1;

%為0，sum 加1

end

end

end

……

%省略對其它圖像的提取0 值特征的程序

p1 =zeros(20，10);

%求轉置p1，類似于方法一程序

［a，b］=size(sum0);

……

%for 函數過程省略

p=［p1 p2 p3］;

%期望輸入

t1 =eye(10);

%10 ×10 的單位陣

t2 =eye(10);

t3 =eye(10);

t=［t1 t2 t3］;

%期望輸出

［R，Q］=size(p);

S1 =30;

%隱含層神經元的個數為30

［S2，Q］=size(t);

［w1，b1］=rands(S1，R);

［w2，b2］=rands(S2，S1);

disp_fqre=100;

%100 次顯示一次

max_epoch=8000;

%總共運行8000 次

err_goal=0．01;

%期望誤差0．01

lr=0．6;

%學習速率0．6

TP=［disp_fqre max_epoch err_goal lr］;

［w1，b1，w2，b2，epochs，errors］= trainbpx(w1，b1，‘tansig’，w2，b2，‘purelin’，p，t，TP);

5 應用效果

兩種方法的程序通過網絡的訓練都達到了預期的目的。兩種方法得到的收斂圖及運行情況圖如圖7、圖8 所示。

圖7 方法一的收斂圖及運行情況圖

圖8 方法二的收斂圖及運行情況圖

從圖7，圖8 可以看出，在學習速率同為0．6，期望誤差值為0．01 時，方法一需要運行10658 次，誤差的接近程度為0．00999496，隱含層神經元80 個;方法二需要運行2705 次，誤差的接近程度為0．00999782，隱含層神經元30 個。方法二較方法一訓練時間縮減75%，誤差提高0．000003，復雜度降低62．5%。

綜上所述，方法二訓練出了具備識別圖像數字能力的BP 網絡。如果加大訓練輸入量，將得到更好的網絡訓練效果。

6 結論

經過實際應用，該BP 網絡具備了短時高效的辨別數字圖像的能力，可以有效的降低人工核對貨運列車車號的工作量，并減少人為因素造成的差錯。

［1］張德豐． MATLAB 數字圖像處理［M］．機械工業出版社，2009:16 －20．

［2］王小川，史峰． MATLAB 神經網絡43 個案例分析［M］．北京航空航天大學出版社，2013:79 －88．

［3］尹念東． BP 神經網絡的應用設計［J］． 信息技術，2003，26(6):18 －20．