基于BP神经网络的车型识别研究

车型识别是智能交通系统中的一个重要组成部分,近年来已成为国内外研究热点之一.提出一种基于特征提取的车型识别方法,该方法对车辆图像进行预处理,通过图像边缘检测、图像纵横填充、图像修正方法进行车型特征值提取,得到车型分类特征字空间,利用BP神经网络进行车型分类识别.实验结果表明,该方法高效可行,并对低质量和背景复杂图像有着良好的处理效果.     

基于超声波测距及BP神经网络的车型识别

车型识别在高速公路收费、停车收费、城市道路监控等诸多领域有着广泛的应用。针对传统车型识别系统存在的识别效率低、结构复杂、安装难度大等问题,提出并实现了一种基于超声波测距及BP神经网络的车型识别系统。该系统以嵌入式微处理器、485总线为核心,运用超声波测臣实现对车辆外形尺寸的检测,并从中提取表征车型的四个参数,通过BP神经网络对所获取的参数进行自动分类识别。实验结果表明,该方法车型识别的正确率在95%以上。     

基于BP神经网络的图像压缩的Matlab实现

BP网络是目前最常用的一种人工神经网络模型,它利用多层前馈网络的模式变换能力实现数据编码,直接提供数据压缩能力.在介绍BP网络图像压缩机原理及算法的基础上,通过计算机Matlab仿真实验实现数字图像压缩,并分析了各种参数对重建图像性能的影响.     

基于Bayes法则和BP神经网络的高速动态情形下车型识别

针对在高速动态情形下的车型识别,介绍了一种对汽车提取特征、基于红外线检测的汽车分类仪;阐述了采用汽车特征参数作为样本向量训练BP网络的方法和识别车型原理;采用共轭梯法修正BP网络,提高了训练速度和全局收敛性;对于样本向量存在的数据“噪声”,则以Bayes法则对大量样本去除“噪声”,使特征样本向量更有代表性,理论与实际证明,这样得到BP网有强容错能力,能识别没有看过的汽车样本,从而提高了车型识别精度。     

基于Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。     

基于Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。     

基于改进BP算法的英文字母识别

提出了一种基于人工神经网络的英文字母识别方法。以改进的人工神经网络BP算法为基础,设计了一个英文字母识别系统,对大小写英文字母进行识别。实验结果表明,改进的BP算法降低了网络训练次数,有效地对由多种字体组成的英文大小写字母样本集进行训练,实现了对多种字体的英文字母的识别。     

基于灰色理论的车型自动分类识别

在灰色理论基础上提出了一种车型自动分类识别技术.该技术分为二大部分:第一部分是测量车辆的三维信息,即完成从二维信息到三维信息的转换,获得车辆的长度、宽度和高度特征;第二部分是利用灰色关联分析对车辆进行分类识别.实验表明,与传统的识别方法相比明显提高识别速度与识别精度,且具有很好的实用性.     

基于BP神经网络的车辆声音信号识别

声音信号包含着很多的信息量,且获取比较方便.近年来,声音识别技术被广泛应用于各个领域,有着重要的意义.本文主要介绍了小波理论和BP神经网络识别算法.通过对采集到的不同类型车辆的声音信号进行分析和预处理,采用小波变换提取低维的特征参数,构建并成功训练一个三层BP神经网络,从而有效地识别出了车型.     

基于遗传BP算法的手写体识别

神经网络具有模拟人类的大脑活动、良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力.本文阐述了BP神经网络基本原理以及BP网络手写体识别模型,研究分析了BP神经网络手写体识别模型的缺陷并提出了优化策略.在此基础上,提出一种基于改进结构的BP神经网络来实现手写体数字识别方案,除了改进BP网的结构外,还对网络学习算法进行了改进,采用了BP和GA相结合的算法,提高了网络的学习训练速度和识别效果.     

基于视频序列的车型识别算法设计

针对复杂背景下的目标车型识别问题,提出一种基于视频序列的检测识别算法。运用帧差序列图像进行背景建模与更新,采用背景差分和LBP纹理分析法进行运动车辆的分割及阴影消除,提出车辆形状投影量的概念,将视频车辆二维形状信息降至一维,并设计二维输入模糊分类器,根据形状投影量和车高/车长比,完成车型的多种类精细识别。实验结果验证了该算法的有效性。     

基于Matlab神经网络的图像识别

神经网络是信息科学、脑科学、神经心理学等诸多学科近年来共同关注的研究热点.由于神经网络具有良好的抽象分类特性,使其成为解决图像识别相关问题的有效工具.在简述图像识别过程的基础上重点讨论利用BP神经网络对图像进行识别,用Matlab完成对神经网络的训练和测试,获得满意的结果.     

基于误差椭圆的车型识别算法

针对车辆分类需求,提出一种基于误差椭圆的车型识别算法。利用背景差法去除车辆图像的不相关背景,从而分离出目标车辆,并对其进行识别和轮廓提取,通过平移、旋转和缩放车辆的轮廓边界,获得一个不相关的二维方差阵,将其与已知模板方差阵进行比较,以实现车辆分类。实验结果表明,该算法能获得较好的分类结果,满足实时性要求。     

基于改进BP神经网络的夜间车牌识别算法研究

为了提高夜间条件下车牌识别准确率,提出了一种基于改进BP神经网络的车牌识别算法.为了改善夜间环境下车牌图像的质量和清晰度,在图像预处理过程中采用了图像平滑处理增强技术;利用图像边缘检测技术实现了对图像正确定位,然后通过统计车牌图像白色像素个数的方法对字符分割;在此基础上,使用基于附加动量法和自适应学习速率改进的BP神经网络方法精确识别车牌.实验结果表明,该方法对夜间车牌的分割和识别是有效的.     

分层式宽度模型的实时车型识别算法

车辆车型识别技术在智能交通系统中至关重要,现有的车辆车型识别技术难以兼顾识别精度和识别速度。针对高速公路环境下的车型识别问题,提出了浅层特征层与宽度特征层相结合的分层式宽度模型实时进行车型识别。首先利用颜色空间转换和多通道HOG算法相结合,减少光照环境的影响,同时实现对车辆图像的特征提取,结合PCA降维技术,降低计算复杂度;然后对图像特征进行稀疏表示和非线性映射,减少图像特征之间的相关性;最后用岭回归学习算法对提取的样本特征进行训练,求出样本特征与样本标签之间的权重系数,实现对车辆车型的识别。在BIT-Vehicle车型数据库的实验结果表明,本文所提算法的识别精度为96.69%,识别速度高达70.3帧/s。本文算法在提高车型识别精度的同时保证了实时性,在识别精度和速度方面优于其他算法。     

基于BP神经网络的手写数字识别的算法

由于BP神经网络具有并行处理信息、自组织、自学习信息等优点,本文采用了BP神经网络对手写数字识别进行运算,提取笔画密度、长宽比和欧拉数等特征作为训练样本.并用Matlab对其算法进行仿真,并且很准确的识别出来,说明其有非常广泛的前景.     

基于改进的BP神经网络车牌识别的研究

近年来,城市智能交通系统发展的很快,车牌识别系统作为城市智能交通系统中信息采集的一种重要手段,也引起越来越多关注.本文对车牌识别的形态进行深入研究,应用了改进的BP神经网络算法.实验结果显示这个方法可以更高效的识别车牌并且建立一个良好的未来车牌识别技术的基础.     

车辆类型识别技术的研究

汽车类型自动识别在现代交通管理和监控中有着广阔的应用前景，本文提出一种用于汽车类型识别的BP神经网络分类器的设计问题。在车辆图像预处理和特征提取的基础上进行基于前向三层神经网络的自动识别和分类。