基于神经网络的图像识别系统的研究

论文摘要

目前图像识别技术与社会生活息息相关,图像识别技术是计算机视觉的一个重要分支,神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新型图像识别技术。要实现图像的识别,首先要通过图像采集设备获得相应图像,从而使图像数字化;然后对图像进行识别,得出它的各种信息。本文利用神经网络对已获得的数字图像进行识别,将BP神经网络引入图像识别领域,并与常规的数字图像处理技术相结合,找出一种具有较强准确性的平面图像识别方法。本文首先分析了传统的图像识别方法,针对传统方法存在的局限性,及图像识别中矢量维数大,而且图像呈现不同状态等复杂情况,在图像处理过程中对图像分割的算法加以研究并对其改进;同时,针对BP神经网络中存在局部极小值的问题,通过在BP网络中加入动量因子的方法,改进网络的效率,提高了图像识别的准确性,并且在网络训练过程中采用自适应改变学习速率的方法,减少了网络的训练次数及训练时间。最后通过实验进行验证,证明优化方法的可行性及有效性,并通过程序设计得以实现,达到较好地效果。

论文目录

• 摘要
• Abstract
• 第1章 前言
• 1.1 研究背景
• 1.2 研究目的与意义
• 1.3 国内外神经网络图像识别的研究现状
• 1.4 论文的研究内容及组织结构
• 第2章 基于神经网络的图像识别技术的研究
• 2.1 图像识别方法
• 2.2 人工神经网络
• 2.2.1 人工神经网络的结构与特点
• 2.2.2 与传统分类器对比
• 2.2.3 神经元基本模型
• 2.3 神经网络识别方法
• 2.3.1 BP 神经网络模型
• 2.3.2 BP 算法的表达
• 2.3.3 BP 算法的步骤
• 2.3.4 BP 网络存在的问题
• 第3章 图像预处理的相关技术
• 3.1 图像预处理
• 3.1.1 图像的灰度化
• 3.1.2 图像的二值化
• 3.1.3 图像增强
• 3.1.4 图像的锐化
• 3.2 图像分割
• 3.2.1 图像分割算法分类
• 3.2.2 边缘检测
• 3.3 特征提取
• 3.3.1 特征提取的常用方法
• 小结
• 第4章 图像处理技术的改进及BP 网络的优化
• 4.1 图像处理技术的改进
• 4.2 BP 神经网络的优化
• 4.2.1 BP 神经网络参数的确定
• 4.2.2 学习速率的整体自适应
• 4.2.3 带动量因子的BP 学习算法
• 小结
• 第5章 基于BP 神经网络的车牌数字识别系统的设计
• 5.1 图像预处理流程图
• 5.2 程序设计
• 5.2.1 图像预处理模块
• 5.2.2 特征提取模块
• 5.2.3 BP 神经网络的图像识别模块
• 5.3 实验结果
• 5.3.1 逐像素特征提取法
• 5.3.2 特征融合法
• 5.4 结果分析及讨论
• 小结
• 第6章 结束语
• 6.1 论文的主要工作
• 6.2 论文的创新及技术难点
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢