CN114092701A - 一种基于神经网络的符号智能识别方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的符号智能识别方法，涉及人工智能技术领域，本发明首先获取图像A，其次预处理图像，建立预处理系统，对图像A进行分割，得到一组图像；将分割后的区域样本数据图像，进行边缘检测，得到边缘图像，再对新的边缘图像进行编码，得到二进制数组；建立神经网络系统，将编码后的边缘图像二进制数组上传的神经网络，神经网络结合符号所表示的信息生成深度学习结果，输出深度学习结果；最后获取新图像时，重复上述步骤，对得到结果进行匹配，若匹配相同，输出与之对应的信息，若匹配不相同，输出当前信息，并将该图像上传神经网络，补充深度学习结果，本识别方法有着运算量小，识别速度快，识别精度高的优点。

Description

一种基于神经网络的符号智能识别方法

技术领域

本发明属于人工智能技术领域，特别是涉及一种基于神经网络的符号智能识别方法。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用，现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域，图像的传统识别流程分为四个步骤：图像采集→图像预处理→特征提取→图像识别，在图像识别领域中，符号识别也尤为重要，在自动驾驶，在获取图像后，往往需要对图像中的符号进行进一步处理，获取人们所需要的信息。

CN105740878B2公开的一种一种地理信息系统的符号识别方法，其中：

根据从待匹配符号中所提取的几何形状特征信息，确定所述待匹配符号中各子图的特征类型和属性信息，每个待匹配符号包括至少一个子图；根据各所述子图的特征类型，在目标符号库中进行初步筛选得到与各所述特征类型对应的符号；在初步筛选得到的符号中，根据各所述子图的特征类型和属性信息进行多级筛选，得到相似符号集；在所述相似符号集中，根据所述待匹配符号的上下文特征信息确定匹配结果，该发明中只是将多个子图的特征信息进行处理收集，在根据处理收集结果，与待匹配符号进行信息确定匹配结果。

在自动驾驶领域中，现有的符号识别方法，是将图像转化成位图，根据位图转化成灰度图像，再将灰度图像转化成二值图像，根据二值图像转化成字符串，通过字符串进行对比，这一过程需要处理整个图像的全部像素点，处理过程中，识别符号时需要对每一个符号进行重新识别，获取对应信息，运算量大，消耗大量资源，运算结果精确度低，为此我们有必要提出一种基于神经网络的符号智能识别方法。

发明内容

本发明的目的在于提供一种基于神经网络的符号智能识别方法，解决现有的符号识别方法中运算量大，运算精度低的缺点。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于神经网络的符号智能识别方法，包括以下步骤；

S1：获取图像A；

S2：预处理图像，包括具体以下步骤：

S201：建立预处理系统，预处理系统获取S1中的图像A，对图像A进行分割，分割过程中首先计算待分割彩色图像三分量直方图，并分别对其进行初步处理，以使各直方图波形保持光滑；其次采用一种波峰波谷快速定位算法搜索各直方图中波谷，并将波谷作为阈值对各直方图执行多级阈值分割；再次将分割后直方图重新合并，进而构造出一个新的一维直方图，然后对此新直方图二次采用波峰波谷快速定位算法获取波谷，通过二次多级划分进而确定出初始聚类中心；最后采用分水岭算法对待处理彩色图像进行预分割，将得到的分割区域作为数据样本，进行区域编号，得到一组图像a₁,a₂,......a_n；

S202：将S201分割后的区域样本数据图像，首先用高斯滤波器平滑图像，其次计算图像中每个像素点的梯度强度和方向，计算方式是用一阶偏导的有限差分来计算梯度的幅值和方向，再次对梯度幅值进行非极大值抑制，以消除边缘检测带来的杂散响应，最后用双阈值算法检测来确定真实和潜在的边缘，通过抑制孤立的弱边缘最终完成边缘检测，根据对应的图像区域编号a₁,a₂,......a_n提取分割后图像边缘，得到一组新的边缘图像b₁,b₂,......b_n，其中边缘图像为二值图像，边缘处数值为1，其余各处数值为0；

S3：图像编码，对新的边缘图像进行编码，选择该图像最右下角的像素数值为1的点作为起始点，以起始点为圆心，以一定长度r为半径，作圆O，圆O与边缘图像两个交点中的任意一个为终点，记录终点和起点的连线与X轴之间的夹角α₀，选择该终点作为新的起点，以一相同长度r为半径，作圆O₁，圆O₁与边缘图像两个交点中，一个交点为圆O的圆形，另一个交点为新的终点，记录新的圆心和新的终点连线与X轴的夹角α₁，重复上述步骤得到边缘图像的编码数组α₀,α₁,......,α_n，根据边缘图像的编码数组α₀,α₁,......,α_n角度大小进行二进制转化，得到二进制数组β₁,β₂,.......,β_n；

S4：建立神经网络系统，将编码后的边缘图像二进制数组β₁,β₂,.......,β_n上传的神经网络，神经网络结合符号所表示的信息生成深度学习结果，输出深度学习结果；

S5：获取新图像；重复S2、S3，得到的结果与S4中结果进行匹配，若匹配相同，输出与之对应的信息，若匹配不相同，输出当前信息，并将该图像上传神经网络，补充深度学习结果。

优选地，所述S1中通过自动驾驶车辆中的车载相机获取车辆行驶过程中的图像，其中图像包括驾驶过程中的提示牌，警示牌，路标牌。

优选地，S3中圆O半径r的长度的判定是依据在圆O与边缘图像是否只有两个交点，若交点个数大于2，则降低r值，直至每次作圆，圆O与图像只有两个交点，其中r值越小边缘图像越精确，r值越小采样点越多，量化越精细，边缘图像越清晰，当圆与初始圆交叉时，停止做圆。

优选地，S202中高斯滤波器平滑图像的过程为g(x,y)＝h(x,y,σ)*f(x,y)，其中g(x,y)为平滑后的图像，f(x,y)为原图像，h(x,y,σ)为平滑函数，式中

再一副图像中噪点是图像瞬间变化点，为单一点，而图像边缘也为瞬间变化的点，但此边缘点可构成连续的线，通过高斯滤波器平滑图像，平滑掉单一噪点，在图像边缘提取时，不会将高斯噪点误认为图像边缘，进而提高图像边缘检测的准确性。

优选地，步骤S5中再次获取图像后，对图像进行分割，分割后的图像首先转换大小，使得该图像与神经网络系统中图像大小相同，在进行边缘检测以及图像编码，转换成相同大小的图像，便于对图像进行对比，提高对比的精确度。

优选地，步骤S202中将空间域的图像经过傅里叶转化，转换成频率域的图像，再进行图像的边缘检测，图像中的边缘通常由高频组成，因此，在对图像进行快速傅立叶变换后，得到频率域图像，进行边缘检测，减少检测运算量，提高边缘检测的效果。

优选地，步骤S4的神经网络系统中，将首先输入的数据作为样本训练集，作为神经网络系统中子系统的学习系统根据以及输入的数据和实际输出之间的差值来调节参数，令y_k(n)为输入x(n)时神经元k在n时刻的实际输出，d_k(n)表示相应的应有输出，d_k(n)由训练样本给出，则误差信号设为e_k(n)，其中e_k(n)＝d_k(n)-y_k(n)，当e_k(n)的目标函数达到最小，以使网络中每一输出单元的实际输出在统计意义上最逼近应有输出，一旦选定目标函数形式，误差纠正学习就成为一个典型的最优化过程，通过输入的符号图像数据，输出对应的符号含义以及符号信息，通过设置神经网络，在获取新图像后，可快速得到对应的符号含义以及符号信息。

优选地，S5中两组二进制数组的匹配方式采用KS检验，KS检验是一种统计检验方法，其通过比较两组数组中样本的频率分布、或者一个样本的频率分布与特定理论分布，如正态分布之间的差异大小来推论两个分布是否来自同一分布，进而判断两组数组是否相同，通过KS检精确比对两组数组是否相同，来确定输出对应的符号信息。

本发明具有以下有益效果：

本发明中首先对车辆行驶过程中获取的图像进行分割，根据分割后的结果做进一步处理，首先将图像转化成频率域图像，减少检测运算量，提高边缘检测的效果，在对图像进行边缘检测，在图像的边缘检测过程中，通过高斯滤波平滑图像，除去图像噪点，最终得到符号图像的边缘图像，最终得到的符号边缘图像较为精确，且运算量较低。

本发明中在对符号边缘图像进行采样编码时，选择该图像最右下角的像素数值为1的点作为起始点，以起始点为圆心，以一定长度r为半径，作圆O，圆O与边缘图像两个交点中的任意一个为终点，记录终点和起点的连线与X轴之间的夹角α₀，选择该终点作为新的起圆点，以相同长度r为半径，作圆O₁，圆O₁与边缘图像两个交点中，一个交点为圆O的圆心，另一个交点为新的终点，记录新的圆心和新的终点连线与X轴的夹角α₁，重复上述步骤得到边缘图像的编码数组α₀,α₁,......,α_n，根据边缘图像的编码数组α₀,α₁,......,α_n角度大小进行二进制转化，得到二进制数组β₁,β₂,.......,β_n，通过该方式得到的符号边缘图像数字化，与传统位图以及点阵图相比，极大缩小了数据量，减少了数据运算量，且随着边缘图像的等比例放大，只需将半径值r等比例放大，提高了图像对比的准确性。

本发明中通过建立神经网路系统，该系统中，不断录入车辆行驶中的符号信息，以及符号对应的含义，在获取新图像后，将新图像中的符号与神经网络中的符号进行比对，通过神经网络得到对应经过，若对比不到，则将该符号重新录入神经网路系统中，随着更多的符号信息以及符号含义的录入，神经网络智能识别符号速度越快，识别越精确。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于神经网络的符号智能识别方法中首次获取图像流程图；

图2为本发明一种基于神经网络的符号智能识别方法中再次获取图像流程图；

图3为本发明一种基于神经网络的符号智能识别方法中图像边缘检测流程图；

图4为本发明一种基于神经网络的符号智能识别方法的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“中”、“外”、“内”、“下”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

请参阅图1-4所示，本发明为一种基于神经网络的符号智能识别方法，包括以下步骤；

S1：获取图像A；

S2：预处理图像，包括具体以下步骤：

S201：建立预处理系统，预处理系统获取S1中的图像A，对图像A进行分割，分割过程中首先计算待分割彩色图像三分量直方图，并分别对其进行初步处理，以使各直方图波形保持光滑；其次采用一种波峰波谷快速定位算法搜索各直方图中波谷，并将波谷作为阈值对各直方图执行多级阈值分割；再次将分割后直方图重新合并，进而构造出一个新的一维直方图，然后对此新直方图二次采用波峰波谷快速定位算法获取波谷，通过二次多级划分进而确定出初始聚类中心；最后采用分水岭算法对待处理彩色图像进行预分割，将得到的分割区域作为数据样本，进行区域编号，得到一组图像a₁,a₂,......a_n；

S202：将S201分割后的区域样本数据图像，首先用高斯滤波器平滑图像，其次计算图像中每个像素点的梯度强度和方向，计算方式是用一阶偏导的有限差分来计算梯度的幅值和方向，再次对梯度幅值进行非极大值抑制，以消除边缘检测带来的杂散响应，最后用双阈值算法检测来确定真实和潜在的边缘，通过抑制孤立的弱边缘最终完成边缘检测，根据对应的图像区域编号a₁,a₂,......a_n提取分割后图像边缘，得到一组新的边缘图像b₁,b₂,......b_n，其中边缘图像为二值图像，边缘处数值为1，其余各处数值为0；

S3：图像编码，对新的边缘图像进行编码，选择该图像最右下角的像素数值为1的点作为起始点，以起始点为圆心，以一定长度r为半径，作圆O，圆O与边缘图像两个交点中的任意一个为终点，记录终点和起点的连线与X轴之间的夹角α₀，选择该终点作为新的起点，以相同长度r为半径，作圆O₁，圆O₁与边缘图像两个交点中，一个交点为圆O的圆心，另一个交点为新的终点，记录新的圆心和新的终点连线与X轴的夹角α₁，重复上述步骤得到边缘图像的编码数组α₀,α₁,......,α_n，根据边缘图像的编码数组α₀,α₁,......,α_n角度大小进行二进制转化，得到二进制数组β₁,β₂,.......,β_n；

S4：建立神经网络系统，将编码后的边缘图像二进制数组β₁,β₂,.......,β_n上传的神经网络，神经网络结合符号所表示的信息生成深度学习结果，而后输出深度学习结果；

S5：获取新图像；重复S2、S3，得到的结果与S4中结果进行匹配，若匹配相同，输出与之对应的信息，若匹配不相同，输出当前信息，并将该图像上传神经网络，补充深度学习结果。

其中，S1中通过自动驾驶车辆中的车载相机获取车辆行驶过程中的图像，其中图像包括驾驶过程中的提示牌，警示牌，路标牌。

其中，S3中圆O半径r的长度的判定是依据在圆O与边缘图像是否只有两个交点，若交点个数大于2，则降低r值，直至每次作圆，圆O与图像只有两个交点，其中r值越小边缘图像越精确，r值越小采样点越多，量化越精细，边缘图像越清晰。

其中，S202中高斯滤波器平滑图像的过程为g(x,y)＝h(x,y,σ)*f(x,y)，其中g(x,y)为平滑后的图像，f(x,y)为原图像，h(x,y,σ)为平滑函数，式中

再一副图像中噪点是图像瞬间变化点，为单一点，而图像边缘也为瞬间变化的点，但此边缘点可构成连续的线，通过高斯滤波器平滑图像，平滑掉单一噪点，在图像边缘提取时，不会将高斯噪点误认为图像边缘，进而提高图像边缘检测的准确性。

其中，步骤S5中再次获取图像后，对图像进行分割，分割后的图像首先转换大小，使得该图像与神经网络系统中图像大小相同，在进行边缘检测以及图像编码，转换成相同大小的图像，便于对图像进行对比，提高对比的精确度。

其中，步骤S202中将空间域的图像经过傅里叶转化，转换成频率域的图像，再进行图像的边缘检测，图像中的边缘通常由高频组成，因此，在对图像进行快速傅立叶变换后，得到频率域图像，进行边缘检测，减少检测运算量，提高边缘检测的效果。

其中，步骤S4的神经网络系统中，将首先输入的数据作为样本训练集，作为神经网络系统中子系统的学习系统根据以及输入的数据和实际输出之间的差值来调节参数，令y_k(n)为输入x(n)时神经元k在n时刻的实际输出，d_k(n)表示相应的应有输出，d_k(n)由训练样本给出，则误差信号设为e_k(n)，其中e_k(n)＝d_k(n)-y_k(n)，当e_k(n)的目标函数达到最小，以使网络中每一输出单元的实际输出在统计意义上最逼近应有输出，一旦选定目标函数形式，误差纠正学习就成为一个典型的最优化过程，通过输入的符号图像数据，输出对应的符号含义以及符号信息，通过设置神经网络，在获取新图像后，可快速得到对应的符号含义以及符号信息。

其中，S5中两组二进制数组的匹配方式采用KS检验，KS检验是一种统计检验方法，其通过比较两组数组中样本的频率分布、或者一个样本的频率分布与特定理论分布，如正态分布之间的差异大小来推论两个分布是否来自同一分布，进而判断两组数组是否相同，通过KS检精确比对两组数组是否相同，来确定输出对应的符号信息。

在实际运行中，首先对车辆行驶过程中获取的图像进行分割，根据分割后的结果做进一步处理，首先将图像转化成频率域图像，减少检测运算量，提高边缘检测的效果，在对图像进行边缘检测，在图像的边缘检测过程中，通过高斯滤波平滑图像，除去图像噪点，最终得到符号图像的边缘图像，再对符号边缘图像进行采样编码时选择该图像最右下角的像素数值为1的点作为起始点，以起始点为圆心，以一定长度r为半径，作圆O，圆O与边缘图像两个交点中的任意一个为终点，记录终点和起点的连线与X轴之间的夹角α₀，选择该终点作为新的起点，以一相同长度r为半径，作圆O₁，圆O₁与边缘图像两个交点中，一个交点为圆O的圆形，另一个交点为新的终点，记录新的圆心和新的终点连线与X轴的夹角α₁，重复上述步骤得到边缘图像的编码数组α₀,α₁,......,α_n，根据边缘图像的编码数组α₀,α₁,......,α_n角度大小进行二进制转化，得到二进制数组β₁,β₂,.......,β_n，再建立神经网路系统，该系统中，不断录入车辆行驶中的符号信息，以及符号对应的含义，在获取新图像后，将新图像中的符号与神经网络中的符号进行比对，通过神经网络得到对应经过，若对比不到，则将该符号重新录入神经网路系统中。

以上公开的本发明优选实施例只是用于帮助阐述本发明，优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式，显然，根据本说明书的内容，可作很多的修改和变化，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明，本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种基于神经网络的符号智能识别方法，其特征在于，包括以下步骤；

S1：获取图像A；

S2：预处理图像，包括具体以下步骤：

S201：建立预处理系统，预处理系统获取S1中的图像A，对图像A进行分割，分割过程中首先计算待分割彩色图像三分量直方图，并分别对其进行初步处理，以使各直方图波形保持光滑，其次采用一种波峰波谷快速定位算法搜索各直方图中波谷，并将波谷作为阈值对各直方图执行多级阈值分割；再次将分割后直方图重新合并，进而构造出一个新的一维直方图，然后对此新直方图二次采用波峰波谷快速定位算法获取波谷，通过二次多级划分进而确定出初始聚类中心，最后采用分水岭算法对待处理彩色图像进行预分割，将得到的分割区域作为数据样本，进行区域编号，得到一组图像a₁,a₂,......a_n；

S202：将S201分割后的区域样本数据图像，首先用高斯滤波器平滑图像，其次计算图像中每个像素点的梯度强度和方向，计算方式是用一阶偏导的有限差分来计算梯度的幅值和方向，再次对梯度幅值进行非极大值抑制，最后用双阈值算法检测来确定真实和潜在的边缘，通过抑制孤立的弱边缘最终完成边缘检测，根据对应的图像区域编号a₁,a₂,......a_n提取分割后图像边缘，得到一组新的边缘图像b₁,b₂,......b_n，其中边缘图像为二值图像，边缘处数值为1，其余各处数值为0；

S3：图像编码，对新的边缘图像进行编码，选择该图像最右下角的像素数值为1的点作为起始点，以起始点为圆心，以一定长度r为半径，作圆O，圆O与边缘图像两个交点中的任意一个为终点，记录终点和起点的连线与X轴之间的夹角α₀，选择该终点作为新的起点，以相同长度r为半径，作圆O₁，圆O₁与边缘图像两个交点中，一个交点为圆O的圆心，另一个交点为新的终点，记录新的圆心和新的终点连线与X轴的夹角α₁，重复上述步骤得到边缘图像的编码数组α₀,α₁,......,α_n，根据边缘图像的编码数组α₀,α₁,......,α_n角度大小进行二进制转化，得到二进制数组β₁,β₂,.......,β_n；

S4：建立神经网络系统，将编码后的边缘图像二进制数组β₁,β₂,.......,β_n上传的神经网络，神经网络结合符号所表示的信息生成深度学习结果，输出深度学习结果；

S5：获取新图像；重复S2、S3，得到的结果与S4中结果进行匹配，若匹配相同，输出与之对应的信息，若匹配不相同，输出当前信息，并将该图像上传神经网络，补充深度学习结果。

2.根据权利要求1所述的一种基于神经网络的符号智能识别方法，其特征在于，所述S1中通过自动驾驶车辆中的车载相机获取车辆行驶过程中的图像。

3.根据权利要求1所述的一种基于神经网络的符号智能识别方法，其特征在于，S3中圆O半径r的长度的判定是依据在圆O与边缘图像是否只有两个交点，若交点个数大于2，则降低r值，直至每次作圆，圆O与图像只有两个交点，其中r值越小边缘图像越精确。

4.根据权利要求1所述的一种基于神经网络的符号智能识别方法，其特征在于，S202中高斯滤波器平滑图像的过程为g(x,y)＝h(x,y,σ)*f(x,y)，其中g(x,y)为平滑后的图像，f(x,y)为原图像，h(x,y,σ)为平滑函数，式中

5.根据权利要求1所述的一种基于神经网络的符号智能识别方法，其特征在于，步骤S5中再次获取图像后，对图像进行分割，分割后的图像首先转换大小，使得该图像与神经网络系统中图像大小相同，在进行边缘检测以及图像编码。

6.根据权利要求1所述的一种基于神经网络的符号智能识别方法，其特征在于，步骤S202中将空间域的图像经过傅里叶转化，转换成频率域的图像，在进行图像的边缘检测。

7.根据权利要求1所述的一种基于神经网络的符号智能识别方法，其特征在于，步骤S4的神经网络系统中，将首先输入的数据作为样本训练集，作为神经网络系统中子系统的学习系统根据以及输入的数据和实际输出之间的差值来调节参数，令y_k(n)为输入x(n)时神经元k在n时刻的实际输出，d_k(n)表示相应的应有输出，d_k(n)由训练样本给出，则误差信号设为e_k(n)，其中e_k(n)＝d_k(n)-y_k(n)，当e_k(n)的目标函数达到最小，以使网络中每一输出单元的实际输出在统计意义上最逼近应有输出，一旦选定目标函数形式，误差纠正学习就成为一个典型的最优化过程，通过输入的符号图像数据，输出对应的符号含义以及符号信息。

8.根据权利要求1所述的一种基于神经网络的符号智能识别方法，其特征在于，S5中两组二进制数组的匹配方式采用KS检验，KS检验是一种统计检验方法，其通过比较两组数组中样本的频率分布、或者一个样本的频率分布与特定理论分布之间的差异大小来推论两个分布是否来自同一分布，进而判断两组数组是否相同。

Images