[发明专利]一种基于概率神经网络的喷码字符识别方法

权利要求书

1.一种基于概率神经网络的喷码字符识别方法，其特征在于，所述识别方法包括如下步骤：

1）图像预处理：将输入RGB喷码字符图像进行图像预处理，即将采集到的RGB喷码字符图像转换为灰度图像并进行高斯滤波去噪，保证图像的整体灰度分布特征不变；

2）字符定位：首先采用FAST角点检测方法在步骤1）去噪后的灰度图像中定位喷码字符区域，其具体步骤如下：S1：利用FAST角点检测方法检测灰度图像中的FAST角点；S2：根据检测到角点的特征灰度值进行排序，保留特征灰度值为检测到的总角点数的前40%的角点的位置信息;S3：根据提取到的喷码字符角点灰度值是否相似、数量多、角点位置分布集中特点，第二次删除非喷码字符角点，保存喷码字符区域的位置坐标;然后，将步骤1）中去噪后的灰度图像采用底帽变换法，消除图像受采集环境影响而存在的非均匀光照或阴影区域，并采用自适应阈值的二值化方法即最大类间方差法Otsu得到二值化图像，最后，根据前面保存的喷码字符区域位置坐标，将图像中除喷码字符区域位置以外的位置都视为背景，即取0值，在二值图像中只保留含喷码字符的图像；

 3）字符分割：将喷码字符形成两个较大的连通域，采用霍夫Hough变换法计算喷码字符的倾斜角度，采用双线性差值算法将倾斜喷码字符矫正到水平方向，然后将倾斜矫正后的喷码字符使用3×1结构元素进行膨胀，得到膨胀后的字符图像后，先采用水平投影法将二值喷码字符进行行分割，得到两行喷码字符，再采用垂直投影法将单行二值喷码字符进行列分割，得到单个喷码字符图像，并归一化为42×24大小字符图像，按类存储并建立字符库；

4）特征融合：提取喷码字符的方向梯度直方图特征和喷码字符的网格特征，并将这两种特征进行融合；

5）训练：将喷码字符库中的字符分为训练集和测试集，在训练集上训练PNN，得到分类模型，在测试集上进行测试，以评估所建模型优劣并根据贝叶斯最小风险准则得到最优解，PNN需要设置的参数只有其平滑参数，在测试集上进行测试效果评估，若准确率达到预设要求，则停止网络模型的参数调整，保存PNN分类模型；

6）字符识别：为验证PNN训练的模型对于喷码字符识别的有效性和鲁棒性，采用光照不均、出现倾斜、受噪声污染情况下的图像为实验数据，进行喷码字符的识别。