[发明专利]一种基于概率神经网络的喷码字符识别方法

说明书

本发明公开了一种基于概率神经网络的喷码字符识别方法，其特征在于，包括如下步骤：1）图像预处理；2）字符定位；3）字符分割；4）特征融合；5）训练；6）字符识别。这种方法采用PNN训练的模型对喷码字符进行识别，具有准确度高、训练容易、收敛速度快的优点，在工业喷码字符识别领域具有较好的应用价值。

技术领域

本发明涉及字符智能识别技术，具体是一种基于概率神经网络的喷码字符识别方法。

背景技术

食品、药品的生产日期、生产批次及产地信息一般都是使用喷码字符打印在外包装袋上，消费者和生产者都可以通过这些喷码字符来了解产品的相关信息。目前，传统的喷码字符检测是靠人眼完成，这种方法效率低，成本高。因此，研究自动识别喷码字符的方法对于满足食品、药品的安全具有重要应用价值。

目前，喷码字符识别的方法有：基于模板匹配的方法、基于支持向量机(SVM)的方法等。基于模板匹配的识别方法算法简单，较易实现，但对噪声比较敏感，可靠性不高；支持向量机的方法适用于小样本情况，有着很好的泛化性能，但无法直接支持多分类。由于人工神经网络具有很强的非线性映射能力，在分类问题中能得到很好的结果。

概率神经网络(Probabilistic Neural Network，简称PNN)是一种基于贝叶斯决策理论和Parzen窗的概率密度函数估计的前馈型神经网络，适用于模式分类问题，该网络结构简单，训练时间短，在该网络模式层中的激活函数为径向基函数，选取输入特征空间的子集作为中心计算出局部决策函数，然后将所有的局部决策函数求和计算出全局决策函数，因此，不存在局部最优值问题。

发明内容

本发明的目的是针对现有技术的是不足，而提供一种基于概率神经网的喷码字符识别方法。这种方法采用PNN训练的模型对喷码字符进行识别，具有准确度高、训练容易、收敛速度快的优点，在工业喷码字符识别领域具有较好的应用价值。

实现本发明目的的技术方案是：

一种基于概率神经网络的喷码字符识别方法，与现有技术不同的是，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2)去噪后的灰度图像中定位喷码字符区域，保存喷码字符区域的位置坐标，然后，将步骤2)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；在二值图像中只保留一个包含两行喷码字符的图像；

3)字符分割：将喷码字符形成两个较大的连通域，采用霍夫变换法计算喷码字符倾斜角度，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：若将得到的单个喷码字符图像采用逐像素特征提取算法，则图像所提取的信息量大，耗时，且不能表现图像与图像之间的本质差别，识别正确率低，所以，需要对图像进行特征提取，采用提取喷码字符的方向梯度直方图HOG(Histogram of OrientedGradient，简称HOG)特征和喷码字符的网格特征，将这两种特征进行融合；