[发明专利]基于改进神经网络的火车票号识别的方法及算法

权利要求书

1.基于改进神经网络的火车票号识别方法，其特征在于：

S1，读取火车票图片:结合火车票的图像特征，根据火车票的二维码所在位置能够精确地进行火车票定位；

S2，二维码区域二值化：将二维码图像进行二值化处理；

S3，定位二维码角点：通过寻找轮廓的方法，寻找图形中的闭合的正方形轮廓，进行筛选，筛选出符合周长相等面积相似的轮廓，定位为角点；

S4，图像倾斜校正：对图像进行倾斜校正；

S5，确定身份证号码字符位置：利用二维码角点的位置，运用局部自适应阈值分割火车票票面的身份证号的矩形区域；

S6，基于轮廓的字符提取：在身份证号码区域内，进行轮廓检测，根据检测到的轮廓，得到每一个轮廓的外接矩形；针对得到的轮廓矩形图形中的水平交叉点、垂直交叉点以及对角交叉点的特征项进行提取；

S7，基于身份证号码排列特征的字符筛选；

S8，基于神经网络的字符识别：采用粒子群算法与神经网络算法相结合，建立改进的神经网络模型，然后利用经过训练的神经网络模型对字符进行识别。

2.根据权利要求1所述的基于改进神经网络的火车票号识别方法，其特征在于：所述S2步骤中的二值化，采用基于熵的图像二值化方法，对图像中的每一个灰度级分别求熵，选取使熵最大的灰度级作为分割图像的阈值。

3.根据权利要求1所述的一种火车票号识别方法，其特征在于：所述S4图像倾斜校正的方法如下：

当二维码水平倾斜时，二维码字符自身无错切，只是二维码与x轴成一定角度α，求出α，之后旋转-α就可以完成二维码校正；

当二维码垂直倾斜时，二维码区域同一行间像素存在错位偏移，计算出错位偏移β之后校正；

当二维码混合倾斜时，先进行水平校正，之后垂直校正，所述水平校正、垂直校正的方法同上。

4.根据权利要求1所述的基于改进神经网络的火车票号识别方法，其特征在于：所述S5确定身份证号码字符位置的方法如下：

S5-1，识别身份证号码所在区域

身份证号码所在区域用矩形RECT((L_x,L_y),(R_x,R_y))进行表示，其中，(L_x,L_y)为矩形的左上角坐标，(R_x,R_y)为矩形的右下角坐标，矩形顶点坐标采用公式(1)计算：

式中，Δl_x＝300pixs，Δl_y＝10pixs，Δr_x＝50pixs，Δr_y＝40pixs；

S5-2分割单个身份证号所在的矩形区域；

采用局部自适应阈值分割火车票票面的身份证号码。

5.根据权利要求1所述的基于改进神经网络的火车票号识别方法，其特征在于：所述S6中基于轮廓的字符提取方法如下：

对特征字符进行提取，针对字符中的水平交叉点、垂直交叉点以及对角交叉点的特征项进行提取，提取的特征项Feature使用公式(2)：

Feature＝[F₁,F₂,F₃,F₄,F₅,F₆,F₇,F₈,F₉] (2)

公式中，F₁、F₂、F₃分别代表了垂直5/12点位、垂直1/2点位以及7/1交叉点位对应的点数；F₄、F₅、F₆分别代表了水平1/3点位、水平1/2点位以及水平2/3点位的对应点数；F₇、F₈、F₉分别代表了左右两侧的对角线所对应的交点数和端点数。

6.根据权利要求1-5任一项所述基于改进神经网络的火车票号识别方法，其特征在于：所述S8中，采用粒子群算法与神经网络算法相结合建立改进的神经网络模型的方法如下：

所述神经网络为BP神经网络，包括输入层、输出层以及隐含层三层结构；

提取火车票号的9个特征，因此BP模型参数设置为：输入神经神经元数量N₁＝9、根据Kolmogorov定理，隐含层神经元数量N₂＝2N₁+1，则隐含层神经元数量N₂＝19和输出神经元数量N₃＝1；

使用公式(3)获取BP隐含层的输出：

公式(3)中，ε代表了神经网络输出层的阈值；f代表网络采用的激励函数；c_j代表了隐含层到输出层各个神经元的连接权重；b_j代表了隐含层的输出单元；基于公式(3)并引入公式(2)后，获得公式(4)所代表的的隐含层神经元的输出为：

公式(4)中，θ_j和ω_ij分别代表了隐含层的阈值和隐层与输出层之间的连接权重值；

采用粒子群算法与神经网络算法结合，获得神经网络的最优隐含层阈值或输出层的连接权重值；

所述粒子群算法中的粒子位置、离职变化速度计算公式如(5)、(6)所示：

v_id(t+1)＝v_id(t)+c₁rand₁*(p_pid-x_id(t))+c₂rand₂*(p_gd-x_id(t)) (5)

x_id(t+1)＝x_id(t)+v_id(t+1) (6)

在公式(5)、(6)中，使用rand₁、rand₂标识随机数，其值在0到1的范围内；c₁和c₂代表了种群的学习因子；v_id(t)标识x_id(t)在t时刻下的第i个粒子的移动速度和所对应的位置；

采用粒子群算法与神经网络算法相结合，将粒子群算法获得的最优值应用于神经网络算法，具体的实用度函数如公式(7)所示：

公式(7)中，n代表训练样本总数，m代表神经网络的输出神经元总数，y_i代表粒子的最佳输出值，y_k为粒子实际输出值。