基于CNN同心邻域极值的多车道智能交通系统图像多车牌区域的边缘检测

摘要：

针对现有智能交通系统（ITS）多车牌定位识别算法漏检率高、处理速度慢等问题，在研究细胞神经网络（CNN）理论的基础上，提出了一种基于CNN同心邻域极值（CNE）的ITS图像多车牌区域边缘检测算法，简称CNECNN算法。该算法只需计算CNN中同心邻域内极大值与极小值函数差的二阶微分零交叉点，即可获得图像的边缘。此外，该算法利用CNN稳态能量函数惩罚约束机制优化粒子群适应度函数，在解空间中搜索参数全局最优解以获得CNN邻域极值模板参数。该算法为并行算法，具有运算量小，易于大规模集成电路实现，能够克服早熟收敛等优点。实验结果表明，与传统边缘检测算子和CNN通用机（CNNUM）固定模板参数算法相比，该算法漏检度降低了12.9%。

关键词：多车牌、边缘检测、细胞神经网络(CNN)、同心邻域极值(CNE)、粒子群优化(PSO)

分类号：U49;TP3

资助基金：973计划2007CB310704;国家自然科学基金61121061，61161140320;中央高校基本科研业务费专项资金2012RC0216，2012RC0215资助。

在线出版日期：2014-12-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：52-64