纸币序列号提取与识别方法研究
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
( a) 序列号镜像定位图像 ( b) 图 6 ( a)的二值图像 图 6 序列号精确定位
1. 5 序列号字符分割 为了便于字符的识别 ,我们 需要将各个字符分割开来 ,本文采用系垂直投影分 割方法 [ 3 ] 。其基本思路是 :将二值化后的字符图像 在垂直方向上投影 ,根据字符图像由十个字符组成 , 每个字符之间有一定的间距 ,投影图上每个字符投 影之间必然存在峰谷 ,谷的位置就是字符之间的间 隙 。理想状态下两个字符之间的投影值应为零 ,但 由于字符图像的噪声或粘连等干扰 ,造成谷的位置 不为零 。基于此可以设一个阈值 ,小于这个阈值的 就认为是谷 。这样就可以根据投影图从左到右分割 出十个字符来 。其投影图和分割出来的字符如图 7 所示 。由分割出来的字符可以看出 ,每个字符的大 小并不一样 ,纸币中间字符大两边小 。
图 8 归一化后的序列号图
图 9 字符“5”及其矩阵 2. 3 基于 BP神经网络的字符识别 神经网络结构 的设计 [ 6 ]包括 :输入输出神经元个数 、隐含层个数 、 隐含层中神经元数目以及每层传递函数的确定 。一 般情况下 ,输入层与输出层的神经元数目由问题本 身的性质决定 ,隐层的层数及各隐层的神经元数目 则需要由设计者根据问题的性质和对神经网络的性 能要求来决定 。
( a) 100元人民币图像样本 ( b) p rewitt算子边缘检测结果 图 1 100元纸币图像样本及其边缘检测结果
1. 2 倾斜校正 由于拍摄时镜头与纸币的角度 、镜 头发生摆动等因素的影响 ,都可能使纸币中的字符
图 2 图像倾斜校正
收稿日期 : 2009—11—13 作者简介 :艾朝霞 (1979—) ,女 ,陕西米脂人 ,讲师 ,在读研究生 ,研究方向 :信号与信息处理专业 。 E - m ail: aizhaoxia123@163. com
192 - 195. [ 7 ]胡小锋 ,赵 辉. V isual C + + /MATLAB 图像处理与识别实用案例精选 [M ]. 北京 :人民邮电出版社 , 2004.
(责任编辑 :王瑞斌 )
[ 5 ] Trie O D , J ain A K, Taxt T. Feature Extraction M ethods for Character Recognition - A Survey [ J ]. Pattern
Recognition , 1996 , 29 (4) : 6412662. [ 6 ]杨 凡 ,赵建民 ,朱信忠. 一种基于 B P神经网络的车牌字符分类识别方法 [ J ]. 计算机科学 , 2005, 32 ( 8) :
2010年 3月 第 20卷 第 2期
榆林学院学报 JOURNAL OF YUL IN UN IVERSITY
Mar. 2010 Vol. 20 No. 2
纸币序列号提取与识别方法研究
艾朝霞 1. 2
(1. 西安电子科技大学 电子工程学院 ,陕西 西安 710071; 2. 榆林学院 能源工程学院 ,陕西 榆林 719000)
人民币是我国的法定纸币 ,每一张人民币都有 一组序列号 ,它是人民币的“身份证 ”。随着我国经 济的飞速发展和商业活动的日趋频繁 ,货币的发行 流通量日益增大 ,人民币识别与鉴定变得尤为重要 , 而序列号就是一个很重要的防伪点 。另一方面 ,人 民币号码印刷过程中可能出现错号 、重号 、缺号等情 况 ,目前的方法大都是由人工检查完成 ,费时费力 。 因此 ,对序列号自动识别的研究是非常有现实意义 的 。本文提出一种基于投影法和 BP神经网络的纸 币序列号识别方法 。 1 序列号分割 1. 1 边缘检测 [ 1 ] 本系统处理图像的首要步骤是将 其灰度化 ,然后再进行边缘提取工作 。边缘主要存 在于目标与目标 、目标与背景 、区域与区域之间 ,是 图形分割 、纹理特征提取和形状特征提取等图像分 析的重要基础 。本系统采用 Prew itt算子检测边缘 , 如图 1所示 ,图 1 ( a)是 100元纸币的样本图像 ,图 1 ( b)是 Prew itt算子检测边缘结果 ,其序列号边缘 清晰 ,有利于后续特征提取与识别操作 。
参考文献 :
[ 1 ]岗萨雷斯. 数字图像处理 (第二版 ) [M ]. 阮秋琦译. 北京 :电子工业出版社 , 2003.
[ 2 ]肖志涛 ,国澄明 ,孟翔宇. 基于 Hough变换的倾斜文本图像的检测 [ J ]. 红外与激光工程 , 2002, 31 ( 4) : 315
- 317. [ 3 ]张树波 ,赖剑煌. 车牌定位和分割的一种综合方法 [ J ]. 中山大学学报 , 2004, 43 (2) : 126 - 132. [ 4 ]周治紧李玉鑑. 基于投影归一化的字符特征提取方法 [ J ]. 计算机工程 , 2006, 32 (2) : 78 - 83.
步研究 :本文只对人民币币种进行了实验 ,而生活中 美元等各种人民币都被广泛使用 ,所以使算法有效
本 ,其中字母个数为 2 3 140 = 280,数字个数为 8 3 识别各个币种是很有实际意义的 ;由于纸币识别系
140 = 1120。将样本分别送入已设计好的字母和数 统是实时性系统 ,对时间的要求较高 ,故而如何减小
( a) 序列号子图像投影结果 ( b) 分割出来的字符 图 7 字符分割结果
2 序列号识别 经过了前面一系列的预处理步骤 ,已经将人民
币的单个字符分割出来 ,接下来进入序列号识别部 分 。对字符的识别首先要进行特征提取 ,提取字符 特征之前要将其归一化处理 。 2. 1 字符归一化 归一化包括大小归一化 、位置归 一化及笔划粗细归一化 。根据上述已经分割出来的 字符图像可以看出 ,需要用到大小归一化进一步处 理 。而大小归一化有线性归一化和非线性归一化两 种 。线性归一化较简单 ,就是把原始图像线性的拉 伸 ,缩放到规定大小 。本文采用线性归一化将字符 调整为 243 16 像素大小 ,其归一化结果如图 8 所 示 。由后续实验结果可以看出应用线性归一化速度 快 ,识别也取得很好的效果 。 2. 2 字 符 特 征 提 取 特 征 提 取 的 方 法 多 种 多 样 [ 4 - 5 ] ,本实验采用逐像素特征提取法 。其原理是 对图像进行逐行逐列的扫描当遇到白色像素时取其 特征值为 1,遇到黑色像素时取其特征值为 0,这样 当扫描结束以后就形成了一个维数与图像中像素点 的个数相同的特征向量矩阵 。显然 ,该方法原理简 单 ,时间复杂度小 ,运算速度快 ,有利于 BP神经网 络快速收敛 ,以得到较好的训练效果 。虽然该方法 适应性不强 ,但可以通过加大训练样本数目的方法 来增强其适应性 。下面以图 8 中分割出来的字符 “5”为例 ,即图 9 ( a)所示 ,图像大小为 16 ×24像素 , 其对应的矩阵如图 9 ( b)所示 。图 9 ( a)中的白色像 素点用 1表示 ,背景像素点用 0 表示 ,则字符“5”的 特征可用一个维数与图像中像素点的个数相同的向 量矩阵表示 。其它字符也用类似的方法提取特征 。
800
798
识别率 98%
99. 75%
3 仿真实验 [ 7 ] 本文算法主要包括两大模块 :序列号分割模块
和序列号识别模块 。其具体流程如图 10所示 。
4 总结与展望 本文通过对图像处理与识别技术中已有的各种
算法的分析研究 ,设计出了一种基于投影法和 BP 神经网络的纸币序列号识别系统 。该方法反复利用
艾朝霞 :纸币序列号提取与识别方法研究
·69·
( a) 垂直方向投影 ( b) 水平方向投影 图 3 (图 2的投影 )
1. 4 序列号定位 研究人民币序列号规律可以发 现 ,序列号处于整张纸币的左下角相对固定位置 。 以纸币左下角为原点 ,设纸币长为 L ,高为 H ,则序 列号水平方向在纸币左边大约 23 /100L 处 ,垂直方 向在纸币下边 1 /3H处 。本实验取 1 /4L 和 1 /3H 对 序列号子图像进行粗略分割 ,其结果如图 5 所示 。 纸币序列号粗定位后 ,其图像大体包括 3 个组成部 分 :序列号 、面值 100、水印 100。水印 100可以通过 设置适当阈值 ,在二值化过程中将其去除 。剩下的 两个组成部分可通过再次使用投影法将其分离 ,获 得准确的序列号子图像 ,如图 6所示 。
投影法对序列号图像进了由粗糙到精确的分割 ,然 后提取以分割字符的特征 ,通过 BP神经网络分别 对字母和数字进行识别 。实验结果表明 ,本文方法 取得较好的识别效果 。
图 10 算法流程图
通过本文的研究 ,作者认为以下方面值得进一
为了验证本文算法的有效性 ,实验对大量人民 币图像进行了Baidu Nhomakorabea试 。其实 140 张人民币作训练样
字神经网络进行训练 。训练最大次数设为 1000次 , 算法时间复杂度是值得加以研究 ;对于纸币票面状
训练目标误差设为 10 - 5 。并选用另外 100 张人民 况非常复杂的如污染 、破损等 ,要对其进行全面识别
币作为测试集 ,其中字母个数为 2 3 100 = 200,数字 的复杂性更高 。
个数为 8 3 100 = 800。图 11 是本文设计系统的正
摘 要 :通过对人民币序列号的研究 ,提出了一种基于投影法和 BP神经网络的纸币序列号识别方法 。 算法步骤包括对纸币图像进行二值化 、边缘检测 、倾斜校正 、序列号定位 、序列号分割和特征提取 ,算法 最后利用 BP神经网络对纸币序列号进行识别 。实验结果表明 ,该方法不受纸币倾斜影响 ,对图像背景 要求不高 ,平均识别率达到了 99. 375%。 关键词 :序列号识别 ;投影法 ; BP神经网络 中图分类号 : TP391. 41 文献标识码 : A 文章编号 : 1008 - 3871 (2010) 02 - 0068 - 03
针对应用于纸币序列号识别的 BP神经网络 , 必须结合具体情况设计 ,并在实践中不断改进才能
·70·
榆 林 学 院 学 报 2010年第 2期 (总第 87期 )
更好地达到实验的目的 。纸币序列号由 2个英文字 母和 8个数字组成 ,而英文字母有 26个 ,数字有 10 个 。字母“B ”、“ I”、“O ”、“S”、“Z”分别和数字“8”、 “1”、“0”、“5”、“2”相像 ,如果使用同一个网络进行 识别 ,其准确率很难提高 ,故本文设计两个 BP网络 分别进行字母和数字的识别 。本文 BP神经网络的 设置如表 1所示 。
出现一定程度的倾斜 。当我们对这些纸币进行竖直 投影的时候 ,字符的投影在竖直方向相互重叠 ,使得 原本字符之间的间隔的零值投影不存在 。很显然 , 倾斜图像不适合直接用竖直投影的方法进行分割 。 因此 ,有必要对倾斜的纸币图像进行调整和校正 。 通过边缘检测 ,纸币轮廓清晰可见 ,四边都为直线 , 因而可考虑用 Hough变换检测直线 [ 2 ] ,并根据直线 与水平方向的夹角进行旋转校正 。在旋转过程中采 用了双线性插值 ,旋转后轮廓图如图 2所示 。 1. 3 纸币边界坐标确定 经过上述预处理步骤 ,纸 币已经得到校正 ,我们获得了边界清晰的图像 。此 时 ,采用投影法就很容易得到纸币边界坐标 ,即在图 像边界以外 ,图 2 的投影为零 。对图 2 作垂直和水 平投影 ,其结果如图 3所示 。由图 3 ( a)可以获得纸 币的左右边界 (对应横坐标 ) ,由图 3 ( b)可以获得 纸币的上下边界 (对应纵坐标 ) ,综合起来就可以得 到纸币的准确坐标 。然后对图 2 进行分割 ,图 4 是 对应的边缘图像 。
表 1 隐层神经元数目选择
输入层神经元个数 输出层神经元个数 隐藏层神经元个数
字母网络 384
26
102
数字网络 384
10
64
确分割结果显示 。经统计 ,本文算法的识别准确率 如表 2所示 ,其识别率还是较高的 。
字母 数字
图 11 序列号识别结果
表 2 测试集的识别结果
测试集数量 识别数
200
196
1. 5 序列号字符分割 为了便于字符的识别 ,我们 需要将各个字符分割开来 ,本文采用系垂直投影分 割方法 [ 3 ] 。其基本思路是 :将二值化后的字符图像 在垂直方向上投影 ,根据字符图像由十个字符组成 , 每个字符之间有一定的间距 ,投影图上每个字符投 影之间必然存在峰谷 ,谷的位置就是字符之间的间 隙 。理想状态下两个字符之间的投影值应为零 ,但 由于字符图像的噪声或粘连等干扰 ,造成谷的位置 不为零 。基于此可以设一个阈值 ,小于这个阈值的 就认为是谷 。这样就可以根据投影图从左到右分割 出十个字符来 。其投影图和分割出来的字符如图 7 所示 。由分割出来的字符可以看出 ,每个字符的大 小并不一样 ,纸币中间字符大两边小 。
图 8 归一化后的序列号图
图 9 字符“5”及其矩阵 2. 3 基于 BP神经网络的字符识别 神经网络结构 的设计 [ 6 ]包括 :输入输出神经元个数 、隐含层个数 、 隐含层中神经元数目以及每层传递函数的确定 。一 般情况下 ,输入层与输出层的神经元数目由问题本 身的性质决定 ,隐层的层数及各隐层的神经元数目 则需要由设计者根据问题的性质和对神经网络的性 能要求来决定 。
( a) 100元人民币图像样本 ( b) p rewitt算子边缘检测结果 图 1 100元纸币图像样本及其边缘检测结果
1. 2 倾斜校正 由于拍摄时镜头与纸币的角度 、镜 头发生摆动等因素的影响 ,都可能使纸币中的字符
图 2 图像倾斜校正
收稿日期 : 2009—11—13 作者简介 :艾朝霞 (1979—) ,女 ,陕西米脂人 ,讲师 ,在读研究生 ,研究方向 :信号与信息处理专业 。 E - m ail: aizhaoxia123@163. com
192 - 195. [ 7 ]胡小锋 ,赵 辉. V isual C + + /MATLAB 图像处理与识别实用案例精选 [M ]. 北京 :人民邮电出版社 , 2004.
(责任编辑 :王瑞斌 )
[ 5 ] Trie O D , J ain A K, Taxt T. Feature Extraction M ethods for Character Recognition - A Survey [ J ]. Pattern
Recognition , 1996 , 29 (4) : 6412662. [ 6 ]杨 凡 ,赵建民 ,朱信忠. 一种基于 B P神经网络的车牌字符分类识别方法 [ J ]. 计算机科学 , 2005, 32 ( 8) :
2010年 3月 第 20卷 第 2期
榆林学院学报 JOURNAL OF YUL IN UN IVERSITY
Mar. 2010 Vol. 20 No. 2
纸币序列号提取与识别方法研究
艾朝霞 1. 2
(1. 西安电子科技大学 电子工程学院 ,陕西 西安 710071; 2. 榆林学院 能源工程学院 ,陕西 榆林 719000)
人民币是我国的法定纸币 ,每一张人民币都有 一组序列号 ,它是人民币的“身份证 ”。随着我国经 济的飞速发展和商业活动的日趋频繁 ,货币的发行 流通量日益增大 ,人民币识别与鉴定变得尤为重要 , 而序列号就是一个很重要的防伪点 。另一方面 ,人 民币号码印刷过程中可能出现错号 、重号 、缺号等情 况 ,目前的方法大都是由人工检查完成 ,费时费力 。 因此 ,对序列号自动识别的研究是非常有现实意义 的 。本文提出一种基于投影法和 BP神经网络的纸 币序列号识别方法 。 1 序列号分割 1. 1 边缘检测 [ 1 ] 本系统处理图像的首要步骤是将 其灰度化 ,然后再进行边缘提取工作 。边缘主要存 在于目标与目标 、目标与背景 、区域与区域之间 ,是 图形分割 、纹理特征提取和形状特征提取等图像分 析的重要基础 。本系统采用 Prew itt算子检测边缘 , 如图 1所示 ,图 1 ( a)是 100元纸币的样本图像 ,图 1 ( b)是 Prew itt算子检测边缘结果 ,其序列号边缘 清晰 ,有利于后续特征提取与识别操作 。
参考文献 :
[ 1 ]岗萨雷斯. 数字图像处理 (第二版 ) [M ]. 阮秋琦译. 北京 :电子工业出版社 , 2003.
[ 2 ]肖志涛 ,国澄明 ,孟翔宇. 基于 Hough变换的倾斜文本图像的检测 [ J ]. 红外与激光工程 , 2002, 31 ( 4) : 315
- 317. [ 3 ]张树波 ,赖剑煌. 车牌定位和分割的一种综合方法 [ J ]. 中山大学学报 , 2004, 43 (2) : 126 - 132. [ 4 ]周治紧李玉鑑. 基于投影归一化的字符特征提取方法 [ J ]. 计算机工程 , 2006, 32 (2) : 78 - 83.
步研究 :本文只对人民币币种进行了实验 ,而生活中 美元等各种人民币都被广泛使用 ,所以使算法有效
本 ,其中字母个数为 2 3 140 = 280,数字个数为 8 3 识别各个币种是很有实际意义的 ;由于纸币识别系
140 = 1120。将样本分别送入已设计好的字母和数 统是实时性系统 ,对时间的要求较高 ,故而如何减小
( a) 序列号子图像投影结果 ( b) 分割出来的字符 图 7 字符分割结果
2 序列号识别 经过了前面一系列的预处理步骤 ,已经将人民
币的单个字符分割出来 ,接下来进入序列号识别部 分 。对字符的识别首先要进行特征提取 ,提取字符 特征之前要将其归一化处理 。 2. 1 字符归一化 归一化包括大小归一化 、位置归 一化及笔划粗细归一化 。根据上述已经分割出来的 字符图像可以看出 ,需要用到大小归一化进一步处 理 。而大小归一化有线性归一化和非线性归一化两 种 。线性归一化较简单 ,就是把原始图像线性的拉 伸 ,缩放到规定大小 。本文采用线性归一化将字符 调整为 243 16 像素大小 ,其归一化结果如图 8 所 示 。由后续实验结果可以看出应用线性归一化速度 快 ,识别也取得很好的效果 。 2. 2 字 符 特 征 提 取 特 征 提 取 的 方 法 多 种 多 样 [ 4 - 5 ] ,本实验采用逐像素特征提取法 。其原理是 对图像进行逐行逐列的扫描当遇到白色像素时取其 特征值为 1,遇到黑色像素时取其特征值为 0,这样 当扫描结束以后就形成了一个维数与图像中像素点 的个数相同的特征向量矩阵 。显然 ,该方法原理简 单 ,时间复杂度小 ,运算速度快 ,有利于 BP神经网 络快速收敛 ,以得到较好的训练效果 。虽然该方法 适应性不强 ,但可以通过加大训练样本数目的方法 来增强其适应性 。下面以图 8 中分割出来的字符 “5”为例 ,即图 9 ( a)所示 ,图像大小为 16 ×24像素 , 其对应的矩阵如图 9 ( b)所示 。图 9 ( a)中的白色像 素点用 1表示 ,背景像素点用 0 表示 ,则字符“5”的 特征可用一个维数与图像中像素点的个数相同的向 量矩阵表示 。其它字符也用类似的方法提取特征 。
800
798
识别率 98%
99. 75%
3 仿真实验 [ 7 ] 本文算法主要包括两大模块 :序列号分割模块
和序列号识别模块 。其具体流程如图 10所示 。
4 总结与展望 本文通过对图像处理与识别技术中已有的各种
算法的分析研究 ,设计出了一种基于投影法和 BP 神经网络的纸币序列号识别系统 。该方法反复利用
艾朝霞 :纸币序列号提取与识别方法研究
·69·
( a) 垂直方向投影 ( b) 水平方向投影 图 3 (图 2的投影 )
1. 4 序列号定位 研究人民币序列号规律可以发 现 ,序列号处于整张纸币的左下角相对固定位置 。 以纸币左下角为原点 ,设纸币长为 L ,高为 H ,则序 列号水平方向在纸币左边大约 23 /100L 处 ,垂直方 向在纸币下边 1 /3H处 。本实验取 1 /4L 和 1 /3H 对 序列号子图像进行粗略分割 ,其结果如图 5 所示 。 纸币序列号粗定位后 ,其图像大体包括 3 个组成部 分 :序列号 、面值 100、水印 100。水印 100可以通过 设置适当阈值 ,在二值化过程中将其去除 。剩下的 两个组成部分可通过再次使用投影法将其分离 ,获 得准确的序列号子图像 ,如图 6所示 。
投影法对序列号图像进了由粗糙到精确的分割 ,然 后提取以分割字符的特征 ,通过 BP神经网络分别 对字母和数字进行识别 。实验结果表明 ,本文方法 取得较好的识别效果 。
图 10 算法流程图
通过本文的研究 ,作者认为以下方面值得进一
为了验证本文算法的有效性 ,实验对大量人民 币图像进行了Baidu Nhomakorabea试 。其实 140 张人民币作训练样
字神经网络进行训练 。训练最大次数设为 1000次 , 算法时间复杂度是值得加以研究 ;对于纸币票面状
训练目标误差设为 10 - 5 。并选用另外 100 张人民 况非常复杂的如污染 、破损等 ,要对其进行全面识别
币作为测试集 ,其中字母个数为 2 3 100 = 200,数字 的复杂性更高 。
个数为 8 3 100 = 800。图 11 是本文设计系统的正
摘 要 :通过对人民币序列号的研究 ,提出了一种基于投影法和 BP神经网络的纸币序列号识别方法 。 算法步骤包括对纸币图像进行二值化 、边缘检测 、倾斜校正 、序列号定位 、序列号分割和特征提取 ,算法 最后利用 BP神经网络对纸币序列号进行识别 。实验结果表明 ,该方法不受纸币倾斜影响 ,对图像背景 要求不高 ,平均识别率达到了 99. 375%。 关键词 :序列号识别 ;投影法 ; BP神经网络 中图分类号 : TP391. 41 文献标识码 : A 文章编号 : 1008 - 3871 (2010) 02 - 0068 - 03
针对应用于纸币序列号识别的 BP神经网络 , 必须结合具体情况设计 ,并在实践中不断改进才能
·70·
榆 林 学 院 学 报 2010年第 2期 (总第 87期 )
更好地达到实验的目的 。纸币序列号由 2个英文字 母和 8个数字组成 ,而英文字母有 26个 ,数字有 10 个 。字母“B ”、“ I”、“O ”、“S”、“Z”分别和数字“8”、 “1”、“0”、“5”、“2”相像 ,如果使用同一个网络进行 识别 ,其准确率很难提高 ,故本文设计两个 BP网络 分别进行字母和数字的识别 。本文 BP神经网络的 设置如表 1所示 。
出现一定程度的倾斜 。当我们对这些纸币进行竖直 投影的时候 ,字符的投影在竖直方向相互重叠 ,使得 原本字符之间的间隔的零值投影不存在 。很显然 , 倾斜图像不适合直接用竖直投影的方法进行分割 。 因此 ,有必要对倾斜的纸币图像进行调整和校正 。 通过边缘检测 ,纸币轮廓清晰可见 ,四边都为直线 , 因而可考虑用 Hough变换检测直线 [ 2 ] ,并根据直线 与水平方向的夹角进行旋转校正 。在旋转过程中采 用了双线性插值 ,旋转后轮廓图如图 2所示 。 1. 3 纸币边界坐标确定 经过上述预处理步骤 ,纸 币已经得到校正 ,我们获得了边界清晰的图像 。此 时 ,采用投影法就很容易得到纸币边界坐标 ,即在图 像边界以外 ,图 2 的投影为零 。对图 2 作垂直和水 平投影 ,其结果如图 3所示 。由图 3 ( a)可以获得纸 币的左右边界 (对应横坐标 ) ,由图 3 ( b)可以获得 纸币的上下边界 (对应纵坐标 ) ,综合起来就可以得 到纸币的准确坐标 。然后对图 2 进行分割 ,图 4 是 对应的边缘图像 。
表 1 隐层神经元数目选择
输入层神经元个数 输出层神经元个数 隐藏层神经元个数
字母网络 384
26
102
数字网络 384
10
64
确分割结果显示 。经统计 ,本文算法的识别准确率 如表 2所示 ,其识别率还是较高的 。
字母 数字
图 11 序列号识别结果
表 2 测试集的识别结果
测试集数量 识别数
200
196