基于灰度共生矩阵和BP神经网络的道床板结识别(2)

　　4 分类识别器的设计

　　4.1 BP神经网络学习算法

　　本系统采用BP神经网络的模式识别方法对铁轨道床的图像进行识别与分类，标准的BP神经网络结构如图1所示。

　　BP网络按有教师样本（即目标输出模式）学习方式进行训练，当一对学习模式提供给网络后，其神经元的激活值将从输入层经各中间层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。

　　4.2 分类识别设计的实现

　　在进行道床图像的分类识别时，需要有已经训练成型的分类器模型，可以按下面的步骤获得：

　　（1）输入训练样本。将输入样本进行归一化处理，使训练样本的输入特征值取在[0，1]之间。

　　（2）对网络进行初始化。网络的权值与阈值随机初始化，网络的输入节点取特征向量的维数为5，输出节点取的类别数为2。

　　（3）进行BP网络训练，获取最终的权值与阈值矩阵。

　　（4）输入待识别的样本，进行分类识别。

　　5 实验过程及结论

　　根据上述设计，分别选取100个正常道床和板结道床。首先将100个训练样本采用生成步长d为4并在0°、45°、90°、135°四个方向上生成灰度共生矩阵，求解的特征向量作为bp神经网络分类器识别的特征参数，并训练成型输入分类器，产生聚类输出。

　　根据实验可知，随着训练次数的增加，误差逐渐减小，正确率亦逐渐提高，分类器识别为板结的图像（见表1）。

　　6 结论

　　（1）使用改进的Hough变换检测直线，较快识别道床区域。

　　（2）利用灰度共生矩阵中的二阶矩、对比度、相关、熵、逆差矩为特征向量，实现分类。

　　（3）灰度共生矩阵的生长间距根据道床区域的实际情况自适应的调整。

　　（4）BP神经网络作为非线性的分类器，仅仅需要系统的输入输出为依据就可判断那些为道床已板结的图片，而且识别的误差比较小。

　　参考文献

　　[1] 阮秋琦.数字图像处理学[M].北京：电子工业出版社，2001.

　　[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

　　[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

　　[4] KIRYATI N，ELDAR Y，BRUCKSTE

　　IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303—316.

　　[5] XU L，OJA E.Randomized Hough transform（RHT）：basic mechanisms，algorithms，and computational complexities[C].CVGIP：Image Und-erstanding，1993，57，2.

　　[6] BARAEDI A，PARMIGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans.On Geo-science and Remote sensing，1995，33（2）：293-303.