基于神经网络与矩特征的模式识别技术

这一节，将通过一个例子讲述如何用模式识别中的统计方法对锯子、锉子和钳子这三种加工工具进行识别分类，所用的识别方法是一个基于神经网络和矩特征相结合的方法。在识别这三种加工工具时，为什么使用神经网络呢？

其原因主要有两点：首先，加工工具为三维的立体物体，不同的角度、距离和工具在图像中的旋转情况十分复杂，组合千变万化，使用以往方法进行识别的准确率很难保证；其次，由于可以自由变化观测角度，这些物体若用准确的数学模型进行描述将过于复杂，很难应用。

因此，选择具有优异拟合能力的神经网络来进行工具的识别和分类。实现的流程是：首先，通过计算机仿真建立所要识别的三种工具的三维模型，并采集其各个角度的图像获得一个图像序列；接着，预处理图像，求每一幅预处理后图像的7个不变矩，消除图像中平移、旋转和尺度的影响，并将一组7个不变矩和代表该工具的编号作为神经网络的一个训练样本，则一个图像序列能够得到一组训练样本；然后，使用这些样本对网络进行训练，在达到预设的训练条件之后停止训练；最后，使用自适应强分类器对网络性能进行进一步优化。所得到的由若干神经网络组成的自适应强分类器即可用来识别目标，本节最后将对比单个神经网络和优化后的网络的识别结果。(www.xing528.com)

需要说明的是，神经网络具有良好拟合能力的同时，其训练过程很耗费系统资源，具体使用要依据所搭载的硬件平台酌情选择。此外，神经网络本身类似于一个黑箱，在训练好之后，其内部无法用十分精确的数学模型描述，识别的准确率常常无法达到100%。因此，要保证完全准确的识别率，需要采用其他识别方法。