專利名稱：一種基于粗糙集神經網絡的圖像識別的物聯網電動汽車充電樁系統的制作方法
技術領域：
本發明涉及物聯網電動汽車充電樁系統，尤其是一種基于粗糙集神經網絡的圖像識別的物聯網電動汽車充電樁系統。
背景技術：
電動汽車充電設施目前主要以充電樁為主，一般一個充電樁一次只能為一輛電動汽車充電。其次充電樁占地面積較小，可以設置在現有停車場、購物廣場及其他便于電動汽車停靠的地點，充電樁只提供單相220伏交流電源，需要通過車載充電機對電動汽車進行充電，由于車載充電機功率較小，所以充電樁一般采用慢充方式。政府公務車、企業商用車、示范園區用車等運行區域比較固定集中，則可以在政府集中辦公場所或企業集聚附近區域、博覽會中心區域建設電動汽車充電站。由于停車場、機場、火車站、酒店、醫院、購物中心、超市等公共停車場或者小區停車位中建大量充電樁的場所人、車流量較大，基于物聯網的電動汽車充電樁系統上增設攝像頭和嵌入式處理系統，應用粗糙集算法于行人車輛目標檢測，圖像處理系統可對進入充電站區域的行人車輛信息進行識別，識別信息對目前我國推進的平安社區建設具有重要意義。但當前的該圖像處理及攝像系統只是簡單的具有影音信息錄像存儲功能，不具備或圖像處理功能不足，需要一種能夠對圖像進行增強處理和邊緣檢測的算法。
發明內容
本發明的目的是提供一種基于粗糙集神經網絡的圖像識別的物聯網電動汽車充電樁系統，在用于行人/車輛識別中，將粗糙集理論和神經網絡二者有機的結合起來作為新的融合模型，既有助于提高系統的實時性，又有助于增強系統的容錯能力。為實現上述目的，本發明通過以下技術方案實現一種基于粗糙集神經網絡的圖像識別的物聯網電動汽車充電樁系統，將粗糙集引入到神經網絡融合模型中，作為BP網絡的前置系統；將每一幅圖像表達的信息作為一個知識系統，在此基礎上，利用粗糙集的不可分辨關系、近似集合和屬性約簡的概念分別對圖像進行增強處理和邊緣檢測。粗糙集在圖像處理中應用有兩大類一類是無決策分析，利用不可分辨關系和值約簡進行圖像分割、增強處理與聚類分析；另一類是有決策分析，主要包括圖像特征，如邊緣提取，以及對原始圖像數據的預處理，如圖像分類。本發明的物聯網電動汽車充電樁系統的粗糙集圖像識別的有益效果由于神經網絡內部計算復雜，訓練時間長，而且容易產生振蕩。為加速網絡學習過程，提高系統實時性， 本發明將粗糙集引入到神經網絡融合模型中，作為BP網絡的前置系統。使用粗糙集預先對樣本空間進行處理，不僅可以消除冗余屬性，減少樣本空間的維數，而且可以降低構建后端神經網絡的復雜性，加快網絡的收斂速度，避免產生“過擬合”現象。另外，神經網絡在一定程度上能濾除參數采樣過程中帶來的隨機噪聲，而粗糙集卻對噪聲很敏感。兩者各有優缺點。在用于行人/車輛識別中，將二者有機的結合起來作為新的融合模型，既有助于提高系統的實時性，又有助于增強系統的容錯能力。
下面根據附圖和實施例對本發明作進一步詳細說明。圖1是本發明實施例所述算法經過中值濾波后的車輛圖像；圖2是本發明實施例所述的經過背景差分后的車輛圖像。
具體實施例方式(1)粗糙集理論在圖像處理中的應用在圖像處理中，粗糙集的應用主要有兩大類一類是無決策的分析，主要是利用不可分辨關系和值約簡進行圖像分割、增強處理與聚類分析等；另一類是有決策的分析，主要包括圖像特征，如邊緣提取等，也涉及對原始圖像數據的預處理，如圖像分類等。其基本思想是將每一幅圖像表達的信息作為一個知識系統，在此基礎上，利用粗糙集中的屬性約簡、 不可分辨關系和近似集合概念分別對圖像進行增強處理和邊緣檢測。(2)利用神經網絡識別圖像神經網絡對信息的處理具有自組織、自學習的特點。神經網絡中各神經元之間的聯結強度用權值大小來表示，這種權值可以事先給定，也可以適應周圍環境而不斷變化，這種過程稱為神經元的學習過程。神經網絡用于圖像識別具有以下優點神經網絡的信息分布存儲于連結權值系數中，使網絡具有很高的容錯性，而圖像識別中往往存在噪聲或輸入圖像的部分損失，因此神經網絡可以較好地解決圖像識別問題。另外，神經網絡的自組織和自學習功能，大大放松了傳統圖像識別方法所需的約束條件，使其對圖像識別問題顯示出極大的優越性。本發明采用BP(信息前饋，誤差反饋)三層網絡構建識別模型，它包括一個輸入層，一個隱含層和一個輸出層。根據每一次的識別效果，及時更新網絡權值，直到網絡達到我們預設的精度為止。(3)將粗糙集和神經網絡融合用于行人/車輛識別本發明擬采用特征提取、粗糙集與BP神經網絡融合實現對行人/車輛的識別。行人檢測中常用的特征有外觀特征、運動特征和抽象特征，抽象特征既可以用來描述外觀特征，也可以用來描述運動特征。外觀特征用于表示圖像中的行人形狀、尺寸、紋理等靜態信息。由于圖像靜態信息繁多，并不是每一個信息都是識別行人的必要信息，所以通過引入粗糙集理論對行人識別知識空間進行屬性約簡，降低知識空間的維數，提高判斷行人的可靠性。運動特征用于描述行人運動時產生的變化和規律。通過計算運動區域的殘余光流來分析運動體的剛性和周期性，根據非剛性的行人的運動比剛性的車輛運動具有較高的平均殘余光流，將行人區分出來。由于單個的外觀特征與運動特征存在不好克服的局限性，考慮到大量的候選區和復雜的場景會使識別速度降低，只用外形特征訓練一個好的分類器是困難的，因此提出了把外形特征和運動特征融合，組成一個特征集，用神經網絡進行訓練分類。舉例說明，對駛入的車輛進行識別、計算車流量。首先對拍攝的圖像進行灰度處理，經過中值濾波以及粗糙集的上下近似特性得到增強的灰度圖像，如圖1所示。通過自適應背景提取方法提取圖像的背景，當前圖像與背景圖像相減(背景差分圖像)得出如圖2 所示的黑白二值輪廓圖像。然后提取圖像特征，形成特征向量，輸入BP神經網絡，與圖像模板匹配對比，得出訓練好的神經網絡。最后利用該神經網絡，對新圖像進行車輛識別。
圖2為訓練樣本，白色區域為識別對象，可提取白色區域(感興趣區域，疑似車輛輪廓)的長寬比、占用面積等特征，輸入BP神經網絡，可初步判斷是否為車輛或是大面積噪聲。
權利要求
1.一種基于粗糙集神經網絡的圖像識別的物聯網電動汽車充電樁系統，其特征在于， 將粗糙集引入到神經網絡融合模型中，作為BP網絡的前置系統；將每一幅圖像表達的信息作為一個知識系統，在此基礎上，利用粗糙集的不可分辨關系、近似集合和屬性約簡的概念分別對圖像進行增強處理和邊緣檢測。
2.根據權利要求1所述的基于粗糙集神經網絡的圖像識別的物聯網電動汽車充電樁系統，其特征在于粗糙集在圖像處理中應用有兩大類一類是無決策分析，利用不可分辨關系和值約簡進行圖像分割、增強處理與聚類分析；另一類是有決策分析，主要包括圖像特征，如邊緣提取，以及對原始圖像數據的預處理，如圖像分類。
全文摘要
本發明公開一種基于粗糙集神經網絡的圖像識別的物聯網電動汽車充電樁系統，將粗糙集引入到神經網絡融合模型中，作為BP網絡的前置系統；將每一幅圖像表達的信息作為一個知識系統，在此基礎上，利用粗糙集的不可分辨關系、近似集合和屬性約簡的概念分別對圖像進行增強處理和邊緣檢測。采用本發明的技術方案，在用于行人/車輛識別中，將粗糙集理論和神經網絡二者有機的結合起來作為新的融合模型，既有助于提高系統的實時性，又有助于增強系統的容錯能力。
文檔編號G06N3/02GK102254224SQ201110187828
公開日2011年11月23日 申請日期2011年7月6日 優先權日2011年7月6日
發明者李偉, 楊恒, 林曉, 王翊 申請人:無錫泛太科技有限公司