[发明专利]一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统

说明书

技术领域

本发明涉及物联网电动汽车充电桩系统，尤其是一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统。

背景技术

电动汽车充电设施目前主要以充电桩为主，一般一个充电桩一次只能为一辆电动汽车充电。其次充电桩占地面积较小，可以设置在现有停车场、购物广场及其他便于电动汽车停靠的地点，充电桩只提供单相220伏交流电源，需要通过车载充电机对电动汽车进行充电，由于车载充电机功率较小，所以充电桩一般采用慢充方式。政府公务车、企业商用车、示范园区用车等运行区域比较固定集中，则可以在政府集中办公场所或企业集聚附近区域、博览会中心区域建设电动汽车充电站。由于停车场、机场、火车站、酒店、医院、购物中心、超市等公共停车场或者小区停车位中建大量充电桩的场所人、车流量较大，基于物联网的电动汽车充电桩系统上增设摄像头和嵌入式处理系统，应用粗糙集算法于行人车辆目标检测，图像处理系统可对进入充电站区域的行人车辆信息进行识别，识别信息对目前我国推进的平安社区建设具有重要意义。但当前的该图像处理及摄像系统只是简单的具有影音信息录像存储功能，不具备或图像处理功能不足，需要一种能够对图像进行增强处理和边缘检测的算法。

发明内容

本发明的目的是提供一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统，在用于行人/车辆识别中，将粗糙集理论和神经网络二者有机的结合起来作为新的融合模型，既有助于提高系统的实时性，又有助于增强系统的容错能力。

为实现上述目的，本发明通过以下技术方案实现：

一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统，将粗糙集引入到神经网络融合模型中，作为BP网络的前置系统；将每一幅图像表达的信息作为一个知识系统，在此基础上，利用粗糙集的不可分辨关系、近似集合和属性约简的概念分别对图像进行增强处理和边缘检测。

粗糙集在图像处理中应用有两大类：一类是无决策分析，利用不可分辨关系和值约简进行图像分割、增强处理与聚类分析；另一类是有决策分析，主要包括图像特征，如边缘提取，以及对原始图像数据的预处理，如图像分类。

本发明的物联网电动汽车充电桩系统的粗糙集图像识别的有益效果：由于神经网络内部计算复杂，训练时间长，而且容易产生振荡。为加速网络学习过程，提高系统实时性，本发明将粗糙集引入到神经网络融合模型中，作为BP网络的前置系统。使用粗糙集预先对样本空间进行处理，不仅可以消除冗余属性，减少样本空间的维数，而且可以降低构建后端神经网络的复杂性，加快网络的收敛速度，避免产生“过拟合”现象。另外，神经网络在一定程度上能滤除参数采样过程中带来的随机噪声，而粗糙集却对噪声很敏感。两者各有优缺点。在用于行人/车辆识别中，将二者有机的结合起来作为新的融合模型，既有助于提高系统的实时性，又有助于增强系统的容错能力。

附图说明

下面根据附图和实施例对本发明作进一步详细说明。

图1是本发明实施例所述算法经过中值滤波后的车辆图像；

图2是本发明实施例所述的经过背景差分后的车辆图像。

具体实施方式

(1)粗糙集理论在图像处理中的应用

在图像处理中，粗糙集的应用主要有两大类：一类是无决策的分析，主要是利用不可分辨关系和值约简进行图像分割、增强处理与聚类分析等；另一类是有决策的分析，主要包括图像特征，如边缘提取等，也涉及对原始图像数据的预处理，如图像分类等。其基本思想是将每一幅图像表达的信息作为一个知识系统，在此基础上，利用粗糙集中的属性约简、不可分辨关系和近似集合概念分别对图像进行增强处理和边缘检测。

(2)利用神经网络识别图像

神经网络对信息的处理具有自组织、自学习的特点。神经网络中各神经元之间的联结强度用权值大小来表示，这种权值可以事先给定，也可以适应周围环境而不断变化，这种过程称为神经元的学习过程。神经网络用于图像识别具有以下优点：神经网络的信息分布存储于连结权值系数中，使网络具有很高的容错性，而图像识别中往往存在噪声或输入图像的部分损失，因此神经网络可以较好地解决图像识别问题。另外，神经网络的自组织和自学习功能，大大放松了传统图像识别方法所需的约束条件，使其对图像识别问题显示出极大的优越性。本发明采用BP(信息前馈，误差反馈)三层网络构建识别模型，它包括一个输入层，一个隐含层和一个输出层。根据每一次的识别效果，及时更新网络权值，直到网络达到我们预设的精度为止。

(3)将粗糙集和神经网络融合用于行人/车辆识别