【正文】 in an input image and characters are segmented. Then every individual character image enters the classifier to decide which class it belongs to, and finally the BP network decides which character the character image represents.Image acquisitionPlate locationCharacters segmentation segmentationclassifierChinese characterLetterLetter or numberNumberSpecial characterCharacters recognition The flowchart of LPR systemA. Preprocessing the license plate1) VLP LocationThis process sufficiently utilizes the color feature such as color collocation, color centers and distribution in the plate region, which are described in section II. These color features can be used to eliminate the disturbance of the fake plate’s regions. The flowchart of the plate location is shown in Fig. 3.Characters edge detectionBinary image segmentingCandidate image detectionVehicle plate extraction The flowchart of the plate location algorithmThe regions which structure and texture similar to the vehicle plate are extracted. The process is described as followed: (1) (2)Here, the Gaussian variance is set to be less than W/3 (W is the character stroke width), so gets its maximum value M at the center of the stroke. After convolution, binarization is performed according to a threshold which equals T * M (T). Median filter is used to preserve the edge gradient and eliminate isolated noise of the binary image. An N * N rectangle median filter is set, and N represents the odd integer mostly close to W.Morphology closing operation can be used to extract the candidate region. The confidence degree of candidate region for being a license plate is verified according to the aspect ratio and areas. Here, the aspect ratio is set between and 4 for the reason of inclination. The prior knowledge of color collocation is used to locate plate region exactly. The locating process of the license plate is shown in Fig. 4.Fig. 4 The whole process of locating license plate2) Character segmentationThis part presents an algorithm for character segmentation based on prior knowledge, using character width, fixed number of characters, the ratio of height to width of a character, and so on. The flowchart of the character segmentation is shown in Fig. 5. License plate imagepreprocessingObtain binary imageVertical projectionEliminate space markFig. 5 The flowchart of the character segmentationFirstly, preprocess the license the plate image, such as uneven illumination correction, contrast enhancement, incline correction and edge enhancement operations。通過測試表明，本課題能實現對待車牌圖像的識別功能，可以提供智能化的識別系統(tǒng)，提高了識別速度和準確性。因此在獲得車牌圖像后對車牌傾斜矯正的處理方面，是今后需要改進的地方。圖46　　更換車牌圖像圖47　　圖像處理后的效果圖圖48　　第二幅車牌識別結果根據圖45和圖48對比判斷，第二次車牌識別出現錯誤。常用的菜單也已經集成到了工具欄上，如新建、打開、保存、打印、重新打開圖像、一次執(zhí)行等。為了加快神經網絡的識別速度以及滿足神經網絡輸入向量個數的要求，需要用BLT(Binarization Linear Transform)減少輸入向量，達到個數匹配以及加快識別速度的要求。把這些特征綜合起來就形成了字符的矢量特征。垂直平均寬度是掃描每列看其起始字符點和結束字符點的距離。對于輸入矢量的選取是否全面刻畫字符特征直接影響識別的結果，所以字符特征的選取是一個權衡各方面特征的結果。（13）結束。（4）按照式（316）和式（317）計算中間隱含層各個神經元的凈輸入和輸出 （316） （317）（5）按照式（318）和式（319）計算輸出層各個神經元的凈輸入和實際輸出 t=1,2，…，q （318） t=1,2，…，q （319）（6）根據給定的期望輸出，按照式（320）計算輸出層各個神經元的校正誤差 t=1,2，…，q （320）(7) 按照式（321）計算隱含層各個神經元的校正誤差 j=1,2，…，p （321）（8）按照式（322）和式（323）修正隱含層至輸出層的連接權值V和輸出層神經元的閾值，其中為學習速率，01 ，t=1,2，…，q （322） t=1,2，…，q （323）（9）按照式（324）和式（325）修正隱含層至輸出層的連接權值W和輸出層神經元的閾值，其中為學習速率，01 , j=1,2，…，p （324） j=1,2，…，p （325）（10）隨機選取下一個學習模式對提供給網絡，返回（3），直至全部m個學習模式對訓練完畢。給各連接權值W、V及閾值、賦予之間的隨機值。（4）網絡趨向收斂，即網絡的全局誤差趨向極小值的“學習收斂”過程。因此，每次校正完后，網絡輸出端的誤差對于某些神經元來說也有可能增加，但在進行多次反復計算后，其誤差還是應該變小的。 同理，輸入層至中間層連接權的調整仍按梯度下降法的原則進行。這個網絡的輸入層有n個神經元，輸出層有q個神經元，中間層有P個神經元。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。它也是前向網絡的核心部分，體現了人工網絡的精華。BP網絡能學習和存貯大量的輸入輸出模式映射關系，而無需事前解釋描述這種映射關系的數學方程?！《鄬尤斯ど窠浘W絡由于感知器是單層網絡智能解決現行可分問題，要增強分類能力的唯一途徑就是采用多層網絡，即在輸入和輸出層之間加上隱含構成多層前饋網絡即為BP網絡模型，如圖33所示。閾值也可以包括在連接權矩陣里。下面介紹連接權適量W（或者分量）是怎樣在學習過程中被校正的?！D32　　單極型的S型激活函數 （32）綜上所述，神經元具有以下特點：神經元是一多輸入、單輸出的元件它具有非線性的輸入、輸出特征它具有可塑性，起訴性變化的部分主要是權值的變化，這相當于生物神經元的凸出部分的變化。激活函數有許多類型，其中比較常用的可以歸結為三種形式:閾值型、S型和線性型。通常我們假設神經元有n1個突觸連接，實際輸入變量為。這樣，人工神經元的輸出可描述為　　　 　　　　　 （31）式中，是表示神經元輸入輸出關系的函數，稱為激活函數或輸出函數。圖31為一種典型的人工神經元模型。神經元的排列拓撲結構和突觸的連接強度確立了神經網絡的功能。在神經網絡中，最基本的單元就是神經元?，F在用的比較多的細化算法有Hilditch、Pavlidis、Rosenfeld細化算法和索引表細化算法等。 圖220　　歸一化處理后的牌照圖像　細化處理對圖像的細化過程是求圖像的骨架過程。圖219　　分割出的字符圖像　字幅圖像歸一化字符分割處理后得到的單個數字、字母和漢字圖像，還必須進行歸一化處理，以消除因牌照傾斜帶來的字符在位置和大小上的變化。 圖215　　牌照二值化圖 圖216　　t=1時圖215的點陣水平投影圖的分割圖從圖216可以看出經過一次分割已經把那些明顯分開的區(qū)域分割開了，但是有些區(qū)域過大，并且只有6個區(qū)域（兩條豎線間的區(qū)域）。 圖213　　牌照二值化圖 圖214　　圖213的點陣水平投影圖從投影圖214可以看出字符與字符的分界處往往是投影比較少的地方，并且字符與字符的分界處投影往往接近零或者為零，所以取初始閾值t=1對投影圖進行掃描，過程如下：① “while(project[i]t) i++。此時要根據牌照的大致寬度，結合各字符的輪廓，利用分割、合并的方法正確地分割字符。這三種噪聲都有相應的數學模型，主要是要對噪聲進行濾波，濾波的方法有許多種，例如中指濾波、變換域濾波、小波去噪等。字符分割是識別的基礎，分割的好壞直接影響到識別的效果。在數字圖像處理中，二值圖像占有非常重要的地位。 圖210　　Hough變換原理圖左右傾斜算法如下：首先對牌照區(qū)域進行擴展，使其包含左右邊框，然后對此區(qū)域作水平Sobel變換，對Sobel變換圖求出其水平方向的跳變圖，然后對其進行Hough變換。當從左向右照時，會右傾且右面比左面更傾斜，如圖28所示。對水平方向邊緣點的掃描，可以得出此行上跳變點的分布，對整幅圖進行掃描就得到全部的跳變點的分布。本文采用的是水平灰度變化和Sobel算子來進行圖像處理。在車牌的邊緣部分蘊含了豐富的信息特征，邊緣檢測就是充分利用這些特征來達到定位的目的。這種方法是利用車牌上的特征進行定位，包括形狀、顏色和紋理特征，不如車牌的底色和字符的顏色有明顯的反差來進行識別定位?！∨普諈^(qū)域剪切到如今人類已經在車牌定位方面進行了很多的研究，總結起來主要有以下幾種：（1）基于數學形態(tài)學的車牌定位方法。 圖24　　輪廓圖 　 圖25　　Sobel邊緣檢測后的圖像　車牌定位攝像頭拍攝的圖片不僅僅只有車牌部分的圖片，而且還有車身等區(qū)域的圖片，但只有車牌部分是有用區(qū)域，其他部分都是無用區(qū)域。通過良好的邊緣檢測可以大幅度的降低噪聲、分離出復雜環(huán)境中的車輛圖像，保留完好的車牌字符信息，方便后面的車牌精確定位與字符識別。邊緣通常意味著一個區(qū)域的終結和另一個區(qū)域的開始。要表示灰度圖，就需要把亮度值量化，通常分成0～255共256個級別，0最暗（全黑），255最亮（全白）。由于車牌的種類多排版不一樣，所以本文主要是針對藍底白字的小型民用車進行識別。這個過程中有車牌