【正文】 了 15 25 的特征向量，這個(gè)特征向量記錄的就是字符的特征。 關(guān)鍵字： 車(chē)牌識(shí)別； LPR； 字符識(shí)別；特征提??； BP 神經(jīng)網(wǎng)絡(luò)； Abstract For the discernment to the number plate character, this text applies BP neural work to the automatic discernment of the automobile number plate, on the basis that the number plate picture goes on in advance treated , is it use BP neural work method to car discernment , license plate of character to discuss especially. Will train samples to do the pretreatment of the picture at first, character in number plate cut apart, get the individual character. After making normalization to the character not of uniform size, drew the characteristic to the character 15, wide to draw out for character information of 25 picture behind the normalization, picture white point it puts to be 0, black point of picture is it as 1 , receive 15* 25 characteristic vector quantity like this to put, what the vector quantity of this characteristic is written down is the characteristic of the character . Send the characteristic vector quantity BP work train, get good right value of training, keep him in and . Open picture (namely number plate) discerned to want, go on to picture in advance treated to can discern. The discerning rate is above 90% too。目前指紋識(shí)別、視網(wǎng)膜識(shí)別技術(shù)已經(jīng)到了實(shí)用階段；聲音識(shí)別技術(shù)發(fā)展也相當(dāng)快，而對(duì)汽車(chē)牌照等相關(guān)信息的自動(dòng)采集和管 理對(duì)于交通車(chē)輛管理、園區(qū)車(chē)輛管理、停車(chē)場(chǎng)管理、交警稽查等方面有著十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題。 關(guān)于車(chē)牌識(shí)別技術(shù)及定位系統(tǒng)研究，國(guó)內(nèi)外學(xué)者已經(jīng)作了大量工作，但實(shí)際效果并不理想，對(duì)輔助光源要求高，很難有效解決復(fù)雜背景下多車(chē)牌識(shí)別的技術(shù)難題，如：車(chē)牌圖像的傾斜、車(chē)牌表面污穢或磨損、光線干擾等都會(huì)影響定位的準(zhǔn)確性。一個(gè)車(chē)牌定位與識(shí)別系統(tǒng)基本包括：圖像預(yù)處理、車(chē)牌搜索、車(chē)牌定位、車(chē)牌校正、車(chē)牌字符分割和字符識(shí)別結(jié)果的輸出。現(xiàn)在此法仍不失為一種重要的匹配方法。這一階段 的研究工作是技術(shù)和實(shí)際相結(jié)合，針對(duì)實(shí)際系統(tǒng)的要求和設(shè)備可能提供的條件，提出了更為復(fù)雜的技術(shù)。日本雖說(shuō)起步不是最早，但因投入了大量的人力和物力，目前處于世界領(lǐng)先地位。 我國(guó)是從七十年代開(kāi)始字符研究的。下面以表格的形式，其用到的方法作一簡(jiǎn)單的介紹和比較。用一個(gè)文法表示一類(lèi)， m類(lèi)就有 m個(gè)文法，然后判定未知模式遵循哪一個(gè)文法。從事實(shí)出發(fā)運(yùn)用一系列規(guī)則，推理得到不同結(jié)果， m類(lèi)就有 m個(gè)結(jié)果。 缺點(diǎn)：對(duì)結(jié)構(gòu)復(fù)雜的模式抽取特征困難。 缺點(diǎn)：當(dāng)存在干擾及噪聲時(shí)，抽取基元困難，且易失誤。對(duì)需同過(guò)眾多規(guī)則的推理達(dá)到目標(biāo)確認(rèn)的問(wèn)題，有很好的效果。 缺點(diǎn)：模型在不斷豐富與完善中，目前能識(shí)別的程式類(lèi)還不夠多。抽取代表未知字符模式本質(zhì)的表達(dá)形式 (如各種特征 ) 和預(yù)先存儲(chǔ)在機(jī)器中的標(biāo)準(zhǔn)字符模式表達(dá)形式的集合 (稱(chēng)為字典 ) 逐一匹配，用一定的準(zhǔn)則進(jìn)行判別，在機(jī)器存儲(chǔ)的標(biāo)準(zhǔn)字符模式表達(dá)形式的集合中，找出最接近輸入字符模式的表達(dá)形式，該表達(dá)形式對(duì)應(yīng)的字就是識(shí)別結(jié)果。預(yù)處理的內(nèi)容和要求取決于識(shí)別方法，一般包括行字切分，二值化，規(guī)范化等。學(xué)習(xí)是根據(jù)多個(gè)未知字樣抽取出模式表達(dá)形式，自動(dòng)構(gòu)造或修改充實(shí)字典，不斷提高系統(tǒng)識(shí)別率。然而，無(wú)論是 LPR 算法還是 LPR 產(chǎn)品幾乎都存在一定的局限性，都需要適應(yīng)新的要求而不斷完善，如現(xiàn)有系統(tǒng)幾乎都無(wú)法有效解決復(fù)雜背景下的多車(chē)牌圖像分割定位與有效識(shí)別的技術(shù)障礙，另外也很難適應(yīng) 全天候復(fù)雜環(huán)境及高速度的要求。盡管如此，我國(guó)依然有大量的學(xué)者從事車(chē)牌字符識(shí)別研究，文獻(xiàn)給出了基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別方法，對(duì)于解析度較高和圖像比較清晰 的車(chē)牌，這些方法能有效識(shí)別車(chē)牌中的字符，但對(duì)于較低解析度和較為模糊的車(chē)牌無(wú)能為力，因?yàn)檫@些方法只有在車(chē)牌中的每個(gè)字符被獨(dú)立分割出來(lái)的前提下才能完成識(shí)別工作。 目 前的車(chē)牌識(shí)別方法主要是針對(duì)車(chē)輛自動(dòng)緩?fù)Ｊ召M(fèi)、停車(chē)場(chǎng) 管理等場(chǎng)合，所監(jiān)視的區(qū)域一般只有單一車(chē)輛，背景也比較簡(jiǎn)單。 當(dāng)然，車(chē)牌識(shí)別系統(tǒng)的具體應(yīng)用發(fā)展也很迅猛，從原來(lái)的停車(chē)靜止拍攝場(chǎng)景 應(yīng)用，如收費(fèi)站、停車(chē)場(chǎng)等，發(fā)展到移動(dòng)公路車(chē)輛稽查、違章自動(dòng)報(bào)警、超載闖紅燈等實(shí)時(shí)監(jiān)控場(chǎng)合應(yīng)用，增加神經(jīng)網(wǎng)絡(luò)自適應(yīng)識(shí)別學(xué)習(xí)訓(xùn)練功能，對(duì)于系統(tǒng)響應(yīng)的速度、網(wǎng)絡(luò)化、智能化、識(shí)別成功率等實(shí)用化要求也越來(lái)越高。 系統(tǒng)的基本技術(shù)要求 下面是系統(tǒng)具體要達(dá)到的基本技術(shù)要求 ； 90%； （識(shí)別時(shí)間）不能大于 1S； ； ； ； 系統(tǒng)的軟硬件平臺(tái) (1).系統(tǒng)的軟件平臺(tái) 因?yàn)橄到y(tǒng)運(yùn)行的過(guò)程當(dāng)中，主要進(jìn)行的都是圖象處理，在這個(gè)過(guò)程當(dāng)中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高， CUP要求主頻在 600HZ及其以上，內(nèi)存在 128MB及其 以 上。為了能讓計(jì)算機(jī)系統(tǒng)認(rèn)識(shí)圖像，人們 首先必須尋找出算法，分析圖像的特征，然后將其特征用數(shù)學(xué)的辦法表示出來(lái)并教會(huì)計(jì)算機(jī)也能讀懂這些特征。每一幅圖像都有其本身的特征，其中有些是視覺(jué)直接感受到的自然特征，如亮度、邊緣的輪廓、紋理或色彩等；有些是需要通過(guò)變換或測(cè)量才能得到的人為特征，如譜、直方圖等。特征選擇錯(cuò)誤，分類(lèi)就個(gè)能分得準(zhǔn)確，甚至無(wú)法分類(lèi)。在樣本數(shù)量 不是很多的情況下，用很多特征進(jìn)行分類(lèi)器設(shè)計(jì)，從計(jì)算復(fù)雜程度和分類(lèi)器性能來(lái)看都是不適宜的。 1. 特征形成 根據(jù)待識(shí)別的圖像，通過(guò)計(jì)算機(jī)產(chǎn)生一維原始特征，稱(chēng)之為特征形成。 3. 特征提取 從一組特征中挑選出一些最有效的特征以達(dá)到降低特征空間維數(shù)的目的，這個(gè)過(guò)程叫做特征選擇。對(duì)屬于不同類(lèi)的圖像來(lái)說(shuō)，他們的特征應(yīng)具備明顯的差異。因?yàn)?，封面文字的顏色可以是各種色彩，盡管它們都屬于文字圖像。這兩個(gè)特征基本上反映的是相同的屬性，即細(xì)胞的大小。尤為重要的是用來(lái)訓(xùn)練分類(lèi)器和測(cè)試結(jié)果的圖像樣本隨特征數(shù)量呈指數(shù)關(guān)系增長(zhǎng)。 本科畢業(yè)設(shè)計(jì) (論文 ) 第 10 頁(yè) 對(duì)計(jì)算機(jī)圖像識(shí)別系統(tǒng)而言，物體的形狀是一個(gè)賴(lài)以識(shí)別的重要特征。常用的一種技術(shù)是二值化圖像，即將感興趣的部分（區(qū)域或邊界）標(biāo)以最大灰度級(jí)，把背景（也包括其他任何不感興趣的部分）標(biāo)以最小灰度級(jí)，通常為零。因此，可定義其 pq 階矩為： Mpq=∑∑ f(i,j)ipjq () 不同 p、 q 值下可以得到不同的圖像矩 Mpq。 (4) 面積 區(qū)域的面積定義為區(qū)域中的像素點(diǎn)數(shù)： () 其中 max 為一位圖像的最大灰度級(jí)。圖像的數(shù)為 {f (x,y)}。通常取若干個(gè)特定方向上的投影作為以 {f (x,y)}形狀特征度量，特別地，在 x 軸和 y軸上的投影定義為： () () 應(yīng)用投影定理，可以把二維圖像的問(wèn)題轉(zhuǎn)變?yōu)橐痪S的曲線波形的問(wèn)題。 (1) 面積和周長(zhǎng) 面積 S和周長(zhǎng) L是描述區(qū)域大小的基本特征。例如一個(gè)包含 50 個(gè)像素的對(duì)角線比一個(gè) 50 個(gè)像素的水平直線要長(zhǎng)。以連續(xù)的圓形，正方形和正三角形為例，它們的圓形度 R分別為：圓形 R＝ 1，正方形 R＝ ，正三角形 R＝ 。在粘連字符的切分和文字識(shí)別等領(lǐng)域，經(jīng)常利用宇符輪廓的凹凸特性分析其特征， 基于邊界的形狀特征 １．傅立葉描繪子 對(duì)于邊界來(lái)說(shuō)，最重要的是組成邊界的點(diǎn)的位置信息。 (1) Zahn 描繪子 若以 y=f (x,y)直接進(jìn)行傅立葉交換，則變換的結(jié)果將與具體的 x 和 y 坐標(biāo)值有關(guān)，不能滿(mǎn)足平移和旋轉(zhuǎn)的不變性要求。引入曲線本身的內(nèi)稟參量即曲線弧長(zhǎng) l 構(gòu)造曲線方程，它的參數(shù)表達(dá)式為 z(l)=(x(l),y(l)) () 式中 0≤ l≤ L， L 是曲線全長(zhǎng)?？啥x為： φ*(t)= φ(tL/2Π)+t t?[0,2Π] () 則 φ*(t)是 [0,2Π]的周期函數(shù)，而且它對(duì)封閉曲線 r 的平移、旋轉(zhuǎn)和尺度都是不變的。設(shè)多邊形頂為 v0,v1, ? , vm1, 邊 vi1vi的長(zhǎng)度為△ li(I=1,2,? ,m),如圖 所示。 (2) Person— Fu傅立葉描繪子 上面求 an和 bn時(shí)，已經(jīng)指出對(duì)數(shù)了圖像而言， φ(l)是分段連續(xù)的，即在 (vk1,vk)邊上是常數(shù)，而在端點(diǎn)上是不連續(xù)的，存在跳變。相應(yīng)的傅立葉變換為： () () 其中 ， vk是多邊形第 k 個(gè)頂點(diǎn)的復(fù)數(shù)坐標(biāo)?？?慮數(shù)字圖像像素點(diǎn) (x,y)的一個(gè) 8 鄰域，顯然在該點(diǎn)處的邊界只能在以下幾個(gè)方向：正東、東北、正北、西北、正面、西南、正南和東南，如圖 (a)所示。再加上一些標(biāo)識(shí)碼，即可構(gòu)成鏈碼。因此，邊界鏈碼具有行進(jìn)的方向性，在具體應(yīng)用時(shí)必須加以注意。 (2) 標(biāo)上起始點(diǎn)的坐標(biāo)。奇數(shù)的用人的權(quán)重修正后，邊界的長(zhǎng)度檢測(cè)時(shí)可以彌補(bǔ)圖像離散化的誤差。 神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)元 生物神經(jīng)網(wǎng)絡(luò)（ BNN）信息傳遞過(guò)程為多輸入單輸出（ MISO）系統(tǒng)，信號(hào)為脈沖，當(dāng)脈沖到達(dá)突觸前膜時(shí)，前膜釋放化學(xué)物質(zhì)，結(jié)果在突觸后產(chǎn)生突觸后電位，其大小與脈沖密度有關(guān)（時(shí)間總合效應(yīng)），并且各通道都對(duì)電位產(chǎn)生影響（空間總合效應(yīng)）。見(jiàn)圖 。 2．幾種常用的作用函數(shù) 包括閥值型（硬限制型）、線性型、 S 型函數(shù) (Sigmoid)、輻射基函數(shù)等。 圖 閾值型作用函數(shù)一 本科畢業(yè)設(shè)計(jì) (論文 ) 第 20 頁(yè) 第二種是： () 也就是當(dāng)輸入大于 0時(shí)，輸出為 1；反之為 1。 圖 全線性作用函數(shù) ②．正性型 () 當(dāng)輸入大于 0 時(shí)，輸出與輸入成正比關(guān)系；反之，輸出恒為 0；見(jiàn)圖 。 圖 S 型函數(shù)（雙曲正切） (4)．輻射基函數(shù) ① 高斯函數(shù) 函數(shù)的形狀見(jiàn)圖 。 圖 人工神經(jīng)網(wǎng)絡(luò)基本模型 圖中，輸入經(jīng)過(guò)神經(jīng)元之間的連接值和作用函數(shù)，得到輸出，再與目標(biāo)值相比較 ，根據(jù)其差值信息，反饋回來(lái)進(jìn)行神經(jīng)元之間連接值的調(diào)整。 (2) 層間無(wú)連接； (3) 方向由入到出 . 感知網(wǎng)絡(luò)（ Perceptron 即為此），應(yīng)用最為廣泛。 2． δ 學(xué)習(xí)規(guī)則 也稱(chēng)為誤差校正 規(guī)則或者剃度方法，著 名的 BP 方法即為其中一種。 2．輸入輸出關(guān)系 IH（輸入層到隱藏層 ） ()