【正文】 ； （ 3）由檢索模塊進行牌照搜索與檢測，定位并分割出包含牌照字符號碼的矩形區(qū)域； （ 4）對牌照字符進行二值化并分割出單個字符，經(jīng)歸一化后輸入字符識別系統(tǒng)進行識別。X2是英文字母，表示各省的不同地區(qū) 。 二 算法分析與設計 （一）特征分析 中國汽車牌照中使用的字符集包括 59個漢字、 25個大寫英文字母(字母不包含 I)和 10個阿拉伯數(shù) (09)，三種類型共 94個，且都是印刷體，結(jié)構(gòu)固定、筆畫規(guī)范。識別 范圍也從原來 指定的印刷體數(shù)字、英文字母和部分符號，發(fā)展成為可以自動進行版面分析、表格識別，實現(xiàn)混合文字、多字體、多字號、橫豎混排識別的強大的計算機信息快 速錄入工具。 所謂泛魔，即這個模型把圖像識別過程分為不同的層次，每一層次都有承擔不同職責的特征分析機制稱作一種 小魔鬼 ，由于有 許許多多這樣的機制在起作用，因此叫做“泛魔”識別模型。如果能找到一個相似的原型，這個圖像也就被識別了。同時 ,人能識別的圖像是大量的，如果所識別的每一個圖像在腦中都有一個相應的模板，也是不可能的。例如有一個字母A,如果在腦中有個 A 模板 ,字母 A 的大小、方位、形狀都與這個 A模板完全一致 ,字母 A 就被識別了。為了編制模擬人類圖像識別活動的計算機程序，人們提出了不同的圖像識別模型。圖像處理技術(shù)發(fā)展相當快，而其中對汽車牌照等相關信息的自 動采集和管理對于交通車輛管理、園區(qū)車輛管理、停車場管理、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)的一項重要研究課題。圖像技術(shù)的基礎性研究，特別是結(jié)合人工智能與視覺處理的新算法，從更高水平提取圖像信息的豐富內(nèi)涵，成為人類運算量最大、直觀性最強，與現(xiàn)實世界直接聯(lián)系的視覺和 “ 形象思維 ” 這一智能的模擬和復現(xiàn)，是一個很難而重要的任務。 （二） 圖像識別技術(shù)的發(fā)展趨勢 雖 然圖像識別技術(shù)還不是非常成熟，但現(xiàn)其已經(jīng)有了很多可喜的成果，比如 圖像模式識別 ， 圖像文字識別 。 【關鍵詞】 BP 神經(jīng)網(wǎng)絡；圖像識別； 字符識別； 特征提??；車牌；Matlab 一 課題研究背景 （一） 圖像 識別的提出及應用 隨著信息化時代的不斷發(fā)展，人們越來越多地使用信息化的手段來解決各種問題 —— 辦公自動化、先進制造業(yè)、電子商務 等利用計算機技術(shù)而產(chǎn)生的新興行業(yè)正不斷靠近我們的生活。如今我們也可以把這些技術(shù)應用在交通領域。 基于 MATLAB BP 神經(jīng)網(wǎng)絡的數(shù)字圖像識別 【摘要】 隨著現(xiàn)代社會的發(fā)展，信息的形式和數(shù)量正在迅猛增長。作為智能交通系統(tǒng) (InteUigent Traffic System，簡稱 ITS)中的一個重要組成部分的車牌識別技術(shù)，當然就是其中的重點研究對象。在信息社會中，我們每天都接觸大量的數(shù)據(jù) —— 工作數(shù)據(jù)、個人數(shù)據(jù)、無意間獲得的數(shù)據(jù)等 —— 在這些數(shù)據(jù)中，有些數(shù)據(jù)需要我們?nèi)斯ぬ幚恚行﹦t可以利用計算機快速準確的完成 —— 字符識別就是其中的一個范疇。并且其還在飛速的發(fā)展著，圖像識別的應用正朝著不同的領域滲透著，像 計算機圖像生成 ， 圖像傳輸與圖像通信，高清晰度電視 ， 機器人視覺及圖像測量 ， 辦公室自動化 ， 像跟蹤及光學制導 ， 醫(yī)用圖像處理與材料分析中的圖像分析系統(tǒng) ， 遙感圖像處理和空間探測 ， 圖像變形技術(shù) 等等。 “ 圖像技術(shù) ” 這一上世紀后期誕生的高科技之花，其前途是不可限 量的。汽車牌照自動識別系統(tǒng)就是在這樣的背景與目的下進行研究開發(fā)的。例如模板匹配模型。這個模型 簡單明了，也容易得到實際應用。為了解決模板匹配模型存在的問題，格式塔心理學家又提出了一個原型匹配模型。這種模型從神經(jīng)上和記憶探尋的過程上來看，都比模板匹配模型更適宜，而且還能說明對一些不規(guī)則的，但某些方面與原型相似的圖像的識別。這一模型的特點在于它的層次的劃分。對印刷體漢字的識別率達到 98％ 以上，即使對印刷質(zhì)量較差的文字其識別率也達到 95％以上。牌照在圖像中占有的高度從 20個像素到 50個像素不等。X3從是英文字母或阿拉伯數(shù)字 ； X3X4X5X6X7均是阿拉伯數(shù)字。 區(qū)域搜索與分割 字符分割 歸一化 字符特征提取 單字識別 圖像輸入 預處理 2 總體設計方案 車輛牌照識別整個系統(tǒng)主要是由車牌定位和字符識別兩部分組成，其中車牌定位又可以分為圖像預處理及邊緣提取模塊和牌照的定位及 分割模塊；字符識別可以分為字符分割與特征提取和單個字符識別兩個模塊。 由于拍攝時的光照條件、牌照的整潔程度的影響，和攝像機的焦距調(diào)整、鏡頭的光學畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細節(jié)不清、筆劃斷開或粗細不均，加上牌照上的污斑等缺陷，致使字符提取困難，進而影響字符識別的準確性。 因為系統(tǒng)運行的過程中，主要進行的都是圖像 處理，在這個過程中要進行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高， CPU要求主頻在 600HZ及以上，內(nèi)存在 128MB及以上。 輸入車牌圖像 灰度校正 平滑處理 提取邊緣 圖 31 預處理及邊緣提取流程圖 圖 像 的采集與轉(zhuǎn)換 考慮到現(xiàn)有牌照的字符與背景的顏色搭配一般有藍底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來，例如，對藍底白字這種最常見的牌照，采用藍色 B通道時牌照區(qū)域為一亮的矩形，而牌照字符在區(qū)域中并不呈現(xiàn)。對于將彩色圖 像 轉(zhuǎn)換成灰度圖 像 時，圖 像 灰度值可由下面的公式計算： RGBG ??? (31) 3 RGBG ??? (32) 圖 32 原圖和它的灰度圖以及灰度直方圖 邊緣提取 邊緣是指圖像局部亮度變化顯著的部分，是圖像風、紋理特征提取和形狀特征提取等圖像分析的重要基礎。 （ 1） 灰度校正 由于牌照圖 像 在拍攝時受到種種條件的限制和干擾，圖 像 的灰度值往往與實際景物不完全匹配，這將直接影響到圖 像 的后續(xù)處理。根據(jù)圖象處理系統(tǒng)的條件，最好將灰度范圍展開到 s=(0,255)之間，為此我們對灰度值作如下的變換： s = T(r) r=[r min,， r max] (33) 使得 S∈ [Smin, Smax],其中， T為線性變換， 灰度線性變換 m i nr m a xr m i nr S m a xm a xr S m i nrm i nr m a xr S m i nS m a x ????S (34) 圖 33 線性圖 （ 3） 若 r(50,200)s(0， 255) 則： 150 50255r150255 ????S (35) （ 4） 圖 34 灰度增強后的圖像 （ 2）平滑處理 對 于受噪聲干擾嚴重的圖 像 ，由于噪聲點多在頻域中映射為高頻分量，因此可以在通過低 通濾波器來濾除噪聲，但實際中為了簡化算法，也可以直接在空域中用求鄰域平均值的方法來削弱噪聲的影響，這種方法稱為圖象平滑處理。 圖 36 平滑處理后的圖像 圖像中車輛牌照是具有比較顯著特征的一塊圖 像 區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的； 2 3 i,j 1 4 4 3 2 5 i,j 1 6 7 8 在整體圖 像 中的位置較為固定。圖 7 中包含的噪聲太多，圖 9未經(jīng)濾波直接提取出的邊緣圖像最清晰，所包含的有用信息最多。根據(jù)不同的實現(xiàn)方法，大致可以把現(xiàn)有的定位方法分為直接法和間接法 兩 類。利用車牌的尺寸、字符間距、字符特征等紋理特征定位車牌。利用神經(jīng)網(wǎng)絡和遺傳算法等柔性方法進行計算是當前研究熱點之一。此時可進一步確定牌照在整幅圖 像 中的準確位置。 圖 39 腐蝕后圖像 ， 平滑圖像的輪廓 以及 從對象中移除小對象后