【正文】 驗印系統(tǒng)等工程應(yīng)用中 , 圖像二值化是它們進行數(shù)據(jù)預(yù)處理的重要技術(shù) . 在很多圖像處理技術(shù)中 , 圖像特征對于最終的識別結(jié)果起著關(guān)鍵作用 . 如在醫(yī)學(xué)數(shù)據(jù)可視化中的切片配準中 , 切片圖像的邊界輪廓特征對于配準是至關(guān)重要。然后再利用變形的數(shù)學(xué)形態(tài)學(xué)運算識別車牌字符。這種方法適用于學(xué)習(xí)系統(tǒng)所處的環(huán)境平穩(wěn)的情況 ,而對于所處的環(huán)境不平穩(wěn)的情況 ,很難自適應(yīng)學(xué)習(xí)環(huán)境特性 ,因此 ,很難保證字符識別系統(tǒng)的要求。(2)特征匹配法 ,每個字符都有它獨特的筆畫特征 ,字符可以分解為具有橫、豎、撇、捺、弓、洞中的一種或幾種特征集合。剩下的問題就是如何用結(jié)構(gòu)元素對物體集合進行變換。同時這種轉(zhuǎn)換是通過一種 稱為結(jié)構(gòu)元素的特征集合來實現(xiàn)的。數(shù)學(xué)形態(tài)學(xué)最先應(yīng)用于二值圖像 ,后來才被推廣到灰度圖像的形態(tài)變換。 數(shù)學(xué)形態(tài)學(xué)是在集合論的基礎(chǔ)上發(fā)展起來的 ,這就決定了它的運算必須由集合運算 (并、交、補 )來定義。因此，集合變換反映著視覺過程。這一基于集合的觀點的一個自然結(jié)果是形態(tài)學(xué)算子的性能將主要以幾何方式進行刻畫，而傳統(tǒng)的理論則以解析的方式描述算子的性能。 這些方法將數(shù)學(xué)形態(tài)學(xué)運算與數(shù)字圖像的特征相結(jié)合 , 有效改進了傳統(tǒng)的車牌定位方法 , 提高了車牌定位的速度和準確度。為了尋求一種智能化的車牌定位方法 ,人們嘗試 利用數(shù)學(xué)形態(tài)學(xué)和小波等原理對傳統(tǒng)的車牌定位方法進行改進 ,取得了一定的成果。 汽車圖像的背景非常復(fù)雜 ,快速、準確地定位車牌是車牌自動識別技術(shù)的關(guān)鍵技術(shù)之一 ,也是研究的熱點和難點。而當(dāng)今許多實際應(yīng)用場合，如在繁忙交通路口臨時對欠稅費報廢掛失等車輛的稽查，則監(jiān)視區(qū)域比較復(fù)雜，現(xiàn)有識別方法無法直接應(yīng)用，一般同時出現(xiàn)多輛汽車，背景有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。 LPR 系統(tǒng)可以廣泛應(yīng)用于高速公路電子收費站、出入控制、公路流量監(jiān)控 、失竊車輛查詢、停車場車輛管理、公路稽查、監(jiān)測黑牌機動車、監(jiān)控違章車輛的電子警察等需要車牌認證的重要場合，尤其在高速公路收費系統(tǒng)中，實現(xiàn)不停車收費技術(shù)可提高公路系統(tǒng)的運行效率， LPR 系統(tǒng)更具有不可替代的作用，因而對 LPR 車牌識別技術(shù)的研究和應(yīng)用系統(tǒng)開發(fā)具有重要的現(xiàn)實意義。高速度、高效率的生活節(jié)奏，使汽車普及成為必然趨勢，交通管理自動化越來越成為亟待解決的問題。然后 輸入 要識別的圖片，進行識別 。 本文主要研究了 車牌字符的識別 技術(shù) ，并 將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于車牌的 識別，在車牌圖像進行預(yù)處理 的基礎(chǔ)上，重點討論了用 BP 神經(jīng)網(wǎng)絡(luò)方法對車牌 字符的識別。 BP 網(wǎng)絡(luò)包含了神經(jīng)網(wǎng)絡(luò)理論中最精華的部分，由于其結(jié)構(gòu)簡單、可塑性強，得到了廣泛 的應(yīng)用，特別它的數(shù)學(xué)意義明確、步驟分明的學(xué)習(xí)算法更使其具有更廣泛的應(yīng)用背景 。 程序結(jié)果顯示該 方法具有一定的可靠性和可 應(yīng) 用性。在這種情況下，作為信息來源的自動檢測、圖 像識別技術(shù)越來越受到人們的重視。 LPR 系統(tǒng)中的兩個關(guān)鍵子系統(tǒng)是車牌定位系統(tǒng)和車牌字符分割識別系統(tǒng)。 車牌定位與識別方法，總體來說是圖像處理技術(shù)與車牌本身特點的有機結(jié)合，當(dāng)然也包括小波分析、神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)學(xué)、模糊理論等數(shù)學(xué)知識的有效運用。長期以來 ,人們不斷探索研究高效的車牌定位方法 ,取得了一定的研究成果 ,有關(guān)這方面的論文屢見不鮮。李波等人提出了基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位方法 ,這種方法先對車牌圖像進行預(yù)處理 ,然后利用基于垂直方向結(jié)構(gòu)元素的腐蝕運算進行濾波 , 再用閉合運算來填補車牌區(qū)域內(nèi)細小孔洞 ,進而增強車牌區(qū) ,使車牌區(qū)成為一個連通區(qū)域 , 最后利用字符邊緣的特征對車牌進行準確的定位。 但數(shù)學(xué)形態(tài)學(xué)在車牌定位中的應(yīng)用還不夠廣泛 ,定位效果還不夠理想 ,有待于進一步探索研究。這種顯式的幾何描述特 點更適合于視覺信息的處理和分析，因此，數(shù)學(xué)形態(tài)學(xué)與幾何的直接關(guān)系是它的 — 個十分吸引人的優(yōu)點。數(shù)學(xué)形態(tài)學(xué)采用具有一定結(jié)構(gòu)和特征（即形態(tài)）的結(jié)構(gòu)元素（ structure element） 去量度影像中的形態(tài) ,進而解決理解問題，這和影像的低層次處理和高層次處理都是一致的。而數(shù)字圖像是由一系列離散的像素點組成 ,可以以某種合理的方式將其轉(zhuǎn)換為集合。這些 基本運算在二值圖像和灰度圖像中各有特點。對集合進行分析就是對集合進行變換，以突 出所需要的信息，所采用的方法是使主觀“探針”與客觀物體相互作用。在形態(tài)學(xué)中定義了兩 個 基本的變換，即腐蝕（ Erosion）和膨脹（ Dilation）。把輸入字符分解為具有上述筆畫的結(jié)構(gòu)特征集合 ,與字符庫中的特征集合進行匹配 , 結(jié)構(gòu)特征最匹配 的字符就是該輸入字符的識別結(jié)果。近年來隨著數(shù)學(xué)形態(tài)學(xué)在數(shù)字圖像處理中的廣泛應(yīng)用 ,人們開始探索用數(shù)學(xué)形態(tài)學(xué)的理論來解決字符識別的問題。 傳統(tǒng)的 車牌 字符識別方法很多 ,但運用數(shù)學(xué)形態(tài)學(xué)進行車牌字符識別的研究還比較少。 在上述各系統(tǒng)中 , 圖像來源各不相同 , 有手寫紙張、印刷紙張、醫(yī)學(xué)圖像、銀行支票等 。由于攝像機的性能、車牌的整潔度、光照條件、拍攝時的傾斜角度及車輛運動 等因素的影響使牌照中的字符可能出現(xiàn)比較嚴重的模糊、歪斜、缺損或污跡干擾，這些都給字符識別帶來了難度。按照空域濾波器的功能又可以分為平滑濾波器和銳化濾波器 ,平滑濾波器常用的方法有鄰域平均法、選擇平均法、中值濾波、自適應(yīng)濾波等 ,其中 ,去噪處理多采用中值濾波 ,能獲得較好的效果。實際中有時需要變換直方圖使之成 為某個特定的形狀 ,從而有選擇地增強某個灰度值范圍內(nèi)的對比度 ,這時可以采用比較靈活的直方圖規(guī)定化方法。第二個階段為基礎(chǔ)理論研究階段。但就多種方法分類來說為二大方法：相關(guān)法和構(gòu)造解析法。七五年日本擁有 650 臺光學(xué)字符識別機，進入了實用階段。一九七八年，中科院自動化研究所等合作研制出了“倍函自動化分檢機”，可識別 0～ 9 個數(shù)字；一九八七年清華大學(xué)研制的漢字識別系統(tǒng)通過了技術(shù)鑒定，可識別國家二級漢字庫 6000 多字，識別率可達 99%，速度為 1 字 /4 秒；一九八七年十二月，西安交大人 工智能和機器人研究所研制的漢字識別系統(tǒng)也通過了技術(shù)鑒定，同樣可識別漢字 6000 多，識別速度可達 1 字 /1 秒，識別率達 98%以上，處于國內(nèi)領(lǐng)先地位。 字符識別 磁識別 光學(xué)識別 機械識別 在線識別 脫機識別 單個字符識別 連筆字符識別 印刷體字符識別 手寫體字符識別 圖 字符識別分 類 南京郵電大學(xué) 2021 屆本科生畢業(yè)設(shè)計（論文） 5 表 幾種識別方法的比較 統(tǒng)計決策 句法結(jié)構(gòu) 模糊判決 邏輯推理 神經(jīng)網(wǎng)絡(luò) 主要理論支柱 概率論 數(shù)理統(tǒng)計 形式語言 自動機技術(shù) 模糊數(shù)學(xué) 演繹邏輯 布爾代數(shù) 神經(jīng)生理學(xué) 模式描述方法 特征向量 符號串、樹、圖 模糊集合 字符串表示的事實 以不同活躍度表示的輸入結(jié)點集 模式類判定 是一個聚合類。 是一種集合運算。 是一個非線性動態(tài)系統(tǒng)。不能反映模式的結(jié)構(gòu)特征，難以描述模式的性質(zhì)，難以從整體考慮識別問題。 優(yōu)點：由于用隸屬度函數(shù)作為樣品與模板間相似度的度量，故往往能反映它們整體的與主要的特性，從而允許樣品有相當(dāng)?shù)母蓴_與畸變。 缺點：當(dāng)樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義 時，效果不好。 南京郵電大學(xué) 2021 屆本科生畢業(yè)設(shè)計（論文） 6 本系統(tǒng)中主要用到的是基于神經(jīng)網(wǎng)絡(luò)的字符識別方法。 ： （ 1）模板匹配法 先在圖像中檢測出已知形狀的目標物，然后用這個目標物的形狀模板與圖像匹配，在約定的某種準則下檢測出目標物圖像，通常稱這種方法為模板匹配法。 （ 2）基于字符特征的字符識別方法 基于字符特征的字符識別算法一般包括以下 3 個步驟： (1)提取字符的特征，建立一個字符特征向量空間，每個字符對應(yīng)向量空間中的一個向量； (2)定義分類函數(shù)； (3)對輸入的字符圖像自動提取相應(yīng)的特征，根據(jù)分類函數(shù)進行特征匹配，識別出相應(yīng)的字符。 常用的結(jié)構(gòu)特征主要有：筆道密度函數(shù)、空洞和缺口、字符的特殊節(jié)點 數(shù)等等?；?BP 神經(jīng)網(wǎng)絡(luò)的車牌字符識別關(guān)鍵在于車牌字符特征提取和 BP 網(wǎng)絡(luò)規(guī)模的大小。其南京郵電大學(xué) 2021 屆本科生畢業(yè)設(shè)計（論文） 7 中漢字 51 個 ,除 I 和 O 以外的英文大寫字母 AZ 和數(shù)字 09,共 34 個字符。粗網(wǎng)格特征提取方法是先把待識別字符進行大小和位置歸一化 ,再等分為 N N 維個網(wǎng)格 ,然后依次統(tǒng)計各網(wǎng)格內(nèi)的黑像素 (或白像素 )的數(shù)量 ,從而取得一個以數(shù)值表示的的網(wǎng)格特征。當(dāng) ),( ff yx 不是整數(shù)時 ,進行像素內(nèi)插變換。對字符 4 提取網(wǎng)格特征的步驟 :對于待識別字符 ,首先歸一化為 32 16 的比例尺寸的字符點陣 ,黑像素為 1,白像素為 0,得出的 0、 1 組成的矩陣即為字符的特征向量。車牌字符識別技術(shù)是 文字識別技術(shù)與車牌圖像自身因素協(xié)調(diào)兼顧的綜合性技術(shù)。車牌字符識別的研究在技術(shù)上已經(jīng)取得了一定突破，然而離復(fù)雜多變的實際應(yīng)用要求還有一定差距，許多新方法僅停留在理論和文章上或者限定在比較狹窄的約束范圍內(nèi)，并不能以產(chǎn)品的形式大范圍投入使用。比如在移動交警稽查、高速公路的監(jiān)視與監(jiān)控、城市交 通要道的監(jiān)視與監(jiān)控，所監(jiān)控的區(qū)域一般會同時出現(xiàn)多輛汽車，背景也比較復(fù)雜，有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。 9 第二章 神經(jīng)網(wǎng)絡(luò) 簡 介 生物神經(jīng)網(wǎng)絡(luò)（ BNN）信息傳遞過程為多輸入單輸出（ MISO）系統(tǒng)，信號為脈沖，當(dāng)脈沖到達突觸前膜時，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)（時間總合效應(yīng)），并且各通道都對電位產(chǎn)生影響（空間總合效應(yīng)）。見圖 。 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。 (2)．線性型 也有兩種情況，全線性型和正線性型，如下： ① 全線性 A=f (W*P+b)=W*p+b ()此時輸出與輸入成正比關(guān)系。 ② 雙曲正切 y=tanh(n) () 輸入與輸出成雙曲正切關(guān)系 。 前向網(wǎng)絡(luò) 結(jié)構(gòu)如圖 所示。 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 ANN 中的核心問題就是如何決定網(wǎng)絡(luò)連接的加權(quán)系數(shù)（ Weight）。 jiij v??? ?? () )( iii yyF ??? () 上式中，△ Wij 為權(quán)值的改變， α 為學(xué)習(xí)系數(shù)， Vi 是當(dāng)前神經(jīng)元的興奮度， δ是實際輸出與期望輸出的偏差。 網(wǎng)絡(luò) 學(xué)習(xí)訓(xùn)練 前面已經(jīng)說過，神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題之一是權(quán)值的確定。這里考慮用梯度法（ Gradient）來找出誤差與加權(quán)系數(shù)的關(guān)系，以得到加權(quán)系數(shù)改變的規(guī)律 。 BP 網(wǎng)絡(luò)的設(shè)計問題 14 在進行 BP 網(wǎng)絡(luò)的設(shè)計時，一般應(yīng)從網(wǎng)絡(luò)的層數(shù)，每層中的神經(jīng)元個數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個方面來進行考慮。另外不能用僅具有非線性激活函數(shù)的單層網(wǎng)絡(luò)來解決問題。 為了對隱含層神經(jīng)元數(shù)在網(wǎng)絡(luò)設(shè)計 時所起的作用有一個比較深入的理解，下面先給出一個有代表性的實例，然后從中得出幾點結(jié)論。通過改變隱含層的節(jié)點數(shù)做試驗，當(dāng) sl＝ 2， 3， 4， 5， 6 以及為 25 和30 時對網(wǎng)絡(luò)進行設(shè)計。從表 2l 中可以看出下面幾種情況： ① 神經(jīng)元數(shù)太少，網(wǎng)絡(luò)不能很好的學(xué)習(xí)，需要訓(xùn)練的次數(shù)也多，訓(xùn)練精度也不高； ② 一般而言，網(wǎng)絡(luò)隱含層神經(jīng)元的個數(shù) S1 越多，功能越大，但當(dāng)神經(jīng)元數(shù)太多，會產(chǎn)生其他的問題 ③ 當(dāng) S1=3， 4， 5 時，其輸出精度都相仿，而 S1=3 是的訓(xùn)練次數(shù)最多。 (4)學(xué)習(xí)速率 學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量。 對于較復(fù)雜的網(wǎng)絡(luò)，在誤差曲面的不同部位可能需要不同的學(xué)習(xí)速率。 BP 網(wǎng)絡(luò)的限制與不足 (1)需要較長的訓(xùn)練時間 這主要是由于學(xué)習(xí)速率太小所造成的。 (3)局部最小值 采用多層網(wǎng)絡(luò)或較多的神經(jīng)元，有可能得到更好的結(jié)果。帶有附加動量因子的權(quán)值調(diào)節(jié)公式為： () () 其中 k 為訓(xùn)練次數(shù)， mc 為動量因子，一般取 左右。對訓(xùn)練開始初期功效很好的學(xué)習(xí)速率，不見得對后來的訓(xùn)練合適。目標函數(shù)中的每一個網(wǎng)絡(luò)可調(diào)參數(shù)有獨工的學(xué)習(xí)速率； ① δδ 規(guī)則； 設(shè) αij(k)為 Wij(k)的學(xué) 習(xí)速率，則 () 式中， γ 是一個正實數(shù)，成為學(xué)習(xí)速率調(diào)整步長。在這兩種情況下，就難于選擇合適的步長參數(shù) γ。除具備卓越的數(shù)值計算能力外，它還提供了專業(yè)水平的符號計算，文字處理，可視化建模仿真和實時控制等功能。