【正文】 個(gè)目標(biāo)函數(shù)搜索合并字符內(nèi)的各個(gè)斷裂點(diǎn)是一種有效的方法。”，記下位置 a； ② “while(project[i]=t) i++。所以讓 t=t+2，結(jié)果如圖 217 和圖 218 所示。歸一化處理主要包括位置歸一化和大小歸一化，甚至筆劃（粗細(xì)）歸一化。骨架是二維二值目標(biāo)的重要描述，它指圖像中央的骨骼部分，是描述圖像幾何及拓?fù)湫再|(zhì)的重要特征之一。車牌圖像進(jìn)行預(yù)處理后，細(xì)化處理是關(guān)系到后面能否正確提取字符特征值的關(guān)鍵，本文使用 Rosenfeld 骨架細(xì)化的方法，細(xì)化處理后可以得到圖 像中字符的基本骨架，不會(huì)破壞原來的連通性。 人工神經(jīng)元 神經(jīng)元由三部分組成：樹突、細(xì)胞體、軸突。形象的說，神經(jīng)網(wǎng)絡(luò)是由大量處理單元（神經(jīng)元）廣泛連接而成的網(wǎng)絡(luò)，是對(duì)人腦的抽象、簡化和模擬，反映人腦的基本特性。 圖 31 人 工神經(jīng) 元模型 人工神經(jīng)元相當(dāng)于一個(gè)多輸入單輸出的非線性閾值器件。設(shè) XTW?是權(quán)與輸入的矢量積（標(biāo)量），相當(dāng)于生物神經(jīng)元由外加刺激引起的膜內(nèi)電位的變化。那么可設(shè) 1??nX ， ??nW ，這樣就加入了閾值這個(gè)量。本文采用 S 型激活函數(shù)。 神經(jīng)元的輸出響應(yīng)是各個(gè)輸入值的綜合作用的結(jié)果。 令 jiW 為第 i 個(gè)神經(jīng)元的第 j 個(gè)輸入連接權(quán)，這個(gè)輸入可以是外來的輸入信號(hào)，也可以來自其他神經(jīng)元的輸出。 學(xué)習(xí)信號(hào) r 是 iW 和 X 的函 數(shù)，有時(shí)也包括教師信號(hào) id ,所以有 ),( idXiWrr ? （ 33） 權(quán)矢量 Wi 的變化是由學(xué)習(xí)步驟按時(shí)間 t,t+1…… 一步一步進(jìn)行計(jì)算的。這是一種三層 BP 網(wǎng)絡(luò)，一般來講， BP 網(wǎng)絡(luò)是一種具有三層或三層以上的多層神經(jīng)元網(wǎng)絡(luò)，它的左、右各層之間各個(gè)神經(jīng)元實(shí)現(xiàn)全 連接，即左層的每一個(gè)神經(jīng)元與右層的每個(gè)神經(jīng)元都有連接，而同層內(nèi)的各神經(jīng)元之間無連接。它的學(xué)習(xí)規(guī)則是使用最速下降法 ，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。 BP 網(wǎng)絡(luò)的實(shí)現(xiàn)分為兩個(gè)階段：學(xué)習(xí)階段和識(shí)別階段。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。由于中間層與輸入、輸出端沒有直接的聯(lián)系，所以也常把中間層成為隱含層。 同理，輸入層至中間層連接權(quán)的調(diào)整仍按梯度下降法的原則進(jìn)行。 BP 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則實(shí)現(xiàn)的是學(xué)習(xí)模式集合上平方和誤差 kE （或 E ）的梯度下降，而不是特定某個(gè)分量的絕對(duì)誤差 kj? 的梯度下降。 （ 3）由 “模式順 傳播 ”過程和 “誤差逆?zhèn)鞑?”過程反復(fù)交替進(jìn)行的網(wǎng)絡(luò) “記憶訓(xùn)練 ”過程。 BP 算法描述如下： （ 1）初始化。輸入層的各個(gè)處理單元對(duì)輸入模式不進(jìn)行處理，只是簡單地將接收到的輸入模式作為相應(yīng)的輸出模式傳遞給隱含層，即輸入層的輸出向量與輸入模式向量相同。 （ 12）更新網(wǎng)絡(luò)學(xué)習(xí)次數(shù)，若學(xué)習(xí)次數(shù)小于規(guī)定的次數(shù)，返回（ 2）。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 20 開 始連 接 權(quán) 及 閾 值 初 始 化學(xué) 習(xí) 模 式 對(duì) 提 供 給 網(wǎng) 絡(luò)計(jì) 算 中 間 層 各 單 元 的 輸 入 、 輸 出計(jì) 算 輸 出 層 各 單 元 的 輸 入 、 輸 出計(jì) 算 輸 出 層 各 單 元 的 校 正 誤 差計(jì) 算 中 間 層 各 單 元 的 校 正 誤 差調(diào) 整 中 間 層 至 輸 出 層 之 間 的 連 接 權(quán)及 輸 出 層 各 單 元 的 輸 出 閾 值調(diào) 整 輸 入 層 至 中 間 層 之 間 的 連 接 權(quán)及 輸 出 層 各 單 元 的 輸 出 閾 值更 新 學(xué) 習(xí) 輸 入 模 式更 新 學(xué) 習(xí) 次 數(shù)全 部 模 式 訓(xùn) 練 完 ？誤 差 ε 或 學(xué) 習(xí) 次 數(shù) N ？學(xué) 習(xí) 結(jié) 束NNYY 圖 34 BP 網(wǎng)絡(luò)學(xué)習(xí)算法流程圖 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 21 第四章 基于 BP 網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng) 字符特征提取 字符特征提取就是在字符圖像中需要提取出字符的特征來表示這個(gè)字符，所以需要設(shè)計(jì)出一組能代表字符特征的數(shù)據(jù) 。 （ 2） 水平寬度 水平平均寬度是掃描每行看其起始字符點(diǎn)和結(jié)束字符點(diǎn)的距離。 列投影，對(duì)每列記錄其字符點(diǎn)數(shù)目。提取單一的特征送入神經(jīng)網(wǎng)絡(luò)的識(shí)別效果并不十分理想，這里通過提取二值化字符的各北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 22 方面特征，如投影距離、投影直方圖、矩、區(qū)域密度、輪廓線特征系數(shù)，送入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。 圖 42 程序主界面 程序的主要功能都通過這幾個(gè)菜單來實(shí)現(xiàn)。 圖 45 車牌識(shí)別結(jié)果 更換一張車輛圖片，按照上述步驟執(zhí)行，依次得到的結(jié)果如 圖 46～圖 48所示。T5505，由于獲得的車牌處理后較為傾斜，因此在識(shí)別過程中出現(xiàn)了偏差， 造成識(shí)別不準(zhǔn)確。 查閱大量資料，了解了 BP 神經(jīng)網(wǎng)絡(luò)的算 法，體會(huì)到了神經(jīng)網(wǎng)絡(luò)的優(yōu)勢和在未來發(fā)揮的作用。此外，對(duì)于外界環(huán)境的變化，如光照和夜間等情況，若能克服，將對(duì)交通狀況智能化具有重大意義。 展望 該課題車牌識(shí)別系統(tǒng)是一個(gè)實(shí)用性和強(qiáng)的智能識(shí)別系統(tǒng)，但由于實(shí)際的環(huán)境和學(xué)術(shù)知識(shí)的局限，讓整個(gè)系統(tǒng)還有很多有待改善的地方。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 26 第五章 總結(jié)與展望 總結(jié) 本文利用 C++對(duì)車牌圖像進(jìn)行數(shù)字化處理，最后利用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別，再根據(jù)前人研究的基礎(chǔ)上，對(duì)該設(shè)計(jì)的流程和出現(xiàn)的問題進(jìn)行研究和處理，主要對(duì)圖像預(yù)處理，車牌圖像的定位，車牌圖像的字符分割，車牌字符識(shí)別四個(gè)方面做了系統(tǒng)的研究。車牌魯 A打開一個(gè)灰度化處理后的圖片，如 圖 43 所示 ，點(diǎn)擊車牌提取及預(yù)處理依次進(jìn)行車牌定位、車牌二值化、車牌歸一化、車牌字符細(xì)化等步驟，得到如 圖 44 所示的 車牌圖像，即為處理過后的車牌圖像。對(duì)一 些形狀類似的字符，如 Q、 O 與 D、 B 與 T 與 7 等，神經(jīng)網(wǎng)絡(luò)不能很正確地分辨，所以還要進(jìn)行后續(xù)的拓?fù)浞治?，以確保字符的正確識(shí)別。 系統(tǒng)識(shí)別模塊 本系統(tǒng)識(shí)別模塊如 圖 41 所 示。 （ 3） 區(qū)域分布 把 3216 的字符區(qū)域分成 32 小區(qū)域，統(tǒng)計(jì)每個(gè)區(qū)域中字符點(diǎn)的數(shù)目。那么，矢量選取的方法有： （ 1） 基元數(shù) 水平基元數(shù)是掃描字符的每行看其有幾個(gè)線段。 在以 上學(xué)習(xí)步驟中（ 3） （ 5）為輸入學(xué)習(xí)模式 的 “ 順傳播過程 ” ， （ 6） （ 9）為網(wǎng)絡(luò)誤差 的 “ 逆?zhèn)鞑ミ^程 ” ， （ 10）完 成 “ 學(xué)習(xí)訓(xùn)練 ” （ 11）～（ 12）為收斂過程。 （ 11）判斷網(wǎng)絡(luò)全局誤差 E 是否滿足精 度要求，及 E?? 。 （ 2）隨機(jī)選取一個(gè)學(xué)習(xí)模式對(duì)量對(duì)（ ,kkXY）提供給網(wǎng)絡(luò)。 下面以三層 BP 網(wǎng)絡(luò)介紹其算法。 BP 網(wǎng)絡(luò)學(xué)習(xí)算法 BP 神經(jīng)網(wǎng)絡(luò)采用 BP 算法進(jìn)行學(xué)習(xí)，其學(xué)習(xí)過程分為四個(gè)階段： （ 1）輸入模式是由輸入層經(jīng)過隱含層向輸出層逐層傳遞的 “模式順傳播 ”過程。,2,1( pjni ?? ?? 同樣也可求出閾值的調(diào)整量，利用對(duì)于連接權(quán)的調(diào)整公式 kjktjt bdV ???? ? ，取輸出層的輸入 kjb 1? 帶入上式，則輸出層 閾值的調(diào)整量為： ktt d??? ?? ),2,1( qt ?? （ 313） 同理根據(jù) kikjij aeW ???? ? ，取中間層的輸入 1?kia ，則中間層的閾值的調(diào)整量為： kjej ??? ?? ),2,1( pj ?? （ 314） 以上的推到僅是針對(duì)某一組學(xué)習(xí)模式進(jìn)行的，其誤 差也是某一組的誤差。 激活函數(shù) 的導(dǎo)數(shù)為 )](1)[()(39。下面介紹一個(gè)三層網(wǎng)絡(luò)模型的誤差逆?zhèn)鞑W(xué)習(xí)規(guī)則的原理。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)的模型都采用 BP 網(wǎng)絡(luò)及其變化形式。 BP 網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。從 t 時(shí)刻到下一個(gè)時(shí)刻 t+1,連接權(quán)可按下式計(jì)算： )()](),(),([)()1( tXtidtXtiWcrtiWtiW ??? （ 34） 離散學(xué)習(xí)步驟可寫成 kkikkikiki XdXWcrWW ],[1 ??? （ 35） 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 15 其中 c 是一個(gè)正常數(shù)，成為學(xué)習(xí)常數(shù)，決定學(xué)習(xí)的速率。對(duì)于不同的學(xué)習(xí)規(guī)則，神經(jīng)元的激活函數(shù)是不同的。 神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 神經(jīng)元網(wǎng)絡(luò)的最大特點(diǎn)就是它有學(xué)習(xí)的能力，在學(xué)習(xí)過程中，主要是網(wǎng)絡(luò)的連接權(quán)的值產(chǎn)生了相應(yīng)的變化，學(xué)習(xí)到的內(nèi)容也是記憶在連接 權(quán)之中。特的輸入輸出關(guān)系由下圖表示，式（ 32）是它的表達(dá)式。因細(xì)胞在每次放電之后都需要一定的時(shí)間恢復(fù)，也就是說神經(jīng)元的興奮存在不應(yīng)期，即相鄰二次興奮之間需要的時(shí)間間隔（大約為 ） ,在此期間閾值會(huì)升高，即絕對(duì)不應(yīng)期內(nèi)的閾值上升為無窮大。這里為了表達(dá)簡單沒有寫出閾值 θ。如果輸入信號(hào)的加權(quán)和超過 ? ，則人工神經(jīng)元被激活。人工神經(jīng)元模型是生物神北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 13 經(jīng)元的模型與抽象。軸突是單根長纖維，它把細(xì)胞體的輸入信號(hào)導(dǎo)向其他的神經(jīng)元。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 12 圖 221 細(xì)化處理后的牌照 第三章 BP 神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Network, ANN）也稱為神經(jīng)網(wǎng)絡(luò)（ Neural Networks， NN），即從生物學(xué)神經(jīng)系統(tǒng)的信號(hào)傳遞而抽象發(fā)展成的一門學(xué)科。非迭代算法有基于距離變換的方法等，迭代方法是通過重復(fù)刪除像素邊緣，直到得到單獨(dú)像素寬度的圖像為止。歸一化后的牌照?qǐng)D像如圖 220 所示 。分割出的牌照字符圖像如圖 219 所示。 分割效果如圖 215 和圖 216 所示。本文中字符分割的算法如下，如圖 213 和圖 214 所示。由于二值化的原因，可能會(huì)產(chǎn)生粘連、斷裂的字符。經(jīng)常影響圖片質(zhì)量的噪聲源可分為三類，一是在感光片上的圖像會(huì)受到感光顆粒噪聲的影響；二是圖像從光學(xué)到電子形式的轉(zhuǎn)換是一個(gè)統(tǒng)計(jì)過程，這是因?yàn)槊總€(gè)圖像像素接收到的光子數(shù)目是有限的；三是處理信號(hào)的電子放大器會(huì)引入熱噪聲。 圖 211 牌照二值化圖 字符分割 字符分割是將車牌圖像的七個(gè)字符分割成一個(gè)個(gè)獨(dú)立的字符圖像，以供下一步神經(jīng)網(wǎng)絡(luò)識(shí)別用。 二值化是指把整幅圖像畫面轉(zhuǎn)換為僅黑、白二值的圖像。 圖 28 向右邊傾斜的牌照 圖 29 向左邊傾斜的牌照 矯正的方法是采用 Hough 變換，其原 理如下： 極坐標(biāo)中直線的方程為： cos si n rs x y???? 式中 s 是直線離原點(diǎn)的法線距離， ? 是該法線對(duì) x 軸的角度，如圖 210 所示。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 8 圖 27 分割后的車牌 牌照幾何位置的調(diào)整 當(dāng)攝像機(jī)在一定高度而水平方向不與汽車正對(duì)是拍照會(huì)左右方向的傾斜。 圖 26 車輛圖像水平梯度圖 通過選定一個(gè)閾值，對(duì)梯度圖上大于此值的點(diǎn)記為邊緣點(diǎn)，把一段連續(xù)的邊緣點(diǎn)取其第一點(diǎn)，定義這一點(diǎn)為跳變點(diǎn)。車牌圖像經(jīng)過灰度化和邊緣檢測的處理后，邊緣得到了加強(qiáng)，牌照區(qū)域已經(jīng)非常明顯。 （ 4）基于邊緣檢測的車牌定位方法。 （ 2）基于車牌顏色的定位方法。車牌定位和分割的精確度直接關(guān)系到最后的字符識(shí)別質(zhì)量的好壞。 本文采用經(jīng)典的 Sobel算子來對(duì)圖像進(jìn)行邊緣檢測，如圖 24 和圖 25 所示。因此，再進(jìn)行汽車牌照的定位及字符識(shí)別之前需要先對(duì)車輛圖像進(jìn)行邊緣檢測處理提高圖像的質(zhì)量，使其易于后面的分割與識(shí)別。 圖 22 24 位真彩色車輛圖像 圖 23 灰度圖 邊 緣檢測 邊緣是指圖像灰度發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合，也可定義為圖像局部特征的不連續(xù)性，例如灰度的突變，顏色的突變，紋理結(jié)構(gòu)的突變等等。 圖 21 我國小型民 用車車牌規(guī)格 灰度轉(zhuǎn)化 灰度圖（ GrayScale）是指只包含亮度信息，例如平時(shí)看到的亮度由暗到明北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 5 連續(xù)變化的黑白照片。按顏色分類，有藍(lán)底白字、黃底黑字、白底黑字和黑底白字之分，有些部隊(duì)用車車牌字符還分為了兩 行。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（