【正文】 不同的方向進(jìn)行投影，然后對(duì)文字黑像素的個(gè)數(shù)做累加運(yùn)算，形成筆畫密度直方圖 [13]。它是一個(gè)數(shù)學(xué)模型，可以用電子線路來實(shí)現(xiàn)或用計(jì)算機(jī)來模擬人的自然智能。它可以在外界環(huán)境的刺激作用下 調(diào)整網(wǎng)絡(luò)自由參數(shù)，并以新的方式來響應(yīng)外部環(huán)境。 33 神經(jīng)網(wǎng)絡(luò)算法的描述 圖 53BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) BP 網(wǎng)絡(luò)是一個(gè)多層前饋網(wǎng)絡(luò) (FFNForward Feedback Network)，最常用的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 53，由 3 層網(wǎng)絡(luò)，即輸入層，隱含層，輸出層共同組建而成，其運(yùn)行機(jī)理如下： （ 1）初始化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，置所有的權(quán)值為隨機(jī)任意小，以一個(gè)隨機(jī)分布隨機(jī)地挑選閉值，該分布選擇為均值等于 0 的均勻分布 [15]，其方差的選擇應(yīng)該使得神經(jīng)元的輸出應(yīng)盡量在激活函數(shù)的線性部分變化； (2)確定輸入的學(xué)習(xí)訓(xùn)練集合： ，期望的輸出集合 : ，輸入層到隱含層之間存在一個(gè)權(quán)值矩陣，其中的列向量 為隱含層第 i個(gè)神經(jīng)元所 對(duì)應(yīng)的權(quán)值向量：隱含層到輸出層之間存在一個(gè)權(quán)值矩陣： ，其 34 中的列向量 jw 為輸出層第 j 個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)值向量。各層信號(hào)之間的數(shù)學(xué)關(guān)系如下： 對(duì)于隱含層，有如下公式： )( jj n etfy ? （ 51） iijnij xvne t 0??? （ 52） 對(duì)于輸出層有如下公式： )( kk n e tfo ? （ 53） jjkmjk ywn e t 0??? （ 54） (4)利用誤差反饋調(diào)整權(quán)值，用遞歸的方法從輸出節(jié)點(diǎn)開始返回到中間隱層，按下式進(jìn)行調(diào)整權(quán)值： 35 首先計(jì)算網(wǎng)絡(luò)輸出值與期望輸出值之間的誤差 E： 21 )(21)(21kklk odODE ????? ? （ 55） 將該式展開至隱含層，可得： 2012121 )]([21)]([ jjkmjklkkklk ywfdn e tfdE ??? ??????? （ 56） 將該式展開至輸入層，可得： 2iij0ijk0jk1 ) ] }xvf(wf[{d21 nmlkE ??? ???? （ 57） 由上式可看出，通過調(diào)整權(quán)值 wij， vjk，可以改變誤差 E。因此，對(duì)于 BP 神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用，網(wǎng)絡(luò)最佳結(jié)構(gòu)的確定非常關(guān)鍵 。 BP 神經(jīng)網(wǎng)絡(luò)采用 WidrowHoff 學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。 目前，對(duì)于 37 BP 神經(jīng)網(wǎng)絡(luò)隱含層結(jié)構(gòu)的確定，最常用的方法是依靠經(jīng)驗(yàn)來確定。首先判斷訓(xùn)練學(xué)習(xí)后的誤差是否達(dá)到預(yù)定要求，如果沒有達(dá)到，則返回第（ 2）步輸入新的樣本輸入集；如果己經(jīng)達(dá)到預(yù)定目標(biāo)或某一給定值，則學(xué)習(xí)過程結(jié)束。 (3)通過前饋網(wǎng)絡(luò)，使隱藏層和輸出層的所有神經(jīng)元都采用非線性激活函數(shù) (一般取單極性 :Sigmoid 函數(shù) ): xexf ??? 1 1)(，逐級(jí)計(jì)算輸出值 。 神經(jīng)網(wǎng)絡(luò)的工作方式，由兩個(gè)階段構(gòu)成： （ 1）學(xué)習(xí)期：神經(jīng)元之間的連接權(quán)值可由學(xué)習(xí)規(guī)則進(jìn)行修改，以使目標(biāo)函數(shù)達(dá)到最??； （ 2）工作期：在此期間，保持連接權(quán)值不變，由網(wǎng)絡(luò)的輸入得到相應(yīng)的輸出?？捎脕砻枋稣J(rèn)知決策及控制的智能行為，它具有存儲(chǔ)知識(shí)和應(yīng)用經(jīng)驗(yàn)知識(shí)的自然特性，它與人腦相似之處可概括為如下兩個(gè)方面 :一是通過學(xué)習(xí)從外部環(huán)境中獲取知識(shí)；二是內(nèi)部神經(jīng)元具有存儲(chǔ)知識(shí)的能力。它源于物理學(xué)、心理學(xué)和神經(jīng)生理學(xué)的跨學(xué)科研究。這樣，對(duì)于每一 個(gè)輸入樣本，輸入節(jié)點(diǎn)個(gè)數(shù)為 13 個(gè)。對(duì)英文和阿拉伯?dāng)?shù)字的特征提取，采用具有統(tǒng)計(jì)性質(zhì)的，根 據(jù)局部特征的，適應(yīng)性較好的 13 特征提取法，也就是直接利用每個(gè)點(diǎn)的像素值作為特征提取的基礎(chǔ)，從構(gòu)成該字符的像素點(diǎn)中，統(tǒng)計(jì)提取出 13 個(gè)特征點(diǎn)。結(jié)構(gòu)特征可以準(zhǔn)確的描述待識(shí)別漢字字符的幾何特 31 征，同時(shí)受噪聲和字符形變的影響較小，因此基于結(jié)構(gòu)的識(shí)別方法是字符識(shí)別的一種有力工具。分類后的樣本要實(shí)現(xiàn) :類內(nèi)各樣本具有較好的一致性，類間各樣本的區(qū)分度應(yīng)盡量大； （ 2）具有較好的魯棒性，穩(wěn)定性。算法的流程如下 :歸一化后的字符，分為完全不同的 3 種類型，分別是漢字字符，阿拉伯?dāng)?shù)字，英文大寫字母。考慮到算法復(fù)雜性和實(shí)時(shí)性的處理要求，本文選用了鄰近插值法來進(jìn)行字符歸一化。 當(dāng) (x0， y0)不是整數(shù)時(shí)，要進(jìn)行插值變換。隨后進(jìn) 入合并階段，將 MI NJ 陣列中劃分成陣列大小為劃分成陣列大小為 M N 的 I J 個(gè)區(qū)域，對(duì) M N區(qū)域的像素進(jìn)行平均，陣列 M N 縮成一個(gè)點(diǎn)像素，這樣 M N 尺寸的原始圖像就歸一化為 I J 大小的圖像。根據(jù)此，歸一化方法分為兩種：分裂合并歸一化與插值變換歸一化。 車牌字符分割前后對(duì)比圖如下： 圖 46 待分割的車牌 27 圖 47 分割后的單個(gè)車 牌字符 實(shí)踐證明結(jié)合牌照固有特征進(jìn)行車牌字符分割，算法簡(jiǎn)單，處理速度快，適合實(shí)時(shí)處理的環(huán)境，而且分割準(zhǔn)確率也較高。 charwidth=platewidth x4/409 ； charspace=platewidth x12/409； bigcharspace=platewidth x34/409； X 軸上進(jìn)行投影 。 ，分析車牌在 Y 軸方向上的投影，確定字符區(qū)域的上邊界 upline 和下邊界 downline； 。字符“ 1”的寬度約為 毫米 [10]。通常，提取后的牌照，其字符塊在豎直方向上的投影會(huì)在字符間取得局部最小值，這樣，字符的正確分割位置應(yīng)該是在上述局部最小值附近。這種算法是基于二值化后的圖像分割，對(duì)圖片的清晰度要求較高，在圖像質(zhì)量高的情況下分割效果比較好，但是如果圖像質(zhì)量不高的話，分割效果較差。然后根據(jù)此角度，選擇合適的旋轉(zhuǎn)方法，對(duì)車牌進(jìn)行校正。,+15176。也就是 說，該行組偏離水平方向的掃描角度，即是車牌圖像在水平方向上的傾斜角度。 基于字符行特征的車牌傾斜校正算法 車牌圖像的傾斜主要分為水平傾斜和豎直傾斜兩種。 (2)通過模板匹配尋找牌照區(qū)域的四個(gè)頂點(diǎn)，再通過雙線形空間變換重建矩形車牌區(qū)域 [7]。實(shí)際應(yīng)用中，將參數(shù)空間離散化成一個(gè)累加器陣列，按照上式將圖像空 21 間中的每一點(diǎn) (x, y)映射到參數(shù)空間對(duì)應(yīng)的一系列累加器中，使對(duì)應(yīng)的累加器值加 1。 HOUGH 變換最早是 1962 年由 Paul Hough[6]首先提出，用來實(shí)現(xiàn)一種直線從圖像空間到參數(shù)空間的映射。 本章主要完成如下 工作 ； ，對(duì)超出傾斜角度范圍的車牌，進(jìn)行校正； ，進(jìn)行字符分割。此外，在第四幅圖像“吉 B29679”中，車牌區(qū)域的光線明顯要強(qiáng)于非車牌區(qū)域，對(duì)于這些非理想狀態(tài)下的車牌圖像，如果采用單一的垂直投影法或連通域法進(jìn)行字符的分割往往會(huì)失敗或部分字符分割失敗，而由于本文方法結(jié)合了垂直投影和連通域方法的優(yōu)點(diǎn)，通過優(yōu)割字符以及垂直投影圖進(jìn)行評(píng)判分 割，使得這些車牌都得到了正確的分割。剩余的 2 張是由于字符斷裂、粘連及邊框干擾嚴(yán)重而導(dǎo)致分割錯(cuò)誤。本文的優(yōu)割字符方法的實(shí) 質(zhì)是將垂直投影與連通域分割算法有機(jī)結(jié)合。 圖 33 圖像的分割結(jié)果 從上圖的結(jié)果中可以看出，分割的效果較好，消除了 字符粘連、斷裂和車牌邊框影響，對(duì)下一步的識(shí)別非常有利。同理，如果該字符的寬度不等于計(jì)算出的平均字符寬度，則將該字符寬度設(shè)置為計(jì)算出的字符平均寬度。 17 評(píng)判函數(shù)定義如下： (31) 其中，函數(shù) 表示車牌中除第 3 個(gè)字符的間距是最大的，其它字符間距都是均等這一特征： s2 表示的是第 3 個(gè)字符的間距與其它字符間距的誤差之和； 表示標(biāo)準(zhǔn)模板的字符與車牌各個(gè)字符中心點(diǎn)的匹配情況，其中 y是模板與實(shí)際車牌中各個(gè)字符中心距離的方差； 是表示優(yōu)割字符可能是一個(gè)實(shí)際車牌的字符， M 表示滑動(dòng)匹配過程中采用的優(yōu)割字符數(shù)量。保證車牌模板在實(shí)際車牌區(qū)域中，依次選取優(yōu)割字符，并以該優(yōu)割字符依次作為實(shí)際車牌的七個(gè)字符，結(jié)合其余的優(yōu)割字符來構(gòu)造出實(shí)際分割車牌，最后利用前面所構(gòu)造的車牌模板與當(dāng)前構(gòu)造出的實(shí)際分割車牌進(jìn)行覆蓋匹配，試探過程如圖 32 所示。 （ 2）標(biāo)準(zhǔn)模板的生成 在確定了分割的優(yōu)割字符之后，即確定了字符的高度和寬度，可由車牌的先驗(yàn)知識(shí)生成理想的車牌結(jié)構(gòu)，包括各字符的位置以及字符的中心點(diǎn)距離等。因?yàn)樵谒浇缇_確定以后，圖像的高度即為字符的高度，由理想車牌的先驗(yàn)知識(shí)可知，車牌中字符的高寬比為 2： 1。③如果發(fā)生字符粘連，使兩個(gè)或兩個(gè)以上字符發(fā)生粘連或字符和邊框發(fā)生粘連形成一個(gè)連通部分，那么使用連通域算法進(jìn)行字符的確定就會(huì)失敗，而使用垂直投影算法則應(yīng)通過垂直投影圖的閾值來排除這種情況，而在一般情況下這個(gè)閾值很難確定。為此，本文提出一種優(yōu)割字符的方法，并將其用于垂直分割算法。綜合分析以上算法，本文研究了一種基于垂直投影和優(yōu)割字符的 字符分割算法，該算法綜合了垂直投影法和連通域法的優(yōu)點(diǎn)。于是提出了許多改進(jìn)方法，例如二值化方法的改進(jìn)，使二值化圖像盡量避免字符的粘連和斷裂。然后，依據(jù)每個(gè)區(qū)域的坐標(biāo)位置 14 重新組織所得的區(qū)域。連通域算法的思想是：對(duì)車牌圖像的二值化圖像進(jìn)行掃描，標(biāo)記連通域，將不符合車牌字符特征的連通域刪除，對(duì)保留的連通域使用某種評(píng)判函數(shù)進(jìn)行評(píng)判，選取合適的連通塊作為切割后車牌字符。但是，當(dāng)字符因斷裂而形成左右兩個(gè)部分時(shí)，在計(jì)算波谷點(diǎn)時(shí)，該算法就會(huì)出錯(cuò)。 （ 4）從波谷點(diǎn)序列中選取最左和最右的波谷點(diǎn)，作為車牌第一和最后一個(gè)字符的分割界限，并計(jì)算兩波谷點(diǎn)的距離作為車牌的長(zhǎng)度?；诖怪蓖队暗淖址指钏惴ㄊ窃谲嚺普諈^(qū)域垂直投影圖上從左至右檢測(cè)各坐標(biāo)的垂直投影數(shù)值，當(dāng)找到第一個(gè)局部最小點(diǎn)的時(shí)候，認(rèn)為這個(gè)點(diǎn)是最左面字符的邊界；然后，在水平方向上從右至左檢測(cè)坐標(biāo)的 13 垂直投影數(shù)值，當(dāng)找到第一個(gè)局部最小點(diǎn)的時(shí)候，認(rèn)為這個(gè)點(diǎn)是最右面字符的邊界；得到兩邊字符的邊界之后，用同樣方法可以找到每個(gè)字符的邊界。上述特點(diǎn)只有第一條對(duì)字符分割有所幫助，第二條到第六條都給字符分割增加了困難。 表 21 字符定位算法比較 方法 復(fù)雜度 穩(wěn)定性 紋理特征定位法 簡(jiǎn)單 定位較精確，應(yīng)用廣，缺點(diǎn)是容易受到車牌圖像質(zhì)量的影響，造成車牌定位失敗 數(shù)學(xué)形態(tài)學(xué)定位法 簡(jiǎn)單 不受噪聲影響，不依賴圖像的狀況，定位較精確，適用于對(duì)車牌區(qū)域進(jìn)行粗定位，缺點(diǎn)是對(duì)車牌圖像的背景環(huán)境有一定要求 邊緣檢測(cè)定位法 簡(jiǎn) 單 不受圖像形態(tài)如傾斜等情況的影響，定位分割較精確，速度快，適合對(duì)車牌進(jìn)行粗定位 顏色空間定位法 較復(fù)雜 根據(jù)車牌字符與背景顏色的差別，進(jìn)行車牌區(qū)域定位，定位準(zhǔn)確度較高，缺點(diǎn)是車牌顏色和車身顏色要有一定的對(duì)比度 12 第三章 汽車牌照字符分割方法研究 車牌字符的一般特征分析 在對(duì)車牌字符進(jìn)行分割之前，先分析一下車牌中字符的一般特征，為后面進(jìn)行字符的分割打下基礎(chǔ)。 圖 25 Robert 算子邊緣檢測(cè)圖 11 車牌定位算法介紹 車牌定位就是將車牌圖像從整個(gè)待處理的圖像中定位分割出來。該運(yùn)算的作用是填平小孔，連接臨近物體圖像，平滑物體圖像邊界，結(jié)果是總的位置和形狀不變。定義結(jié)構(gòu) A 被結(jié)構(gòu)B 腐蝕表示為 A⊕ B，數(shù)學(xué)形式可表示為： (22) 膨脹運(yùn)算效果 如圖 24 所示 圖 24 膨脹處理 (2)腐蝕運(yùn)算 腐蝕的原理是消除邊界點(diǎn)，使圖像的邊界向內(nèi)收縮，具有收縮圖像的作用。數(shù)學(xué)形態(tài)學(xué)圖像處理是一種鄰域運(yùn)算，將這種鄰域稱作結(jié)構(gòu)元素，在每個(gè)像素 位置上，結(jié)構(gòu)元素與對(duì)應(yīng)的區(qū)域進(jìn)行運(yùn)算，結(jié)果作為輸出圖像的對(duì)應(yīng)像素。圖 23 顯示了對(duì)加入了椒鹽噪聲的圖片進(jìn)行均值濾波后的效果。全局閾值的二值化算法是指在整幅圖像中使用一個(gè)統(tǒng)一的閾值對(duì)灰度圖像進(jìn)行二值化，當(dāng)圖像背景比較單一時(shí)，采用全局閾值進(jìn)行圖像處理一般可得到比較滿意的結(jié)果，并且算法較簡(jiǎn)單易于實(shí)現(xiàn)?；叶葓D進(jìn)行算法處理相對(duì)簡(jiǎn)單，處理灰度圖像的速度會(huì)比處理彩色空間的圖像快很多，因此常常將彩 色圖像進(jìn)行灰度處理后再做下一步的算法分析。通過圖像的預(yù)處理，可以使車牌的主要特征更加突出，便于更好的提取車牌。考慮到傳統(tǒng)的串行，無學(xué)習(xí)功能的機(jī)械式計(jì)算方法的缺陷，本文采