【正文】 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(jiǎn)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(xiàn)性閾值器件。設(shè)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)，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(lái)的輸入信號(hào)，也可以來(lái)自其他神經(jīng)元的輸出。學(xué)習(xí)信號(hào)是和的函數(shù)，有時(shí)也包括教師信號(hào),所以有 　　　　　　 （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(lái)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(wú)連接。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)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(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)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(méi)有直接的聯(lián)系，所以也常把中間層成為隱含層。與類(lèi)似，連接權(quán)的調(diào)節(jié)量為： （312）其中， 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，取輸出層的輸入帶入上式，則輸出層閾值的調(diào)整量為： （313）同理根據(jù)，取中間層的輸入，則中間層的閾值的調(diào)整量為： （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?！P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(guò)程分為四個(gè)階段：（1）輸入模式是由輸入層經(jīng)過(guò)隱含層向輸出層逐層傳遞的“模式順傳播”過(guò)程。 下面以三層BP網(wǎng)絡(luò)介紹其算法。 （2）隨機(jī)選取一個(gè)學(xué)習(xí)模式對(duì)量對(duì)（）提供給網(wǎng)絡(luò)。（11）判斷網(wǎng)絡(luò)全局誤差E是否滿(mǎn)足精度要求，及。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(guò)程”，（6）（9）為網(wǎng)絡(luò)誤差的“逆?zhèn)鞑ミ^(guò)程”，（10）完成“學(xué)習(xí)訓(xùn)練”（11）～（12）為收斂過(guò)程。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(xiàn)段。（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。　系統(tǒng)識(shí)別模塊 本系統(tǒng)識(shí)別模塊如圖41所示。對(duì)一些形狀類(lèi)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。打開(kāi)一個(gè)灰度化處理后的圖片，如圖43所示，點(diǎn)擊車(chē)牌提取及預(yù)處理依次進(jìn)行車(chē)牌定位、車(chē)牌二值化、車(chē)牌歸一化、車(chē)牌字符細(xì)化等步驟，得到如圖44所示的車(chē)牌圖像，即為處理過(guò)后的車(chē)牌圖像。車(chē)牌魯A第五章　　總結(jié)與展望　總結(jié)本文利用C++對(duì)車(chē)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(wèn)題進(jìn)行研究和處理，主要對(duì)圖像預(yù)處理，車(chē)牌圖像的定位，車(chē)牌圖像的字符分割，車(chē)牌字符識(shí)別四個(gè)方面做了系統(tǒng)的研究?！≌雇撜n題車(chē)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。 secondly, eliminating space mark which appears between the second character and the third character。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。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(shì)和在未來(lái)發(fā)揮的作用。T5505，由于獲得的車(chē)牌處理后較為傾斜，因此在識(shí)別過(guò)程中出現(xiàn)了偏差，造成識(shí)別不準(zhǔn)確。圖45　　車(chē)牌識(shí)別結(jié)果更換一張車(chē)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。圖42　　程序主界面程序的主要功能都通過(guò)這幾個(gè)菜單來(lái)實(shí)現(xiàn)。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(guò)提取二值化字符的各方面特征，如投影距離、投影直方圖、矩、區(qū)域密度、輪廓線(xiàn)特征系數(shù)，送入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。列投影，對(duì)每列記錄其字符點(diǎn)數(shù)目。（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。圖34 　　BP網(wǎng)絡(luò)學(xué)習(xí)算法流程圖第四章　　基于BP網(wǎng)絡(luò)的車(chē)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(lái)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)。（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）。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(jiǎn)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。 BP算法描述如下：（1）初始化。（3）由“模式順傳播”過(guò)程和“誤差逆?zhèn)鞑ァ边^(guò)程反復(fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程。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（或）的梯度下降，而不是特定某個(gè)分量的絕對(duì)誤差的梯度下降。激活函數(shù)的導(dǎo)數(shù)為 （37）這里的學(xué)習(xí)規(guī)則實(shí)際上是一種Delta學(xué)習(xí)規(guī)則， 按梯度下降原則，應(yīng)使的調(diào)整量與的負(fù)值成正比例變化，所以中間層至輸出層連接權(quán)的調(diào)整量應(yīng)為 （38）通過(guò)推到，可得 （39）為了進(jìn)一步簡(jiǎn)化，設(shè)為對(duì)輸出層輸入的負(fù)偏導(dǎo)，則 （310）所以 （311） ， ， ， 。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： （34）離散學(xué)習(xí)步驟可寫(xiě)成 （35）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?！∩窠?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(guò)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(shuō)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（）,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(wú)窮大。這里為了表達(dá)簡(jiǎn)單沒(méi)有寫(xiě)出閾值θ。如果輸入信號(hào)的加權(quán)和超過(guò)，則人工神經(jīng)元被激活。人工神經(jīng)元模型是生物神經(jīng)元的模型與抽象。軸突是單根長(zhǎng)纖維，它把細(xì)胞體的輸入信號(hào)導(dǎo)向其他的神經(jīng)元。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(chēng)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(mén)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(guò)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(lèi)，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(guò)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(chē)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(huà)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(xiàn)的方程為：式中s是直線(xiàn)離原點(diǎn)的法線(xiàn)距離，是該法線(xiàn)對(duì)x軸的角度，如圖210所示。圖27　　分割后的車(chē)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(chē)正對(duì)是拍照會(huì)左右方向的傾斜。圖26　　車(chē)輛圖像水平梯度圖通過(guò)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(chē)牌圖像經(jīng)過(guò)灰度化和邊緣檢測(cè)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(cè)的車(chē)牌定位方法。（2）基于車(chē)牌顏色的定位方法。車(chē)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(lái)對(duì)圖像進(jìn)行邊緣檢測(cè)，如圖24和圖25所示。因此，再進(jìn)行汽車(chē)牌照的定位及字符識(shí)別之前需要先對(duì)車(chē)輛圖像進(jìn)行邊緣檢測(cè)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(chē)輛圖像 圖23　　灰度圖 邊緣檢測(cè)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(guó)小型民用車(chē)車(chē)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連續(xù)變化的黑白照片。按顏色分類(lèi)，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(chē)車(chē)牌字符還分為了兩行。BP神經(jīng)網(wǎng)絡(luò)歸一化圖像輸入灰度轉(zhuǎn)化字符分割邊緣檢測(cè)牌照剪切二值化字符庫(kù)特征提取輸出結(jié)果　　BP網(wǎng)絡(luò)車(chē)牌字符識(shí)別流程圖第二章　　字符識(shí)別方法　圖像預(yù)處理圖像預(yù)處理就是對(duì)將要利用的圖片進(jìn)行處理使得圖像有更好的利用效果，可以很好的從處理過(guò)的圖片中得到想需要的信息。提取出單個(gè)的車(chē)牌字符圖像后就要對(duì)車(chē)牌字符進(jìn)行特征中提取，把這些特征值送入到BP網(wǎng)絡(luò)進(jìn)行識(shí)別。因而對(duì)字符識(shí)別的進(jìn)一步研究也同樣具有緊迫性和必要性。中科院自動(dòng)化研究所的劉智勇等人發(fā)表文章，提出在具有3180個(gè)樣本的樣本集中，%，%；北京航空航天大學(xué)的胡愛(ài)明等利用末班匹配技術(shù)，開(kāi)發(fā)了一種可應(yīng)用于收費(fèi)站的車(chē)牌識(shí)別系統(tǒng)，該系統(tǒng)的識(shí)別準(zhǔn)確率能夠達(dá)到97%以上。由于國(guó)內(nèi)車(chē)牌和國(guó)外車(chē)牌差異性的存在，尤其是國(guó)內(nèi)車(chē)牌漢字的存在，以及其他一系列的問(wèn)題，所以國(guó)外關(guān)于識(shí)別率的報(bào)道只具有參考價(jià)值，其在中國(guó)的應(yīng)用效果可能沒(méi)有在國(guó)外的應(yīng)用效果好。上世紀(jì)90年代初，美國(guó)、意大利、德國(guó)、以色列、新加坡等國(guó)家，都已經(jīng)有比較成熟的產(chǎn)品投入了應(yīng)用，如以色列的HiTech公司的See/Car System系列產(chǎn)品，美國(guó)的（AUTOSCOF）[2003系統(tǒng)]，香港Asia Vision Technology公司的VECON產(chǎn)品，德國(guó)西門(mén)子公司的ARTEM7S系統(tǒng)，新加坡Optasia公司的VLPRS產(chǎn)品等。而且汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)本身是一個(gè)全數(shù)字化的智能系統(tǒng)，在它上面只要做一定的擴(kuò)充就可以衍生出一些其他功能，能使收費(fèi)的管理更嚴(yán)密、更科學(xué)。由于在各個(gè)行業(yè)領(lǐng)域它已經(jīng)得到了應(yīng)用，所以BP網(wǎng)絡(luò)也相對(duì)成熟，而且BP網(wǎng)絡(luò)的變化形式也多種多樣，采用BP網(wǎng)絡(luò)作為車(chē)牌字符識(shí)別技術(shù)是一個(gè)相對(duì)合理的選擇。車(chē)牌識(shí)別系統(tǒng)可以廣泛應(yīng)用于電子收費(fèi)、出入控制、公路流量監(jiān)控、失竊車(chē)輛查詢(xún)和停車(chē)場(chǎng)車(chē)輛管理等需要車(chē)牌認(rèn)證的場(chǎng)合，尤其在高速公路收費(fèi)系統(tǒng)中，實(shí)現(xiàn)不停車(chē)收費(fèi)提高公路系統(tǒng)的運(yùn)行效率，車(chē)牌識(shí)別系統(tǒng)更具有不可替代的作用。 feature extraction。BP神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)組件的車(chē)牌字符庫(kù)的學(xué)習(xí)后才會(huì)具有識(shí)別功能，然后將車(chē)牌字符圖像提取到的特征值送入到BP神經(jīng)網(wǎng)絡(luò)中就能識(shí)別出來(lái)。七、主要參考文獻(xiàn)[1]史忠職. 神經(jīng)網(wǎng)絡(luò)[M]. 高等教育出版社，.[2]++深入詳解[M]. 電子工業(yè)出版社，2006.[3]王萬(wàn)森. 人工智能原理及其應(yīng)用[M]. 電子工業(yè)出版社，2007.[4]董志鵬，侯艷書(shū). Visual C++編程從基礎(chǔ)到應(yīng)用[M]. 清華大學(xué)出版社，[5]沈晶. Visual C++數(shù)字圖像處理典型案例詳解[M]. 機(jī)械工業(yè)出版社，2012.[6]張世輝，[J]. 燕山大學(xué)學(xué)報(bào)，2003,04(3)8085.[7]曾志軍，孫國(guó)強(qiáng). 基于改進(jìn)的BP 網(wǎng)絡(luò)數(shù)字字符識(shí)別[J].上海理工大學(xué)學(xué)報(bào)，2008, 32(1)5153.[8]王旭,王宏,王文輝. 人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用[M]. 第二版. 東北大學(xué)出版社, 2007年. [9]歐陽(yáng)俊，[J].光學(xué)與光電技術(shù)，2012，10（5）6771.[10]張玲，張鳴明，[J].視頻應(yīng)用與工程，2008,32（S1）140142.[11]Application of Image Processing to the Characterization of Nanostructures，Manuel F. M.