【正文】 為 25 的歸一化后的圖像中的字符信息提取出來(lái)，圖像中白點(diǎn)置為 0，圖像中的黑點(diǎn)置為 1，這樣就得到了 15 25 的特征向量，這個(gè)特征向量記錄的就是字符的特征。 首先將訓(xùn)練樣本做圖像預(yù)處理，對(duì)車牌上的字符進(jìn)行分割，得到單個(gè)字符。識(shí)別率也在 90%以上，表明該方法的有效性。在這種情況下，作為信息來(lái)源的自動(dòng)檢測(cè)、圖像識(shí)別技術(shù)越來(lái)越受到人們的重視。 LPR 系統(tǒng)中的兩個(gè)關(guān)鍵子系統(tǒng)是車牌定位系統(tǒng)和車牌字符分割識(shí)別系統(tǒng)。 車牌定位與識(shí)別方法，總體來(lái)說(shuō)是圖像處理技術(shù)與車牌本身特點(diǎn)的有機(jī)結(jié) 第 2 頁(yè) 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(shí)的有效運(yùn)用。這樣萌芽了一個(gè)基本思想 — 抽取特征向量的構(gòu)造和它的相關(guān)函數(shù)。第三個(gè)階段為發(fā)展階段。字符識(shí)別系統(tǒng)根據(jù)輸入設(shè)備的不同有如下分類 [19]，如圖 所示： 字符識(shí)別 磁識(shí)別 光學(xué)識(shí)別 機(jī)械識(shí)別 在線識(shí)別 脫機(jī)識(shí)別 單個(gè)字符識(shí)別 連筆字符識(shí)別 印刷體字符識(shí)別 手寫體字符識(shí)別 圖 字符識(shí)別分類 第 3 頁(yè) 目前開展比較多，并進(jìn)入實(shí)用階段的是光學(xué)字符識(shí)別系統(tǒng) (OCR 系統(tǒng) )。之后，其研究方向轉(zhuǎn)向了漢字識(shí)別。 字符識(shí)別系統(tǒng)用到的方法 字符識(shí)別系統(tǒng)用到的方法很多。 是一種語(yǔ)言。 是一種布爾演算。 主要方法 幾何分類：線性分類、非線性分類 統(tǒng)計(jì)分類： Bayes決自動(dòng)機(jī)技術(shù) CYK 剖析算法 隸屬度函數(shù)的設(shè)計(jì)：模糊設(shè)計(jì)法二元對(duì)比排產(chǎn)生式推理 語(yǔ)義網(wǎng)推理 BP模型 HOP模型 表 幾種識(shí)別方法的比 較 第 4 頁(yè) 策 無(wú)教師的分類：聚類分析 Early算法 轉(zhuǎn)移圖法 序法 推理法 模糊集運(yùn)算規(guī)則 模糊矩陣 框架推理 高階網(wǎng) 主要優(yōu)缺點(diǎn) 優(yōu)點(diǎn)：比較成熟，能考慮干擾、噪聲等影響，識(shí)別模式基元能力強(qiáng)。能反映模式的結(jié)構(gòu)特性，能描述模式的性質(zhì)，對(duì)圖像的畸變的抗干擾能力較強(qiáng)。 優(yōu)點(diǎn)：已建立了關(guān)于知識(shí)表示及組織，目標(biāo)搜索及匹配的完整體系。允許樣品有較大的缺損和畸變。和其他模式識(shí)別的應(yīng)用一樣，字符識(shí)別的基本思想也是匹配判別。文字經(jīng)光電掃描，模 數(shù)轉(zhuǎn)換為帶灰度值的數(shù)字信號(hào)送至預(yù)處理環(huán)節(jié)。圖 的學(xué)習(xí)部分。 國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì) 車牌識(shí)別技術(shù)自 1988 年以來(lái)，人們就對(duì)它進(jìn)行了廣泛的研究，目前國(guó)內(nèi)外已經(jīng)有眾多的算法，一些實(shí)用的 LPR 技術(shù)也開始用于車流監(jiān)控、出入控制、電子收費(fèi)、移動(dòng)稽查等場(chǎng)合。由于攝像機(jī)的性能、車牌的整潔度、光照條件、拍攝時(shí)的傾斜角度及車輛運(yùn)動(dòng)等因素的影響使牌照中的字符可能出現(xiàn)比較嚴(yán)重的模糊、歪斜、缺損或污跡干擾，這些都給字符識(shí)別帶來(lái)了難度。因而車牌字符識(shí)別的實(shí)用化研究仍然有很長(zhǎng)的路要走。所以本課題針對(duì)這種情況創(chuàng)新性的提出了一種復(fù)雜背景下多車牌定位分割與識(shí)別方法，并考慮了彩色分割與 ColorLP 算法，這也是當(dāng)前車牌圖像識(shí)別的發(fā)展趨勢(shì)。 系統(tǒng)即可以單獨(dú)使用，也可以把它作為一個(gè)識(shí)別系統(tǒng)的軟件核心應(yīng)用到車牌識(shí)別系統(tǒng)中去。 第 8 頁(yè) 第二章 字符識(shí)別系統(tǒng)中的關(guān)鍵技術(shù) 特征提取 圖像處理的高級(jí)階段是數(shù)字圖像分析（也對(duì)以稱為圖像理解），主要使用計(jì)算機(jī)系統(tǒng)，從圖像中提取有用的數(shù)據(jù)或信息，生成非圖像的描述或表示，如數(shù)值、符號(hào)等，即抽取圖像特征，從而識(shí)別視覺圖像。 圖像特征是指圖像的原始特性或?qū)傩浴? 特征提取基本概念 圖像識(shí)別是根據(jù)一定的圖像特征進(jìn)行的，顯然這些特征的選擇很重要，它強(qiáng)烈地影響到圖像識(shí)別分類器的設(shè)計(jì)、性能及其識(shí)別結(jié)果的準(zhǔn)確性。 特征選擇和提取的基本任務(wù)是如何從眾多特征中找出那些最有效的特征。為了方便起見，對(duì)幾個(gè)經(jīng)常用道的有關(guān)名詞作一些說(shuō)明。所謂特征提取在廣義上說(shuō)是一種變換。 良好的特征應(yīng)具備以下 4 個(gè)特點(diǎn)： (1) 可區(qū)別性。例如，雜志封面的文字圖像的分割中，顏色是一個(gè)不好的特征。例如細(xì)胞的曲徑和細(xì)胞的面積高度相關(guān)，因?yàn)槊娣e大致與直徑的平方成正比。圖像識(shí) 別系統(tǒng)的復(fù)雜程度隨著系統(tǒng)維數(shù)（特征 的個(gè)數(shù)）迅速增長(zhǎng)。通常符合上述要求的理想特征是很少甚至沒(méi)有的。 由于感興趣的是圖像的形狀和結(jié)構(gòu)特征，所以其灰度信息往往可以忽略，只要能將它與其他目標(biāo)或背景區(qū)分開來(lái)即可。 對(duì)一幅二值圖像 { f(x,y):i,j=0,1,2? N1}來(lái)說(shuō)，上述條件無(wú)疑可被滿足。特別地， M7滿足鏡像對(duì)稱不變性。 2. 投 影 投影的示意圖如圖 21 所示。 S y (x,y) t ? ? ? x 圖 坐標(biāo)投影 (t,s)與原坐標(biāo)系 (x,y)間的對(duì)應(yīng)關(guān)系 由投影定理，對(duì)滿足一定條件的 {f (x,y)}， 如果知道全部方向上的 {p(t, ?)}，就可以唯一地恢復(fù) {f (x,y)}，然而統(tǒng)矩方法一樣，獲得所有方向上的投影在實(shí)際應(yīng)用中是行不通的。 對(duì)數(shù)字降像而言，如果圖像的背景用 0標(biāo)記，目標(biāo)物體用 1記，則歐拉數(shù)可用下式計(jì)算： () n(1)表明圖像中像素點(diǎn)均數(shù) 目， 表示二位圖像中具有垂直相鄰兩個(gè) 1標(biāo)記的狀態(tài)記數(shù)， n(1 1) 表示具有水平相鄰 1 標(biāo)記的狀態(tài)記數(shù)， 表示 4 個(gè) 第 13 頁(yè) 1 標(biāo)記相鄰的狀態(tài)記數(shù)。由于連續(xù)圖像采用離散的像素點(diǎn)描述時(shí)，產(chǎn)生了誤差。 (2) 圓形度 R 圓形度用來(lái)表示目標(biāo)物體形狀接近圓形的程度，其計(jì)算公式為： () 式中 S為區(qū)域的面積， L為周長(zhǎng)， R的取值范圍為 0〈 R≤ 1， R越人，則區(qū)域越接近圓形。 相反，區(qū)域內(nèi)任意兩像素間的連線不穿過(guò)區(qū)域外的像素，則稱為凸形?？衫酶盗⑷~變換描述 y=f (x,y)，這一方法稱為傅立葉描繪 第 14 頁(yè) 子。設(shè) r 是順時(shí)針?lè)较虻姆忾]曲線。由于 φ(l)不是一個(gè)周期函數(shù)，為將其變換為周期函數(shù)引入另一個(gè)變量 則 t?[0,2Π]。 第 15 頁(yè) φ0 V1 Vm=V0 V2 △ lm Vm1 φ1 V3 φ2 圖 數(shù)字圖像下的多邊形邊界 數(shù)了圖像中，封閉曲線 r 通常是由折線構(gòu)成的多邊形或可用多邊形來(lái)近似。這樣，區(qū)域邊界 r就可用序列 {a0,a1,b1,a2,b2,? }進(jìn)行描述可刻畫。其中 l仍然是弧長(zhǎng)， x(l)和 y(l)分別是曲線上點(diǎn)的橫坐標(biāo)及縱坐標(biāo)。 (a) 邊界的 8 種走向和對(duì)應(yīng)的方向碼 (b) 邊界產(chǎn)生的方向鏈碼 圖 2.．鏈碼 對(duì)于離散的數(shù)字圖像，區(qū)域的邊界輪廓可理解為相鄰邊界像素點(diǎn)之問(wèn)的單元連線逐段相連而成。 a1~ an 取值為 0~7，這一序列稱為鏈碼的方向鏈。 第 17 頁(yè) 當(dāng)然，也可以按順時(shí)針?lè)较蜻M(jìn)行，所構(gòu)成的邊界鏈碼完全不同逆時(shí)針?lè)较蛐羞M(jìn)的情況。如采用“ !”作為結(jié)束標(biāo)志，則圖 23(b)的鏈碼應(yīng)為 556570700122333!。表示方向鏈中偶數(shù)碼的數(shù)目，此表示奇數(shù)碼的個(gè)數(shù)。因此，不能只用這些數(shù)值進(jìn)行形狀識(shí)別，必須與其他特征信 息相結(jié)合使用，作為補(bǔ)充信息，卻能大大提高系統(tǒng)的識(shí)別性能。神經(jīng)元輸出除受輸入信號(hào)的影響之外，同時(shí)也受到神經(jīng)元內(nèi)部其他因素的影響，所以在人工神經(jīng)元的建模中，常常還加有一個(gè)額外輸入信號(hào)，稱為偏差（ Bats）， 有時(shí)也稱為閥值或門限值。 作用函數(shù)的基本作用是： (1) 控制輸人對(duì)輸出的激活作用； (2) 對(duì)輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換； (3) 將 可能無(wú)限域的輸入變換成指定的有限范圍內(nèi)的輸出。見圖 。見圖 。 圖 S 型函數(shù)（對(duì)數(shù)正切） ② 雙曲正切 y=tanh(n) () 輸入與輸出成雙曲正切關(guān)系，見圖 。 1．基本模型 人工神經(jīng)網(wǎng)絡(luò)的基本模型如圖 所示。 前向網(wǎng)絡(luò)的特點(diǎn)如下： (1) 神經(jīng)元分層排列，可又多層；。 1． Hebb 學(xué)習(xí)規(guī)則 1949 年， 基于生理學(xué)和心理學(xué)的研究，對(duì)生物神經(jīng)細(xì)胞如何進(jìn)行學(xué)習(xí)的問(wèn)題，剔除了一個(gè)直覺得假說(shuō)：“當(dāng)兩個(gè) 神經(jīng)元都處于興奮狀態(tài)時(shí)，連接這兩個(gè)神經(jīng)元的權(quán)值將得到加強(qiáng)”，公式表示如下： () 上式中，△ Wij是連接權(quán)值的變化， Vi、 Vj是兩個(gè)神經(jīng)元的活化水平， α 是學(xué)習(xí)系數(shù)。 1． BP網(wǎng)絡(luò)模型 BP 神經(jīng)網(wǎng)絡(luò)模型見圖 圖 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 可以看出， BP 網(wǎng)絡(luò)一般情況下有一個(gè)輸入層，一個(gè)隱藏層（有時(shí)是兩個(gè)或更多），一個(gè)輸出層。 我們假定輸入 q組本 p1,p2,? ,pq， pi Rn， 期望輸出為 T1,T2,? ,Tq，這里 T Rs2， 網(wǎng)絡(luò)的實(shí)際輸出為 a21,a22,? ,a2q,a2 Rs2。 (1)．輸出層的權(quán)值變化 從第 i個(gè)輸入到第 k個(gè)輸出的權(quán)值改變有： () 同理可得： () (2)．隱含層權(quán)值變化 () 其中， 同理可得， 。 (1)．網(wǎng)絡(luò)的層數(shù) 理論上已經(jīng)證明：具有偏差和至少一個(gè) S 型隱含層加上一個(gè)線性輸入層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。而對(duì)于只能用非線性函數(shù)解決的問(wèn)題，單層精度又不夠高，也只有增加層才能達(dá)到期望的結(jié)果。 網(wǎng)絡(luò)要實(shí)現(xiàn)如下的輸人 l輸出功能： 對(duì)于一個(gè)二元輸入網(wǎng)絡(luò)來(lái)說(shuō)，神經(jīng)元數(shù)即為分割線數(shù)。整個(gè)網(wǎng)絡(luò)的訓(xùn)練結(jié)果如表 21所示。 (3)．初始權(quán)值的選取 一般取初始權(quán)值在 (1,1)之間的隨機(jī)數(shù)。所以一般情況下傾向于選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性。 (5)．期望誤差的選取 在設(shè)計(jì)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，期望誤差值也應(yīng)當(dāng)通過(guò)對(duì)比訓(xùn)練后確定一個(gè)合適的值，這個(gè)所謂的“合適”，是相對(duì)于所需要的隱含層的節(jié)點(diǎn)數(shù)來(lái)確定的。 (2)．完全不能訓(xùn)練 這主要表現(xiàn)在網(wǎng)絡(luò)的麻痹上。本節(jié)只討論前兩種性能的改進(jìn)方法的有關(guān)內(nèi)容 。以此方式，當(dāng)增加動(dòng)量項(xiàng)后，促使權(quán)值的調(diào)節(jié)向著誤差曲面底部的平均方向變化，當(dāng)網(wǎng)絡(luò)權(quán)值進(jìn)入誤差曲面底部的平坦區(qū)時(shí)， δ 將變得很小，于是， 第 29 頁(yè) () 從而防止了 △ Wij(k)＝ 0 的出現(xiàn)，有助于使網(wǎng)絡(luò)從誤差曲面的局部極小值中跳出。下面給出一個(gè)自適應(yīng)學(xué)習(xí)速率的調(diào)整公式： () 其中 ?為學(xué)習(xí)速率，初始學(xué)習(xí)速率 ?(0)的選取范圍可以有很大的隨意性。在連續(xù)幾次迭代中，若目標(biāo)函數(shù)對(duì)某個(gè)權(quán)導(dǎo)數(shù)的符號(hào)相同，則這個(gè)權(quán)的學(xué)習(xí)速率要增加； 例如，若在連續(xù)兩次迭代中，目標(biāo)函數(shù)對(duì)某個(gè)權(quán)的導(dǎo)數(shù)具有相同的符號(hào) ， 第 30 頁(yè) 但他們的權(quán)值很小，則對(duì)應(yīng)于那個(gè)權(quán)值的學(xué)習(xí)速率的正調(diào)整也很小。 ② δ barδ 方法 令 Wij(k)為第 k 次迭代 i 神經(jīng)元到 j 神經(jīng)元連接權(quán)，令 αij(k)為這次迭代對(duì)應(yīng)于該權(quán)的學(xué)習(xí)速率，學(xué)習(xí)速率可按如下調(diào)整 規(guī)則來(lái)確定： () () () 式 中， ξ 是一個(gè)正實(shí)數(shù)，參數(shù) a、 b 和 ξ 由使用者確定，典型值為 ： 104≤ a≤ ， ≤ b≤ 5， ≤ ξ ≤ 。系統(tǒng)對(duì)字符進(jìn)行特征提取，對(duì)提取的結(jié)果再利用神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別。 特征向量的提取方法多種多樣，有逐像素特征提取法、骨架特征提取法、垂直方向數(shù)據(jù)統(tǒng)計(jì)特征提取法、 13 點(diǎn)特征提取法、弧度梯度特征提取法等很多方法。但可以通過(guò)加大訓(xùn)練樣本數(shù)目的方法來(lái)增強(qiáng)其適應(yīng)性。