【正文】 本科畢業(yè)設(shè)計(jì) (論文 ) 第 31 頁(yè) 第三章 系統(tǒng)的實(shí)現(xiàn) 系統(tǒng)流程圖 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別的過(guò)程主要包括網(wǎng)絡(luò)的訓(xùn)練、數(shù)據(jù)的讀取、字符的判定、結(jié)果的輸出。 ① δ δ 規(guī)則 ； 設(shè) αij(k)為 Wij(k)的學(xué)習(xí)速率，則 () 式中， γ 是一個(gè)正實(shí)數(shù)，成為學(xué)習(xí)速率調(diào)整步長(zhǎng)。對(duì)訓(xùn)練開(kāi)始初期功效很好的學(xué)習(xí)速率，不見(jiàn)得對(duì)后來(lái)的訓(xùn)練合適。 (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。 對(duì)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。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(gè)數(shù) S1 越多，功能越大，但當(dāng)神經(jīng)元數(shù)太多，會(huì)產(chǎn)生其他的問(wèn)題 ③ 當(dāng) S1=3， 4， 5 時(shí)，其輸出精度都相仿，而 S1=3 是的訓(xùn)練次數(shù)最多。 為了對(duì)隱含層神經(jīng)元數(shù)在網(wǎng)絡(luò)設(shè)計(jì)時(shí)所起的作用有一個(gè)比較深入的理解，下面先給出一個(gè)有代表性的實(shí)例，然后從中得出幾點(diǎn) 結(jié)論。 4． BP網(wǎng)絡(luò)的設(shè)計(jì)問(wèn)題 在進(jìn)行 BP 網(wǎng)絡(luò)的設(shè)計(jì)時(shí)，一般應(yīng)從網(wǎng)絡(luò)的層數(shù)，每層中的神經(jīng)元個(gè)數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個(gè)方面來(lái)進(jìn)行考慮。 3．網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練 前面已經(jīng)說(shuō)過(guò)，神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題之一是權(quán)值的確定。 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 ANN 中的核心問(wèn)題就是如何決定網(wǎng)絡(luò)連接的加權(quán)系數(shù)（ Weight）。 圖 輻射基函數(shù)（高斯函數(shù)） ② 三角波函數(shù) 本科畢業(yè)設(shè)計(jì) (論文 ) 第 22 頁(yè) 函數(shù)的形狀見(jiàn)圖 。見(jiàn)圖 。 圖 基本神經(jīng)元模型 本科畢業(yè)設(shè)計(jì) (論文 ) 第 19 頁(yè) 上圖 a=f(wp)是不加偏差的輸入輸出關(guān)系，其中 w是權(quán)重， p是輸入； a=f(wp+b)是帶偏差的輸入輸出關(guān)系， w、 p 意義同上， b 是偏差， f是所謂的作用函數(shù)。 (2) 邊界所表示區(qū)域的寬度和高度 設(shè)方向鏈為 {a1 a2 a3? an}，定義 ai在 x軸上的分量為 aix，在 y軸上的分量為 aiy 則： ai=0時(shí)， aix＝ 1， aiy＝ 0 ai=1時(shí)， aix＝ 1， aiy＝ 1 ai=2時(shí)， aix＝ 0， aiy＝ 1 ai=3 時(shí)， aix＝－ 1， aiy＝ 1 ai=4 時(shí)， aix＝－ 1， aiy＝ 0 ai=5 時(shí)， aix＝－ 1， aiy＝－ 1 ai=6 時(shí)， aix＝ 0， aiy＝－ 1 ai=7 時(shí)， aix＝ 1， aiy＝－ 1 設(shè) x0和 y0是起始點(diǎn)的坐標(biāo)，則： () () (3) 鏈 碼所包圍的區(qū) 域面積： () 本科畢業(yè)設(shè)計(jì) (論文 ) 第 18 頁(yè) () (4) 假如兩個(gè)像素點(diǎn)可由方向鏈聯(lián)接 {a1 a2 a3? an}，則這兩點(diǎn)的距離為： () 上述的區(qū)域特征用鏈碼來(lái)計(jì)算，計(jì)算比較簡(jiǎn)單。 有了鏈碼的方向鏈后，再加上一些標(biāo)識(shí)碼，即可構(gòu)成鏈碼。對(duì)于每一種方向賦以一種碼表示，如上面 8 個(gè)方向分別對(duì)應(yīng)于 0、 6和 7，這些碼稱(chēng)為方向碼 。這會(huì)導(dǎo)致傅立葉變換中產(chǎn)生高本科畢業(yè)設(shè)計(jì) (論文 ) 第 16 頁(yè) 頻分量，因而在用 Zahn 描述時(shí)，常要較多的傅立葉級(jí)數(shù)，以保證信息不會(huì) 有大的丟失。構(gòu)造 rφ*(t)間的對(duì)應(yīng)關(guān)系是一對(duì)一的，即介尺度變化下是相似的，如果反演 φ*(t)r，則可得出一組相似的封閉曲線(xiàn)。為了解決這個(gè)問(wèn)題，引入封閉曲線(xiàn)本身的內(nèi)稟參量構(gòu)造曲線(xiàn)方程，再做傅立葉交換。 (3) 凹凸特性 凹凸特性時(shí)區(qū)域的基本特性之一。計(jì)算圖像中某個(gè)區(qū)域的面積以及該區(qū)域的周長(zhǎng)，根據(jù)它們的比值可以分析或提取該區(qū)域所代表的圖像形狀特征。 S 為投影方向， t為與本科畢業(yè)設(shè)計(jì) (論文 ) 第 12 頁(yè) 其垂直的方向， t 與 x 軸夾角為 ?，則 {f (x,y)}沿著 S 的投影定義為： () 當(dāng) ? 固定時(shí)， p(t, ?)為ｔ的函數(shù)，亦即一個(gè)一維波形。常用的區(qū)域矩特征有以下幾個(gè)： (1) 質(zhì)心 () (2) 中心矩 () (3) Hu 矩組 本科畢業(yè)設(shè)計(jì) (論文 ) 第 11 頁(yè) Hu 矩組是 {mpq}個(gè)矩的函數(shù)，它滿(mǎn)足平移、旋轉(zhuǎn)不變性，因而可被廣泛地應(yīng)用于區(qū)域形狀識(shí)別中。一個(gè)圖像形狀和結(jié)構(gòu)特征有兩種形式，一種是數(shù)字特征主要包括幾何屬性（如長(zhǎng)短、面積、距離和凹凸特性等） ，統(tǒng)計(jì)屬性（如黑色像素點(diǎn)在垂直方向的投影）和拓?fù)鋵傩裕ㄈ邕B通、歐拉數(shù)）；另一種是由字符串和圖等所表示的句法語(yǔ)言。但是，有時(shí)相關(guān)性很高的特征組合起來(lái)可以減少噪聲干擾，它們一般不作為單獨(dú)的特征使用。 (2) 可靠性。 2. 特征 提取 原始特征的數(shù)量很大，或者說(shuō)圖像本身處于一個(gè)高維空間中，通過(guò)映射 (或變換 )的方法可以用低維空間來(lái)表示樣本，這個(gè)過(guò)程叫做特征提取。因此，特征選擇是圖像識(shí)別中的一個(gè)關(guān)鍵問(wèn)題。這樣，計(jì)算機(jī)才能具有認(rèn)識(shí)或者識(shí)別圖像的本領(lǐng)，稱(chēng)圖像模式識(shí)別，也叫圖像識(shí)別。隨著上述核心技術(shù)的研究發(fā)展，應(yīng)用領(lǐng)域和功能等也獲得大幅提高。而獨(dú)立分割車(chē)牌取得字符，對(duì)較低解析度和較為模糊的車(chē)牌來(lái)說(shuō)是非常困難的。字符的模式表達(dá)形式和相應(yīng)的字典形式有多種，每種形式又可以選擇 不同的特征，每種特征又有不同的抽取方法。字符識(shí)別的原理框圖如圖 。 缺點(diǎn)：當(dāng)樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義時(shí)，效果不好。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(shí)別問(wèn)題。 是一種集合運(yùn)算。一九七八年，中科院自動(dòng)化研究所等合作研制出了“倍函自動(dòng)化分檢機(jī)”，可識(shí)別 0～ 9個(gè)數(shù)字；一九八七年清華大學(xué)研制的漢字識(shí)別系統(tǒng)通過(guò)了技術(shù)鑒定，可識(shí)別國(guó)家二級(jí)漢字庫(kù) 6000 多字，識(shí)別率可達(dá) 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(jī)器人研究所研制的漢字識(shí)別系統(tǒng)也通過(guò)了技術(shù)鑒定，同樣可識(shí)別漢字 6000 多，識(shí)別速度可達(dá) 1 字 /1 秒，識(shí)別率達(dá) 98%以上，處于國(guó)內(nèi)領(lǐng)先 地位。但就多種方法分類(lèi)來(lái)說(shuō)為二大方法：相關(guān)法和構(gòu)造解析法。本系統(tǒng)主要是在對(duì)汽車(chē)圖像進(jìn)行細(xì)致分析，從而研究車(chē)牌定位與識(shí)別的算法問(wèn)題。 車(chē)輛牌照識(shí)別（ License Plate Recognition, LPR）技術(shù)作為交通管理自動(dòng)化的重要手段，其任務(wù)是分析、處理汽車(chē)監(jiān)控圖像，自動(dòng)識(shí)別汽車(chē)牌號(hào)，并進(jìn)行相關(guān)智能化數(shù)據(jù)庫(kù)管理。把這個(gè)特征向量送到 BP 網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到了訓(xùn)練好的權(quán)值，把他保存到“ ”和“ ”中。然后打開(kāi)要識(shí)別的圖片（即車(chē)牌），對(duì) 圖像進(jìn)行預(yù)處理后就可以識(shí)別了。 LPR 系統(tǒng)可以廣泛應(yīng)用于高速公路電子收費(fèi)站、出入控制、公路流量監(jiān)控、失竊車(chē)輛查詢(xún)、停車(chē)場(chǎng)車(chē)輛管理、公路稽查、監(jiān)測(cè)黑牌機(jī)動(dòng)車(chē)、監(jiān)控違章車(chē)輛的電子警察等需要車(chē)牌認(rèn)證的重要場(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)技術(shù)可提高公路系統(tǒng)的運(yùn)行效率， LPR 系統(tǒng)更具有不可替代的作用，因而對(duì) LPR 車(chē)牌識(shí)別技術(shù)的研究和應(yīng)用系統(tǒng)開(kāi)發(fā)具有重要的現(xiàn)實(shí)意義。 字符識(shí)別簡(jiǎn)介 字符識(shí) 別發(fā)展概況 字符識(shí)別發(fā)展可分為三個(gè)階段：第一個(gè)階段為初級(jí)階段，在這一階段中，技術(shù)上是應(yīng)用一維圖像的處理方法完成二維圖像的識(shí)別任務(wù)。在這兩類(lèi)方法的基礎(chǔ)上，已研究出了不同類(lèi)各具特色的實(shí)用系統(tǒng)。這都為字符識(shí)別的實(shí)際應(yīng)用提供了廣闊的前景。用隸屬度將模糊集合劃分為若干子集， m類(lèi)就有 m個(gè)子集，然后根據(jù)擇近原則分類(lèi)。 優(yōu)點(diǎn)：識(shí)別方便，可從簡(jiǎn)單的基元開(kāi)始，由繁至簡(jiǎn)。 優(yōu)點(diǎn)：可處理一些環(huán)境信息十分復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確的問(wèn)題。 本科畢業(yè)設(shè)計(jì) (論文 ) 第 5 頁(yè) 字符識(shí)別的原理如上圖所示。這些就使得判別方法和準(zhǔn)則以及所用的數(shù)學(xué)工具不同，形成了種類(lèi)繁多，形式各異的字符識(shí)別方法。車(chē)牌字符識(shí)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(shí)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。 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別系統(tǒng) 系統(tǒng)簡(jiǎn)介 該系統(tǒng)是為了辨認(rèn)識(shí)別圖像中的字符而設(shè)計(jì)的，它通過(guò)對(duì)圖片的一系列處本科畢業(yè)設(shè)計(jì) (論文 ) 第 7 頁(yè) 理，最后識(shí)別得出圖片中顯示的字符。要使計(jì)算機(jī)具有識(shí)別的本領(lǐng)，首先要得到圖像的各種特征，即特征提取。由于實(shí)際問(wèn)題中常常不容易找到那些最重要的特征，或者某些圖像特征還會(huì)隨著環(huán)境的變化而發(fā)生變化，這就使得特征的選擇和提取復(fù)雜化。映射后的特征是原始特征某種組合。對(duì)于不同類(lèi)型的圖像，特征值應(yīng)該比較接近。 (4) 數(shù)量少。它可以刻畫(huà)某一圖像不同部分之間的相互關(guān)系（如文字識(shí)別中的筆劃關(guān)系），也可以描述不同目標(biāo)間的關(guān)系。 M1=m20＋ m02 M2=(m20－ m02)2＋ 4m112 M3=(m30－ 3m12)2＋ (3m21+ m03)2 M4=(m30＋ m12)2＋ (m21+ m03)2 M5=( m30－ m12)( m30＋ m12) (m30＋ m12)2－ 3(m21+ m03)2 ＋ ( 3m12－ m03) (m21+ m03) 3(m30＋ m12)2－ (m21+ m03)2 M6=(m20－ m02) (m30＋ m12) 2 － (m21+ m03)2 ＋ 4m11 (m30＋ m12)(m21+ m03) M7=(3m12－ m30)( m30＋ m12) (m30＋ m12) 2 － 3(m21+ m03)2 ＋ (3m21－ m30)( m21＋ m30) (m03＋ m12) 2 － 3(m12+ m03)2 如果上述的 7 個(gè) Hu 矩中的 mpq用 來(lái)代替，則得到的矩還可以滿(mǎn) 足尺度不變性。不斷地從 0~2∏變換 ?，可得到在不同方向上 {f (x,y)}的投影。 粗略地說(shuō)，圖像中的區(qū)域面積Ｓ就是圖像中相同標(biāo)記的像素?cái)?shù)目。區(qū)域的凹凸性可以通過(guò)以下方法進(jìn)行判別：區(qū)域內(nèi)任意兩像素間的連線(xiàn)穿過(guò)區(qū)域外的像素，則此區(qū)域?yàn)榘夹巍? 由于邊界通常是封閉曲線(xiàn)。 由于 φ*(t)是周期函數(shù)，因此可用它的傅立葉系數(shù)來(lái)描述它，在 [0,2Π]上展成傅立葉級(jí)數(shù)為： () 其中： () () () 其中 n=1,2,?。 Person 和 Fu 將 r 與下面的復(fù)參量對(duì)應(yīng)： u(l)＝ x(l)+iy(l)。 假設(shè)從某一個(gè)起點(diǎn)開(kāi)始，將邊界的走向按上面的編碼方式記錄下來(lái)，可形成如下的序列 a1 a2 a3? an。常用的標(biāo)識(shí)碼有兩種： (1) 加上特殊專(zhuān)用的鏈碼結(jié)束標(biāo)志。但是在描述形狀時(shí)，信息并不完全，這些數(shù)值特征與具體的形狀之間并不 — 一對(duì)應(yīng)。 經(jīng)過(guò)抽象，可得到數(shù)學(xué)表達(dá)式如下： () () ωi： 數(shù)值 (Weigthts)； θ：閥值 (Threshold)； б (s)：作用函數(shù) (Activated Transfer Function)。 圖 閾值型作用函數(shù)二 (2)．線(xiàn)性型 也有兩種情況，全線(xiàn)性型和正線(xiàn)性型，如下： ① 全線(xiàn)性 A=f (W*P+b)=W*p+b () 此時(shí)輸出與輸入成正比關(guān)系。 圖 輻射基函數(shù)（三角波函數(shù) ） 人工神經(jīng)網(wǎng)絡(luò)構(gòu)成 人工神經(jīng)網(wǎng)絡(luò)有很多構(gòu)成形式，比如基本型、前向型、回歸型以及互聯(lián)型等，下面我們列出一些前兩種神經(jīng)網(wǎng)絡(luò)構(gòu)成形式。這一小節(jié)介紹 M些常用的學(xué)習(xí)規(guī)則。下面，討論一下本科畢業(yè)設(shè)計(jì) (論文 ) 第 25 頁(yè) BP網(wǎng)絡(luò)中的權(quán)值確定方法。下面討論