【正文】 要事第一 創(chuàng)設(shè)遍及全美的事務(wù)公司的亨瑞。相反，如果他抓住了主要矛盾，解決問題就變得容易多了。因此，在工作中，如果我們不能選擇正確的事情去做，那么唯一正確的事情就是停止手頭上的事情，直到發(fā)現(xiàn)正確的事情為止。正如微軟總裁兼首席軟件設(shè)計(jì)師比爾。著名的效率提升大師博思 .崔西 説 ：“成功就是目標(biāo)的達(dá)成，其他都是這句話的注釋?！? 把問題想透徹 把問題想透徹，是一種很好的思維品質(zhì)。 一次做好一件事 著名的效率提升大師博思 .崔西有一個(gè)著名的論斷：“一次做好一件事的人比同時(shí)涉獵多個(gè)領(lǐng)域的人要好得多。 學(xué)習(xí)是一個(gè)長期積累的 過程，在 今 后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己 的 綜合素質(zhì)。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。 對(duì)于識(shí)別錯(cuò)誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖 像 的質(zhì)量；二是牌照字符的分割失敗導(dǎo)致的識(shí)別錯(cuò)誤；再就是部分字符的形狀相似性，比如， B 和 8； A 和 4 等字符識(shí)別結(jié)果可能發(fā)生混淆的情況。 initF: 39。下面就圖 23 所示測試樣例進(jìn)行測試。 =。 39。根據(jù)需要可設(shè)計(jì)為一層或多層；最后一個(gè)隱層將信息傳遞給輸出層神經(jīng)元經(jīng)進(jìn)一步處理后向外界輸出信息處理結(jié)果 。 BP神經(jīng)網(wǎng)絡(luò)可以應(yīng)付各種數(shù)據(jù)和能夠模擬一種復(fù)雜的決定系統(tǒng)。但是人工神經(jīng)網(wǎng)絡(luò)是近現(xiàn)代才提出來的一種新型技術(shù)，所以還有一些缺點(diǎn)，不過它的優(yōu)點(diǎn)卻是非常明 顯的：①它可以充分逼近任意復(fù)雜的非線性關(guān)系。基于模板匹配算法首先把待識(shí)別字符二 值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。再用模板中的全體像素的平均值來代替原來像素值。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。利用車牌部分垂直高頻豐富的特點(diǎn)先利用小波提取圖像的垂直高頻信息，然后利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運(yùn)算，進(jìn)一步消除無用的信息和噪聲，以定位車牌。分析這種情況產(chǎn)生的原因，歸納起來主要有以下方面 : 原始圖像清晰度比較高，從而簡化了預(yù)處理 圖像的平滑處理會(huì)使圖像的邊緣信息受到損失，圖像變得模糊 圖像的銳化可以增強(qiáng)圖像中物體的邊緣輪廓 ，但同時(shí)也使一些噪聲得到了增強(qiáng) 綜上所述，結(jié)合 MATLAB 實(shí)驗(yàn)過程，得出不是每一種圖像處理之初都適合濾波和邊界增強(qiáng)。例如，某一象素點(diǎn)的鄰域 S有兩種表示方法： 8鄰域和 4鄰域分別對(duì)應(yīng)的鄰域平均值為 ??? sji jifMjig ),( ),(1),( (36) 圖 35 鄰域 及其 鄰域模板 （ 5） 其中， M 為鄰域中除中心象素點(diǎn) f(i,j) 之外包括的其它象素總數(shù)，對(duì)于 4鄰域 M=4， 8 鄰域 M=8。所以在此我們要對(duì)圖像進(jìn)行邊緣檢測。系統(tǒng)可以運(yùn)行于 Windows9Windows2021或者 Windows XP操作系統(tǒng)下，程序調(diào)試時(shí)使用 matlab。 為了用于牌照的分割和牌照字符的識(shí)別，原始圖 像 應(yīng)具有適當(dāng)?shù)牧炼?，較大的對(duì)比度和清晰可辯的牌照?qǐng)D 像 。對(duì)于國內(nèi)牌照來說，一般的車輛正面牌照中水平排列著 7個(gè)字符，其標(biāo)準(zhǔn)車牌樣式 ： XlX2〃 X3X4X5X6X7。 自 20 世紀(jì) 60年代初期出現(xiàn)第一代產(chǎn)品開始，經(jīng)過 30 多年的不斷發(fā)展改進(jìn)， 字符識(shí)別 技術(shù)的研究 已經(jīng) 取得了令人矚目的成果 。這種模型認(rèn)為，在長時(shí)記憶中存儲(chǔ)的并不是所要識(shí)別的無數(shù)個(gè)模板，而是圖像的某些“相似性 ”。這種模型認(rèn)為，識(shí)別某個(gè)圖像，必須在過去的經(jīng)驗(yàn)中有這個(gè)圖像的記憶模式，又叫模板。 隨著 21 世紀(jì)經(jīng)濟(jì)全球化和信息時(shí)代的發(fā)展，作為信息來源的自動(dòng)檢測、圖像識(shí)別技術(shù)越來越受到人們的重視。 字符識(shí)別是一種圖像識(shí)別技術(shù)，他的輸入是一張帶有某種字符的圖片，而輸出則是計(jì)算機(jī)中對(duì)于圖片中字符的反應(yīng)結(jié)果。其中很大一部分是圖像，圖像可以把事物生動(dòng)的呈現(xiàn)在我們面前，讓我們更直觀地接受信息。用 MATLAB 做車牌識(shí)別比用其他工具有許多優(yōu)勢(shì)，因?yàn)?MATLAB 在圖像的灰度化、二值化、濾波等方面都有很大優(yōu)勢(shì)， 所以 ,本次實(shí)驗(yàn)我們 利用MATLAB 的這些優(yōu)點(diǎn)來對(duì)車牌進(jìn)行識(shí)別。 可以預(yù) 計(jì) 21 世紀(jì)，圖像技術(shù)將經(jīng)歷一個(gè)飛躍發(fā)展的成熟階段，為深入人民生活創(chuàng)造新的文化環(huán)境，成為提高生產(chǎn)的自動(dòng)化、智能化水平的基礎(chǔ)科學(xué)之一。 （三） 圖像識(shí)別的機(jī)理 圖像識(shí)別是人工智能的一個(gè)重要領(lǐng)域。例如 ,人們不僅能識(shí)別某一個(gè)具體的字母 A,也能識(shí)別印刷體的、手寫體的、方向不正、大小不同的各種字母 A。因此又有人提出了一個(gè)更復(fù)雜的模型，即“泛魔”識(shí)別模型。在開發(fā)期間，以功能強(qiáng)大的 Matlab 作為編程平臺(tái)，利用一些行之有效的技術(shù)提高識(shí)別算法的性能，從而完成相應(yīng)的識(shí)別軟件。 圖 21 牌照識(shí)別系統(tǒng)原理圖 該系統(tǒng)是計(jì)算機(jī)圖像處理與字符識(shí)別技術(shù)在智能化交通管理系統(tǒng)中的應(yīng)用，它主要由牌照?qǐng)D像的采集和預(yù)處理、牌照區(qū)域的定位和提取、牌照字符的分割和識(shí)別等幾個(gè)部分組成，如圖 1所示。 車牌識(shí)別的最終目的就是對(duì)車牌上的文字進(jìn)行識(shí)別。同理對(duì)白底黑字的牌照可用 R 通道，綠底白字的牌照可以用 G 通道就 可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。這時(shí)就可以采用灰度校正的方法來處理，增強(qiáng)灰度的變化范圍、豐富灰度層次，以達(dá)到增強(qiáng)圖 像 的對(duì)比度和分辨率。邊緣提取是較經(jīng)典的算法，此處 邊緣的提取采用的是 Roberts 算子。直接分析圖像的特征，如基于線模板的二值化圖像中的角檢 測算法，該算法利用車牌的邊框角點(diǎn)，檢測車牌的四個(gè)角點(diǎn)，并以此來定位車牌。 目前較為常用的方法是先提取車輛圖像的邊緣，然后結(jié)合車輛牌照的幾何特征，分析二值化邊緣圖像像素在水平和垂直方向的投影，判斷出車輛牌照的位置。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車牌區(qū)域。但是對(duì)于車牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。前一種方法識(shí)別結(jié)果與特征提取有關(guān)，而特征提取比較耗時(shí)，因此，特征提取是關(guān)鍵。⑥具有高速尋找優(yōu)化解的能力。在 MATLAB工具箱中已經(jīng)有了BP神經(jīng)識(shí)別的函數(shù)，這里使用 newlin函數(shù) adapt函數(shù)，使用這些函數(shù)需要輸入預(yù)期的待學(xué)目標(biāo)的輸入范圍，指定一個(gè)延遲輸入信號(hào)和一個(gè)有延遲輸 入信號(hào)以及學(xué)習(xí)速度的參數(shù)，這樣字符就能很好地在 MATLAB中得到識(shí)別。比較輸出結(jié)果和期望值，若沒有達(dá)到要求的誤差程度或者訓(xùn)練次數(shù)，即經(jīng)過輸出層、隱層和輸入層，來調(diào)節(jié)權(quán)值，以便使網(wǎng)絡(luò)成為一定適應(yīng)能力的模型。learngdm39。誤差曲線 即測試樣例經(jīng)訓(xùn)練后的實(shí)際輸出結(jié)果和期望輸出的差值情況。 0] layerConnect: [0 0。traingdx39。這里我采用的是邊緣檢測的方法實(shí)現(xiàn)定位的。 這次 USRP 讓我學(xué)到了很多東西，在這整個(gè)過程中我們查閱了大量的資料， 涉及到方方面面的知識(shí) 。 參考文獻(xiàn) [1] 夏慶觀，盛黨紅，溫秀蘭，基于 MATLAB GUI的零件圖像識(shí)別 2021年 12月 中國制造業(yè)信息化 第 37卷 第 23期 [2] 尹芳， 王衛(wèi)兵， 陳德運(yùn)，印刷體英文文檔識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)哈爾濱理工大學(xué)學(xué)報(bào)第 13卷第 6期 2021年 12月 [3] 汪益民，梅林，張義超，基于 OCR技術(shù)的書寫文字識(shí)別系統(tǒng)設(shè)計(jì) 甘肅科技第 23卷第 8期 2021年 8月 [4] 葉晨洲，廖金周，一種基于紋理的牌照?qǐng)D象二值化方法，微型電腦應(yīng)用， 1999(6) [5] 朱學(xué) 芳等，一種自適應(yīng)細(xì)化方法，模式識(shí)別與人工智能， ， 1997(6) [6] 楊萬山等，基于 BP 神經(jīng)網(wǎng)絡(luò)的工程圖紙圖形符號(hào)的識(shí)別，微型電腦應(yīng)用， ， ， 2021 [7] 袁志偉，潘曉露 .車輛牌照定位的算法研究 [J].昆明理工大學(xué)學(xué)報(bào)， 2021， 26(2) [8] 劉陽，伊鐵源等 .數(shù)字圖象處理應(yīng)用于車輛牌照的識(shí)別 .遼寧大學(xué)學(xué)報(bào) .2021 [9] 許志影 、 李晉平 .MATLAB極其在圖像處理中的應(yīng)用 .計(jì)算機(jī)與現(xiàn)代化， 2021(4) [10] 崔 江 、 王友仁 .車牌自動(dòng)識(shí)別方法中的關(guān) 鍵技術(shù)研究 .計(jì)算機(jī)測量與控制， (4) [11] 梁瑋 、 羅劍鋒 、 賈云得 .一種復(fù)雜背景下的多車牌圖像分割與識(shí)別方法 [D]. 2021. [12] 張 引，潘云鶴，面向車輛牌照字符識(shí)別的預(yù)處理算法，計(jì)算機(jī)應(yīng)用研究， 1999(7) 能人士的 50 個(gè)習(xí)慣 在行動(dòng)前設(shè)定目標(biāo) 有目標(biāo)未必能夠成功，但沒有目標(biāo)的肯定不能成功。 發(fā)現(xiàn)問題關(guān)鍵 在許多領(lǐng)導(dǎo)者看來，高效能人