【正文】 0 .05 等區(qū)間）之中，則該節(jié)點(diǎn)可刪除。 (4) 自學(xué)習(xí)模型 [9] 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重矩陣 Wij的設(shè)定和誤差修正過(guò)程。開(kāi)放性也許是 MATLAB 最受人們歡迎的特點(diǎn)。 MATLAB 包含兩個(gè)部分：核心部分和各種可選的工具箱。例如，在 MATLAB 里，用戶無(wú)需對(duì)矩陣預(yù)定義就可使用。即使有部分源代碼，用戶也會(huì)感到麻煩，且 不能保證運(yùn)算的穩(wěn)定性。 (1) 語(yǔ)言簡(jiǎn)潔緊湊，使用方便靈活，庫(kù)函數(shù)極其豐富。可以說(shuō)，無(wú)論從事工程方面的哪個(gè)學(xué)科，都能在 MATLAB 里找到合適的功能。 MathWorks 公司 1993 年推出了 MATLAB 版， 1995 年推出 版（ for ） ， 1997 年推出 版。 在當(dāng)今 30 多個(gè)數(shù)學(xué)類科技應(yīng)用軟件中 ,就軟件數(shù)學(xué)處理的原始內(nèi)核而言 ,可分為兩大類 。 到 70 年代后期 ,身為美國(guó) New Mexico 大學(xué)計(jì)算機(jī)系系主任的 Cleve Moler,在給學(xué)生講授線性代數(shù)課程時(shí) ,想教學(xué)生使用 EISPACK 和 LINPACK 程序庫(kù) ,但他發(fā)現(xiàn)學(xué)生用 FORTRAN編寫接口程序很費(fèi)時(shí)間 ,于是他開(kāi)始自己動(dòng)手 ,利用業(yè)余時(shí)間為學(xué)生編寫 EISPACK 和 LINPACK 的接口程序 。 MATLAB 的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué) 、 工程中常用的形式十分相似 ,故用 MATLAB 來(lái)解算問(wèn)題要比用 C、 FORTRAN 等語(yǔ)言完 成 相同的事情簡(jiǎn)捷得多 。 上式的學(xué)習(xí)規(guī)則雖然和上述推斷一致，但在應(yīng)用時(shí)還存在一些潛在的問(wèn)題。為了解決這一問(wèn)題，人們自然會(huì)想到在訓(xùn)練過(guò)程中自動(dòng)調(diào)整學(xué)習(xí)速率。 BP 算法的 改進(jìn) BP 算法改進(jìn)的主要目標(biāo)是為了加快訓(xùn)練速度，避免陷入局部極小值和改善其他能力。為了減少尋找學(xué)習(xí)速率的訓(xùn)練次數(shù)以及訓(xùn)練時(shí)間，比較合適的方法是采用變化的自適應(yīng)學(xué)習(xí)速率，使網(wǎng)絡(luò)的訓(xùn)練在不同的階段設(shè)置不同大小的學(xué)習(xí)速率。 一般的講，網(wǎng)絡(luò) sl 的選擇原則是：在能夠解決問(wèn)題的前提下，再加上一個(gè)到兩個(gè)神經(jīng)元以加快誤差的下降速度即可。 例：用兩層 BP 網(wǎng)絡(luò)實(shí)現(xiàn)“異或”功能。下面討論各自的選取原則。下面，討論一下 BP網(wǎng)絡(luò)中的權(quán)值確定方法。這一小節(jié)介紹 M 些常用的學(xué)習(xí)規(guī)則。 (4).輻射基函數(shù) ① 高斯函數(shù) ② 三角波函數(shù) 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。 下面各圖形中的 n（ W*P 十 b）是輸入， a 是輸出。 ANN 等效模擬電壓近似 BNN 脈沖密度，僅有空間累加無(wú)時(shí)間累加（可認(rèn)為時(shí)間累加己隱含于等效模擬電壓之中）。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。 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(kāi)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。 為了 BP 神經(jīng)網(wǎng)絡(luò)能對(duì)車牌字符進(jìn)行正確識(shí)別 ,識(shí)別前對(duì)單個(gè)字符圖像進(jìn)行歸一化處理 ,分兩個(gè)步驟 : (1)位置歸一化為了消除漢字點(diǎn)陣位置上的偏差 ,需要把整個(gè)漢字點(diǎn)陣圖形移動(dòng)到規(guī)定的位置上當(dāng)字符的中心位置產(chǎn)生偏移時(shí) ,對(duì)基于網(wǎng)格的特征提取方法將產(chǎn)生很大的偏差 ,因此在特征提取之前 ,必須基本保證字符處在圖像的中心位置 ,一般是將除字符之外 的其他背景圖像裁剪掉 ,使得字符填滿整個(gè)圖像。本文對(duì)車牌字符提取了粗網(wǎng)格特征 ,將歸一化后的字符每一個(gè)像素點(diǎn)特征全面提取作為神經(jīng)網(wǎng)絡(luò)的輸入 。 用于字符識(shí)別的分類特征應(yīng)滿足 以下要求： (1)有較強(qiáng)的分類能力，類內(nèi)各樣本距離應(yīng)盡量小，類間距離應(yīng)盡量大；特征用于粗分類時(shí)，粗分后各子集的樣本數(shù)不宜過(guò)多，其數(shù)量應(yīng)該大體相等； (2)具有較高的穩(wěn)定性和魯棒性，盡量減少筆劃斷裂或粘連的影響； (3)易于提取，在保證系統(tǒng)性能穩(wěn)定的前提下，特征的維數(shù)不宜過(guò)高，以減少運(yùn)算量和存儲(chǔ)復(fù)雜度。 車牌定位和字符分割兩個(gè)模塊的處理實(shí)際上都可看作是字符識(shí)別模塊的預(yù)處理，車牌識(shí)別的根本目的是輸出牌照號(hào)碼，因此字符識(shí)別是整個(gè)系統(tǒng)的核心。 缺點(diǎn)：準(zhǔn)確合理的隸屬度往往難以建立，故限制了它的應(yīng)用。通過(guò)對(duì)樣本的學(xué)習(xí)建立起記憶，然后將 未知模式判決為其最接近的記憶。用條件概率分布 P(X| wi)表示， m 類就有m 個(gè)分布，然后判定未知模式屬于哪一個(gè)分布。到一九七八年，能閱讀英文字母、數(shù)字、片假名和平假名等 118 種 OCRT0300 上市。提出了表示邊界的鏈碼法，用于結(jié)構(gòu)分析的細(xì)化思想，以及一些離散圖形上的拓?fù)湫匝芯?，形成了不僅能抽取局部特征，而且能抽取大范圍的凹凸區(qū)域、連通性、孔等特征的算法，完成了作為基礎(chǔ)理論核心的“特征抽取理論”，及所謂的 KL 展開(kāi)法工作。實(shí)際應(yīng)用中可能采用傳統(tǒng)的鄰域平均平滑算法 ,也可能采用某些改進(jìn)的算法 ,如應(yīng)用灰度差倒數(shù)加權(quán)算法進(jìn)行濾波處理。 獲取圖像的途徑也各不相同 , 如 CCD、數(shù)字相機(jī)、掃描儀、 X 光、 CT、 MR I、顯微鏡等 , 掃描 到計(jì)算機(jī)里的圖像質(zhì)量也參差不齊 , 其中 CCD 和數(shù)字相機(jī)受環(huán)境光的影響很大 . 同時(shí) , 圖像來(lái)源如紙張、支票也可能質(zhì)量很差 . 因此 我們需要一種能處理低質(zhì)量、甚至單峰直方圖的圖像的二值化方法 , 以盡可能地保留我們所需要的信息 , 特別是原圖的特征信息 。在圖像處理過(guò)程中 ,先利用數(shù)學(xué)形態(tài)學(xué) 的開(kāi)啟運(yùn)算和閉合運(yùn)算去除噪聲或連接目標(biāo) ,從而達(dá)到恢復(fù)圖像的目的。一般將形態(tài)學(xué)變換作用于實(shí)際圖像的過(guò)程稱為形態(tài)學(xué)運(yùn)算 車牌字符識(shí)別是車牌自動(dòng)識(shí)別技術(shù)的另一項(xiàng)關(guān)鍵技術(shù) ,字符識(shí)別的方法有很多 , 主要有 :(1)模板匹配法 ,即利用 M N 模板與待識(shí)別字符逐個(gè)像素的比較。下面介紹數(shù)學(xué)形態(tài)學(xué)在二值圖像中的基本定義 ,設(shè) A 是原始圖像 ,B 是“結(jié)構(gòu)元素” 。 因 而，數(shù)學(xué)形態(tài)學(xué)是適宜于解決計(jì)算機(jī)視覺(jué)不同階段（由低層次到高層次）問(wèn)題的 統(tǒng)一的理論、方法和分析工具。 數(shù)學(xué)形態(tài)學(xué)是一種非線性圖 像處理和分析理論它的成功應(yīng)歸功于一個(gè)新的 思路，即摒棄了傳統(tǒng)的數(shù)值建模及分析方法，而從集合的角度來(lái)刻畫和分 析圖 像。但大都是基于汽車圖像的某個(gè)側(cè)面特征來(lái)定位車牌的 ,如基于邊緣檢測(cè)、紋理特征及顏色特征等。關(guān)于車牌識(shí)別技術(shù)及定位系統(tǒng)研究，國(guó)內(nèi)外學(xué)者已經(jīng)作了大量工作，但實(shí)際效果并不理想，對(duì)輔助光源要求高，很難有效解決復(fù)雜背景下多車牌識(shí)別的技術(shù)難題，如：車牌圖像的傾斜、車牌表面污 穢或磨損、光線干擾等都會(huì)影響定位的準(zhǔn)確性。 關(guān)鍵字： LPR； 字符識(shí)別； BP 神經(jīng)網(wǎng)絡(luò)； ABSTRACT With the rapid development of the modern transport and the large mumber of popular car,license plate recognition technology have bee an inportant management tool of the traffic the discernment to the number plate character, this text applies BP neural work to the automatic discernment of the automobile number plate, on the basis that the number plate picture goes on in advance treated , is it use BP neural work method to car discernment , license plate of character to discuss work includes neural word theory in essence,because of its simple structure ,strong plastic,it is widely its mathematical meaning clear,distinct step in the learning algorithm is more to the wider use of background. Will train samples to do the pretreatment of the picture at first, character in number plate cut apart, get the individual character. Then we get a receive characteristic vector quantity like this to put, what the vector quantity of this characteristic is written down is the characteristic of the the characteristic vector quantity BP work train, get good right value of trainin. Open picture discerned to want, go on to picture in advance treated to can discern. It shows that the validity of this method .The results of the procedures showed that the method is reliability. Key words： The number plate discerning； The character discerning； LPR； BP neural work； 目 錄 第一章 概 述 .....................................................1 基本概念 .....................................................1 車牌字符識(shí)別簡(jiǎn)介 .............................................4 車牌字符識(shí)別發(fā)展概況 ....................................4 車牌字符識(shí)別系統(tǒng)用到的方法 ..............................4 國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì) ......................................7 第二章 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 ...............................................9 人工神經(jīng)元 ....................................................9 神經(jīng)元模型 ...............................................9 幾種常用的作用函數(shù) .....................................10 人工神經(jīng)網(wǎng)絡(luò)構(gòu)成 .............................................10 基本模型 ...............................................10 前向網(wǎng)絡(luò) ...............................................11 Hebb 學(xué)習(xí)規(guī)則 ...........................................11 δ 學(xué)習(xí)規(guī)則 .............................................12 BP 神經(jīng)網(wǎng)絡(luò) ..................................................12 BP 網(wǎng)絡(luò)模型 .............................................12 輸入輸出關(guān)系 ...........................................12 網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練 ...........................................12 BP 網(wǎng)絡(luò)的設(shè)計(jì)問(wèn)題 .......................................13 BP 網(wǎng)絡(luò)的限制與不足 .....................................15 BP 算法的改進(jìn) ...........................................15 第三章 車牌字符識(shí)別的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì) .............................18 車牌字符識(shí)別的設(shè)計(jì)思路 .......................................18 MABL