【正文】 () 其中，輸人層神經(jīng)元個(gè)數(shù)為 n，隱含層神經(jīng)元個(gè)數(shù)為 n1，輸出層神經(jīng)元個(gè)數(shù)為 S2。 第 26 頁(yè) (3)．解釋 輸出層誤差 ej(j=1S2) 隱含層誤差 ei(i=1n2), 這里，可以認(rèn)為 ei 是由 ej 加權(quán)組合形成的，由于作用函數(shù)的存在， ej 的等效作用為 δ ji=ejf ‘()。 (2)． 隱含層神經(jīng)元數(shù) 網(wǎng)絡(luò)訓(xùn)練精度的提高，可以通過采用一個(gè)隱含層，而增加其神經(jīng)元數(shù)的方法來獲得，這在結(jié)構(gòu)實(shí)現(xiàn)上，要比增加更多的隱含層要簡(jiǎn)單得多。 表 21 當(dāng) Sl ＝ 2， 3， 4， 5， 6， 20， 25， 30 時(shí)的訓(xùn)練結(jié)果 我們?cè)u(píng) 價(jià)一個(gè)網(wǎng)絡(luò)設(shè)計(jì)的好壞，首先是它的精度，再一個(gè)就是訓(xùn)練時(shí)間。學(xué)習(xí)速率的選取范圍是~。通常為了避免這種情況的產(chǎn)生，一是選取較小的初始權(quán)值，二是采用較小的學(xué)習(xí)速率。 (2)．自適應(yīng)學(xué)習(xí)速率 對(duì)于一個(gè)特定的問題，要選擇適當(dāng)?shù)膶W(xué)習(xí)速率并不是一件容易的事情。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)相反，則這個(gè)權(quán)的學(xué)習(xí)速率要減小。 (4)．作用函數(shù)后縮法 () () 實(shí)驗(yàn)證明，采用此方法，收斂時(shí)問平均可 減少 30％ ~50%。 本系統(tǒng)選擇的是逐像素特征提取法。設(shè)計(jì) BP 網(wǎng)絡(luò)的關(guān)鍵之處在于高效的特征提取方法、大量有代表性的訓(xùn)練樣本、高效穩(wěn)定速收斂學(xué)習(xí)算法。將提取出訓(xùn)練樣本中的特征向量代入BP 網(wǎng)絡(luò)之中就可以對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取出待識(shí)別的樣本中的特征向量代入到訓(xùn) 練好的 BP網(wǎng)絡(luò)中，就可以對(duì)字符進(jìn)行識(shí)別。 上述問題可以用 δ barδ 方法來克服。每一步迭代中，每個(gè)學(xué)習(xí)速率參數(shù)都能改變； 附加動(dòng)量法的實(shí)質(zhì)是將最后一次權(quán)值變化的影響，通過一個(gè)動(dòng)量團(tuán)于來傳遞?？刹捎米?化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率來加以改進(jìn)。大的學(xué)習(xí)速率可能導(dǎo)致系統(tǒng)的不穩(wěn)定；但小的學(xué)習(xí)速率導(dǎo)致較長(zhǎng)的訓(xùn)練時(shí)間，可能收斂很慢，不過能保證網(wǎng)絡(luò)的誤差值不跳出誤差表面的低谷而最終趨于誤差最小值。選擇誤差目標(biāo)為 err_goal＝ ，并通過對(duì)網(wǎng)絡(luò)訓(xùn) 第 27 頁(yè) 練 時(shí)所需的循環(huán)次數(shù)和訓(xùn)練時(shí)間的情況來觀察網(wǎng)絡(luò)求解效果。因?yàn)槟苡脝螌泳W(wǎng)絡(luò)完美解決的問題，用自適應(yīng)線性網(wǎng)絡(luò)也一定能解決，而且自適應(yīng)線性網(wǎng)絡(luò)的運(yùn)算速度還要快。 定義誤差函數(shù)為： () 我們利用剃度下降法求權(quán)值的變化及誤差的反向傳播。 BP 神經(jīng)網(wǎng)絡(luò) BP 網(wǎng)絡(luò)是應(yīng)用中經(jīng)常碰到的，這一節(jié)將詳細(xì)介紹一下 BP 網(wǎng)絡(luò)。 第 23 頁(yè) 圖 前向網(wǎng)絡(luò)結(jié)構(gòu) 其 中， x1,x2,? ,xn 是輸入 ,y1,y2,? ,yn 是 輸 出。 ① 對(duì)數(shù)正切 y=1/(en+1) () 輸出與輸入成對(duì)數(shù)正切關(guān)系，見 圖 。 (1)．閥值型（硬限制型） 有兩種形式，第一種是： () 當(dāng) 輸入大于 0 時(shí)，輸出為 1；輸入小于 0時(shí)，輸出為 0。 1．神經(jīng)元模型 神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò) 的基本處理單元，它一般是一個(gè)多輸入 /多輸出的非線性元件。 從鏈碼可以得出邊界的許多形狀特征： (1) 鏈的長(zhǎng)度 () 其中。對(duì)圖 23(b)所示的一個(gè)圖像區(qū)域， 若以 S點(diǎn)為出發(fā)點(diǎn)，按逆時(shí)針的方向進(jìn)行，所構(gòu)成的邊界鏈碼應(yīng)為 556570700122333。適當(dāng)?shù)厝?{an}的前幾項(xiàng)就可在信息損失較小的前提下描述邊界 r。在每邊 vi1vi上， φ(l)為常數(shù)，設(shè) φi1, 定義 , 則： () () () 其中 n=1,2,?。定義： φ(l)= ?(l)－ ?(0) () 則 φ(l)的變化規(guī)律可以描述封閉曲線的形狀，很明顯它是平移和旋轉(zhuǎn)不變的。因此可以將邊界看成是直角坐標(biāo)下的點(diǎn)集構(gòu)成 的曲線 y=f (x,y)，其中 x 是橫坐標(biāo)， y 是縱坐標(biāo)。 區(qū)域的周長(zhǎng)二用區(qū)域中相鄰邊緣點(diǎn)間的距離之和來表示，同樣存 在誤差補(bǔ)償?shù)膯栴}。歐拉數(shù)定義為一個(gè)圖中或一個(gè)區(qū)域中的孔數(shù) H 和連接部分?jǐn)?shù) C的差： E=C－ H。在實(shí)際應(yīng)用中 ，這是不可能實(shí)現(xiàn)的，通常取前幾階矩即可，但是這會(huì)帶來誤差。 區(qū)域內(nèi)部的數(shù)字特征 1. 矩 給定二維連續(xù)函數(shù) f(x,y)，下式定義了其 pq 階矩： () 矩在文字識(shí)別中作為有效統(tǒng)計(jì)特征而被廣泛運(yùn)用，它之所以能被用來表征一幅二維圖像是基于下面的帕普利斯（ Papoulis）惟一性定理：如果 f(x,y)是分段連續(xù)的，只在 xy 平面的有限部分中有非零值，則所有各階矩皆存在，并且矩序列{Mpq}此才惟一地被 f(x,y)所確定，反之 {Mpq}也唯一地確正 f(x,y)。 實(shí)際應(yīng)用中特征提取過程往往包括：先測(cè)試一組自覺上合理的特征，然后減少成數(shù)目合適的滿意集。所選擇的特征之間彼此不相關(guān)。利用其結(jié)果對(duì)表進(jìn)行刪減，從而選出若干最好的特征。 為了進(jìn)行識(shí)別，需要把圖像從測(cè)量空間變換到維數(shù)大大減少的特征空間，被 第 9 頁(yè) 識(shí)別的圖像在這個(gè)特征空中就是由一個(gè)特征向量來表示。例如，描述物體表面灰度變化的紋理特征，描述物體外形的形狀 特征等。程序調(diào)試時(shí) ， 需要使用 Microsoft Visual C++ （ SP6） 。比如在移動(dòng)交警稽查、高速公路的監(jiān)視與監(jiān)控、城市交通要道的監(jiān)視與監(jiān)控，所監(jiān)控的區(qū)域一般會(huì)同時(shí)出現(xiàn)多輛汽車，背景也比較復(fù)雜，有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。車牌字符識(shí)別圖 字符識(shí)別的原 理框圖 預(yù) 處 理 模式表達(dá) 判 別 字 典 學(xué) 習(xí) 識(shí)別部分 學(xué)習(xí)部分 教師 字符圖像 第 6 頁(yè) 技術(shù)是文字識(shí)別技術(shù)與車牌圖像自身因素協(xié)調(diào)兼顧的綜合性技術(shù)。對(duì)該二值化漢字點(diǎn)陣，抽取一定的表達(dá)形式后，與存儲(chǔ)在字典中已知的標(biāo)準(zhǔn)字符表達(dá)形式匹配判別，就可識(shí)別出輸入的未知字符。 字符識(shí)別原理 近年來，字符識(shí)別逐漸成為模式識(shí)別領(lǐng)域內(nèi)的一個(gè)重要分支。 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 展開法工作。而當(dāng)今許多實(shí)際應(yīng)用場(chǎng)合，如在繁忙交通路口臨時(shí)對(duì)欠稅費(fèi)報(bào)廢掛失等車輛的稽查，則監(jiān)視區(qū)域比較復(fù)雜，現(xiàn)有 識(shí)別方法無法直接應(yīng)用，一般同時(shí)出現(xiàn)多輛汽車，背景有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。高速度、高效率的生活節(jié)奏，使汽車普及成為必然趨勢(shì)，交通管理自動(dòng)化越來越成為亟待解決的問題。 第 I 頁(yè) 摘 要 為了對(duì)車牌字符的識(shí)別，本文將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽車車牌的自動(dòng)識(shí)別，在車牌圖像進(jìn)行預(yù)處理后的基礎(chǔ)上，重點(diǎn)討論了用 BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)車牌照字符的識(shí)別。 show the validity of this method. Key word： The number plate discerning； The character discerning； LPR； The characteristic is drawn； BP neural work； 第 III 頁(yè) 目 錄 摘要 ...........................................................................................................................Ⅰ ABSTRACT...................................................................................................................Ⅱ 第一章 概述 ...........................................................................................................1 基本概念 ................................................................................................1 字符識(shí)別簡(jiǎn)介 ........................................................................................2 字符識(shí)別發(fā)展概況 .....................................................................2 字符識(shí)別系統(tǒng)用到的方法 .........................................................3 字符 識(shí)別原理 .............................................................................4 國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì) ................................................................5 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別系統(tǒng) ............................................................6 系統(tǒng)簡(jiǎn)介 ....................................................................................6 系統(tǒng)的基本技術(shù)要求 ................................................................7 系統(tǒng)的軟硬件平臺(tái) .....................................................................7 第二章 字符識(shí)別系統(tǒng)中的關(guān)鍵技術(shù) ..................................................................8 特征提取 ......................................................................................8 基本概念 ....................................................................................8 區(qū)域內(nèi)部的數(shù)字特征 .............................................................10 基于邊界的形狀特征 .............................................................13 神經(jīng)網(wǎng)絡(luò) ..............................................................................................18 人工神經(jīng)元 ............................................................................18 人工神經(jīng)網(wǎng)絡(luò)構(gòu)成 ..........