【正文】 朱學(xué)芳等，一種自適應(yīng)細(xì)化方法，模式識別與人工智能，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的識別，微型電腦應(yīng)用，2000[7] 袁志偉，[J].昆明理工大學(xué)學(xué)報，2001，26(2)[8] 劉陽，[9] 許志影、2004(4)[10] 崔　江、(4)[11] 梁瑋、羅劍鋒、[D]. 2003.[12] 張 引，潘云鶴，面向車輛牌照字符識別的預(yù)處理算法，計算機應(yīng)用研究，1999(7)能人士的50個習(xí)慣 在行動前設(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，高效能人士應(yīng)當(dāng)具備的最重要的能力就是發(fā)現(xiàn)問題關(guān)鍵能力，因為這是通向問題解決的必經(jīng)之路。杜哈提說，不論他出多小兩種能力是：第一，能思想；第二，能按事情的重要程度來做事。如果一個人沒有重點地思考，就等于無主要目標(biāo)，做事的效率必然會十分低下。一名高效能人士不會到處為自己找借口，開脫責(zé)任；相反，無倫出現(xiàn)什么情況，他都會自覺主動地將自己的任務(wù)執(zhí)行到底?！备惶m克林將自己一生的成就歸功于對“在一定時期內(nèi)不遺余力地做一件事”這一信條的實踐。只要把問題想透徹了，才能找到問題到底是什么，才能找到解決問題最有效的手段。 運假公濟(jì)私,那么你要嘗試學(xué)習(xí)如何與不同的人相處,。蓋茨所説：“通向最高管理層的最迅捷的途徑，是主動承擔(dān)別人都不愿意接手的工作，并在其中展示你出眾的創(chuàng)造力和解決問題的能力。”現(xiàn)實中那些頂尖的成功人士不是成功了才設(shè)定目標(biāo)，而是設(shè)定了目標(biāo)才成功。只要把問題想透徹了，才能找到問題到底是什么，才能找到解決問題最有效的手段?！备惶m克林將自己一生的成就歸功于對“在一定時期內(nèi)不遺余力地做一件事”這一信條的實踐。一名高效能人士不會到處為自己找借口，開脫責(zé)任；相反，無倫出現(xiàn)什么情況，他都會自覺主動地將自己的任務(wù)執(zhí)行到底。如果一個人沒有重點地思考，就等于無主要目標(biāo)，做事的效率必然會十分低下。同樣此次USRP也大大提高了我們的動手的能力，使我們充分體會到了在創(chuàng)造過程中探索的艱難和成功時的喜悅。但是系統(tǒng)本身還存在許多不足，距離具體實用的要求仍有很大差距。在此次實驗中，也汲取了以上一些算法的思想，結(jié)合實際，反復(fù)比較，綜合分析；二是在有效性和實用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個方向。mse39。 圖 318 識別結(jié)果圖形訓(xùn)練后神經(jīng)網(wǎng)絡(luò)以及權(quán)重結(jié)果信息為：net = Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1。net=train(net,p,t)即創(chuàng)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。traingdx39。反向傳播其節(jié)點單元特征通常為Sigmoid型{f(X)=1／[1+exp(一Bx)]，B0}。每個節(jié)點的激活函數(shù)采用O．1函數(shù)，輸出節(jié)點的輸出值為0，1二值。④能夠同時處理定量、定性知識。這種匹配算法只利用了字符的關(guān)鍵點進(jìn)行匹配，因此，提高了識別速度又具有較高的識別率。字符識別的算法很多，因為車牌字符間間隔較大，不會出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個字符組成，需要分割。 圖 39 腐蝕后圖像，平滑圖像的輪廓以及從對象中移除小對象后圖像（2）牌照區(qū)域的分割對車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。利用神經(jīng)網(wǎng)絡(luò)和遺傳算法等柔性方法進(jìn)行計算是當(dāng)前研究熱點之一。根據(jù)不同的實現(xiàn)方法，大致可以把現(xiàn)有的定位方法分為直接法和間接法兩類。 圖36 平滑處理后的圖像圖像中車輛牌照是具有比較顯著特征的一塊圖像區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖像中的位置較為固定。（1）灰度校正由于牌照圖像在拍攝時受到種種條件的限制和干擾，圖像的灰度值往往與實際景物不完全匹配，這將直接影響到圖像的后續(xù)處理。 通道時牌照區(qū)域為一亮的矩形，而牌照字符在區(qū)域中并不呈現(xiàn)。因此，需要對字符在識別之前再進(jìn)行一次針對性的處理。 （二）技術(shù)路線 1 原理分析 由于車輛牌照是機動車唯一的管理標(biāo)識符號，在交通管理中具有不可替代的作用，因此車輛牌照識別系統(tǒng)應(yīng)具有很高的識別正確率，對環(huán)境光照條件、拍攝位置和車輛行駛速度等因素的影響應(yīng)有較大的容閾，并且要求滿足實時性要求。二 算法分析與設(shè)計 （一）特征分析中國汽車牌照中使用的字符集包括59個漢字、25個大寫英文字母(字母不包含I)和10個阿拉伯?dāng)?shù)(09)，三種類型共94個，且都是印刷體，結(jié)構(gòu)固定、筆畫規(guī)范。所謂泛魔，即這個模型把圖像識別過程分為不同的層次，每一層次都有承擔(dān)不同職責(zé)的特征分析機制稱作一種小魔鬼，由于有許許多多這樣的機制在起作用，因此叫做“泛魔”識別模型。同時,人能識別的圖像是大量的，如果所識別的每一個圖像在腦中都有一個相應(yīng)的模板，也是不可能的。為了編制模擬人類圖像識別活動的計算機程序，人們提出了不同的圖像識別模型。圖像技術(shù)的基礎(chǔ)性研究，特別是結(jié)合人工智能與視覺處理的新算法，從更高水平提取圖像信息的豐富內(nèi)涵，成為人類運算量最大、直觀性最強，與現(xiàn)實世界直接聯(lián)系的視覺和“形象思維”這一智能的模擬和復(fù)現(xiàn)，是一個很難而重要的任務(wù)。在信息社會中，我們每天都接觸大量的數(shù)據(jù)——工作數(shù)據(jù)、個人數(shù)據(jù)、無意間獲得的數(shù)據(jù)等——在這些數(shù)據(jù)中，有些數(shù)據(jù)需要我們?nèi)斯ぬ幚?，而有些則可以利用計算機快速準(zhǔn)確的完成——字符識別就是其中的一個范疇?；贛ATLAB BP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像識別【摘要】 隨著現(xiàn)代社會的發(fā)展，信息的形式和數(shù)量正在迅猛增長?！娟P(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；圖像識別；字符識別；特征提取；車牌；Matlab 一 課題研究背景（一） 圖像識別的提出及應(yīng)用隨著信息化時代的不斷發(fā)展，人們越來越多地使用信息化的手段來解決各種問題——辦公自動化、先進(jìn)制造業(yè)、電子商務(wù)等利用計算機技術(shù)而產(chǎn)生的新興行業(yè)正不斷靠近我們的生活。可以預(yù)計21世紀(jì)，圖像技術(shù)將經(jīng)歷一個飛躍發(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)的自動化、智能化水平的基礎(chǔ)科學(xué)之一。（三）圖像識別的機理圖像識別是人工智能的一個重要領(lǐng)域。例如,人們不僅能識別某一個具體的字母A,也能識別印刷體的、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更復(fù)雜的模型，即“泛魔”識別模型。在開發(fā)期間，以功能強大的Matlab作為編程平臺，利用一些行之有效的技術(shù)提高識別算法的性能，從而完成相應(yīng)的識別軟件。 ； X3X4X5X6X7均是阿拉伯?dāng)?shù)字。由于拍攝時的光照條件、牌照的整潔程度的影響，和攝像機的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識別的準(zhǔn)確性。 輸入車牌圖像灰度校正平滑處理提取邊緣 圖31 預(yù)處理及邊緣提取流程圖 圖像的采集與轉(zhuǎn)換考慮到現(xiàn)有牌照的字符與背景的顏色搭配一般有藍(lán)底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來，例如，對藍(lán)底白字這種最常見的牌照，采用藍(lán)色B有多余的空格。增強圖象對比度度的方法有：灰度線性變換、圖象平滑處理等。為了克服這種平均化引起的圖像模糊現(xiàn)象，我們給中心點象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點才能替換為鄰域平均值，而差值不大于閾值時，仍保留原來的值，從而減少由于平均化引起的圖像模糊。 2 車牌的定位與分割 車牌定位對車牌識別系統(tǒng)來說至關(guān)重要，目前已經(jīng)提出了很多車牌定位的方法，這些方法都具有一個共同的出發(fā)點，即通過牌照區(qū)域的特征來判斷牌照。主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。在本程序中用到了膨脹和閉合這兩個基本運算，最后還用了bwareaopen來去除對象中不相干的小對象。它在前期牌照定位